返回首页
最新
当你的Python代码出现错误时，你会看到一个追踪信息。你可以看到代码失败的位置，但几乎从来不知道失败的原因——那一刻内存中到底发生了什么。
我创建了F. Incantatem来解决这个问题。只需添加一个装饰器，当你的代码崩溃时，一个大型语言模型（LLM）会捕获完整的上下文——堆栈跟踪、源代码、实际变量值——并解释出错的原因以及如何修复它。
它可以作为装饰器、命令行工具或IPython扩展进行集成。支持OpenAI、OpenRouter，或通过Ollama在本地使用。谨慎模式会在传输前自动屏蔽秘密信息和个人身份信息（PII）。没有核心依赖。
我分享这个是因为我一直在想，其他人一定也在调试这些同样棘手的错误。欢迎提问或反馈。
另外值得注意的是，还有一些工作需要完成（请参见路线图）。
仓库： [https://github.com/aguilar-ai/fincantatem](https://github.com/aguilar-ai/fincantatem)
PyPi: [https://pypi.org/project/fincantatem/](https://pypi.org/project/fincantatem/)
我开发了一个工具，可以同时向GPT、Claude、Gemini、Llama、Grok和DeepSeek展示自定义的电车难题，并实时传输它们的伦理推理。
一些有趣的发现：
- 这些模型在经典困境上表现出惊人的分歧。
- 模型会保护它们的创造者（萨姆·阿尔特曼与达里奥·阿莫代）。
- 即使与自身比较，罪犯的价值也并不相等。
试试这个工具：<a href="https://aitrolleyproblem.com" rel="nofollow">https://aitrolleyproblem.com</a>
我对人们在拉取请求（PR）代码审查中与人工和自动化审查者的经历很感兴趣。<p>对于那些使用过PR审查工具或机器人的人：<p>你们觉得哪些方面实际上是有帮助的？<p>哪些又让人感到烦恼或适得其反？<p>在什么情况下你们开始不再关注反馈？<p>我特别想了解人们在审查中如何平衡信号与噪声，以及总结、内联评论或选择性深入讨论在实践中哪种效果更好。<p>我只是想了解真实的使用模式和痛点，并不是为了推广任何东西。很高兴倾听大家的分享。
我创建Vect是因为我厌倦了“随机营销行为”和同时使用15个不相关的工具（文本的LLM、独立的图像生成器、用于规划的电子表格）。我希望有一个统一的系统——一个操作系统——而不仅仅是一个外壳。
我们拒绝成为另一个“文本生成器”，而是基于三个架构支柱构建了Vect：
策略（大脑）：利用实时网络搜索和用户心理模拟进行研究和规划的代理。
执行（双手）：高保真模型（视频使用Veo，图像使用Imagen）的原生集成，以完成实际工作。
自动化（劳动力）：一个“状态感知”的代理系统。通过持久的“品牌档案”，所有代理共享对您的语气、受众和产品的记忆——消除了重新提示上下文的需要。
我们的目标是通过让代理在后台进行繁重的工作，将“创意”转变为“执行的营销活动”，只需几分钟。
我们在这里写了一份关于架构和信用经济的完整指南：<a href="https://blog.vect.pro/vect-ai-bible-guide" rel="nofollow">https://blog.vect.pro/vect-ai-bible-guide</a>
非常期待对代理编排方法的反馈！