一周热榜

一个 GitHub 项目，用于收集一系列基于 Bash 的屏幕保护程序/可视化效果。

嗨，HN！我想向大家介绍我的项目TOMMY，它可以将ESP32设备转变为通过Wi-Fi感知穿透墙壁和障碍物的运动传感器。 TOMMY最初是我个人使用的项目。我对那些无法检测静态存在且到处留有死角的运动传感器感到沮丧。虽然存在存在传感器，但价格昂贵，并且每个房间都需要一个。我最初探索了回声定位，但24小时监听的麦克风让我觉得太过于诡异。后来我发现了Wi-Fi感知——这是一个庞大的研究课题，但还没有成熟的产品。这种技术满足了所有需求：理论上可以通过呼吸和微小动作检测静态存在，并且能够穿透墙壁和家具，因此设备可以隐藏起来。 经过两年的研究和数十篇论文，TOMMY已经发展成我非常自豪的软件。虽然它尚未具备静态存在检测功能（预计在2026年第一季度推出），但它在运动检测方面表现非常出色。它可以作为Home Assistant的插件或Docker容器使用，支持多种ESP32设备，并可以通过内置工具进行闪存，或与现有的ESPHome设置一起使用。 几个月前，我在Home Assistant的子版块发布了第一个版本，获得了很多关注和积极反馈。超过200人加入了Discord社区，近2000人下载了该软件。 目前，TOMMY处于测试阶段，任何人都可以免费使用。我还为每位加入Discord频道的测试用户提供终身免费许可证。 您可以在<a href="https://www.tommysense.com" rel="nofollow">https://www.tommysense.com</a>上了解更多关于该项目的信息。如果您对该项目感兴趣，请加入Discord频道。 关于开源的说明：有很多人对将TOMMY作为开源项目表示兴趣，我对此表示理解。在达到可持续性之前，我不太愿意开源，因为我希望能全职投入到这个项目中。然而，隐私是可以验证的——它是100%本地化的，没有数据收集（可以通过数据包嗅探或网络隔离轻松确认）。我很乐意帮助任何人验证这一点。

我们是Robin、Louis和Thomas。Pipelex是一个DSL（领域特定语言）和Python运行时，用于可重复的AI工作流程。可以将其视为多步骤LLM（大型语言模型）管道的Dockerfile/SQL：您声明步骤和接口，任何模型/提供者都可以填充这些步骤。 <p>为什么选择这个而不是其他工作流构建工具？</p> - 声明式，而非粘合代码：您只需说明要做什么；运行时会自动确定如何执行。 - 以代理为先：每个步骤都携带自然语言上下文（目的、输入/输出及其含义），以便LLM能够跟随、审计和优化。我们的MCP服务器使代理能够运行管道，同时也可以按需构建新的管道。 - MIT下的开放标准：语言规范、运行时、API服务器、编辑器扩展、MCP服务器、n8n节点。 - 可组合：管道可以调用其他管道，这些管道可以是您创建的，也可以是社区共享的。 <p>为什么使用领域特定语言？</p> - 我们需要在结构化语法中保留上下文、意义和细微差别，以便人类和LLM都能理解。 - 我们需要确定性、控制和可重复性，而纯文本提示无法提供这些。 - 额外好处：编辑器、差异比较、语义着色、便捷共享、搜索与替换、版本控制、代码检查工具等。 <p>我们是如何做到的：</p> 最初，我们只是想用LLM解决每个用例，但在不同项目中不断重建相同的代理模式。因此，我们挑战自己保持代码的通用性，与用例的具体细节分开，这意味着要从相关知识和技能中建模工作流程。 与现有的AI工作流程代码/无代码框架不同，我们的抽象层并不封装API，而是将业务逻辑转录为结构化、明确的脚本，供软件和AI执行。因此，具有“声明式”特性：脚本说明应该做什么，而不是如何去做。这就像是AI工作流程的Dockerfile或SQL。 此外，我们希望语言对LLM友好。经典编程语言将逻辑和上下文隐藏在变量名、函数和注释中，这些对解释器是不可见的。在Pipelex中，这些元素以自然语言明确表达，赋予AI完全的可见性：所有逻辑和上下文都以最小的语法呈现。 然后，我们不想自己编写Pipelex脚本，因此我们进行了自我测试：我们构建了一个Pipelex工作流程来编写Pipelex工作流程。它在MCP和CLI中：`pipelex build pipe '...'`运行一个多步骤、结构化的生成流程，生成一个经过验证的工作流程，准备通过`pipelex run`执行。然后，您可以自己或与任何编码代理一起进行迭代。 <p>包含内容：Python库、FastAPI和Docker、MCP服务器、n8n节点、VS Code扩展。</p> <p>我们希望您能提供的反馈：</p> 1. 构建一个工作流程：语言对您是有帮助还是有阻碍？ 2. 代理/MCP工作流程和n8n节点的可用性。 3. 建议我们可以集成的新类型管道和其他AI模型。 4. 寻找开源贡献者为核心库贡献代码，同时与社区共享管道。 <p>已知的限制：</p> - 连接器：Pipelex不与“您的应用”集成，我们专注于认知步骤，您可以通过代码/API或使用MCP或n8n进行集成。 - 可视化：我们需要生成流程图。 - 管道构建器仍然存在bug。 - 自行运行：我们尚未提供托管的Pipelex API，正在开发中。 - 成本跟踪：我们目前只跟踪LLM成本，尚未跟踪图像生成或OCR成本。 - 缓存和推理选项：尚不支持。 <p>链接：</p> - GitHub: [https://github.com/Pipelex/pipelex](https://github.com/Pipelex/pipelex) - Cookbook: [https://github.com/Pipelex/pipelex-cookbook](https://github.com/Pipelex/pipelex-cookbook) - Starter: [https://github.com/Pipelex/pipelex-starter](https://github.com/Pipelex/pipelex-starter) - VS Code扩展: [https://github.com/Pipelex/vscode-pipelex](https://github.com/Pipelex/vscode-pipelex) - 文档: [https://docs.pipelex.com](https://docs.pipelex.com) - 演示视频（2分钟）: [https://youtu.be/dBigQa8M8pQ](https://youtu.be/dBigQa8M8pQ) - 支持与分享的Discord: [https://go.pipelex.com/discord](https://go.pipelex.com/discord) <p>感谢您的阅读。如果您尝试使用Pipelex，请告诉我们具体的问题所在，这对我们来说是最有价值的反馈。</p>