返回首页
最新
真是糟糕的一周。我们已经投入了心血和精力，花了几个月时间来构建一个带有流媒体桌面的代理编排层，而在星期三，Cursor推出了完全相同的功能——就在我们成功推出之前的三天！而Claude Code在同一天推出了远程控制功能——你能想象接下来会发生什么。在这个竞争激烈的市场中保持优势几乎是不可能的。
不过，尽管如此，还是来看看我们构建的东西吧，你至少可以在自己的基础设施上运行它，在你的企业中使用： https://helix.ml/
我开发了一个工具，用于记录结构化的认知工作，包括从基本原理重建的证明、起草的研究笔记以及掌握的概念，因为我注意到严肃的技术工作很少以任何结构化的方式记录。<p>想听听HN的看法。
我一直在探索推荐系统在实际生产中的实现方式，不仅仅是训练模型。<p>我发现一个常见的模式是将问题分为两个阶段：<p>1. 检索一小部分相关候选项<p>2. 使用模型对它们进行重新排序<p>与其对所有项目进行暴力推理，我围绕这个想法构建了一个小原型。<p>流程如下：<p>- 在向量数据库（ChromaDB）中存储嵌入<p>- 根据向量相似性检索最相似的前K个项目/用户<p>- 运行TensorFlow.js模型对候选项进行重新排序<p>目标是在应用推理之前减少搜索空间，这在延迟和规模重要时似乎是必要的。<p>我发现有趣的是，一旦你采用这种方法，很多复杂性就从模型本身转移到了检索层：<p>- 选择K值<p>- 过滤候选项<p>- 嵌入质量<p>- 延迟与召回的权衡<p>我很好奇其他人在实际系统中是如何处理这些问题的：<p>- 你是如何决定K值的？<p>- 你是完全依赖向量相似性，还是添加启发式方法？<p>- 你是如何在大规模下处理重新排序的？<p>项目：
<a href="https://github.com/ftonato/recommendation-system-chromadb-tfjs" rel="nofollow">https://github.com/ftonato/recommendation-system-chromadb-tf...</a>
我建立了一个MCP服务器，使人工智能代理能够访问合规文档——首先是科罗拉多州人工智能法案（SB 24-205），该法案将于2026年6月30日生效。
问题是：在招聘、贷款、保险或医疗决策中部署人工智能的组织需要特定的文档——风险管理政策、影响评估、消费者通知、偏见测试文档和申诉机制。大多数团队要么花费超过5万美元购买GRC平台，要么以每小时500美元的费用雇佣律师事务所，或者随意应对。
我所建立的：合规协议既可供人类阅读（PDF格式），也可供代理读取（通过MCP/CLI/API的结构化JSON格式）。您的人工智能助手可以检查您是否为部署者，提取协议架构，并帮助您实施这些协议。
通过MCP提供的工具：
- colorado_ai_act_check — 您是部署者吗？
- list_protocols — 按行业浏览
- get_protocol_schema — 供代理实施的结构化格式
- assess_compliance — 差距分析
安装命令：npx -y aop-mcp-server
科罗拉多州人工智能法案是首个具有实际执行力的州级人工智能治理法律（违反将罚款2万美元，由检察总长执行）。更多州的法律即将出台。
网站： [https://appliedoperationsprotocols.com](https://appliedoperationsprotocols.com)
我计划稍后在文档中进行构建。<p>可以通过Tor进行托管，或者选择临时与一个免费的Cloudflared隧道共享单个表格。
目前有几篇关于热门话题的文章，每篇都有15到30个赞和几条评论，但都没有出现在首页上： https://hn.algolia.com/?dateRange=last24h&page=0&prefix=false&query=trump%20anthropic&sort=byPopularity&type=story<p>希望Dang和他的团队能解决这个问题！