我在尝试一个想法。
在我搭建服务器之前，这只是一个原型，不需要太复杂。
音频将来自移动设备，所以也许可以保存为一个可以转发的流，我可以通过 VLC 收听？
或者我可以每 30 秒将文件保存在本地，并将它们添加到输出流中。
我对音频流的发送和接收还很陌生。
GITST。
移动设备将音频发送到本地服务器，服务器创建一个我可以连接并收听的流。
谢谢！
返回首页
最新
深入研究很少在一次性完成。对于高风险的工作，或者要深入理解某个事物，你需要同时进行多项深入研究，随着时间的推移不断回顾，并逐渐综合理解。我们将深入研究与其他文档结合在一起。
Kerns就是为这种研究模式而构建的。
它将多个深入研究归类于一个研究领域，因此后续跟进和旁支调查能够积累，而不是在聊天和文档中支离破碎。输出结构化，使你可以从浅层开始，选择性地深入研究——因为你无法提前知道哪些深入研究会是重要的。
综合是一个明确的第二步。Kerns帮助你连接和调和不同深入研究之间的见解，基于来源材料而不是一次性总结。这一阶段还允许你参考与深入研究同级的其他文档。
研究在报告写成后并不会停止。Kerns通过监控来源并呈现有意义的变化，主动保持你的工作更新，因此保持最新状态不需要重新开始。
Kerns专为研究人员、分析师、投资者以及认真自学者设计，适用于进行数周或数月的研究，在这些情况下，清晰度和准确性至关重要。
期待反馈！
我在使用 LaTeX 写作时经常使用 Detexify（<a href="https://detexify.kirelabs.org/classify.html" rel="nofollow">https://detexify.kirelabs.org/classify.html</a>），它允许你绘制一个符号并提供相应的 LaTeX 命令。但它的速度比较慢——加载页面大约需要 2 秒，每个符号的分类大约需要 1 秒。
因此，我使用 Rust 和 WASM 制作了一个更快的版本，完全在浏览器中运行。这将分类时间缩短到大约 7 毫秒——足够快，可以在每次鼠标移动时运行，实时提供你绘制的符号预测。
gitGost 允许匿名向公共 GitHub 仓库贡献代码。<p>它会移除作者信息、电子邮件、时间戳，并通过一个中立的机器人提交拉取请求。无需账户、OAuth 或令牌。<p>该工具使用 Go 语言构建，开源（AGPL-3.0），并通过速率限制和验证来防止滥用。<p>欢迎反馈。
我一直在开发一个使用开放街图（OSM）数据进行路由的示例应用程序。这个代码库使得实验实现变得简单。Angular前端使用maplibre-gl来显示地图和可视化路线。
我很好奇，离线优先的模式在今天是否具有商业可行性，还是会被“费用 + 云优先”的产品所削弱。
嗨，HN — 我是 Abhi。
我们创建了 Agint，以便项目经理和工程师能够以图形的方式设计和编辑软件——以架构为先——通过快速的视觉反馈进行迭代，然后在准备好时生成可部署的代码。
我们在 NeurIPS（深度学习代码生成）上展示了这一基本方法，称之为“代理图编译器”：
图（结构 + 类型 + 语义注释）是真相的来源，而代码是编译/导出目标。
论文：
《软件工程代理的代理图编译》：
[https://arxiv.org/abs/2511.19635](https://arxiv.org/abs/2511.19635)
实时演示 — 在 github.com/AgintHub 创建代码库：
[https://flow.agintai.com](https://flow.agintai.com)
（该演示在沙盒模式下运行——尚未连接真实的外部工具/数据源）
命令行工具：
[https://github.com/AgintAI/agint-cli](https://github.com/AgintAI/agint-cli)
工作原理：
在聊天中输入以修改图形（或使用“+”菜单进行特定操作）。
1) 创建/组合：（聊天 + 实时图形反馈）设计和修改算法流程 + 架构图：
通过聊天添加、删除、拆分、合并和重命名步骤，
“从 NYSE 和 NASDAQ 获取股票数据”
“还包括多伦多证券交易所”
“也添加 LSE”
2) 精炼/升级（面向工程，图形编辑的 GUI + CLI / git 友好）：
添加类型、语义注释、重构、重新组织节点、转换、执行和测试行为，
“将合并步骤拆分为存储、标准化和重新分区”
```
在命令行中可以这样表示：
dagify refine workflow.yaml \
“为每个数据源添加协议级别的细节、延迟和数据中心信息” --intelligence 5
dagify resolve workflow.yaml --yaml-display --ascii
```
3) 保存/加载/导出：
“保存”将图导出为普通代码、管道、工具调用和 API，可以像其他系统一样拥有和部署。
该图是一个可执行的工件，而不仅仅是文档。
目标包括今天的原生 Python，以及导出到 CrewAI/LangGraph 等框架。
示例输出代码库：
[https://github.com/AgintHub/dreamy-mirzakhani/blob/agint/outputs/dagify/fetch_and_combine_stock_data_with_lse_details_refined](https://github.com/AgintHub/dreamy-mirzakhani/blob/agint/outputs/dagify/fetch_and_combine_stock_data_with_lse_details_refined)
期待大家的反应和反馈——我会在这里回答问题。
谢谢，
Abhi
Abhi@AgintAI.com