最新

我一直在开发工具，以自动化我咨询工作中的一些环节，结果深入研究，开始构建实际产品。突然间，我进入了一个充满未知和已知未知的世界。其中一个需要解决的主要问题是理解我不完全掌握的LLM生成的代码。它涉及哪些内容？在哪里读取和写入？认证路径是否在我认为的位置？ 因此，我构建了codeflowmap。只需将其指向一个代码库，它就会绘制出依赖关系和调用图，并展示文件和函数之间的读取/写入/认证路径。 连接一个本地模型（Ollama）或任何兼容OpenAI的API，它会为每个文件注释其功能和涉及的数据。除非连接到远程/托管的API，否则所有操作都在本地运行，输出直接链接到Obsidian库。 bunx codeflowmap serve · MIT · 为我而建 期待大家对如何使其更有用或更精炼的想法。

您好， 我一直在研究持久性内存。我想看看是否可以使用类似大脑的基于图的记忆系统，更重要的是，我们能在大型语言模型（LLM）令牌上节省多少。FERNme使用模糊边缘和Hebbian共现规则来创建记忆标签。我认为FERNme可以成为人们的一个优秀个人记忆，供智能体使用，以提供更个性化的回答。代码已放置在： [https://github.com/mirkofr/FERNme](https://github.com/mirkofr/FERNme) 我邀请开发者们查看和测试，并给予诚实的批评，以使FERNme成为一个真正的个人大脑。

Submarius最初只是一个用于潜水条件的仪表盘，但我很快意识到，实际上没有关于水质清晰度的API，也没有简单的方法来计算它。潜水员称之为“viz”，这是影响潜水体验的最重要因素之一。因此，我深入研究了水质清晰度的问题。我最终采用了一种状态增强的集合卡尔曼滤波器。更多细节请见/clarity页面。我想问一下HN的观众，是否有人知道更好的方法来实现这一点？有大量的卫星数据可以用于训练，但其中很多数据比较杂乱（云层会被误读为浑浊水，浅礁的反射异常导致错误读数等）。非常感谢对此主题的任何反馈。希望你们喜欢这篇文章！

即将进入我编程的第二个十年，我不断注意到我们常常踩到同一个钉子上。一次变更导致了某些问题，而回过头来看，我们其实早就有信息可以防止这种情况，只是从未将其提取出来。或者我们发布了一个功能，却从未回头检查它是否按照我们预期的方式被使用，因此我们在同样未经验证的假设上不断推出更多功能。 这是否引起了你的共鸣？我相当确定我们都经历过这种情况，但我无法判断有多少人将其视为一个可以修复的模式，而不是工作的一部分。 - 当你完成一个功能或项目后，你所学到的东西到底去了哪里？是留在你的脑海里、写在问题评论中、文档或维基上、回顾会议中，还是其他地方？ - 当你开始新的工作时，你是否会明确地引入过去的经验教训，比如复制、链接、引用或讨论它？还是完全依赖于共同的记忆？ - 有没有一个例子，回想起早些时候的某些事情本可以为你节省真正的时间？发生了什么？ 我在试图弄清楚这是否是一个共同的痛点，还是仅仅是我一个人的感受。欢迎分享你的经历。