最新

Miro 是一款适用于 Windows 和 Linux（以及 macOS）的原生 PDF 查看器，基于 iced 和 mupdf-rs 开发。你可能还记得我那篇标题略显激进的文章《我讨厌 Acrobat》（<a href="https://news.ycombinator.com/item?id=45598776">https://news.ycombinator.com/item?id=45598776</a>）。 无论如何，从那时起，我在许多热心贡献者的帮助下发布了两个全新版本。最近新增了一个演示模式，可以隐藏用户界面，并增加了全屏模式的切换功能。 代码可以在这里找到：<a href="https://github.com/vincent-uden/miro" rel="nofollow">https://github.com/vincent-uden/miro</a>

大家好！我们是来自Relvy AI的Bharath和Simranjit（<a href="https://www.relvy.ai">https://www.relvy.ai</a>）。Relvy为软件工程团队自动化值班运行手册。它是一个配备了分析遥测数据和代码工具的AI代理，能够帮助团队在几分钟内调试和解决生产问题。这里有一个视频：[[[<a href="https://www.youtube.com/watch?v=BXr4_XlWXc0" rel="nofollow">https://www.youtube.com/watch?v=BXr4_XlWXc0</a>]]]<p>许多团队以某种形式使用AI来减轻值班负担。你可能正在将日志粘贴到Cursor中，或者使用Claude Code与Datadog的MCP服务器来帮助调试。我们观察到，自主根本原因分析对AI来说是一个困难的问题。这在基准测试中得到了体现——Claude Opus 4.6在OpenRCA数据集上的准确率仅为36%，而在编码任务中则表现更好。<p>造成这种情况的主要原因有三个：（1）遥测数据的体量可能会淹没模型，产生噪音；（2）数据解释/推理依赖于企业上下文；（3）值班是一个时间紧迫、高风险的问题，AI在调查时间内几乎没有探索的空间。导致用户走上错误路径的错误是很难被宽恕的。<p>在Relvy，我们通过构建专门的遥测数据分析工具来解决这些问题。我们的工具可以从密集的时间序列数据中检测异常和识别问题片段，进行日志模式搜索，并推理跨度树，所有这些都不会使代理上下文过载。<p>围绕运行手册锚定代理可以减少代理的探索性，更多地反映出经验丰富的工程师会采取的最有用的步骤。这导致分析速度更快，工程师在审查和理解AI所做的工作时的认知负担更轻。<p>工作原理：Relvy通过docker-compose（或通过helm charts，或在我们的云上注册）安装在本地机器上，连接你的技术栈（可观察性和代码），创建你的第一个运行手册，并让Relvy调查最近的警报。<p>每次调查都以笔记本的形式呈现在我们的网页用户界面中，配有数据可视化，帮助工程师验证并建立与AI的信任。从此，Relvy可以配置为自动响应来自Slack的警报。<p>Relvy自动化的一些示例运行手册步骤包括：- 检查某个仪表板，查看错误是否仅限于特定分片。- 检查APM页面是否有吞吐量激增，如果有，是来自几个IP吗？- 检查最近的提交，看看这个端点是否有任何变化。<p>你还可以配置Relvy可以运行的AWS CLI命令，以自动化缓解措施，并需要人工批准。<p>关于我们的简要介绍——我们在2024年秋季参加了YC。我们开始时尝试使用小型语言模型进行持续日志监控——那太慢了。随后我们深入投资于有效解决根本原因分析，我们今天的产品是与早期客户合作约一年工作的结果。<p>今天就来试试我们吧。我们很乐意听取反馈，或者了解你们公司是如何应对值班负担的。感谢任何评论或建议！

完全开源，基于Cline的硬分叉。在GitHub页面上进行了全面评估，比较了7个代理（Cline、Kilo、Ohmypi、Opencode、Pimono、Roo、Dirac）在8个中等复杂度任务上的表现。每个任务、每个差异以及正确性和成本信息均在GitHub上提供。 Dirac的成本比其他6个代理的平均成本低64.8%。

Webcellar 简化了在 Excel 中使用 JavaScript（和 TypeScript）的过程。<p>其主要特点是，从“<i>.xlsx.js</i>”（或“<i>.xlsx.ts</i>”）文件中导出的 JS 模块会在相应的“*.xlsx”文件中自动作为函数可用（只要 Webcellar 正在运行）。<p>另一个特点是，Webcellar 自动处理 Excel 和 JS 之间的维度和数据类型转换。例如，JS 对象会被转换为 Excel 实体（即具有可访问属性的单元格值）。<p>Webcellar 主要是为了满足我在应用开发中的需求而开发的，使用场景主要涉及预测、风险分析、决策分析等。例如，使用 Excel 管理相关的应用数据（如编辑单元格或按列排序）非常简单，通常可以减少我在开发用户界面上花费的时间。然而，Excel 应用开发受到公式和 Visual Basic（Excel 中嵌入的编程语言）限制的影响。在这种情况下，通过 Office 加载项在 Excel 中使用 JavaScript 看起来很有前景，但开发 Office 加载项可能会变得不必要地繁琐。因此，我开发了 Webcellar，以简化在 Excel 中使用 JavaScript（和 TypeScript）的过程。<p>请查看 Webcellar 源代码的 GitHub 仓库、演示（也包括注释截图）和更多信息：<a href="https:&#x2F;&#x2F;github.com&#x2F;Acmeon&#x2F;Webcellar" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Acmeon&#x2F;Webcellar</a><p>注意：几乎没有代码是 AI 生成的。AI 代码仅在一个文件中使用，即 `.webcellar&#x2F;taskpane-init.html`，用于捕获请求的 Office.js URL。<p>如果您有任何问题，我将很高兴为您解答。

有两家公司在全企业范围内整合人工智能的方式截然不同：一种是自下而上的方法，另一种是自上而下的方法。第一家公司（tom-tailor.ru）采用“数字生态系统”方法，以防止“超自动化”。他们使用许多小型服务来赋能员工。一个共同的数据总线将这些服务整合在一起，但主要关注点在于独立性和人。公司与市场密切合作，监测趋势和竞争对手，从而实现灵活性。他们需要1.5个月来检查一个流程是否成功。 第二家公司（国有企业unirusgroup.ru）则以“能力中心”不是“开发中心”为座右铭。能力中心作为专业知识和培训的枢纽，是采用人工智能的主要场所。这个中心汇聚了来自整个企业的专家，并将他们的知识整合在一起。该中心拥有强大的沙盒环境，用于开发和使用人工智能模块。这使他们能够扩展和共享人工智能知识，避免技术创新中的信息孤岛。 这两家公司在“拼凑式自动化”和“超自动化”之间取得了平衡。 其他观察： - 仪表板并没有帮助，反而让人感到负担；与此同时，当人们创建仪表板时，他们分享了自己对数据的深刻理解。 - 人工智能被用来预测需要关注的高风险领域，以防止关键故障；其他领域则会受到较少关注。这使得公司能够在资源有限的情况下运作。 - 自下而上的方法在检查新模块是否成功时所需的时间显著减少，因为这里的模块较小。 - 架构是人类与人工智能之间的桥梁，其角色类似于认知距离中的工件。 提到的图示： - 创新扩散中的市场鸿沟（“mure-abyss”）显示在项目扩展期间，活跃用户与被动用户之间存在13%与70%的差距。 - 边际微笑曲线：研发高，生产低，销售高。 - 利益相关者之间存在一个“认知距离”三角形：商业、管理和开发者。如果缺乏平衡和尊重，项目失败的可能性很大。人工智能或工件可以在它们之间进行调解。 斯科尔科沃研究亮点： - 记忆和决策是分布式的；所有组件都有局部记忆和一定的自主性（分布式认知，诺斯费尔）。 - 决策类型：专家驱动、流程驱动、数据驱动。每种类型都有其特定领域；数据驱动并不完美。专家驱动类似于大型语言模型（LLM），作为一个紧凑的黑箱决策者。 - 数据驱动的方法作为一种母体过程，促进人工智能应用。 - 原型测试需要90天。 企业人工智能开发的步骤（斯科尔科沃，SberService）： 1) 确定具有足够成熟流程的领域 2) 定义指标并建立“数据故事” 3) 开发作为模块的原型 4) 扩展和监控 建议使用TRL和MRL指标（技术和制造过程准备水平）来寻找创新机会。