大家好，
我制作了一个开源库，用于在Zig编程语言中使用契约设计（DbC）原则。
这个库叫做Zig-DbC，目前提供以下功能：
- 一个简单的API，用于定义前置条件、后置条件和不变式。
- 在`Debug`、`ReleaseSafe`和`ReleaseSmall`模式下，契约是激活的，以便尽早捕捉错误。
- 在`ReleaseFast`模式下，所有检查在编译时被移除，确保零性能损耗。
- 一个可选模式，用于处理返回错误的函数中的部分状态变化。
- 透明的错误处理机制，将错误从您的代码传播到调用者。
项目的GitHub仓库：[https://github.com/habedi/zig-dbc](https://github.com/habedi/zig-dbc)
返回首页
最新
我正在建立一个由HN社区手动策划的游戏目录。
在浏览HN时，我发现了几款小而精彩的游戏，否则很难找到这些游戏。因此，我开始了一项个人任务，将这些游戏收集到一个公开的目录中，并提供开源代码和开放数据（所有内容都可以在GitHub上找到： [https://github.com/labarilem/hn-games](https://github.com/labarilem/hn-games)）。
目前，该目录的数据更新至2022年底。我的计划当然是收集所有数据直到今天，并持续更新这个目录。
我发布了这个早期版本的目录，希望能收集一些见解和反馈，特别是关于用户界面/用户体验（UI/UX），这些部分主要是通过大型语言模型（LLM）编写的，以加快进度（我在这些领域并不是专家）。
您可以通过以下地址浏览该目录：
- [https://hackernews.games/](https://hackernews.games/)
- [https://hn-games.marcolabarile.me/](https://hn-games.marcolabarile.me/)
请告诉我您对这个项目的看法！
大家好！我之所以开发这个工具，是因为我厌倦了手动处理我的网络应用的客户支持，而且无法找到一个可靠的人工智能系统来处理请求。
我尝试了不同的人工智能工具来帮助处理支持票，但当它们错误地处理请求时，根本无法确定原因，更难以找出我需要做什么来改进系统。
我想逐步拆解人工智能在思考问题时的逻辑，但所有内容都必须压缩到一个提示中。由于缺乏足够的干净训练数据进行微调，我只能进行提示工程的猜测。
Chainix 的功能是：你可以将步骤拖放到一个可视化的流程图中。每个步骤都有自己的推理指令，并根据输出结果分支到不同的下一步。人工智能还可以在流程中暂停，以调用你的函数或检查变量，然后继续。这使你能够直观地绘制出人工智能如何思考问题的过程（就像流程图一样）。
我在设计时考虑了灵活性——你可以创建简单的两步工作流程，也可以构建具有多个分支和条件的复杂自定义逻辑。
关键是：当出现问题时，你可以清楚地看到哪个步骤失败了。与其说是一个大的黑箱，不如说是一系列较小的、可调试的部分。我的支持流程可能会对票据进行分类，查找账户信息，检查已知问题，然后撰写回复。当人工智能做错了什么时，我可以看到“哦，这一步错误地分类了票据”，然后只需修复那个推理步骤（或添加一个新的）。
现在，它可靠地处理了我约 60% 的支持请求（并正确地忽略了其余部分），所以我对此非常满意！最大的收获是我可以实际看到人工智能如何逐步推理，因此修复问题变得简单明了，而不是猜测。
这适用于任何涉及文本解释和行动的工作流程——内容审核、文档处理、潜在客户资格审核等。
你可以在 [https://www.chainix.ai](https://www.chainix.ai) 尝试一下——我很想知道其他人是否也遇到过与人工智能工具相同的问题！也想了解其他人可能希望用这种方法构建的工作流程。
在吸收了之前帖子中的意见后，我撰写了一篇文章，专门介绍什么是空间网络浏览器引擎。