返回首页
最新
我们在生产过程中频繁进行小的提示编辑，导致输出结果不再是有效的 JSON，字段消失，或者格式悄然改变。<p>因此，我们开发了 Promptproof，这是一个在 CI 中运行的 GitHub Action，当提示产生无效输出时会阻止 PR 的合并。<p>功能：<p>- 验证 JSON 输出<p>- 强制执行必需的键和模式<p>- 在 CI 中快速运行（无需外部基础设施）<p>- 兼容 OpenAI、Anthropic 和本地模型<p>- 添加 PR 评论，以便审阅者能立即看到失败信息<p>我们非常希望得到反馈：哪些规则或集成会让这个工具对您最有用？<p>仓库链接：<a href="https://github.com/geminimir/promptproof-action" rel="nofollow">https://github.com/geminimir/promptproof-action</a>
嗨，HN，
我是一名来自西雅图的高中生，热爱骑行爬坡。<p>我发现像谷歌地图这样的路线规划工具可以帮助你从A点到B点骑行，但它们并不提供<i>有趣</i>的路线。因此，我自己制作了一个工具。<p>RouteScout 让你可以：
- 控制路线的路面（骑公路车时绝对不选碎石或泥土！）
- 表达你对坡度的偏好（我喜欢或讨厌坡度会给你不同的路线）
- 优先选择有自行车道和专为自行车设计的道路
- 过滤道路类型（大路统统不选！）
- 在环形路线中，不会让你在回程时走同样的道路。<p>*即将推出的功能*：能够使用你在 Strava 上的历史活动，给你提供偏好从未骑过（或已经骑过）的道路的选项。<p>这个应用永久免费（不出售数据）。你可以在这里试用：<a href="https://routescout.tennisbowling.com" rel="nofollow">https://routescout.tennisbowling.com</a><p>我负责所有的路线规划、数据库和逻辑（没有使用人工智能）。如果你在使用中遇到任何问题，请通过电子邮件联系我，邮箱是 rs@tennisbowling.com，我会尽快修复。
嗨，HN！我创建了 <a href="https://chattopdf.app" rel="nofollow">https://chattopdf.app</a>，因为在更换手机时丢失了重要的WhatsApp对话。
问题：WhatsApp内置的导出功能生成的.txt文件杂乱无章，难以阅读和专业分享。无论是商业对话、家庭回忆还是法律文件，都没有一种干净的方式来归档聊天记录。
它的功能：
<p>将WhatsApp导出的聊天记录转换为干净、格式化的PDF文件
保留时间戳、发件人姓名和消息流
正确处理媒体占位符和表情符号
适用于个人聊天和群组聊天
我一直在开发一个工具，帮助开发者在几分钟内从空白代码库构建出具备身份验证和支付功能的SaaS应用并部署上线。
问题
在构建一个副项目或SaaS时，我发现自己不断重复设置相同的内容：
• 身份验证
• 集成支付
• 生产环境部署
虽然有模板，但它们是静态的。虽然存在AI编码工具，但它们无法让你快速构建出具备登录和支付功能的生产就绪应用。我希望能有一个同时满足这两者的工具。
在从想法转向生产时，你通常会遇到哪些障碍？
嗨，HN，
我最近在晚上和周末忙于开发我的第一个Android应用，终于在上周发布了。这个应用叫做Kibo，是一个简单、注重隐私的费用追踪器，利用人工智能和光学字符识别（OCR）技术，让记录开支变得不那么痛苦。
我想解决的问题：
我尝试了很多预算管理应用，但大多数要么运行缓慢，要么臃肿不堪，要么充满广告，或者将基本功能锁定在订阅后。我想要一个我每天都能实际使用的应用——快速、轻量且注重隐私。
Kibo的功能：
- AI根据费用名称即时建议类别和表情符号
- OCR自动读取收据并填写交易详情
- 干净的Material You设计，支持浅色/深色/系统主题
- 免费版每月包含20笔交易，支持无限自定义类别
- 安全的云同步（端到端加密）
技术栈：
使用Kotlin和Jetpack Compose构建，Firebase用于身份验证和存储，MLKit用于OCR。AI分类使用经过类别数据集微调的轻量级自然语言处理模型。
我非常希望能收到关于用户体验和技术方面的反馈。你们会如何改善这样一个小众消费应用的可发现性？同时也欢迎对架构提出建议——目前除了同步，所有功能都在客户端运行。
应用商店链接：[https://play.google.com/store/apps/details?id=com.kibo.app](https://play.google.com/store/apps/details?id=com.kibo.app)
感谢你们的关注——如果有人感兴趣，我很乐意深入讨论代码或设计决策。
展示 HN：可证明性框架——从安全边界到 AI 代理的保证
<a href="https://mateopetel.substack.com/p/provability-fabric-the-safety-contract" rel="nofollow">https://mateopetel.substack.com/p/provability-fabric-the-saf...</a>
<p>目前大多数 AI 的“安全性”仅仅是感觉。
提示被固化，启发式方法堆叠，仪表盘闪烁绿色。但当代理可以调用工具、流式输出或变更状态时，单靠感觉是无法扩展的。你需要将数学嵌入运行时。</p>
<p>可证明性框架（PF）是一个用于证明行为的框架：</p>
- 规范到证明层 → ActionDSL 策略编译为 Lean 4 的义务 + 运行时监控
- 可证明代理包（PABs） → 绑定规范、证明、SBOM、来源的签名包
- Rust 边车 → 完全中介所有事件（调用、返回、日志、解密、发出块、发出结束）
- 输出证书 → 每个输出都获得签名裁决（通过/失败/不适用）
- TRUST-FIRE 测试套件 → 针对混乱、回滚、隐私消耗、对抗适配器的压力测试
<p>核心赌注：</p>
“安全性不是一个设置。它是你的语义与运行时之间的对应证明。”
<p>希望听听 HN 的看法：</p>
- 这是超越感觉走向可证伪保证的正确方式吗？
- 证明携带包（如 PAB-1.0）应该成为部署代理的标准吗？
- 你需要什么才能信任生产环境中的代理——证明、监控，还是其他什么？