最新

我为自己的使用需求开发了这个小工具，以减少发送给大型语言模型（如Claude Code等）的令牌数量。它只是一个简单的实用程序，用于在命令输出到达上下文之前进行过滤。 以下是我目前得到的结果： rtk gain 总命令数：41 输入令牌：6.8K 输出令牌：1.8K 节省的令牌：6.0K（88.2%） 按命令统计： ──────────────────────────────────────── 命令 计数 节省 平均百分比 rtk git status 11 2.8K 81.2% rtk grep 3 1.5K 31.9% rtk git push 22 1.3K 92.0% rtk ls 5 431 47.1% 我把这个工具分享出来，希望对其他人也有用。它是用Rust编写的。 附言：这只是我为自己的需求开发的工具，决定分享出来。如果你对Rust代码或逻辑有建设性的反馈，我非常乐意听取。如果这对你没有帮助，也完全没问题——不需要“愤怒”的评论，我只是想提供帮助！

我开始使用AI代理进行编码，但很快遇到了一个令人沮丧的限制——没有简单的方法将我的开发环境日志与AI代理共享。这就是Teemux的由来。它是一个简单的命令行程序，可以聚合日志，以便以开发者友好的界面展示给你，并通过MCP将其提供给你的AI编码代理。 有一个实现细节让我特别兴奋： 它是零配置的，并且内置了领导者提名机制，用于运行网络服务器和MCP服务器。当你启动一个`teemux`实例时，它会启动网络服务器……当你启动第二个和第三个实例时，它们会加入第一个服务器并开始合并日志。如果你终止第一个实例，会自动提名一个新的领导者。这个设计允许无缝地添加/移除共享日志的节点（这一过程在历史上通常需要一个中央日志聚合器）。 一个超级快速的演示： npx teemux -- curl -N [https://teemux.com/random-logs](https://teemux.com/random-logs)

LOBSIM — 限价单簿模拟器 我在使用L3数据进行高频交易深度强化学习研究时，需要一个确定性、准确、快速且完全可观察的模拟器（包括成交、事件、诊断）。仅使用Python的工作流程在规模化时太慢且难以正确实现，而其他开源工具则无法满足我对可检查性和人机工程学的需求。因此，我构建了LOBSIM：一个基于C++20的核心，配有Python绑定，支持逐事件重放、模拟交易（包括队列行为和部分成交），以及一个流接口，用于传输结构化数据——旨在处理数千万个事件，同时保持简单易懂。 LOBSIM附带多个示例和简明的文档（请查看README）。我特别推荐尝试三个Streamlit演示——它们是直接构建在引擎之上的小型应用，能够清晰展示灵活性。目标是展示如何轻松地在LOBSIM之上叠加真实的研究工具：重放探索、策略注入、实时指标和可观察性，所有这些都在一个干净的工作流程中实现。 如果您处理L3订单簿数据——微观结构研究、执行建模或RL/HFT原型开发——我希望您能尝试LOBSIM。如果您试用后能提供关于API人机工程学、在真实数据流中遇到的缺失边缘案例，以及任何能让研究工作流程更顺畅的建议，我将非常感激。即使是简单的“这让我困惑/这感觉很好/我期待X”也非常有价值。 演示视频 - [https://github.com/kpetridis24/lobsim/releases](https://github.com/kpetridis24/lobsim/releases) 如果您更愿意亲自尝试，README中提供了快速命令，可以在本地运行Streamlit演示。