最新

嗨，HN， 我尝试过几乎所有的 macOS 剪贴板管理器，但总是遇到两个问题：要么它们是笨重的 Electron 应用，使用起来感觉迟缓，要么需要我离开键盘去寻找所需内容。我大多数时候使用 Raycast，但它在加载截图时速度较慢，并且是以搜索为主，这意味着我需要离开我喜欢的主行去滚动查看项目。 我创建了 Paster，因为我想要一个感觉像是我终端扩展的工具，并且能够即时加载复制的内容。它是用 Rust 编写的，以保持尽可能低的延迟，并使用本地 SQLite 数据库来存储历史记录。它完全私密，不收集任何遥测数据，您的数据完全属于您。它会访问其域名以验证许可证。 我做出的一些具体选择： - 导航：我将其映射到 j/k 和 / 进行搜索。如果您使用 Vim 或终端，这应该会感觉像是第二天性。 - 隐私：我不喜欢将剪贴板同步到云端。一切都保留在您的机器上。 - 快速查看：我添加了一个不错的小功能，可以在更大的快速查看窗口中查看每个剪贴板项目。对于截图非常方便，并为文本提供语法高亮。 目前这是一个付费应用，提供 7 天试用。我非常好奇社区对这种“万用 Vim”方法的看法。为了透明起见，它主要是借助 AI（Gemini）来构建的，主要用于需要大量样板代码的 UI 部分。 目前仅支持 macOS，我确实打算开发 Linux 版本，但不敢保证。

我觉得我对Claude Code上瘾了。整天我只想用数据探索各种想法。我担心十年后回首时会质疑自己对时间的使用。我最终……做了很多不错的图表？就这些？如果你也有类似的感受，你是如何设定界限的？

OpenLoom 是一个 Chrome 扩展，它利用浏览器的原生屏幕捕获和媒体录制 API 录制你的屏幕，并在画布上合成一个摄像头画中画（PIP）叠加，直接上传到你自己的 Supabase 项目中。没有中间服务器，没有订阅费用，也没有厂商锁定。位于 openloom.live 的网页播放器是一个托管在 GitHub Pages 上的静态网站，直接从你的后端获取视频，不存储或记录任何内容。整个项目是开源的（包括扩展、网页查看器和配置流程），你可以审计每一个网络请求。你的录制、你的存储桶、你的规则。请务必查看并分享你的反馈！

我从事开发工作已经超过20年，也曾创办过一些初创公司，但这是我第一次开发移动应用 :) 我从一个简单的项目开始。我觉得随着大语言模型（LLM）API的普及，可能会有许多类似的应用可以吸引“外部世界”（非技术受众）的兴趣，因此我决定从这个项目开始进行实验。

大家好， 我创建了Whisker，因为搭建一个简单的在线商店不应该需要WordPress、Composer或每月39美元的SaaS费用。它是一个自托管的电子商务购物车，完全基于PHP和MySQL，没有外部依赖。 只需上传到任何共享主机，运行6步网页安装程序，就可以开始销售。这就是全部。 它的功能包括：带有变体的产品目录（按尺寸×颜色组合，提供单独的SKU/价格/库存），4个支付网关（Razorpay、Stripe、CCAvenue、加密货币），多货币支持，管理员仪表盘，订单管理，发票，客户账户，带有JSON-LD产品架构的SEO引擎，CSV批量导入，支持票务系统，优惠券系统。 安全性方面：PDO预处理语句、bcrypt、CSRF、防止会话指纹攻击、Webhook签名验证、登录速率限制、上传MIME类型和扩展名验证。 大约130个文件，25个表，运行在PHP 8.0+和MySQL 5.7+上。 演示链接：https://whisker.lohit.me GitHub链接：https://github.com/WhiskerEnt/Whisker-Cart 我非常欢迎对架构或安全性的任何反馈。乐意讨论技术决策。

在决定针对哪些国际市场开展我的SaaS业务时，我经历了一番挣扎，因此构建了这个工具。<p>这是一个MCP服务器，可以连接到Claude、Cursor、ChatGPT Desktop、Windsurf以及任何兼容MCP的客户端。其背后使用了DataForSEO，提供来自172个国家的真实关键词数据，以及Claude进行市场分析。通过与您的AI工具的对话，您可以获得关键词机会、竞争数据和内容。<p>欢迎就MCP架构或DataForSEO集成方面的问题进行咨询。

我们将斯坦福大学的ACE（通过执行反馈学习的智能体）与反思语言模型模式相结合。不同于单次读取轨迹，LLM在沙箱中编写并运行Python代码，以程序化的方式探索这些轨迹，从而发现单次分析所遗漏的跨轨迹模式。该框架在τ2-bench上实现了2倍的一致性提升。

很多人都听说了谷歌计划阻止用户安装未由谷歌签名的APK文件的消息。但谷歌尚未改变主意。我在想这里是否有比我们更了解情况的人。如果这不是威胁，而是谷歌的真实计划，你们打算如何应对这种情况？

嗨，HN， 我开发了OpenGraviton，这是一个开源的AI推理引擎，旨在突破在消费级硬件上运行极大模型的限制。 该系统结合了多种技术，显著降低了内存和计算需求： • 1.58位三元量化（{-1, 0, +1}），实现约10倍的压缩 • 动态稀疏性，结合Top-K剪枝和MoE路由 • 基于mmap的层流式加载，直接从NVMe SSD加载权重 • 预测解码以提高生成吞吐量 这些技术使得远超系统RAM的模型能够在本地运行。 在早期基准测试中，OpenGraviton将TinyLlama-1.1B的内存需求从约2.05GB（FP16）降低到约0.24GB，使用了三元量化。在140B规模的合成压力测试中，通常需要约280GB FP16的模型，在使用三元格式打包后，可以适应约35GB的内存。 该项目针对Apple Silicon进行了优化，目前使用自定义的Metal + C++张量解包。 基准测试、架构和详细信息： [https://opengraviton.github.io](https://opengraviton.github.io) GitHub： [https://github.com/opengraviton](https://github.com/opengraviton)