新项目、重构、实验、初创企业或深夜编程——告诉我们这个月你正在构建或探索什么，以及原因。
返回首页
一周热榜
嗨，HN！我开发了 LayerClaw（https://github.com/layerclaw/layerclaw），这是一个以本地为中心的 PyTorch 训练可观察性工具。
问题：在训练神经网络时，很多问题都是悄无声息地发生的。你的损失在第 47,392 步时爆炸；你的梯度在第 12 层消失；你的 GPU 内存随机飙升。等你注意到这些问题时，可能已经浪费了数小时或数天的计算资源。
我厌倦了添加打印语句、手动检查 TensorBoard 文件以及事后追踪训练问题。现有的工具要么需要云账户（如 W&B、Neptune），要么对于快速实验来说太过笨重（如 MLflow、用于梯度分析的 TensorBoard）。
LayerClaw 的功能：
- 在训练过程中自动跟踪梯度、指标和系统资源
- 所有数据都存储在本地（使用 SQLite + Parquet，无需云服务）
- 检测异常：梯度爆炸、NaN/Inf 值、损失峰值
- 提供命令行界面（CLI）以比较运行结果：`tracer compare run1 run2 --metric loss`
- 异步写入的开销极小（约 2-3%）
快速示例：
```python
import tracer
import torch
# 初始化（只需一行）
tracer.init(project="my-project", track_gradients=True)
# 你的正常训练循环
model = YourModel()
tracer._state.tracer.attach_hooks(model)
for batch in dataloader:
loss = train_step(model, batch)
tracer.log({"loss": loss.item()})
tracer.step()
tracer.finish()
```
然后分析：`tracer anomalies my-run --auto`
与其他工具的不同之处：
1. 本地优先：无需注册，无数据离开你的机器，无供应商锁定
2. 专为调试设计：内置深度梯度跟踪和异常检测（不是事后添加的功能）
3. 轻量级：在你的训练循环中只需添加两行代码，开销极小
4. 兼容所有框架：原生 PyTorch、HuggingFace Transformers、PyTorch Lightning
当前限制（v0.1.0）：
- 仅支持 CLI（计划在 v0.2 中推出 Web UI）
- 单机训练（分布式支持即将推出）
- 处于早期阶段，欢迎对最有用的功能提供反馈
现在可用：
- GitHub: https://github.com/layerclaw/layerclaw
*我在寻找贡献者！* 我已经创建了几个“适合新手的问题”，欢迎任何有兴趣贡献的人。需要帮助的领域：
- 可视化的 Web UI
- 分布式训练支持
- 更多框架集成
- 实时监控仪表板
如果你之前在机器学习训练中遇到过问题，我非常希望听到你认为最有价值的意见。欢迎提交 PR，或者如果你觉得这个项目有趣，请给仓库加星！
什么功能会让这个工具成为你工作流程中不可或缺的一部分？
嗨，HN。AnsiColor 为您的 TUI、CLI 应用程序或提示构建了强大的 ANSI 颜色代码。这些颜色在用户的终端主题下都能正常工作。
我是在使用 Solarized Dark 主题时，体验到 Codex CLI 的可读性极差后，才开始构建这个工具。如果一家价值数十亿美元的公司都做不好，我们就需要更好的工具。
它提供了以下主题：
```
Andromeda
Ayu Dark/Light
Bearded Dark/Light
Catppuccin Frappe
Catppuccin Latte
Catppuccin Macchiato
Catppuccin Mocha
Dracula
GitHub Dark
Gruvbox
Monokai Dark/Light
Nord
One Dark/Light
Palenight
Panda
Solarized Dark/Light
Synthwave 84
Tailwind
Tokyo Night Dark/Light
```
我一直在思考为什么在Python中，死代码检测（以及静态分析一般）相比其他语言感觉如此不可靠。我明白Python本质上是动态的。
理论上，这应该是简单的（再次强调，理论上）：解析抽象语法树（AST），构建调用图，找到引用为零的符号。但在实践中，由于许多因素，这一过程很快就会失效，例如：
1. 动态调度（getattr、注册表、插件系统）
2. 框架入口点（Flask/FastAPI路由、Django视图、pytest夹具）
3. 装饰器和隐式命名约定
4. 仅通过测试或运行时配置调用的代码
大多数工具似乎在两种糟糕的权衡中选择其一：
1. 保守处理，错过大量真正的死代码
2. 激进处理，标记假阳性，导致人们失去信任
到目前为止，对我来说最有效的方法是将代码视为一种置信度评分，并结合一些有限的运行时信息（例如，测试期间实际执行的内容），而不是完全依赖静态分析。
我很好奇其他人在实际代码库中是如何处理这个问题的……你们是接受假阳性吗？还是完全忽视死代码检测？有没有人见过实际可扩展的方法？我知道SonarQube的噪音很大。
我构建了一个带有vsce扩展的库，主要是为了探索这些权衡（如果相关，链接在下面），但我更感兴趣的是其他人是如何看待这个问题的。希望我在正确的频道。
上下文的代码库： https://github.com/duriantaco/skylos
随着像OpenClaw这样的个人AI代理通过利用用户的私人数据变得越来越强大，隐私问题已成为一个根本性的瓶颈。<p>我们推出了HEVEC，这是一种基于同态加密的向量数据库，能够实现端到端的隐私保护，并支持大规模的实时搜索。<p>HEVEC被设计为明文向量数据库的可替代方案，支持大规模的实时加密搜索（在约187毫秒内处理100万个向量）。<p>关键点：
- 一个安全的、可替代明文向量数据库的方案
- 对数据和查询进行端到端的同态加密
- 大规模的实时加密搜索（在187毫秒内处理100万个向量）<p>随着个人AI代理变得更加个性化，数据的所有权必须归用户所有。<p>HEVEC通过隐私设计架构来强制执行这一点。<p>我们欢迎来自AI、系统和隐私社区的反馈。
大家好，
我开发了一个名为<i>Cimba</i>的多线程离散事件模拟库，使用C语言编写。
Cimba利用POSIX pthread多线程技术实现多个模拟试验的并行执行，同时协程在每个模拟试验的宇宙内部提供了并发性。模拟的过程基于不对称的栈协程，切换上下文的部分是用汇编语言手动编码的。
栈协程使得表达代理行为变得自然，因为可以在概念上将自己“置于”该过程内部，并描述它的行为。一个过程可以在无限循环中运行，也可以作为一个一次性客户在系统中传递，能够在其调用栈的任何层级进行让步和恢复执行，既可以充当主动代理，也可以根据需要充当被动对象。这一设计灵感来源于我多年前在Simula67编程的经历，当时我发现协程的重要性超过了当时广受欢迎的面向对象编程。
Cimba的运行速度非常快。在一个简单的基准测试中，100次M/M/1队列的试验，每次运行一百万时间单位，Cimba的速度比用SimPy和Python多进程构建的等效模型快<i>45倍</i>。与SimPy模型相比，运行时间减少了<i>97.8%</i>。Cimba甚至在单个CPU核心上每秒处理的模拟事件数量也超过了SimPy在所有64个核心上能做到的。
这种速度不仅仅归功于高效的协程。其他部分也经过了速度优化，比如哈希堆事件队列（二叉堆加斐波那契哈希表）、快速随机数生成器和分布、频繁使用的对象类型的内存池等等。
初始实现支持Linux和Windows的AMD64/x86-64架构。我计划接下来支持Apple Silicon，然后可能会考虑ARM架构。
我相信这可能会引起HN社区的兴趣。我希望听到大家对API和代码的看法。对于未来考虑的目标架构，大家有什么想法吗？
文档：<a href="https://cimba.readthedocs.io/en/latest/" rel="nofollow">https://cimba.readthedocs.io/en/latest/</a>
代码库：<a href="https://github.com/ambonvik/cimba" rel="nofollow">https://github.com/ambonvik/cimba</a>
嘿，HN（黑客新闻），
在开发了 Box QR（个人库存追踪器）之后，我不断听到“我需要这个来管理我的业务。”因此，我正在探索 ItemGrid——一种轻量级的库存管理工具，简单易用。
问题是：小企业在 Google Sheets（杂乱无章，无法移动扫描）和企业软件（昂贵，过于复杂）之间陷入了困境。
ItemGrid 的功能包括：
- 视觉网格界面
- QR/条形码扫描
- 多地点支持
- 永久免费支持一个地点
- 当你扩展时，每位用户 $8
目前，它只是一个收集验证注册的登录页面。在收到 50-100 个注册以确认真实需求之前，不会构建完整产品。
非常希望能得到反馈，特别是如果你曾经遇到过库存管理的烦恼。
[https://itemgrid.io](https://itemgrid.io)