嗨，HN，
我开发了Clash，这是一个开源的命令行工具，帮助您或您的编码代理管理在同一代码库上并行开发时出现的合并冲突。
举个例子：两个代理在不同的功能上工作，均修改了src/main.rs。Clash会立即向您显示这个冲突，而不是在合并时花费大量时间和资源后才显示。
这是一个简单的工具，您的代理可以在开发过程中使用它来检查代理所做的提交是否与代码库中的其他工作树发生冲突。这有助于在功能完成之前预先捕获合并冲突，并使不同功能合并到主分支的过程变得更加容易。
与仅在合并时显示冲突的git不同，Clash在开发过程中会检测所有活动工作树之间的冲突。它是100%只读的，绝不会修改您的git代码库，并输出JSON格式，以便代理在浪费时间之前调整他们的工作方式。
随着我们逐渐转向管理编码代理而不是自己作为编码代理，我们将同时处理多个不同的功能和bug修复，这使得与自己产生合并冲突成为可能。
Clash的愿景是成为一个工具，帮助内部代理之间进行协调。
示例工作流程：
- 代理1在工作树A中提交对src/main.rs的更改
- 代理2在工作树B中提交对src/main.rs的更改
- 两者在提交后运行`clash status --json`
- 他们看到冲突并协调以避免不兼容的更改
为了更好地展示Clash的实际应用，我们在GitHub仓库中添加了一些Clash运行的GIF。
我很想听听您对这个工具如何融入您的工作流程的反馈，以及您在这个领域的任何一般想法。试试看，并告诉我它在您那里的表现。安装说明请见自述文件。
我是Mathew，感谢您的阅读！
返回首页
一周热榜
大约一个月前，我分享了一个网络应用程序，可以通过图像哈希比较杂志封面。<a href="https://news.ycombinator.com/item?id=46518106">https://news.ycombinator.com/item?id=46518106</a><p>Samin100建议尝试使用CLIP和DinoV2来获得更好的效果。我对这两个模型一无所知，但研究它们让我了解到视觉变换器。DinoV2是Meta开发的，而CLIP则是OpenAI的。<p>更新后的杂志比较工具允许你使用这两个模型（照片= DinoV2，设计= CLIP）。<p>我个人非常享受浏览《纽约客》封面的过程：<p>自行车
<a href="https://shoplurker.com/labs/img-compare/match?model=vt&cover_date=2025-06-02&filename=6830a4291fd8066f3414a8f5.jpg&magazine=newyorker" rel="nofollow">https://shoplurker.com/labs/img-compare/match?model=vt&cover...</a>
我想分享一下Minimal——这是一个开源的强化容器镜像集合，使用Apko、Melange和Wolfi软件包构建。该镜像每天构建，定期检查更新，并在上游源和Wolfi软件包中有修复可用时立即解决。它利用现有开源解决方案的优势，并提供商业可用的镜像，且完全免费。Minimal展示了我们可以自己构建和维护强化容器镜像的可能性。
Minimal将增加对更多镜像的支持，目标是由社区驱动，根据需要添加镜像，并实现完全自定义。
我开发了Magpie，这是一个自托管的电子邮件聚合器，可以将多个IMAP/SMTP账户整合到一个收件箱中。<p>我之所以开始这个项目，是因为谷歌停止支持从我的雅虎账户提取邮件（Gmailify），我希望有一个私密的自托管解决方案。<p>主要特点：
* 统一的收件箱，支持搜索和线程功能
* 轻量级后端 + 现代化网页用户界面
* 易于部署（支持Docker或手动部署）
* 以隐私为优先，完全开源<p>这是基础版本，旨在简单、实用且易于扩展。我非常欢迎任何对电子邮件工具或自托管软件感兴趣的人提供反馈、报告bug或贡献代码。<p><a href="https://github.com/FynleyMsg/Magpie" rel="nofollow">https://github.com/FynleyMsg/Magpie</a>
我忘记了没有它怎么编程。
我们之所以开发这个，是因为我们不断编写需要警报的小脚本，而不想每次都管理 Twilio/SendGrid 的集成。这样，警报的设置就和其他任何命令行工具一样简单。
我们使用了我们的蒸馏平台和一个Kaggle数据集，制作了一个小型（270M Gemma基础）模型，用于将文本分类为“AI垃圾”或“非AI垃圾”。这款模型不仅有趣，构建过程也很有趣。
令人恼火的是，正式的人类撰写文本（例如我在2015年写的一篇机器学习论文）往往会被错误分类（试试这段话：“如果用户的编辑未能考虑阴影，操控的图像会失去可信度。我们提出了一种方法，使得软阴影的去除和编辑变得简单。软阴影无处不在，但提取和处理它们仍然 notoriously困难。我们假设可以通过学习图像补丁的映射函数来对软阴影进行分割和编辑，从而生成阴影遮罩。我们通过仅需少量用户输入就能从照片中去除软阴影来验证这一假设。”）。