返回首页
最新
主要特点：
- 即时读取超过10GB的文件（内存使用量约为20MB）。
- 100% 本地执行（沙箱环境）：数据从未上传到任何服务器。支持离线工作。
- JSON 格式化工具：检测 JSON 行并在点击时进行格式化。
- “跳跃书签”：保存字节偏移位置，以便在相隔数GB的行之间快速跳转。
嗨，HN - 我创建了ReadyLive，一个针对直播模特的实时监控和通知系统。
基本想法是：人们常常在房间里等待特定的时刻（私人模式、票务表演、特定目标、特定短语）。ReadyLive监控这些房间，并在触发条件发生时提醒你，这样你就不必一直等待。
我目前最关注的不是增长或功能，而是隐私和安全。
隐私优先的设计
我有意设计这个系统，使其在不放弃个人数据的情况下可用：
- 无广告，无追踪，无与用户相关的分析
- 不需要真实邮箱（虚假邮箱也可以正常使用）
- 没有浏览历史，没有行为档案
- 尽量少存储数据（目标是：即使有人获取了数据库，也没有太多可以学习的内容）
我并不寻求全面审计或免费的工作，而是想知道：我遗漏了哪些明显的安全问题？
如果你在进行类似的威胁建模：
- 在这样的系统中，隐私泄露通常发生在哪里，即使你试图避免存储数据？
- 让用户定义触发条件时，有哪些常见的陷阱（即使有严格的限制）？
- 使用Telegram进行通知是否以人们常常低估的方式改变了威胁模型？
- 你会首先尝试破坏什么？
我希望在复杂性出现之前，尽早检查边界。
链接： [https://readylive.io](https://readylive.io)
如果有任何问题或需要分享更多细节，我很乐意回答。
大家好——我一直在开发IntentusNet，这是一个专注于确定性、可重放执行语义的小型执行运行时，旨在与AI工具配合使用。
我在生产系统中遇到的问题是：
AI管道是可观察的，但不可重现。在发生事件后，模型、路由逻辑、重试或回退可能已经发生了变化——仅凭日志无法重放实际发生的事情。
v1.3.0引入了一个运行时确定性核心：
- 写前日志（仅追加的JSONL），在副作用之前记录
- 崩溃安全恢复和确定性重放（在分歧时会大声失败）
- 运行时执行契约（超时、重试、成本上限）
- 副作用分类，以防止不安全的重试或回退
- 以CLI为主的检查（列出 / 显示 / 跟踪 / 重放 / 差异）
这不是一个规划器或代理框架，也不是MCP的替代品——它纯粹专注于工具周围的执行语义（包括MCP风格的工具）。
快速尝试（从仓库根目录运行）：
```bash
git clone https://github.com/Balchandar/intentusnet
cd intentusnet
pip install -e .
python -m examples.deterministic_routing_demo.demo --mode with
python -m examples.deterministic_routing_demo.demo --mode mcp
```
文档（架构、保证、演示）：
[https://intentusnet.com](https://intentusnet.com)
MIT许可证，开源：
[https://github.com/Balchandar/intentusnet](https://github.com/Balchandar/intentusnet)
我非常希望听到构建真实系统的人的反馈：
- 在实践中，您期望从确定性重放中获得什么保证？
- 您如何在AI管道中安全地处理重试和副作用？
我们创建Verdic是因为在将大型语言模型（LLMs）投入生产时，反复遇到同样的问题：大多数人工智能失败并不是关于内容安全，而是关于意图漂移。
随着模型变得更加自主，输出往往会悄然从描述性行为转变为规定性行为——而没有任何明确的信号表明系统现在实际上正在采取行动。在这种情况下，关键词过滤器和基于规则的保护措施很快就会失效。
Verdic是一个意图治理层，位于模型与应用程序之间。它不是检查主题或关键词，而是评估：
- 输出是否将未来的选择压缩为特定的行动方案
- 响应是否施加了规范性压力（引导行为与解释之间的区别）
我们的目标不是进行内容审核，而是实现行为控制：检测人工智能系统是否在超出其部署意图的情况下运行，特别是在受监管或决策关键的工作流程中。
Verdic目前作为API运行，具有可配置的允许/警告/阻止结果。我们正在对自主工作流程和长时间运行的链条进行测试，因为在这些情况下意图漂移最难以检测。
这是一个早期版本。我主要希望从在生产中部署LLMs的人那里获得反馈，特别是在以下方面：
- 自主系统
- 人工智能治理
- 风险与合规
- 我们可能遗漏的失败模式
很高兴回答问题或分享更多关于该方法的细节。
我创建了 <a href="https://lich-am.com" rel="nofollow">https://lich-am.com</a>，因为大多数本地的农历网站充斥着干扰性的广告和追踪。该网站采用了精确的天文农历计算算法，适用于GMT+7时区。它专注于核心网页性能指标，并且没有外部依赖，以确保隐私和速度。这是为寻找简洁工具的越南社区而设计的。
当前围绕代理的生态系统感觉像是一堆臃肿的SaaS，订阅费用昂贵且存在隐私问题。Orla将大型语言模型带到您的终端，提供一个极其简单、兼容Unix的界面。所有操作都在本地100%运行。您无需任何API密钥或订阅，您的数据也不会离开您的机器。
您可以像使用其他命令行工具一样使用它：
```
$ orla agent "总结这段代码" < main.go
$ git status | orla agent "为这些更改草拟提交信息。"
$ cat data.json | orla agent "提取所有电子邮件地址" | sort -u
```
它基于Unix哲学，支持管道操作且易于扩展。
仓库中的README包含一个快速演示。
安装只需一条命令。该脚本安装Orla，设置Ollama以进行本地推理，并拉取一个轻量级模型以帮助您入门。
您可以使用Homebrew（在Mac OS或Linux上）：
```
$ brew install --cask dorcha-inc/orla/orla
```
或者使用Shell安装程序：
```
$ curl -fsSL https://raw.githubusercontent.com/dorcha-inc/orla/main/scripts/install.sh | sh
```
Orla是用Go语言编写的，完全是自由软件（MIT许可证），基于其他自由软件构建。我们非常欢迎您的反馈。
谢谢！ :-)
附注：欢迎对Orla的贡献。请查看（https://github.com/dorcha-inc/orla/blob/main/CONTRIBUTING.md）以获取贡献指南。
作者在此。
这开始于一个探索，看看我能多快地推动M1 Pro上的单核性能。
我从零开始使用C++20构建了一个订单匹配引擎。
最初，它的性能约为每秒10万次操作。经过一个月的优化，现在的性能达到了每秒约1.56亿次操作。
主要优化措施：
- 移除了所有互斥锁（每个核心一个分片架构）。
- 为线程间通信定制了无锁的单生产者单消费者环形缓冲区。
- 用扁平向量和位集扫描（使用CTZ指令）替代了std::map。
- 在栈上使用std::pmr（多态内存资源）实现零分配的热路径。
为了证明它能够处理真实市场（不仅仅是随机数字），我通过重放捕获的Binance L3市场数据（每秒1.32亿次操作）进行了验证。
关于优化过程的详细写作在这里：
<a href="https://medium.com/@kpiyush8826/how-i-optimized-a-c-matching-engine-from-100k-to-150-million-orders-per-second-35b2065fa4c0" rel="nofollow">https://medium.com/@kpiyush8826/how-i-optimized-a-c-matching...</a>
欢迎提问！