最新

嗨，HN， 我是拉尔夫。我拥有软件开发学位，在过去的15年里，我一直从事网站开发和搜索引擎优化（SEO），最近6年经营着一家代理公司。 几年前，我意识到人工智能可以在自动化我们代理公司许多初级SEO任务和手动工作方面发挥作用。我详细列出了我们的流程，绘制了人工智能可以发挥作用的领域，并开始将其整合。 这创造了一个基于人工智能的SEO平台，能够自动化关键词研究、元标题/描述、图片替代文本和页面级内容，并配备审批工作流和基于令牌的使用。我还在探索链接建设、全面技术审计和人工智能生成的推荐修复的自动化。 最大的挑战之一是管理上下文相关性，给系统提供足够的信息以全面理解一个网站，同时又不至于让模型感到不堪重负或稀释相关性。 该平台目前处于测试阶段，但我在继续追求“完美”和专注于尽早分享、让真实用户引导实际需求之间感到矛盾，因此我在这里寻求反馈。 我非常感谢任何见解，特别是关于这个平台在工作流程中适合或不适合的地方、对返回响应质量的反馈，以及可能导致采用时出现摩擦的任何因素。 为了在测试阶段保持成本可预测，用户可以使用令牌支持的工作区测试100页或更少的网站。

我确实尽力了。我必须这样做，因为它有一个受“数字极简主义”启发的独特之处。 这个独特之处在于，它只允许你每天（或每X天）获取一次新文章。 为什么呢？让我来解释一下…… 我希望我的互联网内容像一份无聊的报纸。你早上拿到它，边喝早咖啡边读完整份，然后就结束了！今天没有更多的新信息了。没有提示，没有警报，宁静、安静、禅意等等。 但为了实现这一点，我需要能够在一次操作中从我数百个源中获取所有文章。这就是Zig和curl优化发挥作用的地方。我尝试了所有的技巧。如果我遗漏了什么，请告诉我！ 首先，我在网络层使用了curl multi。它的一个好处是自动进行HTTP/2复用，这意味着如果你的源托管在同一个CDN上，它会重用相同的连接。我将其配置为总共处理50个连接，每个主机最多6个，这似乎是在服务器开始变得可疑之前的最佳点。此外，还使用了条件GET。如果一个源自上次以来没有变化，服务器会直接返回“未修改”，我们立即退出。 在curl下载源的时候，我不想让CPU闲着，所以当curl完成下载一个源时，它会触发一个回调，立即将XML抛入一个工作线程池进行解析。主线程继续管理所有网络事务，而工作线程则并行处理XML。Zig的内存模型非常适合这个。每个源都有自己的ArenaAllocator，这基本上是一个可以在解析过程中分配字符串的游乐场，然后当我们完成时，我们只需一次性清除整个区域。 在解析方面，我使用了libexpat，因为它不会像DOM解析器那样将整个XML加载到内存中。这一点很重要，因为某些播客源的XML文件大小通常超过10MB。因此，通过智能截断，我们下载前几MB（可配置），向后扫描以找到最后一个完整的项目标签，然后在此处截断，只解析这一部分。即使在源的大小变得庞大时，也能保持内存使用的合理性。 至于用户界面，我只是将所有内容通过系统的“less”命令进行管道处理。你可以免费获得vim导航、搜索和分页功能。此外，我还使用了OSC 8超链接，因此你实际上可以点击链接在浏览器中打开它们。完全不需要TUI框架。我还添加了OPML导入/导出和源分组作为附加功能。 结果是：在几秒钟内从数百个RSS源中检索到内容，余下的时间则心安理得。 代码是开源的，采用MIT许可证。如果你有想法让它更快或更好，请在下面评论。功能请求和其他建议也欢迎在这里或GitHub上提出。

这太不真实了。我使用谷歌的 `genai` 发出的请求大多数都出现了 503 错误。有人也遇到同样的问题吗？

我创建了一套完全在浏览器中运行的开发者工具。无需注册账户，无需服务器端处理，无需跟踪。 包括：JSON 格式化器/验证器、CSV 转 JSON/SQL 转换器、正则表达式测试器、Base64 编码器、哈希生成器、UUID 生成器、JWT 解码器、Cron 解析器、时间戳转换器、差异检查器等。 技术：纯 HTML/CSS/JS。故意保持简单，以便快速加载和易于维护。 开源项目：<a href="https://github.com/GhDj/dev-tools" rel="nofollow">https://github.com/GhDj/dev-tools</a> 希望获得反馈，了解接下来哪些工具最有用。

嗨，HN， WindMouse 是一个相对较老且广为人知的算法，用于生成类人鼠标移动（曲线路径、可变速度、自然减速）。它在自动化讨论中经常被提及，但令人惊讶的是，我找不到一个干净、经过良好测试且可重用的 Python 库实现。 因此，我决定自己来实现它。 这个项目现在以 *WindMouse* 的名称发布： * 强类型（坐标使用 *NewType*，兼容 mypy） * 两个后端： ``` * PyAutoGUI（跨平台） * AutoHotkey（Windows） ``` 算法本身并不新颖——新颖的是它的实现。我的目标是创建一个可以下载并立即在项目中使用的工具。 我希望能得到以下方面的帮助： * 在不同操作系统环境下的 *测试*（特别是 macOS 的边缘案例） * *新后端*（例如本地 macOS、Wayland、低级 Windows API、游戏引擎、远程桌面） * 对 API 设计和参数默认值的反馈 欢迎提出关于算法、设计决策或权衡的任何问题。

以下是我在创业公司与大型语言模型（LLMs）合作的方式。 我们有一个单一代码库，里面包含定期的Python数据工作流程、两个Next.js应用和一个小型工程团队。我们使用GitHub进行源代码管理和持续集成/持续交付，部署到GCP和Vercel，并且在自动化方面依赖很大。 **本地开发：** 每位工程师都获得Cursor Pro（加上Bugbot）、Gemini Pro、OpenAI Pro，和可选的Claude Pro。我们并不在意人们使用哪个模型。实际上，LLMs的价值大约相当于每位工程师1.5名优秀的初级/中级工程师，因此支付多个模型的费用是非常值得的。 我们非常依赖预提交钩子：ty、ruff、TypeScript检查、所有语言的测试、格式化和其他保护措施。所有内容都自动格式化。LLMs使得类型和测试的编写变得更加容易，尽管复杂的类型仍然需要一些手动指导。 **GitHub + Copilot工作流程：** 我们支付GitHub Enterprise的费用，主要是因为它允许将问题分配给Copilot，后者会打开一个拉取请求（PR）。我们的规则很简单：如果你打开一个问题，就将其分配给Copilot。每个问题都会附带一个代码尝试。 对于大量的PR没有任何污名。我们经常删除那些没有使用的PR。 我们使用Turborepo管理单一代码库，并在Python方面完全使用uv。 所有编码实践都记录在.cursor/rules文件中。例如：“如果你在进行数据库工作，只需编辑Drizzle的schema.ts，而不要手动编写SQL。”Cursor通常遵循这一点，但其他工具在读取或遵循这些规则时常常遇到困难，无论我们添加多少个agent.md风格的文件。 **我个人的开发循环：** 如果我在外面看到一个bug或有一个想法，我会通过Slack、手机或网页打开一个GitHub问题并将其分配给Copilot。有时问题描述很详细，有时只是一个简单的句子。Copilot会打开一个PR，我稍后会进行审查。 如果我在键盘前，我会在Cursor中作为一个代理在Git工作树中开始，使用最佳模型。我会不断迭代，直到满意，要求LLM编写测试，审查所有内容，然后推送到GitHub。在人类审查之前，我会让Cursor Bugbot、Copilot和GitHub CodeQL审查代码，并要求Copilot修复他们标记的任何问题。 **仍然痛苦的事情：** 要真正知道代码是否有效，我需要运行Temporal、两个Next.js应用、几个Python工作者和一个Node工作者。其中一些是Docker化的，有些则不是。然后我需要一个浏览器来进行手动检查。 据我所知，没有服务可以让我：给出提示、编写代码、启动所有这些基础设施、运行Playwright、处理数据库迁移，并让我手动测试系统。我们用GitHub Actions来近似实现这一点，但这对手动验证或数据库工作没有帮助。 Copilot在分配问题或代码审查时不允许你选择模型。它使用的模型通常效果不佳。你可以在Copilot聊天中选择模型，但在问题、PR或审查中无法选择。 Cursor + 工作树 + 代理的体验很糟糕。工作树从源代码库克隆，包括未暂存的文件，因此如果你想要一个干净的代理环境，你的主代码库必须是干净的。有时感觉直接将代码库克隆到新目录比使用工作树更简单。 **运作良好的方面：** 由于我们不断启动代理，我们的单一代码库设置脚本经过良好测试且可靠。它们也能顺利转化为持续集成/持续交付。 大约25%的“打开问题 → Copilot PR”结果可以直接合并。这并不算惊人，但比零要好，经过几条评论后，这个比例能达到约50%。如果Copilot能更可靠地遵循我们的设置说明或让我们使用更强的模型，这个比例会更高。 总体而言，每月大约花费1000美元，我们获得了相当于每位工程师1.5名额外初级/中级工程师的产出。这些“LLM工程师”总是编写测试，遵循标准，产生良好的提交信息，并且全天候工作。在审查和代理之间的上下文切换中会有一些摩擦，但这是可以管理的。 你们在生产系统中是如何进行氛围编码的？