嗨，HN！我创建了 LLM OneStop（<a href="https://www.llmonestop.com" rel="nofollow">https://www.llmonestop.com</a>），这是一个统一的界面，可以在一个地方访问多个 AI 语言模型。
我想解决的主要问题是：在不同的 AI 平台之间不断切换，管理多个订阅，并在比较模型输出时丢失对话上下文。
主要功能：
<p>在对话中随时切换 GPT-4、Claude、Gemini、Llama 和其他模型
并排比较响应
单一界面，无需在多个标签页/订阅之间切换
提供免费试用版（无需信用卡）
“连接”计划允许您使用自己的 API 密钥进行无限制使用<p>我之所以构建这个，是因为我发现自己在想要比较响应或寻找特定任务最佳模型时，不断在 ChatGPT、Claude 和其他平台之间复制粘贴提示。
您现在可以使用免费试用版进行体验——我非常希望听到您对哪些功能有效、哪些无效以及您希望看到哪些新功能的反馈！
返回首页
最新
嗨，HN，我是贾斯廷。我创建了Fleet Fund，让任何人都可以以小额投资的方式参与到能够产生收入的机器中。我从电动车充电桩开始。这个想法是，当汽车充电时，它们会产生被分配给投资者的被动收入。
这是一个早期原型，目前有等待名单。希望能收到大家对这个概念的反馈，以及你们认为接下来可以发展的方向（如机器人出租车、人形机器人、人工智能代理等）。
嗨，HN
我开发了CalmNest，因为我晚上总是忍不住刷手机。大多数晚上，我都会告诉自己很快就要睡觉了，但接下来一个小时就这样消失了，我还在不停地拿着手机，阅读、查看信息，或者只是盯着屏幕，直到我手里握着手机睡着。
我想改变这种情况——不是完全切断自己与手机的联系，而是把手机变成一个引导我入睡的工具，而不是让我保持清醒的东西。
于是我制作了CalmNest，这是一个让你放慢节奏，自然入睡的宁静空间。它通过细腻的视觉效果轻柔地引导你的呼吸，随着你的放松而逐渐变暗，当你停止互动时，最终会淡出到一个柔和的“晚安”屏幕。从那里，它会跟踪你的睡眠时间和模式——没有压力，没有通知，只有宁静。
通常它的价格是5.99美元，但在11月17日之前，任何想尝试的人都可以免费使用。如果你像我一样，习惯于在握着手机的情况下入睡，也许这个应用能帮到你。
<a href="https://apps.apple.com/st/app/calmnest-sleep-relax/id6754578929">https://apps.apple.com/st/app/calmnest-sleep-relax/id6754578...</a>
期待听到你的想法——尤其是那些与我有同样“午夜手机”习惯的人。
大家好，
我一直在尝试一个将数据库和消息总线结合成一个系统的想法，适用于需要在边缘位置保持状态的系统。
每个数据库都有一个日志——写前日志（Write-Ahead Log）。它是持久的、有序的，并且是追加式的。实际上，如果你在设计一个消息队列，它就是你所构建的东西。
所以我问自己：如果我们只是复制日志本身会怎样？
UnisonDB 就是这个想法的结果。它是一个基于 Go 的键值存储，其中：
每次写入：
1. 追加到内存映射的 WAL（持久性）
2. 从 WAL 本身即时流式传输到 100 多个副本（无需单独的变更数据捕获）
3. 通过 B+ 树变得可查询（状态）
复制是如何工作的
每个副本都有一个 WAL 读取器，定位在其最后应用的偏移量。
- 新数据到达 → 读取器拉取数据 → 进行复制。
- 网络分区？重新连接并从偏移量恢复。
- 副本崩溃？恢复本地 WAL，从上一个提交处赶上。
没有共识。没有法定人数。没有全球协调。只需：流式传输日志。
GitHub: github.com/ankur-anand/unisondb
期待你的反馈。
嗨，HN，
我是Rajiv，一名转行的数学教师，现居山中。在这里，我喜欢放慢生活节奏，同时仍然开发有用的软件。
我最近开发了DroidDock，这是一款轻量级且现代的macOS桌面应用程序，允许您通过ADB浏览和管理Android设备上的文件。在软件开发领域工作了12年后，我希望能有一个免费、简洁且高效的工具，因为现有的解决方案要么收费，要么笨重、臃肿。
该应用的功能包括多种视图模式、图像/视频的缩略图预览、直观的文件搜索、文件上传/下载以及键盘快捷键。后端使用Rust和Tauri以提高性能。
您可以从这里的登录页面下载最新的.dmg文件： [https://rajivm1991.github.io/DroidDock](https://rajivm1991.github.io/DroidDock)
源代码可在GitHub上获取：[https://github.com/rajivm1991/DroidDock](https://github.com/rajivm1991/DroidDock)
我非常欢迎您对可用性、缺失功能或错误的反馈。感谢您的关注！
— Rajiv
我构建了一个框架，用于衡量对话式人工智能系统中的角色一致性。
*问题：*
当你推出一个人工智能助手时，需要确保它在不同模型版本中保持一致的品牌声音。然而，“听起来正确”是主观的。你如何使其可衡量？
*方法：* Alignmenter 评分三个维度：
1. *真实性*：风格相似性（嵌入） + 特征模式（逻辑回归） + 词汇合规性 + 可选的 LLM 评估
2. *安全性*：关键词规则 + 离线分类器（distilroberta） + 可选的 LLM 评估
3. *稳定性*：响应分布的余弦方差
有趣的部分是校准：你可以在标记数据上训练特定角色的模型。对组件权重进行网格搜索，估计归一化界限，并优化 ROC-AUC。
*验证：* 我们发布了一个完整的案例研究，使用了温迪的 Twitter 声音：
- 数据集：235 次对话，64 次符合品牌 / 72 次不符合品牌（平衡）
- 基线（未校准）：0.733 ROC-AUC
- 校准后：1.0 ROC-AUC - 1.0 F1
- 学习结果：风格 > 特征 > 词汇（权重为 0.5/0.4/0.1）
完整的方法论： [https://docs.alignmenter.com/case-studies/wendys-twitter/](https://docs.alignmenter.com/case-studies/wendys-twitter/)
这里有一个完整的操作指南，供你自己复现结果。
*实际使用：*
```bash
pip install alignmenter[safety]
alignmenter run --model openai:gpt-4o --dataset my_data.jsonl
```
这是 Apache 2.0 许可，支持离线工作，并设计用于 CI/CD 集成。
GitHub: [https://github.com/justinGrosvenor/alignmenter](https://github.com/justinGrosvenor/alignmenter)
希望能收到关于校准方法论的反馈，以及这个问题是否引起其他人的共鸣。