返回首页
最新
嗨，HN，
WindMouse 是一个相对较老且广为人知的算法，用于生成类人鼠标移动（曲线路径、可变速度、自然减速）。它在自动化讨论中经常被提及，但令人惊讶的是，我找不到一个干净、经过良好测试且可重用的 Python 库实现。
因此，我决定自己来实现它。
这个项目现在以 *WindMouse* 的名称发布：
* 强类型（坐标使用 *NewType*，兼容 mypy）
* 两个后端：
```
* PyAutoGUI（跨平台）
* AutoHotkey（Windows）
```
算法本身并不新颖——新颖的是它的实现。我的目标是创建一个可以下载并立即在项目中使用的工具。
我希望能得到以下方面的帮助：
* 在不同操作系统环境下的 *测试*（特别是 macOS 的边缘案例）
* *新后端*（例如本地 macOS、Wayland、低级 Windows API、游戏引擎、远程桌面）
* 对 API 设计和参数默认值的反馈
欢迎提出关于算法、设计决策或权衡的任何问题。
以下是我在创业公司与大型语言模型（LLMs）合作的方式。
我们有一个单一代码库，里面包含定期的Python数据工作流程、两个Next.js应用和一个小型工程团队。我们使用GitHub进行源代码管理和持续集成/持续交付，部署到GCP和Vercel，并且在自动化方面依赖很大。
**本地开发：**
每位工程师都获得Cursor Pro（加上Bugbot）、Gemini Pro、OpenAI Pro，和可选的Claude Pro。我们并不在意人们使用哪个模型。实际上，LLMs的价值大约相当于每位工程师1.5名优秀的初级/中级工程师，因此支付多个模型的费用是非常值得的。
我们非常依赖预提交钩子：ty、ruff、TypeScript检查、所有语言的测试、格式化和其他保护措施。所有内容都自动格式化。LLMs使得类型和测试的编写变得更加容易，尽管复杂的类型仍然需要一些手动指导。
**GitHub + Copilot工作流程：**
我们支付GitHub Enterprise的费用，主要是因为它允许将问题分配给Copilot，后者会打开一个拉取请求（PR）。我们的规则很简单：如果你打开一个问题，就将其分配给Copilot。每个问题都会附带一个代码尝试。
对于大量的PR没有任何污名。我们经常删除那些没有使用的PR。
我们使用Turborepo管理单一代码库，并在Python方面完全使用uv。
所有编码实践都记录在.cursor/rules文件中。例如：“如果你在进行数据库工作，只需编辑Drizzle的schema.ts，而不要手动编写SQL。”Cursor通常遵循这一点，但其他工具在读取或遵循这些规则时常常遇到困难，无论我们添加多少个agent.md风格的文件。
**我个人的开发循环：**
如果我在外面看到一个bug或有一个想法，我会通过Slack、手机或网页打开一个GitHub问题并将其分配给Copilot。有时问题描述很详细，有时只是一个简单的句子。Copilot会打开一个PR，我稍后会进行审查。
如果我在键盘前，我会在Cursor中作为一个代理在Git工作树中开始，使用最佳模型。我会不断迭代，直到满意，要求LLM编写测试，审查所有内容，然后推送到GitHub。在人类审查之前，我会让Cursor Bugbot、Copilot和GitHub CodeQL审查代码，并要求Copilot修复他们标记的任何问题。
**仍然痛苦的事情：**
要真正知道代码是否有效，我需要运行Temporal、两个Next.js应用、几个Python工作者和一个Node工作者。其中一些是Docker化的，有些则不是。然后我需要一个浏览器来进行手动检查。
据我所知，没有服务可以让我：给出提示、编写代码、启动所有这些基础设施、运行Playwright、处理数据库迁移，并让我手动测试系统。我们用GitHub Actions来近似实现这一点，但这对手动验证或数据库工作没有帮助。
Copilot在分配问题或代码审查时不允许你选择模型。它使用的模型通常效果不佳。你可以在Copilot聊天中选择模型，但在问题、PR或审查中无法选择。
Cursor + 工作树 + 代理的体验很糟糕。工作树从源代码库克隆，包括未暂存的文件，因此如果你想要一个干净的代理环境，你的主代码库必须是干净的。有时感觉直接将代码库克隆到新目录比使用工作树更简单。
**运作良好的方面：**
由于我们不断启动代理，我们的单一代码库设置脚本经过良好测试且可靠。它们也能顺利转化为持续集成/持续交付。
大约25%的“打开问题 → Copilot PR”结果可以直接合并。这并不算惊人，但比零要好，经过几条评论后，这个比例能达到约50%。如果Copilot能更可靠地遵循我们的设置说明或让我们使用更强的模型，这个比例会更高。
总体而言，每月大约花费1000美元，我们获得了相当于每位工程师1.5名额外初级/中级工程师的产出。这些“LLM工程师”总是编写测试，遵循标准，产生良好的提交信息，并且全天候工作。在审查和代理之间的上下文切换中会有一些摩擦，但这是可以管理的。
你们在生产系统中是如何进行氛围编码的？
请访问以下链接了解更多信息： [https://platform.openai.com/docs/models/gpt-image-1.5](https://platform.openai.com/docs/models/gpt-image-1.5)