返回首页
最新
嗨，HN，我创建了VectorVid，因为我多次看到团队将Whisper和向量数据库结合在一起，以便在网络研讨会和演示中进行搜索。
问题是：你有超过100小时的视频。你想为RAG（检索增强生成）进行索引。但是流程很混乱——转录、帧采样、OCR、分块、嵌入，然后再接入你自己的向量数据库。
VectorVid只做一件事：将视频转换为RAG准备好的JSON格式。
输入：视频URL（网络研讨会、讲座、演示）
输出：{ chunks: [{ start_sec, end_sec, text, scene_description, ocr_text, embedding }] }
它是如何工作的：
- 转录 + 说话者分离（Whisper/Deepgram）
- 帧采样（每5秒1帧） + OCR（EasyOCR/Claude）
- 提供视觉上下文的场景描述
- 包含嵌入（OpenAI）
MVP是一个实时演示——你可以在2007年iPhone发布会上进行搜索，并查看确切的JSON API输出。
技术：Next.js前端、异步处理、Supabase pgvector，部署在Vercel上。
我看到的用例包括：
- SaaS团队：“搜索我们的帮助视频” → 强化内部搜索/聊天
- 教育科技：“学生找到特定幻灯片” → 直接跳转到图表
- 销售：“定价幻灯片出现了吗？” → 自动化演示审核
希望得到早期反馈。试试这个演示，告诉我你会在此基础上构建什么。
很高兴与大家分享我的新年项目。
很长一段时间以来，我一直想将H-1B数据直接集成到Levels.fyi中。每次我去其他地方寻找这些数据时，使用体验都令人沮丧。大多数H-1B网站感觉过时、不够直观、广告杂乱，或者使用起来让人感到压倒。数据虽然存在，但并不可用，探索起来也绝对不愉快。
因此，出于这种挫败感，我决定构建我个人想要使用的H-1B数据体验，直接集成到Levels.fyi中。
一些我很兴奋的页面：
工资热图: [https://www.levels.fyi/h1b/map/wages/](https://www.levels.fyi/h1b/map/wages/)
公司H-1B足迹: [https://www.levels.fyi/h1b/map/company/](https://www.levels.fyi/h1b/map/company/)
最高薪资的H-1B职位: [https://www.levels.fyi/h1b/jobs/](https://www.levels.fyi/h1b/jobs/)
H-1B热门城市: [https://www.levels.fyi/h1b/city/](https://www.levels.fyi/h1b/city/)
顶级公司赞助商: [https://www.levels.fyi/h1b/sponsors/](https://www.levels.fyi/h1b/sponsors/)
欢迎任何反馈，这绝对仍在不断完善中。
我经常有5到10分钟的空档。这段时间太容易被浪费了。<p>你喜欢在这些时间段做些什么？<p>例如，学习一项新技能，稍微提高某项能力，阅读高质量的内容。<p>编辑说明：我并不是指手机相关的活动！
我意识到我在LinkedIn上有一批不错的联系人，想在今年对他们进行分类并联系。当我尝试下载我的所有数据时，我发现95%的联系人没有电子邮件地址。因此，我决定逐个查看每个个人资料，查看联系信息，获取电子邮件并填写我的电子表格。在花了一个小时后，我获得了大约200个联系人，但我收到了警告，提示我正在使用自动化工具，并需要点击确认不再使用自动化工具。然而，我根本没有使用任何自动化工具，我只是手动提取我自己联系人列表中可用的电子邮件。有没有其他人遇到过这种情况？有什么解决方案吗？
嗨，HN，
我发现自己在浏览科技新闻和RSS源时浪费了太多时间，扫描数百个标题，只为找到3到4个对我的工作真正有意义的内容。
为了解决这个问题，我构建了一个自托管的自动化工作流程，使用n8n作为个人编辑器。
架构：
获取：每天早上提取RSS源（如TechCrunch、Hacker News等）。
过滤（代理）：将标题传递给GPT-4o-mini，并使用系统提示“充当高级编辑”。它根据特定兴趣（例如，“对本地LLM高度关注”，“对加密八卦兴趣低”）对每篇文章进行0-10的评分。
逻辑：丢弃任何得分低于7的内容。
研究：使用Tavily API抓取并总结高评分文章的完整内容。
交付：通过SMTP发送一封简洁的邮件摘要。
最难的部分（SSE和超时）：最大的技术难题是处理超时。由于AI研究步骤需要时间，HTTP请求经常会中断。我不得不配置服务器推送事件（SSE）并调整Node.js中的执行超时环境变量，以保持在深入研究阶段的连接活跃。
资源：
工作流程/源代码（JSON）：[https://github.com/sojojp-hue/NewsSummarizer/tree/main](https://github.com/sojojp-hue/NewsSummarizer/tree/main)
视频演示与示范：[https://youtu.be/mOnbK6DuFhc](https://youtu.be/mOnbK6DuFhc)
我很想听听其他人是如何应对信息过载的，或者是否有更好的方法来处理AI代理的长轮询。
Traceformer.io 是一个网络应用程序，可以导入 KiCad 项目或 Altium 网表以及相关的数据手册，从而实现基于大语言模型（LLM）的电路图审核。该系统旨在识别传统电气规则检查（ERC）工具无法检测到的基于数据手册的电路图问题。
自我们首次推出（前身为 Netlist.io）以来，我们进行了以下重大改进：
- 通过开源插件实现完整的 KiCad 项目解析
- 采用通行 API 定价，并收取少量平台费用
- 自动获取数据手册
- ERC/DRC 风格的审核用户界面
- 改进的审核工作流程，支持选择前沿模型（如 GPT 5.2、Opus 4.5 等）
- 可配置的审核参数（令牌限制、设计规则和并行审核）
此外，我们继续提供免费计划，让您在订阅之前评估设计。我们期待听到您的反馈！