返回首页
最新
嘿，HN，我们是Maya和Riles，我们正在开发Orkera（orkera.com）；这是一个MCP工具，可以通过提示创建和管理后端基础设施。它处理数据库的创建和管理、部署、定时任务以及环境设置，所有这些都可以通过您的编码代理发出的MCP调用来完成。
<p>演示视频：<a href="https://youtu.be/runSblXCYD0" rel="nofollow">https://youtu.be/runSblXCYD0</a>
<p>我们为什么要构建它：
我们是巴黎创业社区的一部分，发现了一个共同的瓶颈：人们可以快速构建前端或最小可行产品（尤其是使用Cursor、Claude、Gemini），但一旦想要与用户分享，就会遇到DevOps的障碍：设置虚拟机、创建数据库、配置部署、选择域名等。
<p>我们希望让这个步骤消失。
因此，我们构建了Orkera：一个基于MCP的后端层，像Cursor、Claude Code和Gemini CLI这样的工具可以调用它来自动创建基础设施和部署应用。
<p>目前的功能：
- 创建和管理数据库，
- 无需云设置即可部署Web应用，
- 处理类似cron的定时任务，
- 通过MCP管理环境
所有这些都可以在您的vibecoding工具内完成。
<p>我们在寻找什么：
这是第一个公开版本（经过一些早期反馈循环），我们希望能找到测试者，告诉我们缺少什么、哪些地方感觉奇怪，以及哪些地方应该更透明或可配置。
<p>设置：
让Orkera运行很简单；注册以获取API密钥，然后将MCP端点添加到您的编辑器中。我们在orkera.com上发布了Cursor、Claude Code和Gemini CLI的小型设置指南。
<p>感谢您抽出时间查看，我们非常欢迎反馈、批评和建议。
大家好！我创建了 PyTorch-World，这是一个用于学习、训练和实验世界模型的模块化库。
在研究世界模型的过程中，我注意到每篇新论文都会引入一系列新的组件和架构，但核心结构却出奇地保持一致。然而，之前并没有一个简单的方法来替换这些组件、独立实验它们，或者理解它们如何相互作用以形成完整的世界模型。
PyTorch-World 旨在解决这个问题：它提供了一个干净、模块化的框架，您可以在其中插入不同的组件，比较不同的方法，并从内部了解世界模型的工作原理。
新版本即将推出，这是 v0.0.3！
您也可以通过 pip 安装该库，链接如下：
[https://pypi.org/project/pytorch-world/](https://pypi.org/project/pytorch-world/)
目前该库支持 Google 的 PlaNet 世界模型，以下是用于在 CartPole-v1 环境中训练模型的代码：
```python
from world_models.models.planet import Planet
p = Planet(env="CartPole-v1", bit_depth=5, headless=True, max_episode_steps=100, action_repeats=1, results_dir="my_experiment")
p.train(epochs=1)
```
我认为 .env 文件适合存储非敏感配置，但一旦有几个工程师、机器，或者一个工程师同时处理多个项目，它们就不适合用来存储真正的机密信息。
我在大大小小的科技公司工作过，见过以下情况：
1. .env 文件是明文凭证的堆放地。
2. 团队通过 Slack 共享 .env 文件，最终导致内容不一致。
3. 意外提交 .env 文件。
因此，我开发了 envmap，这是一个小型命令行工具，可以管理和注入本地的环境变量键值，并支持 AWS、Vault 和 1Password 等后端作为可信源。我使用这个工具，并删除了我的 .env、.env.example 和 .env.production（我真是个糟糕的例子）。
欢迎任何反馈和贡献！
我开发了一个免费的工具，可以在部署之前对您的代理进行压力测试。<p>捕捉无限循环（节省成本）<p>防止数据泄露（确保隐私）<p>粘贴您的系统提示，看看您的代理有多强大： https://agentic-qa-api.onrender.com/docs<p>如何使用它（3步指南）
验证只需30秒。<p>步骤1：打开链接
访问我们的实时仪表板：https://agentic-qa-api.onrender.com/docs<p>步骤2：输入您的“脑”（提示）
找到输入框，将您的AI的系统提示指令粘贴到那里。
（示例：“您是Gorgias的支持代理……”）<p>步骤3：选择“攻击”并运行
选择您想要测试的风险（成本或隐私），然后点击执行。<p>魔力：我们的引擎将对您的AI发起对抗性攻击。如果您的AI是安全的，它将返回“通过”。如果不安全，它将返回“被阻止”，并准确显示逻辑失败的地方。