返回首页
最新
客户端应用程序，获取国家气象局（NWS）的数据，以便在您经历重大降雪事件时显示降雪进展。
EchoFluid 是一款以隐私为首要考虑的视频和音频转录工具，我开发它是为了应对我个人遇到的问题：大多数转录服务都需要上传整个视频文件，这不仅速度慢，而且占用带宽，有时对于敏感内容来说也不可接受。
不同之处在于：
- 视频在浏览器中本地处理，以提取音频，然后再上传
- 仅发送音频进行转录，而不是完整的视频
这带来了：
- 更快的上传速度
- 大幅降低的带宽使用
- 支持更大的视频文件
- 默认情况下更好的隐私保护
请问有人知道这是怎么回事和为什么吗？法律和秩序是否只适用于个人和中小型企业？
我一直想在我的桌面虚拟机中利用 QEMU/KVM，但由于 virt-manager 对 NVIDIA 3D 加速的支持不足、对丑陋 XML 的教条式坚持，以及在将 ISO 附加到虚拟机镜像时需要点击看似 15 个按钮的令人困惑的用户界面设计，我一直感到困惑。当我进一步了解到 NVIDIA 的 3D 加速问题是 libvirt 而非 QEMU 的 virtio 驱动造成的时，我有了一个想法……
瞧，vm-curator！这是一个用 Rust 编写的快速友好的虚拟机管理 TUI。你可以直接使用 QEMU 创建、配置、组织和管理虚拟机。没有 libvirt，没有 XML，没有奇怪的用户界面。只提供恰到好处的友好性、可定制性和速度，真正实用。
最棒的是什么？3D 半虚拟化可以与 NVIDIA 显卡（通过 virtio-vga-gl！）一起工作！无需费尽周折就能实现 GPU 直通！
（免责声明：这在其他 Linux 客户虚拟机上运行良好，但不适合在 Windows 上游戏。如果你想在虚拟机中玩 Windows 游戏，直通是必须的。vm-curator 很快会提供快速友好的支持。）
我们正在寻找贡献者（特别是帮助处理 ASCII 艺术的人），欢迎捐赠。（Claude 提供了很大的帮助，但这并不是一个随意编码的项目。我们大约共同编写了 10,000 行代码。这实际上是学习 Rust 的一个很好的方式！）
我是一名在SPPU学习计算机工程的学生。在使用React 19进行项目开发时，我意识到我们用于SEO的标准库（如React Helmet）仍然在采用“旧”的方式。
问题：旧版库使用一种称为“副作用”的技巧，在页面加载后更改页面标题和元标签。这可能导致标题闪烁，或者让网站感觉稍微慢一些，因为浏览器需要额外处理。
解决方案：React 19增加了一个内置功能，可以自动将标签移动到页面顶部（<head>）。我创建了react-meta-seo，以便让每个人都能轻松使用这个新功能。
为什么对开发者来说更简单：
无需“提供者”：您不需要将整个应用程序包裹在一个特殊组件中。它可以在您放置的任何地方正常工作。
体积小：它的体积不到4KB。相比之下，传统选项通常为15KB或更多。
不再有损坏的Google数据：它会自动检查您的Google搜索数据（JSON-LD），确保格式正确。
内置预览：我添加了一个工具，让您在编码时就能看到您的网站在Twitter或Facebook上的样子。
简单的网站地图工具：它包括一个命令行工具，可以为您生成sitemap.xml。
我想构建一个利用React 19新特性，使SEO设置更快、更简单的工具。我非常希望能得到一些关于代码的反馈！
GitHub: [https://github.com/ATHARVA262005/react-meta](https://github.com/ATHARVA262005/react-meta)
嗨，HN，
我已经对大型语言模型（LLM）代理进行了实验一段时间，常常觉得对于简单的工作流程（聊天、工具调用、小循环），现有的框架增加了很多抽象和样板代码。
因此，我构建了一个名为 PicoFlow 的小型 Python 库。目标很简单：
使用普通的异步 Python 表达代理工作流程，而不是框架特定的图形或链条。
**最小聊天代理**
每个步骤只是一个异步函数，工作流程通过 `>>` 组合：
```python
from picoflow import flow, llm, create_agent
LLM_URL = "llm+openai://api.openai.com/v1/chat/completions?model=gpt-4.1-mini&api_key_env=OPENAI_API_KEY"
@flow
async def input_step(ctx):
return ctx.with_input(input("你："))
agent = create_agent(
input_step >>
llm("回答用户：{input}", llm_adapter=LLM_URL)
)
agent.run()
```
没有链条，没有图形，没有单独的提示/模板对象。你可以通过在异步步骤中直接放置断点来调试。
**控制流就是 Python**
循环和分支使用普通的 Python 逻辑编写，而不是 DSL 节点：
```python
def repeat(step):
async def run(ctx):
while not ctx.done:
ctx = await step.acall(ctx)
return ctx
return Flow(run)
```
该框架仅调度步骤；它不会试图控制你的控制流。
**切换模型提供者 = 更改 URL**
另一个设计选择：模型后端通过单个 LLM URL 配置。
OpenAI：
```python
LLM_URL = "llm+openai://api.openai.com/v1/chat/completions?model=gpt-4.1-mini&api_key_env=OPENAI_API_KEY"
```
切换到另一个兼容 OpenAI 的提供者（例如 SiliconFlow 或本地网关）：
```python
LLM_URL = "llm+openai://api.siliconflow.cn/v1/chat/completions?model=Qwen/Qwen2.5-7B-Instruct&api_key_env=SILICONFLOW_API_KEY"
```
工作流程代码完全不变。只有运行时配置发生变化。这使得在实践中进行 A/B 测试模型和切换提供者变得更加便宜。
**何时有用（何时无用）**
如果你：
- 想快速原型化代理
- 更喜欢显式控制流
- 不想学习大型框架抽象
那么 PicoFlow 可能会很有用。
如果你：
- 严重依赖预构建的组件和集成
- 想要一个包含所有功能的编排平台
那么它可能并不理想。
**代码库：**
[https://github.com/the-picoflow/picoflow](https://github.com/the-picoflow/picoflow)
这仍然处于早期阶段，并且具有一定的主观性。我非常希望能得到反馈，看看这种“工作流程即 Python”的风格是否对其他人有用，或者人们是否已经有更好的解决方案。
谢谢！