返回首页
最新
嗨，HN，我创建了Linggen——一个以本地为中心的开源AI编码助手，使用Rust编写。
<p><pre><code> 0.9.2版本的新功能：
- 通过WebRTC实现P2P远程访问——您可以通过手机控制您的助手，无需端口转发或云中继。只需
`ling login`并扫描二维码。
- 计划模式——助手在编写代码之前会提出逐步计划，您可以在执行前进行批准或编辑。
- 兼容任何模型——Ollama、OpenAI兼容的API、Gemini、DeepSeek。您可以使用自己的密钥或完全本地运行。
它类似于Claude Code，但不依赖于特定模型，可以通过技能（markdown文件）进行扩展，现在可以从任何地方访问。
演示视频在首页展示了安装→计划→构建→移动同步的过程。
安装：curl -fsSL https://linggen.dev/install.sh | bash
GitHub：https://github.com/linggen/linggen</code></pre>
我厌倦了运行即使是简单数据分析所需的繁琐流程——云设置、ETL管道、编排、成本监控等，因此我构建了一个完全本地的数据栈/集成开发环境（IDE），在这里我可以编写SQL/Py代码，运行它，查看结果，并快速、互动地进行迭代。
您可以获得类似数据湖的目录、零ETL、数据血缘、版本控制，以及完全在您机器上运行的分析功能。您可以从数据库、网页、CSV等导入数据，并使用自然语言查询或用SQL/Pyspark进行自己的工作。可以连接到本地模型，如Gemma，或云端大型语言模型（LLM），如Claude，进行查询和分析。您无需设置本地LLM，它已内置。
这完全免费，无需云账户。
下载软件 - [https://getnile.ai/downloads](https://getnile.ai/downloads)
观看演示 - [https://www.youtube.com/watch?v=C6qSFLylryk](https://www.youtube.com/watch?v=C6qSFLylryk)
查看代码库 - [https://github.com/NileData/local](https://github.com/NileData/local)
这个项目还处于早期阶段，我非常希望能听到您对哪些功能存在问题、缺失以及您是否觉得它对您的数据和分析工作有用的反馈。
Starla 是一个非官方的 RIPE Atlas 软件探针客户端，支持跨平台，具有可选的托盘图标小程序，并且是一个单一的静态二进制文件，没有外部依赖。<p>Starla 可用于 Windows、MacOS、Linux 以及容器运行时。<p>Starla 的文档可以在 <a href="https://ananthb.github.io/starla" rel="nofollow">https://ananthb.github.io/starla</a> 找到。RIPE Atlas 探针协议的文档也可以在 <a href="https://ananthb.github.io/starla/protocol.html" rel="nofollow">https://ananthb.github.io/starla/protocol.html</a> 找到。
在过去几个月里，我尝试了许多潜在的替代变压器（transformers）的方法，其中之一是所谓的脉冲神经网络（Spiking Neural Networks，SNNs）。对于不熟悉它们的人来说，这是一种旨在使人工智能尽可能接近人脑的方式。换句话说，变压器、递归神经网络（RNN）和长短期记忆网络（LSTM）是以结果为导向的（并不寻求1:1模拟人类），而脉冲神经网络则试图精确模仿人类学习的方式。将它们用于自然语言处理（NLP）的想法并不完全新颖（可以查找SpikeGPT），然而据我所知，尚未有人尝试以下内容：
* 在脉冲神经网络中每n个标记后加入情节性长期记忆（这是我自己的想法）；
* 在没有Torch/TensorFlow的情况下，使用C和C#进行实现（SpikeGPT是用Python和Torch编写的）；
* 多种类型的“注意力”机制、训练模式和记忆模式；
* 无需反向传播的训练/学习；
* 在CPU友好的意义上，虽然速度仍然有点慢（不幸的是），但至少不需要GPU。
以下是C# Windows窗体实现和C/Cygwin移植的屏幕截图，以及关于该程序的Claude Sonnet 4.6和Gemini Pro 3.1的两张随机截图：
https://imgur.com/a/SAQqKmm
为什么从种子生成的文本仍然远未完美？有两个原因：语料库非常小，且C#的准确率低于100%。
不过，令人惊喜的是：似乎语法和语义都被学习到了，这与我想要加入长期情节记忆的方法结合起来，可以轻松扩展到数千个标记，而不会降低速度——这可能使其成为一个实用的程序。生成速度也非常快。
未来的工作：
* BPE（字节对编码），现在只是一个单词分词器……不适合代码；
* 我说过“代码”吗？这可能在编码方面完全失败……或者也许不是：完全未经测试；
* 该程序实际上有两个版本，另一个版本明显与这个版本不同，并且有C和甚至F#的移植，然而F#的移植根本无法工作……它总是产生完全的胡言乱语……这是一个重大错误；
* 从未在实际的神经形态CPU上测试过，只是在老旧的英特尔通用笔记本电脑上测试过；
* Python移植应该是可行的；
* 最后一个重大测试：大型文本语料库（以兆字节计）和超过95%的准确率——这是最终测试。