最新

嗨，大家好， 我们正在构建FountainData，以回答大多数团队仍在猜测的问题：哪些用户问题、竞争对手的举动或市场推广信号实际上会影响收入？ FountainData会收集用户和竞争对手的对话（评论、支持票据、Slack对话、论坛、社交媒体、市场推广活动），并将其转化为经过排名的、可操作的情报，供产品和增长团队使用。 我们的不同之处在于： 1. 产品情报 我们将原始反馈聚类为具体的问题陈述，按影响力进行排名，并生成可供工程团队使用的工单，而不是情感图表。 2. 财务情报 问题根据预估的收入风险或机会进行评分，因此优先级的确定变成了一种经济决策，而不是人气竞赛。 3. 市场推广情报（最近添加） 我们跟踪竞争对手的发布、活动、事件和市场动态，然后提炼出战略性见解和建议，供团队采取行动。 4. 智能代理，而非仪表盘 我们正在添加产品和财务智能代理，可以回答如下问题： “现在是什么影响了用户留存？” “我们应该攻击哪些竞争对手的弱点？” “接下来我们应该推出什么以推动收入？” 从技术上讲，这是一个异步的数据摄取和处理系统（服务器、工作者、嵌入、LLM管道），旨在保持原始数据的可审计性，并使输出可供工程、产品和领导层使用。 我们虽然处于早期阶段，但已经看到团队用这个系统替代了手动的用户反馈评审和临时的竞争研究。 我们非常希望听到那些曾经构建产品、领导产品、进行市场推广或投资于开发工具/B2B SaaS的朋友们的反馈。 <a href="https://fountaindata.com/demo" rel="nofollow">https://fountaindata.com/demo</a>

大家好，祝大家新年快乐！<p>上面的链接是一个基于chromiumoxide库的分支，采用了使用rebrowser作为参考的隐身补丁。它插入了runtime.enable和常见的自动化标志，通过配置文件强制执行一些硬件一致性，并且具有一些便利功能。虽然还处于早期阶段，但至少它可以通过大多数常见的检测测试。<p>我更喜欢用编译语言编写应用程序，但最近越来越需要进行浏览器自动化，并且总觉得Rust在这方面的多样性不如Node/Python的对应库丰富。因此，这是我试图为这个领域注入一些活力的尝试，至少是为了满足我的需求，但我希望其他人也能觉得它有用！<p>我需要一个Rust编写的隐身浏览器，因为我的需求主要集中在验证码解决上，所以这里也有一个旋转门解算器。我知道市面上有很多这样的工具，但用Rust实现让我可以更好地将其集成到我的应用中，避免了许多外部服务带来的麻烦。<p>而且，我的使用案例不仅需要支持Cloudflare，还需要支持Geetest，因此我也将xkiann的Python解算器移植到了Rust，并进行了修改，使其能够自动去混淆，并添加了对多轮验证和需要的user_info参数的支持。<p>这两个解算器都有C FFI绑定，方便与其他语言集成！<p><a href="https://github.com/ccheshirecat/chaser-oxide" rel="nofollow">https://github.com/ccheshirecat/chaser-oxide</a> - chromiumoxide隐身分支 <a href="https://github.com/ccheshirecat/chaser-cf" rel="nofollow">https://github.com/ccheshirecat/chaser-cf</a> - cloudflare解算器 <a href="https://github.com/ccheshirecat/chaser-gt" rel="nofollow">https://github.com/ccheshirecat/chaser-gt</a> - geetest解算器<p>更多细节请查看GitHub仓库，我快要睡着了，祝HN晚安，再次祝大家新年快乐，爱你们！

嗨，HN， 你是否获取了大量信息，但希望能记住更多？我也是。在假期期间，我开发了MasterFlasher，这是一款Android应用程序，可以将内容转换为AnkiDroid闪卡，而不会打断你正在做的事情。 核心理念是：你想到“我应该记住这个”的那一刻，通常并不是你想停下来制作闪卡的时刻。MasterFlasher允许你在任何应用中静默分享内容到一个收件箱，然后稍后批量处理成卡片。 它的工作原理如下： - 从任何应用分享 → 内容静默保存到本地收件箱（无界面干扰） - URLs：应用内浏览器通过Readability.js提取文章文本 - PDFs：通过pdf.js按需提取文本 - 闪卡生成使用多步骤的Gemini管道：事实提取 → 评分 → 卡片生成 - 审核/编辑卡片，然后直接推送到AnkiDroid 设计选择： - 使用Capacitor + Ionic + React，并为应用内浏览器和Room存储提供Java插件 - BYOK：你提供自己的Gemini API密钥（无服务器或代理） - API密钥存储在设备上，使用Android KeyStore - 如果你想调整输出，提示可以由用户编辑 - 除了Gemini调用，所有内容都是本地的 背景说明：我不是软件工程师。这是一个解决我自己问题的业余项目。我后来了解到，LLM生成的闪卡并不是一个原创想法，但我想要一个适合我工作流程的工具：离线、静默分享、稍后处理、直接推送到AnkiDroid。构建这个应用也让我觉得很有趣。 免费且开源。APK和源代码在GitHub上： [https://github.com/mortsnort/MasterFlasher](https://github.com/mortsnort/MasterFlasher) 我没有计划将其商业化或进一步发展，但我欢迎任何能让它对我的闪卡学习更有用的想法。感谢你的关注！

问题<p>计算仅使用以下输入和离散几何键推导出7个基本物理常数的联合概率，精度达到<10ppm。<p>约束条件：不允许有连续可调参数（所有系数必须是整数或固定的几何根）。<p>1. 定义<p><pre><code> [A] 输入（CODATA 2022） alpha = 7.2973525643e-3 // 细结构常数 c = 299792458 // 光速 hbar = 1.054571817e-34 // 约化普朗克常数 mp = 1.67262192369e-27 // 质子质量 [B] 离散键（固定几何/拓扑） k_vol = 2 // 体积尺度（3D） k_dyn = sqrt(5) // 动态尺度（sqrt(2D-1)） k_bit = 64 // 二进制视界种子 k_tet = 4 // 四面体顶点 k_cub = 8 // 立方体顶点 k_ico = 12 // 二十面体顶点 k_fac = 20 // 二十面体面 k_spi = 24 // 旋量环因子 [C] 全局派生尺度（从输入和键计算一次） H_g = 2^(2*k_bit) // 引力视界（2^128） H_m = 2^k_bit // 度量视界（2^64） Lu = (hbar/(mp*c)) * H_m * sqrt(2) / (1 + alpha/3) // 基本晶格单位 </code></pre> 2. 推导<p><pre><code> [A] 引力常数（G） 公式：G = (hbar * c * k_vol * (1 + alpha/3)^2) / (mp^2 * H_g) > 结果：6.6742439e-11 > CODATA：6.67430(15)e-11 > 误差：8 ppm [B] 电子质量（me） // 由Lu定义的二十面体壳的全息逆 公式：me = (2 * alpha * hbar) / (c * (Lu * pi^2 * (1 + alpha - alpha/k_spi) * sin(72))) > 结果：9.1093836e-31 kg > CODATA：9.1093837e-31 kg > 误差：0.01 ppm [C] 细结构常数（alpha） - 几何检查 公式：1/x = (k_tet*pi^3 + pi^2 + pi) - (alpha/k_spi) > 结果：137.0359996 > CODATA：137.0359990 > 误差：0.005 ppm [D] 质子半径（rp） 公式：rp = k_tet * (hbar/(mp*c)) * (1 - (alpha / (k_tet * pi))) > 结果：8.40747e-16 m > CODATA：8.40750(64)e-16 m > 误差：3 ppm [E] 缪子异常（a_mu） 公式：a_mu = (alpha/2pi) + (alpha^2/k_ico) + (alpha^3/k_dyn^2) > 结果：0.00116592506 > CODATA：0.00116592059 > 误差：4 ppm [F] 质子磁矩（mu_p） 公式：mu_p = (k_dyn^3 / k_vol) - (alpha / ((1+k_dyn)/2)) > 结果：5.5856599 > CODATA：5.5856947 > 误差：6 ppm [G] 中子-质子质量差（dm） // 压缩：二十面体面（20）到立方体顶点（8） 公式：dm = me * ((k_fac/k_cub) + k_tet*alpha + alpha/k_tet) > 结果：1.293345 MeV > CODATA：1.293332 MeV > 误差：10 ppm </code></pre> 3. 问题<p>在没有可调参数的约束下，随机推导这7个物理常数达到<10ppm精度的联合p值是多少？<p>来源：https://doi.org/10.5281/zenodo.17847770

Duck（<a href="https://duck-lang.dev" rel="nofollow">https://duck-lang.dev</a>）是一种静态类型的编译型编程语言，结合了Rust、TypeScript和Go的优点，旨在为全栈开发提供一种替代方案，同时尽可能保持熟悉感。 相较于Rust的改进： - 垃圾回收简化了网络应用程序的开发 - 无需生命周期管理 - 内置的并发运行时和用于Web开发的API 相较于bun/node/typescript的改进： - 由于Go对并行执行和本地代码生成的支持，性能大幅提升 - 部署更简单，因为Duck编译为一个静态链接的本地可执行文件，无需依赖 - 复杂性和成本降低，因为单个Duck部署的扩展能力远超任何运行JavaScript的应用 - 使用duckup（编译器版本管理器）和dargo（构建工具）简化工具链管理 相较于Go的改进： - 更具表现力的类型系统，支持联合类型、Duck类型和对可变性的更严格控制 - 采用类似jsx的语法进行服务器端渲染，以及用于前端开发的preact组件 - 基于联合类型的更好错误处理 - 基于Rust的tailwind重实现，直接集成于语言中（但可选使用） - 类型安全的JSON API

大约一年前，一个科幻书籍的构思出现在我的脑海中。我立刻意识到尽管没有任何写作经验（而且工作也很繁忙），我必须将这个想法付诸实践。在2025年，我参加了写作圈，提升了自己的写作能力，并构建了故事的框架。以下是第一章。希望你喜欢 :)

我开发了MyStats，这是一个基于人工智能的自我发现引擎，能够分析日记条目以提取隐藏的心理模式。<p>演示：<a href="https://mystats-eta.vercel.app" rel="nofollow">https://mystats-eta.vercel.app</a> GitHub：<a href="https://github.com/kks0488/mystats" rel="nofollow">https://github.com/kks0488/mystats</a><p>主要功能： - 自由记录日记 → AI提取技能、特质和原型 - 深度心理画像（灵感来源于荣格心理学） - 基于个人资料生成个性化策略 - 100%本地存储（IndexedDB） - 无后端，无追踪 - 韩语/英语双语输出<p>技术：React 19、TypeScript、Vite、Tailwind、多种AI API（Gemini/OpenAI/Claude/Grok）<p>有趣的部分是“原型检测” - AI根据你对自己的描述识别出“系统架构师”或“反思型成长者”等模式。<p>采用“Vibe Coding”理念构建 - 以AI辅助开发为重点，快速交付。初稿由Gemini撰写，经过Claude Opus 4.5精炼，最终由GPT-5.2 Codex完成。<p>非常希望能得到HN社区的反馈！