最新

嗨，HN——我开发了 Focus Streak，这是一款专注于基于连续性激励和隐私优先设计的轻量级安卓习惯追踪器。 <p>关键点： - 基于连续性的激励 + 日历视图和统计数据 - 自定义习惯、多重提醒、离线优先（无需账户） - 设计简约的用户界面，旨在减少摩擦，帮助用户真正保持日常习惯 - 使用 React Native + Expo 构建；最近已发布到 Google Play <p>我希望能得到以下方面的反馈： - 用户体验：目前的习惯应用中有哪些让你感到沮丧的地方？ - 增长/应用商店优化：我们接下来应该尝试哪些最佳策略？ - 任何崩溃/错误报告（设备型号 + 安卓版本会有所帮助） <p>截图/GIF：（链接到图片或嵌入 imgur/gfycat） 应用商店链接：<a href="https://play.google.com/store/apps/details?id=com.focusstreak.app&amp;utm_source=hackernews&amp;utm_medium=showhn&amp;utm_campaign=launch">https://play.google.com/store/apps/details?id=com.focusstreak.app&amp;utm_source=hackernews&amp;utm_medium=showhn&amp;utm_campaign=launch</a> <p>谢谢——我会在这里回复评论并解答技术问题。

我一直在 tinkering 一个小的副项目：一个网页仪表板，让你可以将开发板连接到笔记本电脑上，立即获得串口监视器和实时图表。无需集成开发环境（IDE），也无需寻找驱动程序——只需使用 Chrome/Edge 和一根 USB 数据线。 - 主要为偶尔需要检查 Arduino/Teensy/Raspberry Pi 等设备的人设计（如固件团队以外的工程师、工作坊主持人、随时随地的创客）。 - 显示串口日志，允许你发送快速命令，自动绘制任何数值流，甚至可以在不离开页面的情况下闪存预编译的固件。 - 目前处于非常测试阶段：到目前为止仅在 Teensy 4.0 上经过测试。它应该可以与 Arduino UNO 及其相关设备兼容，但我还没有机会测试所有组合——请做好可能存在不完善之处的准备。 - 计划是扩展兼容性（ESP32/ESP8266，更多上传后端），也许有一天为非专业人士提供基于浏览器的编译和上传功能。 如果你手头没有开发板，可以点击“运行演示”来全面体验串口监视器和绘图工具 :) 如果这听起来有用，或者你只是想尝试一下，直到它崩溃——可以在这里试试： https://nodeloop.org/projects/my-board-dashboard/ 欢迎反馈和bug报告！

我小儿子亚历克斯在今年九月开始上小学一年级。他非常喜欢学习阅读，但他觉得很多早期读者的书有些无聊和乏味。因此，我和亚历克斯决定合作写我们自己的阅读入门书籍——这是我们的第一个成果。

嗨，HN！我正在开发一个名为 Dayflow 的 macOS 应用，它可以自动跟踪你实际在做什么（不仅仅是你打开了哪些应用程序）。 以下是它的功能： - 它创建了你一天的语义时间线； - 通过理解你屏幕上的内容（使用本地或云端的 VLM）来实现这一点； - 这使你可以准确看到你的时间花在哪里，而无需手动记录。 传统的时间追踪工具告诉你“在 Chrome 上花了 3 小时”，这并没有什么帮助。Dayflow 实际上可以理解你是在阅读文档、调试代码，还是在浏览 HN。你得到的不是“Chrome: 3 小时”，而是“审阅 PR 评论: 45 分钟”、“阅读关于 Rust 的 HN 线程: 20 分钟”、“调试认证流程: 1.5 小时”。 我曾是 Rewind 的早期用户，但很少使用其检索功能。我构建 Dayflow 是因为我看到了屏幕数据的其他有趣用途。我发现它帮助我在工作时保持专注——我每隔几个小时查看一次，确保我的时间花费符合我的初衷——如果没有，我会尝试调整方向。 关于隐私，你需要知道以下几点： - 100% 本地运行，使用 qwen2.5-vl-3b（约 4GB 模型） - 不上传云端，无需账户 - 完整源代码在 MIT 许可下可用（[https://github.com/JerryZLiu/Dayflow](https://github.com/JerryZLiu/Dayflow)） - 可选：自带 Gemini API 密钥以获得更好的质量（存储在钥匙串中，提供免费层的解决方案以防止在你的数据上进行训练） 技术栈相对简单，使用 SwiftUI 和本地 sqlite 数据库。利用原生 macOS API 进行高效的屏幕捕获。由于大多数本地运行 LLM 的人已经有了自己选择的工具（如 Ollama、LLMStudio 等），我决定不将 LLM 嵌入到 Dayflow 中。 迄今为止，最大的挑战是将 SOTA 视觉模型（如 Gemini 2.5 Pro）适配到小型本地模型。我的限制是它必须占用少于 4GB 的内存并具备视觉能力。我进行了大量评估，以确定 Qwen2.5VL-3B 是大小和质量的最佳平衡，但我仍然不得不接受质量上的相当大的折衷。我还在采样率和提示分块方面进行了创造性尝试，以应对 100 倍更小的上下文窗口。处理 15 分钟的片段需要大约 32 次本地 LLM 调用，而不是 2 次 Gemini 调用！ 接下来我正在做的事情： - 蒸馏：使用 Gemini 的高质量输出作为训练数据，教会本地模型所需的模式，希望能缩小质量差距。 - 自定义仪表板，你可以跟踪任何问题的答案，比如“我在 HN 上花了多长时间？”或“距离我今天的第一次深度工作会话还有多少小时？” 我很想听听你的想法，特别是如果你在生产力追踪方面遇到过困难，或者对这种工具有什么期望。