返回首页
最新
我们构建了StripeMeter，这是一个开源的使用计量平台，可以直接与Stripe对接。它解决了经典的SaaS痛点：“为什么我的账单比预期的要高？”通过为开发者和客户提供实时的使用情况跟踪和实时成本预测。其重要性在于：
- 透明性：客户可以准确看到Stripe将向他们收费的金额（误差在0.5%以内）。
- 精确一次保证：绝不会出现重复收费的情况。
- 快速且可扩展：使用Redis和Postgres计数器实现亚分钟级的实时更新。
我们非常希望听到SaaS开发者的反馈，特别是如果您在使用Stripe的计量计费时遇到过困难。这是否解决了您的实际问题？在您信任它用于生产环境之前，您还需要什么？
今天，日历调度市场上充斥着许多工具，如Calendly、Cal.com等，这些工具功能丰富、选项众多，但价格较高。对于简单的一对一调度，独立创始人、独立开发者、项目经理、学生和研究人员在与潜在客户进行简单网络交流时需要哪些功能呢？有没有提供基本功能的工具呢？
目前大多数编排框架仍然像脆弱的链条一样运作——在面对矛盾、长期记忆或动态路由时会崩溃。
Neuron 是一种认知多智能体架构，它以电路而非链条的方式进行思考。多个智能体并行协作，实时调整其路径，并在长时间的交互中保持持久的上下文。
关键组件：
- 智能体：输入、推理、响应、记忆
- 电路：动态路由而非线性链条
- 记忆：情节性 + 上下文持久性
- 监控：完整的推理追踪以便观察
为什么这很重要：
- 处理矛盾输入而不崩溃
- 在长时间会话中保持状态
- 为复杂推理任务提供并行协调
- 透明的日志以便调试和建立信任
GitHub 仓库： [https://github.com/ShaliniAnandaPhD/Neuron](https://github.com/ShaliniAnandaPhD/Neuron)
评估笔记本： [https://www.notion.so/shalini-ananda-phd/Neuron-Evaluation-Notebook-1cec18ea2aa18002b7acf9c1791ca8ea](https://www.notion.so/shalini-ananda-phd/Neuron-Evaluation-Notebook-1cec18ea2aa18002b7acf9c1791ca8ea)
教程系列： [https://www.notion.so/shalini-ananda-phd/Neuron-Framework-Tutorial-Series-Cognitive-Architecture-for-Modular-AI-1fec18ea2aa180b5b1dff554f651bb01](https://www.notion.so/shalini-ananda-phd/Neuron-Framework-Tutorial-Series-Cognitive-Architecture-for-Modular-AI-1fec18ea2aa180b5b1dff554f651bb01)
关于我/背景： [https://www.notion.so/shalini-ananda-phd/Shalini-Ananda-PhD-ad2d228146624c9ea6f5db919bfe5433](https://www.notion.so/shalini-ananda-phd/Shalini-Ananda-PhD-ad2d228146624c9ea6f5db919bfe5433)
希望能收到 HN 社区的反馈——特别是如果您在使用传统工具时遇到过相同的崩溃点。
我编写了一个小型本地工具，用于转录音频笔记（Whisper/Parakeet）。代码链接：<a href="https://github.com/bilawalriaz/lazy-notes" rel="nofollow">https://github.com/bilawalriaz/lazy-notes</a>
我希望在本地处理原始转录，而不使用OpenRouter。Llama 3.2 3B在给定提示的情况下表现尚可，但不够完整，因此我尝试了SFT（自监督微调）。我对Llama 3.2 3B进行了微调，以清理/分析听写内容，并输出结构化的JSON（标题、标签、实体、日期、动作）。
数据：13个真实备忘录 → Kimi K2金标准JSON → 约40,000个合成+金标准；键已标准化。Chutes.ai（每天5,000个请求）。
训练：使用RTX 4090 24GB，约4小时，LoRA（r=128，α=128，dropout=0.05），最大序列长度2048，批量大小16，学习率5e-5，余弦调度，Unsloth。在2070 Super 8GB上大约需要8小时。
推理：合并为GGUF格式，使用Q4_K_M（llama.cpp），在LM Studio中运行。
评估（100个样本，使用GLM 4.5 FP8评分）：总体得分5.35（基础3B）→ 8.55（微调后）；完整性4.12 → 7.62；事实性5.24 → 8.57。
对比测试（10个样本）：约8.40对比Hermes-70B的8.18、Mistral-Small-24B的7.90、Gemma-3-12B的7.76、Qwen3-14B的7.62。教师Kimi K2约为8.82。
原因：任务专门化 + JSON标准化减少了方差；模型学习了确切的结构/字段。
经验教训：仅在完成任务上进行训练；合成数据适合狭窄任务；Llama的训练过程相对简单。
数据集管道 + 训练脚本 + 评估：<a href="https://github.com/bilawalriaz/local-notes-transcribe-llm" rel="nofollow">https://github.com/bilawalriaz/local-notes-transcribe-llm</a>
Phispr 是一款短暂聊天应用，旨在进行匿名、临时的对话，这些对话会在结束后消失得无影无踪。它使用 Go 语言开发，提供了网页和终端用户界面。
一个周末的项目意外地发展成了一个为期两周的项目，背后还有一个<i>有趣</i>的起源。<a href="https://github.com/bnkamalesh/phispr/blob/main/docs/genesis.md" rel="nofollow">https://github.com/bnkamalesh/phispr/blob/main/docs/genesis....</a>