返回首页
最新
我在家里的Mac上运行多个Claude Code会话，并在外出时通过我的iPhone进行控制。我喜欢这种方式，因为它给了我最大的能力和灵活性（我可以像在本地一样使用任何插件或命令行工具）。<p>这个设置包括cmux作为终端复用器的用户界面，tmux用于在连接之间保持会话活跃，Tailscale用于零配置的加密网络，以及Echo应用作为iOS的SSH客户端。可选的Mosh用于在切换网络时自动重连。<p>这个方案包括一个ccode shell函数，处理会话命名、tmux生命周期、继续/跳过权限标志，以及一个预检查，以确保在没有内容可以继续时不会出现空白窗口。
我想创建一个SaaS产品。如果在开发、数据库、存储或其他方面遇到问题，请告诉我具体问题以及可以构建的解决方案。我会选择最好的想法并进行开发。
嘿，HN，
我花了一年时间构建交易机器人。交易部分相对简单，但新闻处理几乎让我崩溃。
在我的模型能够看到任何标题之前，我必须完成以下工作：抓取12个来源，解析不一致的格式，去重（一次美联储决策可能会有8篇来自不同出版商的几乎相同的文章），分类紧急程度（加息与新副总裁任命），进行情感分析，并将数据规范化为干净的JSON格式。七个步骤，每个步骤都有其失败的可能性。
我花在维护这个管道上的时间比构建策略的时间还要多。因此，我将其转变为一个API。
```bash
curl "https://api.tradingnews.press/v1/news?urgency=breaking&limit=5" \
-H "X-API-Key: $KEY"
→ { "articles": [{ "content": "FOMC: Fed raises rates 25bps to 5.75%",
"urgency": "breaking", "sentiment": -0.42,
"received_at": "2026-04-07T14:00:00.034Z" }] }
```
与原始新闻源的不同之处在于：
1. 去重。当美联储宣布利率决策时，路透社、美联社、彭博社、CNBC、华尔街日报、MarketWatch和金融时报都会在30秒内发布。这意味着一次事件会有7篇文章。我们将它们合并为一篇。采用三层方法：URL去重 → 在时间窗口内进行嵌入相似性聚类 → 实体和事件类型匹配。第二层捕获约80%，第三层捕获剩余部分。
2. 紧急程度分类。每篇文章都标记为“突发”/“快讯”/“常规”。基于约5万条标注的金融标题进行训练，“突发”的准确率约为94%。一个查询参数就能消除90%的噪音：
```bash
GET /v1/news?urgency=breaking
```
3. 情感评分。每篇文章的评分范围从-1.0到+1.0，基于一个金融自然语言处理模型（而非通用的LLM）。与FinBERT的协议率为84%。在同一处理过程中计算——没有额外延迟。
4. 速度。平均响应时间低于200毫秒，对于像FOMC决策这样的突发新闻，响应时间为34毫秒。我测试的大多数金融新闻API的响应时间在1到5秒之间。
定价：$20/月（REST，1次请求/分钟）/ $50/月（REST + WebSocket流，30次请求/分钟）。提供3天免费试用。
这不是：
- 不是新闻阅读器或仪表板——仅提供API，输入输出为JSON
- 不是市场数据提供商——没有报价或OHLCV，使用Polygon来获取这些数据
- 还不是企业级——为个人交易者和小型量化团队构建
- 还没有历史档案（这是最受欢迎的功能，正在开发中）
技术栈：Express/TypeScript，自定义NLP管道，用于去重的嵌入模型，Postgres，Redis，专用基础设施（不是无服务器架构——延迟很重要）。
文档：[https://docs.tradingnews.press](https://docs.tradingnews.press)
注册：[https://tradingnews.press](https://tradingnews.press)
欢迎询问关于去重架构、紧急分类器或其他任何问题。
Astrial（星逐）是一种在球面上进行的在线围棋变体。棋盘是一个细分的斜截十二面体——一种阿基米德固体——拥有302个交点，形成一个封闭的球面图。没有边缘，没有角落，每个方向都是等价的。
这种拓扑结构产生了3度、4度和5度的顶点混合，因此每个点的气数不同。5度的点邻接更多（且更大的）面，使其成为最有价值的领土；而3度的点则是最容易被围住的。计分基于区域：球面上的300个四边形面根据周围的棋子按比例分配，白方有2.5%的贴目。
标准围棋规则适用——轮流下棋，气数为零时被吃子，不允许自杀，以及位置超级禁入。游戏在连续两次过手后结束。
<a href="https://astrial.app" rel="nofollow">https://astrial.app</a>
我一直对量化是如何工作的感到好奇。于是我深入研究了相关内容，最终得出了一些令人惊讶的发现。