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。