返回首页
最新
在我之前的帖子中 [0],我描述了我如何创建 aiologic。在这里,我想同样介绍一个衍生库——Culsans。
在2024年10月,我开始思考如何展示 aiologic 队列。Andrew Svetlov 的 Janus 库 [1] 已经存在了一段时间,并且更受欢迎,因此我知道与它的比较是不可避免的。然而,Janus 似乎处于一种停滞状态:在过去三年中没有重大变化,而在此期间几乎所有的提交都是由 Dependabot 完成的。因此,我提出了一个相关的问题 [2]。
在讨论中,我指出了 Janus 的性能问题,并表示可以通过在我的原语之上实现队列来解决这些问题。但由于 Janus 是一个成熟的库,这样的激进变化是无法被接受的。因此,作为概念验证,我实现了一个新库——Culsans。就这样,它的故事开始了。
随着时间的推移,这两个库都经历了变化。Janus 在 1.2.0 版本中获得了显著的性能提升,部分得益于我的 PR [3]。在 2.0.0 版本中,与上述情况相反,由于实现了关闭方法,导致了向后兼容性的破坏。而 Culsans 则成为了一个独立的库,拥有自己的特性(而这些特性在 aiologic 和 Janus 中都没有)。
那么,Culsans 是什么呢?它是一个库,提供了一种在单个进程内不同线程、不同任务(包括来自不同事件循环的任务;如 asyncio、Curio、Trio、AnyIO——随你所需)甚至不同 greenlet(eventlet/gevent)之间进行通信的方式,所有这些都在一个实例中。它的队列通过类似 Janus 的接口与标准队列完全兼容(也与 Janus 本身兼容),并提供动态最大大小等额外功能。简而言之,我邀请你试用我的库,亲自体验一下。
[0] <a href="https://news.ycombinator.com/item?id=46308839">https://news.ycombinator.com/item?id=46308839</a>
[1] <a href="https://github.com/aio-libs/janus" rel="nofollow">https://github.com/aio-libs/janus</a>
[2] <a href="https://github.com/aio-libs/janus/issues/679" rel="nofollow">https://github.com/aio-libs/janus/issues/679</a>
[3] <a href="https://github.com/aio-libs/janus/pull/704" rel="nofollow">https://github.com/aio-libs/janus/pull/704</a>
我创建了Memora,这是一个MCP服务器,可以为Claude提供跨会话的持久记忆。
它解决的主要问题是:AI代理在会话之间会丢失上下文。Memora充当上下文管理器,能够在多个代理会话中持久化知识,使您的AI助手能够记住过去的工作、决策和学习的模式。
主要功能:
- 在代理会话之间保持持久上下文(单代理或多代理工作流程)
- 基于SQLite,支持可选的S3/R2云同步
- 使用嵌入进行语义搜索(TF-IDF、句子转换器或OpenAI)
- 交互式知识图谱可视化(vis.js)
- 结构化记忆类型:待办事项、问题、知识条目
- 相关记忆之间的交叉引用链接
- 支持R2的图像存储
图形可视化功能让您能够探索记忆之间的连接,按标签/状态过滤,并查看您的知识库如何随时间增长。
该工具是为Claude Code构建的,但可以与任何兼容MCP的客户端一起使用。
GitHub: [https://github.com/agentic-mcp-tools/memora](https://github.com/agentic-mcp-tools/memora)
欢迎对架构和功能创意提供反馈!
我观察预测市场已经有一段时间了,发现Kalshi和Polymarket的数据与拉斯维加斯的赔率完全不同。于是我构建了一个系统来系统性地捕捉这些差异。
这个系统会提取Kalshi和Polymarket的数据,然后同时向大约36个其他来源发送请求——包括体育博彩API、民意调查网站、Reddit上的情绪分析、新闻等各种信息。当数据不一致时,它会标记出来。
我昨晚在保罗与约书亚的拳击比赛中进行了测试。Kalshi显示保罗获胜的概率为86%。我查看了所有拉斯维加斯的博彩网站,它们都给约书亚的赔率为-1200,隐含胜率为92%。这完全是相反的方向,系统立即标记了这个差异。
最终,约书亚在第六回合将保罗击倒。
技术细节:
- 使用Python进行异步调用,因为需要同时访问30多个API。
- 最初尝试使用GPT-4进行情绪分析,但速度太慢,所以我构建了一个自定义的解决方案。
- 运行在Poe上,这样我就不需要处理托管费用。
- 每次分析大约需要2分钟。
我有一些问题:
- 一次成功的调用算不算真正的验证,还是我只是运气好?
- 还有哪些数据来源我应该检查?我在考虑增加订单流跟踪。
- 有没有其他人也为预测市场构建类似的工具?
- 这些低效现象通常需要多快才能被套利消除?
老实说,我最开始并不确定这个系统是否能成功。非常欢迎对方法论方面的反馈。