我注意到一个简单但出乎意料有用的功能。大多数聊天界面都有一个分享按钮。如果将这个共享链接视为当前状态的快照，那么你可以在之后粘贴该链接，重新加载完全相同的个性化设置/配置，而无需重新调整。这就像是AI聊天的“存档槽”。
如何使用它：
快速开始：1) 调整到行为合适 → 2) 按下分享，复制链接 → 3) 下次粘贴以启动相同的状态。
适用的工具：ChatGPT、Gemini、Claude、Perplexity、Grok。
在我的测试中，不是真正的快照的工具：Mistral、Kimi（它们的“分享”似乎导出的是文本，而不是状态）。
为什么这有帮助：
- 提高A/B测试和评估的可重复性。
- 加快RAG/OCR/代理管道的事件响应（无需重新调整）。
- 为长篇写作或T2I工作流程提供稳定的声音。
- 在并行标签中进行安全的红队与蓝队比较。
在HN上开放的问题：
- 你观察到不同提供商之间的状态一致性差异吗？哪些实际上恢复了相同的行为？
- 共享链接是否存在已知的隐私或保留问题？团队是否将其视为秘密？
- 有什么技巧可以减少重新加载后的漂移？热身语句、固定规则或版本标记？
- 你喜欢哪些操作模式？例如，“主种子链接→每个任务克隆”、“创作者/编辑双链接”、审计表、轮换频率。
- 这在哪些方面失败？模型/版本切换、截断、上下文大小、组织政策、URL寿命？
示例用例（简洁）：
- RAG分类：每个故障类别一个链接（索引、向量漂移、路由）。
- 提示注入实验室：攻击者链接与防御者链接并排运行。
- 写作流程：一个“声音+大纲”链接，一个“逐行编辑”链接。
- SRE事后分析：带时间线的模板链接 + 五个为什么。
我很好奇其他人是否已经在做这个，或者是否有更好的模式。你见过哪些有效或失效的做法？
返回首页
最新
嘿，HN！我构建了一个基于Git的AI记忆概念验证，而不是使用向量数据库。
<p>这个想法是：Git已经解决了版本化文档管理的问题。为什么我们要构建复杂的向量存储，而不直接使用带有Git内置的diff/blame/history的markdown文件呢？
<p>它是如何工作的：
<p>记忆以markdown文件的形式存储在Git仓库中
每次对话 = 一次提交
git diff显示理解如何随着时间演变
使用BM25进行搜索（不需要嵌入）
大型语言模型（LLMs）根据对话上下文生成搜索查询
示例：询问“我的项目是如何演变的？”它使用git diff来展示理解的实际变化，而不仅仅是相似性分数。
<p>这确实是一个概念验证——到处都是粗糙的边缘，尚未准备好投入生产。但它在个人使用中表现得相当不错。一年对话的整个索引大约占用100MB的内存，检索时间在毫秒级。
<p>有趣的部分是：你可以git checkout到任何时间点，准确查看当时AI所知道的内容。完美的可重复性，人类可读的存储，并且如果需要，你可以手动编辑记忆。
<p>GitHub: <a href="https://github.com/Growth-Kinetics/DiffMem" rel="nofollow">https://github.com/Growth-Kinetics/DiffMem</a>
<p>技术栈：Python, GitPython, rank-bm25, OpenRouter用于大型语言模型的编排。采用MIT许可证。
<p>希望能得到对这个方法的反馈。这是疯狂的还是聪明的？我还缺少什么可能会让我后悔的？
我正在开发一个名为 Datastripes 的工具（最初是我的硕士论文），它完全在浏览器中运行。这是一个拖放式数据引擎，您可以加载数据集（CSV、SQL、API），以可视化的方式进行转换，并构建仪表板，而无需编写代码。
人们似乎最喜欢的一个功能是：您可以在不到 30 秒的时间内将数据转换为有声播客。系统会获取您的数据集或仪表板，生成洞察，并将其转换为音频流，您可以收听或与团队分享。这个想法是，执行人员可以在通勤期间听取业务状况，而不是拉取报告或盯着仪表板。
Datastripes 的其他功能包括预测、"假设" 情景模拟（如危机或市场繁荣），以及与数据对话的 AI 聊天界面。但我特别想听听您对数据转语音方法的看法。
您可以访问 https://datastripes.com，或在 https://app.datastripes.com 上免费注册，直到九月。非常希望能收到反馈，尤其是来自构建或使用分析工具的朋友们。
欢迎