最新

十年前第一次访问日本时，我对东京的山手线环形铁路彻底着迷，尤其是它的声音体验。和许多人一样，我爱上了那迷人的发车旋律，并在回国后享受在Hacker News上发现像Yamanot.es这样的体验（<a href="https://news.ycombinator.com/item?id=45045307">https://news.ycombinator.com/item?id=45045307</a>）。 但直到我第二次去东京时，我才真正意识到车门铃声、车内广播和列车噪音对我所喜爱的丰富声音环境的贡献。 我回到家后，发现自己在工作时播放山手线旅程的YouTube视频。那种声音、氛围和轻声细语的日语组合对我来说非常舒缓。 然而，这些录音往往不完整、捕捉不佳或过时，我希望能有更全面的体验。 于是，我从Reddit帖子、YouTube视频和日本粉丝网站上收集了所有组成部分，开始在Logic Pro X中重现乘坐山手线的体验。旋律、门铃声和广播，全部在列车噪音和氛围的背景下拼接在一起。 2019年，我将这些声音场景制作成了一个Alexa技能（<a href="https://www.amazon.co.uk/Paul-Jackson-Yamanote-Line/dp/B07S18QRMV" rel="nofollow">https://www.amazon.co.uk/Paul-Jackson-Yamanote-Line/dp/B07S1...</a>），并开始考虑一个伴随网站，以便将这些声音场景分享给更广泛的受众。 七年后，这个网站就是Yamanote.fun：<a href="https://www.yamanote.fun/" rel="nofollow">https://www.yamanote.fun/</a>。 这是一个小型可安装的网络应用，像播放列表一样播放声音场景。涵盖了所有30个车站，并且双向播放，因为内环和外环使用不同的旋律。你可以前进或后退一个车站，还有一个划动条，分为旋律/铃声/氛围/广播，可以直接跳到你想要的部分。每个车站都有自己可分享的链接（yamanote.fun/jy13-ikebukuro-inner），分享时会展开显示正确的车站名称和艺术作品。 它也是一个渐进式网络应用，因此你可以将其添加到主屏幕，并像本地应用一样使用。还有离线音频的选项。 在技术层面上，它相对简单：普通的HTML、CSS和JS，音频通过Cloudflare R2提供，网站托管在Netlify上。我对这些服务的免费层能达到的效果感到惊讶。我在Figma中设计了整个项目（我是产品设计师），并使用Claude Code来构建和交付精美的用户界面、PWA架构、离线缓存和分享链接基础设施。 我非常希望能收到反馈，特别是来自那些乘坐过真实山手线的人。

你好！我是安德烈。 我对人们倾向于构建过于复杂的后端系统感到沮丧，这种趋势往往受到大型科技公司案例研究和流行书籍的“激励”。因此，我开始探索精益架构，并建立我的数字花园，汇集与此方向相符的想法、方法和数据。 在这里，我想介绍一个工具——PostgreSQL 尺寸工具。我对不同的 EC2 实例和磁盘进行了 PostgreSQL 性能基准测试，使用不同的初始数据集，以查看这些实例能够提供的性能。我还构建了一个可视化这些数据的工具，欢迎你来探索。 你可以输入你通常的参数，比如所需的 RPS（每秒请求数）和磁盘大小，以找出最符合你需求的成本效益最高的实例。 你可以在这里阅读关于方法论的内容：<a href="https://postgres.saneengineer.com/about" rel="nofollow">https://postgres.saneengineer.com/about</a> 我测试了一个工作负载——混合的 90/10 读/写，并且只选择了一些配置。但这个工具是可扩展的，我（以及你——基准测试是开源的：<a href="https://github.com/anivaniuk/sanebench" rel="nofollow">https://github.com/anivaniuk/sanebench</a>）可以运行更多配置，以获得更多的数据。 这看起来有趣吗？我接下来应该基准测试哪个工作负载？

最近我注意到，“谁想被雇佣”的帖子评论数量比“谁在招聘”的帖子要多得多。我通过HN API提取了数据，确认了这种“逆转”。“谁想被雇佣”的帖子评论数量是“谁在招聘”帖子的两倍（而且似乎还在加速增长）。作为参考，2022年这一比例曾是0.25。 我年纪大了，来自于软件开发人员的需求远远超过供应的时代，但也许我们正在看到这种情况的逆转？ 我不想急于下结论，可能有很多因素在起作用。我最初的想法与人工智能有关。我们可能正在进入一个普遍的经济衰退，因为人工智能泡沫正在破裂，或者由于人工智能的影响，求职市场正在发生变化。 再次强调，我没有任何答案，但这绝对是一个值得讨论的有趣话题！ 这是源代码（包括数据）：https://github.com/santiagobasulto/hn-who-is-hiring-analysis

我在今年开始大力投入人工智能，因为我希望能更自主地完成更多工作，但我的令牌使用量急剧上升，以至于我的每周配额在周末之前就用完了，有时甚至在周中的几天就耗尽了。 我意识到必须采取措施，否则我将不得不加倍支出。因此，我决定开始跟踪每种任务类型的成本。这让我发现，我的大部分支出都用于搜索/扫描或一些简单的任务，比如侦查任务。 于是，我决定将其转化为一个简单的命令行工具，可以用来在本地读取OpenAI风格的日志，分析成本，并将这些支出与其他模型进行比较，然后向你展示通过切换到更便宜的模型你可能节省的金额。 当你运行分析时，你会得到一个离线估算，价格是基于LiteLLM，并受到LMArena级别的限制。一般的节省范围来自RouteLLM发布的研究；但你可以通过两个命令来自己确认这一点——--measure（并排显示提示-响应输出）和--judge（选择一个模型进行比较）。这些命令会将日志中的提示样本发送到候选模型——可以是默认选择或你指定的模型。这个调用直接发送到模型提供商（从不经过我），就像任何正常的LLM调用一样，响应会被显示并判断为更好、较差或平局。 这个工具故意设计得很小，因为我有时倾向于过于复杂化/思考事情：分析 + 捕获 + 一些命令，完成三项工作。成本、质量可见性、路由建议。 没有任何托管。capture是你自己机器上的一个可选本地代理，数据路径中没有任何端点。你可以通过检查源代码来确认这一点。 我包含了一个演示，以便你可以查看输出。它有一个合成的56k调用日志（一个月的量），展示了成本如何从$549.46下降到$343.91，一个37.4%的节省。 试试这个： ``` uvx frugon analyze --demo ``` 或者 ``` uv tool install frugon ``` 然后指向你自己的日志。 欢迎所有反馈，特别是关于路由/质量逻辑的反馈，或者其他任何意见，无论好坏。

作为一名同性恋者，我意识到现有的视频网站搜索引擎非常糟糕，主要依赖用户对视频的标签和标题。这些标签和标题往往是虚假的或具有误导性的，或者根本没有提供足够有用的信息。 我搜索一个内容，却得到一堆无关的结果，因此我不得不四处翻找，直到找到我想要的东西。 正因如此，我决定建立自己的同性恋色情搜索引擎。每个视频都会经过分析，以提供尽可能准确的结果。我从未见过其他地方有人这样做（我可能错了，但我没有找到类似的东西）。我不会讨论其背后的技术，因为那是我的秘密武器，也是让我在竞争中脱颖而出的关键。 视频每天都在不断添加，所有视频都是合法嵌入的。 尽管这听起来愚蠢且不必要，我坚信这是一个至今没有人解决的问题。我已经为此工作了几个月，并计划将其作为一个长期项目。这不是一夜之间的成功，也不是可以迅速走红的东西，这将需要数年时间。 你可能不是我的目标受众，但我想和你分享这个项目。

最近将项目从Cortex-M4（NXP K64F @ 120MHz）移植到Cortex-M7（STM32H753ZI @ 480MHz），目前仍在调试互斥锁与浮点单元（FPU）之间的交互（LDREX/STREX与懒惰堆栈）。

在过去的几个月里，我实现了一个我酝酿已久的想法。那时，大型语言模型（LLMs）并不那么流行，也不易获得，因此构建我现在所能实现的东西是相当不现实的：一个充满不同智能形式的生动世界，这些智能将通过它们的基本需求、个性以及在其一生中所经历的事情来寻找自己的方向和意义。