最新

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！

嗨，HN， 我发现谷歌地图在我只想知道“那是什么建筑？”或“这里发生了什么？”时，常常显得过于杂乱。 为了解决这个问题，我简单地开发了一个小工具。它通过维基百科的API提供一个干净的界面，根据你的确切位置显示相关的文章。我在英国旅行时一直在使用它，发现它在寻找隐藏的宝藏方面非常有效。 目前这是一个简单的概念验证工具，但我希望能进一步扩展。如果你觉得它有用，或者在你的地点出现问题，请告诉我！