最新

我创建了Platter，旨在帮助独立创始人和独立开发者在X/Twitter上增长他们的受众，而无需花费数小时手动滚动和回复。 这个想法很简单： - 它构建了你声音、产品和兴趣的数字化档案 - 它找到高价值的推文，让你可以提供有价值的回复 - 它帮助你用自己的语气轻松撰写深思熟虑的回复，只需点击一下 这不是一个Chrome扩展程序。你可以在任何地方参与互动，甚至在手机上。我之所以制作这个工具，是因为我发现社交增长虽然必要，但却很耗费精力。 我非常希望能听到社区的反馈，特别是那些在构建过程中努力增长的人。

嗨，HN， 我正在开发一个名为 QSS（量化相似性搜索）的向量搜索引擎。它是用 C 语言编写的，探索了将嵌入向量积极量化到每个维度 1 位的想法。它使用 XOR 和 popcount 进行快速近似搜索，然后通过对原始向量使用余弦相似度进行重新排序。 主要目标是看看在不牺牲太多搜索质量的情况下，量化可以推进到什么程度，同时在内存使用和速度上获得显著提升。 工作原理 嵌入被量化为每个维度 1 位（例如，300D → 300 位 → ~40 字节）。 搜索使用按位 XOR 和 popcount（汉明距离）进行。 短名单使用原始（浮点）嵌入的余弦相似度进行重新排序。 支持 GloVe、Word2Vec 和 fastText 格式。 目标 分析量化与搜索精度之间的权衡。 测量潜在的速度和内存提升。 探索这种方法在更大数据集上的扩展性。 初步测试 到目前为止，我只进行了几次小规模测试，但早期迹象令人鼓舞： 对于一些查询（例如“hello”，“italy”），前 30 个结果与全精度余弦搜索匹配。 在 Word2Vec 嵌入上，量化管道比标准余弦相似度循环快了多达 18 倍。 这些结果目前只是个案，我分享这个项目是希望在深入基准测试之前获得反馈。 其他说明 目前词查找是线性且未优化的，重点在于相似性搜索逻辑。 测试是在 2018 年的 iMac（3.6 GHz Intel i3）上单线程进行的。 如果你对向量搜索、量化或低级性能技巧感兴趣，我很想听听你的想法： 你认为这种激进的量化方法能在大规模应用中奏效吗？ 还有其他你推荐探索的快速近似搜索技术吗？ 项目仓库在这里：https://github.com/buddyspencer/QSS 感谢阅读！

嘿，HN！ 我创建了 TNX API，使得与数据库的交互像用简单英语提问一样简单。 它的功能： - 你写一个自然语言的提示（例如：“列出价格超过 20 美元的产品”） - 我们的系统将其转换为 SQL 并执行 - 你会得到实际的结果，且可以选择可视化展示 - 你的数据保持私密——没有任何存储，AI 不会看到数据，API 在回复后立即忘记 我为什么要做这个： 为日常问题编写 SQL 对许多团队来说仍然是一个障碍。我希望有一个以隐私为首的、即插即用的 API，能够直接处理自然语言。TNX 不仅仅是翻译——它执行查询并返回实际答案（而不仅仅是 SQL）。 示例： - 你问：“今年按产品类别的总销售额是多少？” → TNX 回复：[家具：$43,000，电子产品：$12,000] + “需要这个的图表吗？” - 你问：“哪些客户在过去 90 天没有下单？” → TNX 回复客户的姓名或 ID，并提供后续操作的选项 注意事项： - 基于现代 AI 模型（小巧且快速） - 无需发送完整的数据库转储——只需元数据/配置 + 实时访问 - 易于 API 集成 - （额外提示：如果你感兴趣，我可以为你处理设置和定制） 试试看： [https://www.tnxapi.com/UI/login.php](https://www.tnxapi.com/UI/login.php) （用户名：“hi@tnxapi.com”，密码“1”（这样更难忘记）） （示例提示： - “请给我 ID 为 20 的产品的名称、简短描述和价格。” 或 - “请列出 ID 从 10 到 20 的所有产品价格。” 然后 - “请列出 ID 从 10 到 20 的所有产品价格。”（我为这个测试复制了一些数据库，抱歉数据是德语的 xd）） 祝好， 拉斯·特拉曼 （随时可以联系 hi@tnxapi.com :)）