最新

嗨，HN， 我一直在进行一个名为OpenVerb的项目，探索一种AI系统的架构理念：将推理与执行分离。 目前大多数AI代理框架专注于改善推理循环、规划和编排（如LangChain、LangGraph等）。但是一旦代理决定执行某个动作，执行通常就变成了直接的工具调用、脚本或API调用。 这种方法是可行的，但也带来了一些问题： - 每个集成都需要自定义的连接代码 - 动作模式不一致 - 执行的确定性有限 - 审计和政策执行困难 OpenVerb实验性地将动作视为一个协议层，而不仅仅是函数调用。 系统定义结构化的动词，描述： - 正在执行的动作 - 所需的输入 - 预期的输出 - 执行政策 - 审计信息 从概念上讲，架构如下： AI模型 / 代理框架 ↓ 推理层 ↓ OpenVerb （动作协议） ↓ 系统执行 这个理念是，代理框架控制AI的思维方式，而OpenVerb标准化动作的执行方式。 一些现有项目涉及相关领域： - 模型上下文协议（MCP）——AI系统的工具和数据发现 - LangGraph——代理的确定性推理循环 - PydanticAI——代理输出的结构化模式 OpenVerb试图探索一些稍微不同的东西：一种可在多个领域（软件系统、空间系统、机器人等）中工作的确定性执行的通用语法。 目前仍处于早期实验阶段，但我非常希望听到对代理架构或执行可靠性有想法的人的反馈。 也想知道是否有其他人探索过类似的理念，或者是否有相关系统我应该关注。

我之所以构建这个平台，是因为我基于产品信念进行投资，但找不到一种清晰的方式来跟踪公司是否真正按照其路线图执行。 AlphaPerch使用一种专有的管道，综合多种数据源，并利用人工智能提取和分类产品里程碑，按产品线和执行阶段（预期、已宣布、进行中、已发货、延迟、取消）进行分类。每个里程碑都可以追溯到其原始来源，您可以自行验证。 该平台旨在跟踪任何上市公司。特斯拉（TSLA）、谷歌（GOOGL）和罗布洛克斯（RBLX）是实时更新的，因为这是我个人的投资信念所在，但该框架是通用的。如果您希望添加特定公司，可以在首页找到覆盖请求表单。 非常希望能收到关于提取质量和缺失内容的反馈。如果您觉得这个平台有用，请告诉我！ alphaperch.com

嗨，HN， 我开发了 Compose Launcher，因为我经常同时处理多个项目，每个项目都有自己的 docker-compose 设置。 这使得跟踪以下内容变得困难： • 哪些 compose 文件正在运行 • 哪些端口已经被占用 • 在不同文件夹中启动/停止环境 Compose Launcher 提供了一个小型的 macOS 图形用户界面，您可以在一个地方注册多个 compose 文件并进行管理。 您可以快速查看正在运行的服务，启动/停止堆栈，并避免端口冲突。 这个项目仍处于早期阶段，我非常希望能收到那些在本地运行多个 docker-compose 环境的人的反馈。

我构建了一个系统，可以直接从其本地代码库中学习，并从一开始就理解整个项目的上下文。目前的编码代理通常需要花费2到3分钟来收集已经存在于代码库中的上下文，这既浪费时间又浪费资源。为了解决这个问题，我创建了一个名为Monocod的系统。 我最初创建Monocod是为了帮助维护我的主要项目，但它逐渐演变成了一个更强大的工具。 当前编码代理的核心问题在于，它们是在语言上下文中训练的，而不是系统上下文。它们基于文本模式生成代码，而不是实际理解真实代码库的结构、依赖关系和状态。在许多情况下，它们并不真正“了解”它们正在处理的代码库。 我的系统改变了这一点。 Monocod从代码库本身自我学习，在每个循环中持续更新本地模型。由于它已经掌握了完整的项目上下文，因此可以更高效地指导编码代理。它还能够检测系统架构和代码库中的缺口，从而生成真正满足用户需求的解决方案，而不仅仅是产生表面上的代码。 在我看来，当前的LLM系统在编码方面的方法是错误的。基础需要从以语言驱动的生成转向以系统为意识的智能。Monocod代表了我认为将成为下一代真实AI开发工具的新基础。 除了生成，系统还执行生成后的分析和代码库的维护。它自动评估和改进项目结构，在我的测试中，它的表现超越了主要的代码分析工具。所有这些都是通过纯算法完成的，而不是依赖繁重的外部服务。 我之所以主要构建这个系统，是因为作为一名独立开发者，手动审查和维护大量生成的代码是极其困难的。大多数编码代理只是生成代码以满足即时请求，而没有考虑长期的可维护性、生产标准或适当的架构。 大多数用户实际上并不知道什么是生产就绪的代码。编码代理往往将用户困在不断增量修复和重写的循环中，而不是引导他们走向行业级的系统。 Monocod旨在打破这一循环，确保生成和维护的代码符合真实的行业标准和系统级思维，而不仅仅是短期功能的完成。