返回首页
最新
嗨，HN，我们是Lago的联合创始人：一款由AI代理驱动的Chrome扩展，当会计季节来临时，它成为每位创始人的最佳伙伴。Well自动化供应商发票的收集，并将数据直接传输到您的会计工具、ERP或仪表板——无需任何努力。
<p>我们为何构建Well：自动化支付的缺失环节</p>
我们的网站是 <a href="https://wellapp.ai/" rel="nofollow">https://wellapp.ai/</a>，我们的Github在这里： <a href="https://github.com/WellApp-ai/well">https://github.com/WellApp-ai/well</a>。
<p>---</p>
<p>我们的背景</p>
我们是一支在欧洲金融科技领域深耕的基础设施建设团队。在过去十年中，我们从零开始构建并扩展了两个核心银行平台——IbanFirst、Fintecture和Qonto（服务超过60万家中小企业）。支付、合规性、可扩展性：我们亲历了这一切，推动了它，打破了它，并重建了它。
在这些年里，有一件事变得显而易见：虽然资金转移变得快速、标准化且可预测，但处理供应商发票仍然混乱不堪。
<p>---</p>
<p>洞察</p>
如今，支付问题已经得到解决。像EMV、SEPA即时和SWIFT这样的协议创造了可靠、即时的结算流程。无论您是刷卡还是跨境汇款，基础设施都能正常运作。
但发票呢？每个供应商、每项服务、每个供应商的做法仍然各不相同。有些通过电子邮件发送PDF，有些强迫您登录门户，有些则根本不发送任何东西，除非您手动追踪。没有协议，没有标准，没有轨道——只有摩擦。
在一个支付被协议化的世界中，*发票管理是破碎的*。
<p>---</p>
<p>问题</p>
这种混乱不仅令人烦恼——它在运营上也非常昂贵：
- 独立创业者和小团队每月浪费数小时仅仅用来检索发票。
- 会计工具通常依赖手动拖放上传。
- 糟糕的发票跟踪意味着糟糕的财务透明度——这导致了法国57%的破产是由于现金流管理不善。
我们在Qonto与数千家初创企业和中小企业密切合作，亲眼目睹了这一切。应付账款解决方案的采用率是*痛苦地低*——并不是因为人们不需要它们，而是因为启动仍然需要太多手动工作。
没有人愿意转发电子邮件、上传PDF或管理收件箱规则，仅仅是为了跟踪基本财务。
<p>---</p>
<p>为什么是现在</p>
两股力量正在汇聚：
- 监管：欧盟范围内的电子发票强制规定即将到来，正在改变这一领域。
- 技术：AI现在使我们能够在传统的RPA（机器人流程自动化）方法失败的地方实现自动化。
我们相信，金融领域的下一个真正颠覆不会来自支付轨道，而是来自于*弥合发票差距*——自动、隐形且大规模地实现。
<p>---</p>
<p>我们正在构建的内容</p>
Well是一个由AI驱动的基础设施，旨在自动化供应商发票的收集——无论格式如何，来源如何。
以下是Well的功能：
• 从门户、电子邮件和附件中捕获发票——完全自动化。
• 高精度提取结构化数据（金额、供应商、日期）。
• 安全地将发票数据同步到您的会计SaaS、ERP或仪表板。
无需手动上传。无需共享密码。无需追踪。
只需一个协议化的管道——就像支付一样，但用于供应商发票。
<p>---</p>
<p>接下来是什么</p>
- 扩展Well在1000多个SaaS供应商中的覆盖范围。
- 深化与会计、ERP和支出管理生态系统的集成。
- 构建无形的财务工作流程，让发票在您需要的地方自动出现。
我们从独立创业者、独立开发者和精益创业团队开始——但我们的目标是让发票混乱对任何规模的企业来说都变得过时。
如果您厌倦了追踪供应商发票而不是发展业务，我们很乐意听取您的意见。
<p>了解更多信息，请访问 <a href="https://wellapp.ai/" rel="nofollow">https://wellapp.ai/</a></p>
在过去，人们通过使用像GLSL这样的着色器进行通用GPU编程。这激发了NVIDIA（以及其他公司）最终创建CUDA（及其相关技术）。这是一个使用WebGL和着色器实现的GPT-2。请享用！
嘿，HN，
请查看我们的技术论文：<a href="https://arxiv.org/abs/2501.15627" rel="nofollow">https://arxiv.org/abs/2501.15627</a>，以及视频演示：<a href="https://www.youtube.com/watch?v=Op8hyLW7Z84" rel="nofollow">https://www.youtube.com/watch?v=Op8hyLW7Z84</a>。
自大学以来，我就对面试的艺术充满热情。在我的职业生涯中，我面试了超过100人，并接受了从初创公司到大型科技公司和对冲基金的面试。
我创建了Neuraprep，因为我注意到一个缺失的东西——虽然软件工程师有leetcode.com，金融领域的人有quantquestions.com，但其他工程领域（如机器学习、数据科学、MLOps）并没有一个统一的平台来准备面试。当然，有Kaggle和Coursera，但没有一个整合的解决方案。
因此，我花了一个夏天收集了400多个真实的面试问题，并为每个问题编写了详细的答案。我从学术资源、在线社区和大型语言模型中提炼内容。然后，我利用这个数据集构建了一个人工智能，模拟人类面试官评估回答的方式。
它的工作原理如下：
• 推理引擎从用户的回答中提取核心思想。
• 它将这些思想与数据库中的预期思想进行比较。
• 如果缺少某些内容，谈话将继续——就像真正的技术面试官所做的那样。
随着最近语音和推理模型的进步（感谢Sesame和O3），它现在可以进行按需的电话面试，感觉出奇的真实。
刚刚收到了关于苹果智能的更新。想寻找一些酷炫且不寻常的功能来尝试。