最新

嗨，HN， 我想分享一下 KBAI，这是一种知识驱动的人工智能，结合了确定性推理和大语言模型（LLMs），以提供准确、可解释和快速的 AI 输出。KBAI 通过使用形式化的决策和规划规则来解决 AI 的准确性和可解释性问题，非常适合需要多步推理的应用场景，如入职培训和支持自动化、法律合同分析等任务。 <p>背景故事</p> KBAI 的诞生源于我们为 Able CDP 开展的入职培训和支持自动化工作。我们需要为不同的客户创建量身定制的设置指南，考虑到他们的业务类型、软件栈和设置进度。最初，我们尝试使用大语言模型，但尽管不断优化提示，它们仍然会出现不可预测的错误。显然，许多决策依赖于人类自然执行的隐性推理步骤，而大语言模型却难以始终如一地复制这些步骤。维持复杂的提示迅速变得不可持续。 <p>我们探索了传统的非机器学习解决方案，如 Prolog 和 Z3，但它们的学术性和复杂性使其不适合我们的需求。这促使我们创造了 KBAI——一个实用的、以应用为中心的推理引擎，提供直观的环境来管理规则，而无需使用晦涩的编程语言。</p> <p>工作原理</p> KBAI 将自然语言规则转换为确定性的逻辑框架，消除歧义。用户可以通过用户友好的网页界面创建、测试和完善规则，确保可预测的结果，而无需进行广泛的测试。只需向 KBAI 展示一次不同的推理方式，它就会根据一个示例更新规则。 <p>虽然 KBAI 可以作为独立的推理引擎运行——输入事实、执行规则并推导新事实——但它的主要优势在于通过两种集成方式增强大语言模型的能力：</p> KBAI 到 LLM：KBAI 生成事实和详细的推理链，而大语言模型将其转化为清晰、用户友好的响应。完整的推理链确保透明性和上下文。 LLM 到 KBAI：当 KBAI 需要无法推导的事实（如从文档中提取数据）时，它可以暂停，向大语言模型查询特定信息，然后恢复推理。在这种模式下，KBAI 充当一个完全确定性的 AI 代理。 <p>这种混合方法保留了大语言模型的所有优点，同时确保可预测性，使其响应详细且自我解释。</p> <p>为什么选择 KBAI？</p> 准确输出，瞬时响应：实时获取精确、经过事实核查的回答，减少错误，增强用户信任。 可以作为云中的 API 使用，或下载您的知识库和引擎代码以供离线使用，让您完全控制，而无需依赖供应商。 非技术友好：从单个示例创建和修改知识库，无需编程。 <p>试用一下</p> KBAI 现已上线，网址为 <a href="https://www.usekbai.com/" rel="nofollow">https://www.usekbai.com/</a> 最后需要注意的是，该产品仍处于早期阶段，任何反馈都将非常感激！您认为 KBAI 能融入您的项目吗？

嘿，HN！<p>经过多年的挣扎，面对 Lodash 的各种怪癖和包大小问题，我决定构建一个更好的工具库。SuperUtilsPlus 是我试图创建的我希望存在的实用库。<p>它有什么不同之处？<p>以 TypeScript 为先：与 Lodash 的类型适配不同，我是从零开始用 TypeScript 构建的。类型推断实际上是按照你期望的方式工作的。<p>合理的默认值：Lodash 的一些决策总是让我感到困扰。例如，isObject([]) 返回 true——在我的认知模型中，数组并不是对象。再比如，isNumber(NaN) 返回 true，而 NaN 字面意思是“不是一个数字”。我修复了这些问题。<p>现代 JavaScript：为 ES2020+ 构建，支持 ESM。再也不需要奇怪的 CommonJS/ESM 兼容操作。<p>真正可树摇：你可以从特定模块（super-utils/array，super-utils/object）导入，以实现最佳打包。你的用户会感谢你的。<p>在我看来，最好的部分有：<p>compactNil() - 仅移除 null/undefined，保留像 0 和 false 这样的假值。<p>differenceDeep() - 数组差异，支持深度相等（出乎意料的有用）。<p>更好的随机工具，包括 randomUUID() 和 randomString()。<p>debounce() 的工作方式符合你的预期，支持合理的前置/后置选项。<p>我也真的很好奇——你们在使用工具库时最大的痛点是什么？我有没有遗漏任何必备的功能？

一个将旋转拨号电话转变为 evdev 输入设备的 Linux 内核驱动。如果你有以下兴趣，这个驱动可能会吸引你： - 更喜欢拨号的慢节奏，而不是用数字键盘输入数字， - 想把你的旧旋转电话带入数字时代， - 作为教育工作者，寻找一个简单的示例驱动，配备基于虚拟机的端到端开发和测试环境（无需真实硬件）， - 或者你有其他创意的使用案例！ 这个驱动是我多年前接触嵌入式 Linux 的起点，并最终引领我走上了职业道路。然而，它一直未完成且未发布，直到现在。最初，我打算用 Rust 重新实现这个驱动，以探索 Rust for Linux 项目的现状。不幸的是，我很快意识到所需的绑定尚未可用，因此这部分内容将不得不暂时搁置。

嗨，HN 我正在开发MAXUP，这是一个模块化生态系统，旨在帮助年轻人（年龄在14到25岁之间）通过结构化的培训、教育和技术工作周期进行成长，所有这些都由本地人工智能和智能设备提供支持。 参与者（称为MAX-MANs）配备了一套可穿戴设备（套装+头盔），其中包含传感器、电子肌肉刺激（EMS）和呼吸控制功能，并由个人人工智能助手（MAXUP-COACH）进行指导。他们以4人为一组（称为MAXUP-GROUPs）进行操作，平衡合作与健康竞争。 我们的目标是提供一个经济实惠、可扩展且模块化的系统，可以在全尺寸中心、紧凑型“MAX-ROOMs”或通过个人设备包中部署。我也开始原型开发一个开源版本。 实时链接： 网站: http://maxup.infinityfreeapp.com GitHub: https://github.com/maxup-org/MAXUP 白皮书：摘要和完整版本可在仓库中获取 期待您的想法，尤其是关于架构、部署策略或硬件简化方面的建议。