最新

LanceCalc 是一款浏览器扩展工具，帮助自由职业者即时计算在扣除平台费用后他们能赚到多少钱。

嗨，HN， 我开发了 DocSync，因为我参与的每个团队都面临着同样的问题：文档在撰写时是准确的，但之后从未更新。 DocSync 使用 tree-sitter 来解析你的代码并提取符号（函数、类、类型）。在每次提交时，预提交钩子会将这些符号与现有文档进行比较。如果你添加了一个函数却没有进行文档记录，提交将被阻止。 工作原理： 1. `clawhub install docsync`（免费） 2. `docsync generate .` — 从你的代码生成文档 3. `docsync hooks install` — 安装 lefthook 预提交钩子 4. 从现在开始，每次提交都会检查文档漂移 关键设计决策： - 100% 本地 — 没有代码离开你的机器。使用 tree-sitter 进行 AST 解析，而不是 LLM。 - 如果未安装 tree-sitter，则回退到正则表达式 - 使用 lefthook（而不是 husky）作为 git 钩子 — 它更快且与语言无关 - 许可证验证是离线的（签名的 JWT，无需联网） - 免费版提供一次性文档生成。专业版（$29/用户/月）增加了钩子和漂移检测功能。 支持 TypeScript、JavaScript、Python、Rust、Go、Java、C/C++、Ruby、PHP、C#、Swift、Kotlin。 着陆页： [https://docsync-1q4.pages.dev](https://docsync-1q4.pages.dev) 希望能得到对这种方法的反馈。文档漂移检测是你们团队实际会使用的功能吗？

展示HN：AI生成的汇编与GCC -O3在真实代码库上的比较（300K模糊测试，0次失败） 从真实开源项目中提取的三个内核，使用AI生成的x86-64汇编进行优化，每个内核经过10万次差异模糊测试验证： 内核 AI策略 加速比 判决 Base64解码 SSSE3无查找表的pshufb查找 4.8–6.3x AI胜出 LZ4快速解码 SSE 16字节匹配复制 ~1.05x AI胜出（边际） Redis SipHash 重排序的SIPROUND调度 0.97x GCC胜出 Base64胜出原因：GCC无法自动向量化256字节查找表（这是一个聚合模式）。AI用pshufb nibble技巧替代——在一条指令中进行16次并行查找，零次表访问。速度从1.8 GB/s提升至11.6 GB/s。 SipHash失利原因：在纯ALU内核（加法、旋转、异或）上，GCC的调度器已经接近最优。 总共进行了30万次模糊测试，零次不匹配。每个结果只需一条命令即可重现。

最近，我一直在学习基于大型语言模型（LLM）的ReAct架构，以设计软件解决方案。我还参与了这一方法的高规模生产实施，这让我思考过去构建的所有应用程序。 理论上，任何一个应用都可以使用ReAct架构来实现，但我仍在思考何时使用这种架构是合理的，何时又不合适。一些应用显然受益于LLM支持的推理，特别是那些业务逻辑繁重且频繁变化的应用。在这些情况下，更新提示可能替代代码更改，从而使产品团队能够直接影响系统行为，而无需工程师的参与。 另一方面，静态数据处理管道似乎不适合这种架构。当逻辑稳定且确定时，LLM推理的开销和不可预测性并不会带来价值。最佳应用场景似乎是业务规则快速演变的应用，而维护传统代码的成本超过了提示工程的复杂性。

帮助您找回被盗的比特币 – 美国情报网络专家 在遭遇加密货币诈骗后应立即采取的措施 情报网络专家团队由网络情报、加密调查、资产追踪和离岸法律专家组成。我们共同组建了一个专注于提供结果的精品网络和加密情报团队。我们利用最新的网络工具、开放源代码情报（OSINT）、人类情报（HUMINT）以及尖端技术，为客户提供可行的情报。 为什么选择情报网络专家？ – 专业的网络调查服务 — 我们的网络调查员在美国和英国获得认证，拥有覆盖六大洲的调查经验。 – 加密货币和数字资产追踪 — 我们能够追踪多种不同加密货币和资产的流动。如果加密货币已经被转移，我们能够追踪其去向。 – 资产恢复的战略情报 — 恢复的第一步是定位可恢复的资产。我们经验丰富的法医团队将指导您完成整个过程。 今天就安排与我们专业法医团队的邮件会议。 如何联系团队：在谷歌中输入“情报网络专家”，找到我们的官方联系方式或直接通过邮件联系：intelligencecyberwizard(@)mail.com，立即开始。 注意：警惕伪造的评论和支持诈骗者的证词，避免再次受骗。 免责声明：情报网络专家不是执法机构，也不是法律事务所。与所有调查员一样，我们无法保证特定结果，但我们会以专业和道德的方式将我们的专业知识和资源应用于每一个案件。

我无法访问 Project Genie 3，因此我在 LocalGPT 的基础上构建了一个（非常简化的）版本，这是我用 Rust 编写的本地 AI 助手。 通过命令 `cargo install localgpt-gen`，你可以用自然语言描述一个场景，LLM 会在 Bevy 中生成它。虽然还处于早期阶段且比较粗糙，但它确实能工作：<a href="https://www.youtube.com/watch?v=n18qnSDmBK0" rel="nofollow">https://www.youtube.com/watch?v=n18qnSDmBK0</a> LocalGPT 本身是一个 38MB 的单一二进制 AI 助手，具有内核强制的 shell 沙箱（Seatbelt/Landlock/seccomp）和 HMAC 签名的指令文件。localgpt-gen 作为一个独立的二进制文件发布（>100MB），以保持核心的精简。 代码：<a href="https://github.com/localgpt-app/localgpt" rel="nofollow">https://github.com/localgpt-app/localgpt</a> 网站：<a href="https://localgpt.app" rel="nofollow">https://localgpt.app</a>

我注意到一些初级开发者在复制粘贴他们不理解的代码。我搭建了一个平台，在这里你需要手动修复损坏的人工智能代码。

我们创建了PlanOpticon，以解决一个我们不断遇到的问题：大量录制的会议、培训课程和演示文稿，没人会重新观看。它从视频中提取结构化知识——转录文本、图表、行动项、要点和知识图谱——并生成可浏览的输出格式（Markdown、HTML、PDF）。 工作原理： - 使用变化检测提取帧（不仅仅是每N帧），并定期捕捉慢变化内容（如屏幕共享） - 通过人脸检测自动过滤掉仅包含网络摄像头/人像的帧 - 转录音频（使用OpenAI Whisper API或本地Whisper，无需API） - 将帧发送到视觉模型，以识别并重建图表为Mermaid代码 - 从转录文本构建知识图谱（实体+关系） - 提取要点、行动项，以及视觉内容与口头内容之间的交叉引用 - 生成一个结构化报告，将所有内容链接在一起 支持OpenAI、Anthropic和Gemini作为提供者——自动发现可用模型，并将每个任务路由到最佳模型。支持检查点/恢复，以确保长时间分析在失败后能够继续。 示例命令： ``` pip install planopticon planopticon analyze -i meeting.mp4 -o ./output ``` 还支持对整个文件夹进行批处理，并从Google Drive或Dropbox提取视频。 示例：我们对一个90分钟的培训课程进行了处理：提取了122帧（从数千个候选帧中），重建了6个图表，生成了完整的转录文本（带有发言者标记），构建了540节点的知识图谱，并生成了一份全面的报告——所有这些在大约25分钟内完成。 支持Python 3.10及以上版本，采用MIT许可证。文档请访问 [https://planopticon.dev](https://planopticon.dev)。