返回首页
最新
你好，HN！我很高兴今天能发布这个项目。这是一个双向计算器（因此叫做 bidicalc）。
我一直对制作一个可以同时更新输入和输出的电子表格充满热情，而不是传统的只能更新输入的电子表格。
请告诉我你的想法！特别是如果你发现了错误或好的使用案例。
我经常遇到这样的情况：在终端中启动一个长时间运行的进程，然后想要进行一些后续操作，这时再在命令行末尾添加 `&& foo || bar` 就太晚了。
简单的例子：下载这个 Linux ISO……哦，还要把它写入我的 USB 驱动器……哦，还要检查一下 shasum……哦，完成后要显示一个通知。
然后，下次我想要稍微变动一下更复杂的操作时，每次我都在权衡第一个进程的运行时间与输入或修改第二部分所需的时间。
我可以打开一个单独的终端，启动第二个进程，等待第一个进程完成，但这样做的开销通常不值得。
所以我希望能有一个“可链式的终端”或“动态提示”，在这个环境中，我可以在最后一个命令仍在前台运行时，输入接下来的命令。根据程序的不同，我注意到这在某种程度上已经可以实现，当一个阻塞进程完成后，bash 实际上会运行我在输出中间输入的内容。但这仅适用于某些程序。
受到 https://news.ycombinator.com/item?id=46231293 的启发——从 stdout/stderr 管道输出会更酷，但我们这里其实只需要退出代码。
感觉这正是大多数人都会遇到的问题，应该可以在 bash/zsh 中实现一些功能。然而，我从未见过类似的东西。
有没有人自己动手做过或者发现过类似的工具，愿意分享一下？
我对现有的“魔法蘑菇剂量计算器”感到很沮丧：大多数要么界面粗糙，要么只处理立方菌，要么硬编码一个效力值而忽略了物种、耐受性和降解因素。
因此，我创建了 Mycodosing.wtf——一个基于研究的计算器，试图在以下三个方面做得更好：
1. 使用每克的裸盖菇素/裸盖菇碱/巴埃菇碱的效力模型，针对松露（以及合成品）提供独立的效力档案。
2. 输出剂量范围（最小值/中位数/最大值），而不是单一的魔法数字，使用每种物种的不确定性因素来反映现实世界的变异性。
3. 包含一个基于5-HT2A受体下调的耐受性模型（剂量依赖的指数衰减，约14天），并提供可选的体重调整和MAOI标志。
物种效力数据来自LC-MS/MS和经典化学论文（例如，Garcia-Romeu 2021，Gotvaldová 2021，Gartz/Stríbrný），然后用Vite + React构建了一个新极简主义的用户界面，100%客户端。
我希望能收到以下方面的反馈：
- 剂量模型本身（数学或假设上是否存在缺陷？）
- 您希望调整或补充的物种数据
- 您希望在版本2中看到的内容
网站： [https://mycodosing.wtf/](https://mycodosing.wtf/)
代码： [https://github.com/ing-norante/mycodosing.wtf/](https://github.com/ing-norante/mycodosing.wtf/)
每周有8亿人使用ChatGPT和Claude。目前，他们获得的是文本回复。很快，他们将获得真实的界面：产品卡片、博客文章、预订流程、支付界面，直接在对话中呈现。<p>我们为此构建了一个开源组件库。只需一条命令即可安装任何模块，并根据您的品牌进行定制。<p>如果您正在构建MCP服务器或尝试开发AI原生应用，这可能会为您节省时间。<p>您是否在为AI助手开发应用？我们很想听听您在工作流程中觉得缺少什么。
你在生产环境中运行RAG（检索增强生成）。然后，AWS账单来了。每月$2,400，50个查询/天。每个查询$48。
我们为企业客户构建了一个RAG系统，并意识到大多数生产环境中的RAG都是优化灾难。文献过于关注准确性，而完全忽视了单位经济学。
### 三个成本类别
**向量数据库（账单的40-50%）**
标准的RAG流程每个问题会进行3-5次不必要的数据库查询。我们原本应该只进行1.5次，却进行了5次往返。
**大型语言模型API（30-40%）**
标准的RAG向大型语言模型输入8,000到15,000个标记。这是必要数量的5-10倍。我们发现：超过3,000个标记的上下文，准确性就会达到饱和。超出部分只是噪音和成本。
**基础设施（15-25%）**
向量数据库闲置，监控开销，不必要的负载均衡。
### 实际推动变化的因素
**基于标记的上下文（节省35%）**
基于预算的组装，当使用的标记足够时停止。之前：每个查询12,000个标记。之后：3,200个标记。准确性保持不变。
```python
def _build_context(self, results, settings):
max_tokens = settings.get("max_context_tokens", 2000)
current_tokens = 0
for result in results:
tokens = self.llm.count_tokens(result)
if current_tokens + tokens <= max_tokens:
current_tokens += tokens
else:
break
```
**混合重排序（节省25%）**
70%的语义评分 + 30%的关键词评分。更好的排名意味着需要的块更少。从前20个检索到前8个，同时保持质量。
**嵌入缓存（节省20%）**
工作区隔离的缓存，TTL为7天。我们看到日内命中率为45-60%。
```python
async def set_embedding(self, text, embedding, workspace_id=None):
key = f"embedding:ws_{workspace_id}:{hash(text)}"
await redis.setex(key, 604800, json.dumps(embedding))
```
**批量嵌入（节省15%）**
批量API定价每个标记便宜30-40%。同时处理50个文本，而不是逐个处理。
嘿，HN，
我是一名前谷歌工程师，正在尝试重返音乐制作领域。
我需要一种方法来使用AI上下文对我的硬件合成器进行编排，而不必不断切换窗口，因此我开发了这个工具。
它完全在浏览器中运行，使用WebMIDI。无需登录。
它可以连接到您的本地MIDI设备（如果您使用的是Chrome或Edge），并允许您生成音序模式。
技术栈：[React / WebMIDI API / 等等]。
链接：www.simplychris.ai/droplets
代码有点杂乱，但可以正常工作。欢迎反馈。
大家好，我是 Waleed。我们正在构建 Sim（<a href="https://sim.ai">https://sim.ai</a>），这是一个开源的可视化编辑器，用于构建智能工作流。代码库在这里：<a href="https://github.com/simstudioai/sim/" rel="nofollow">https://github.com/simstudioai/sim/</a>。文档在这里：<a href="https://docs.sim.ai">https://docs.sim.ai</a>。
您可以使用 Docker 在本地运行 Sim，没有执行限制或其他限制。
我们大约在一年前开始构建 Sim，原因是我们不断排查我们的代理在生产环境中失败的原因。以代码为中心的框架由于隐式控制流而难以调试，而工作流平台则增加了比它们所移除的更多开销。我们希望能够实现细粒度的控制和易于观察，而不必自己拼凑所有内容。
大约六个月前，我们以拖放画布的形式推出了 Sim [1][2]。自那时以来，我们增加了：
- 138 个模块：Slack、GitHub、Linear、Notion、Supabase、SSH、TTS、SFTP、MongoDB、S3、Pinecone 等等
- 细粒度控制的工具调用：强制、自动
- 代理记忆：带有滑动窗口支持的对话记忆（按最近 n 条消息或标记）
- 跟踪跨度：嵌套工作流和工具调用的详细日志记录和可观察性
- 原生 RAG：上传文档，我们进行分块，使用 pgvector 嵌入，并向代理公开向量搜索
- 工作流部署版本控制和回滚
- MCP 支持，人工参与模块
- 使用自然语言构建工作流的助手（刚发布了一个新版本，它还充当超级代理，可以直接调用您连接的任何服务，而不仅仅是构建工作流）
在底层，工作流是一个有向无环图（DAG），默认情况下支持并发执行。节点在其依赖项（上游模块）满足后立即运行。循环（for、forEach、while、do-while）和并行分支/合并也是一等公民。
代理模块直接传递给提供者。您可以选择自己的模型（OpenAI、Anthropic、Gemini、Ollama、vLLM），我们将提示、工具和响应格式直接传递给提供者 API。我们对响应形状进行了标准化，以实现模块间的互操作性，但我们不会添加模糊发生情况的层。
我们目前正在开发自己的 MCP 服务器以及将工作流部署为 MCP 服务器的能力。希望听到您的想法，以及我们接下来应该如何推进 :)
[1] <a href="https://news.ycombinator.com/item?id=43823096">https://news.ycombinator.com/item?id=43823096</a>
[2] <a href="https://news.ycombinator.com/item?id=44052766">https://news.ycombinator.com/item?id=44052766</a>
构建了一个文件转换器，将转换视为可重现的操作。
每次转换生成：
- SHA-256 校验和（输入/输出完整性验证）
- 带时间戳的审计记录
- 可下载的 YAML 配方以确保可重现性
- 质量验证结果
使用案例：需要文件完整性证明的团队（法律、合规、可重现的工作流程）。
架构：内存处理，零持久存储，文件立即删除。
欢迎反馈，特别是关于“配方重放”（上传 YAML 以重现确切转换）是否有价值。