最新

嘿，HN—— 我制作了一个简单的东西，叫做“空间”。 它是一个数字广告牌。 任何人都可以购买它。 起价为1美元。 每当有人购买时，价格就会增加1美元。 这就是整个机制。 我为什么要构建它 我想测试一个限制条件： 当所有权是单一的、公开的，并且逐渐变得更加昂贵时，会发生什么？ 在1美元时，它是冲动。 在100美元时，它是有意的。 在1000美元时，它是一种声明。 到达1000美元时，它将总共产生500,500美元的收入——完全来自于1美元的递增机制。 我对以下内容感到好奇： 价格上涨如何改变意义 后期买家是否更看重象征意义而非覆盖面 当成本迫使考虑时，人们选择展示什么 限制层 这个限制是关键。 任何时候只存在一个“空间”。 价格是确定的（每次交易增加1美元）。 整个历史都嵌入在当前价格中。 价值因参与而增加。 没有拍卖。 没有竞标逻辑。 没有可变定价。 只有数学和参与。 技术方面（我希望能得到反馈） 这比我预期的更有趣。 我正在处理的一些问题： 并发购买的竞争条件 锁定逻辑，以防两个买家声称相同的价格 确保后端的原子递增 在状态变更前确认支付 防止重放或重复提交的漏洞 保持简约而不至于过度工程 现在它故意保持轻量级。 但我在思考： 价格递增是否应该完全在链上/可证明？ 是否有更干净的方法来处理大规模的并发？ 你会引入时间衰减，还是保持纯线性？ 历史所有权链是否应该是不可变且公开的？ 你会添加什么保护措施？ 我内心的一部分想保持它的天真和原始。 另一部分则希望它在架构上更加紧凑。

Deepseek到底是如何做到这一点的？他们是否只是将Claude的回答输入到自己的模型中，作为训练数据来提高推理能力？ 具体来说，如何在一个模型的输出上训练另一个模型？这里涉及到哪些工程技术？ 我希望能详细了解一下这个过程是如何在大规模上执行的。 背景故事： Anthropic最近指控Deepseek、Minimax和Moonshot使用大量虚假账户与Claude进行交流，并利用这些输出训练模型，称之为“蒸馏攻击”。

现实情况：他们没有。但这项技术是真实的。我正在构建一个人工智能销售开发代表（SDR）平台，想与HN社区分享这个技术栈。 项目：Babuger Babuger自动化整个外呼/内呼生命周期。它通过训练你最佳销售代表的脚本来筛选潜在客户、处理异议，并全天候安排会议。 问题：传统的SDR团队成本高昂（每年15万美元），人员流动率高，并且忽视“死”线索。 解决方案：一个人类协调者管理20多个专业的人工智能代理。 结果：90%的任务自动化和70%的被忽视管道的响应率。 技术栈 我保持现代和模块化，以处理复杂的多步骤推理： 代理协调：LangGraph。这对于处理非线性对话流程（循环、条件路由和状态管理）至关重要，而标准的有向无环图（DAG）无法处理这些情况。 大型语言模型框架：LangChain。用于提示模板、输出解析和整合各种工具集（Gmail/Cal.com/HubSpot）。 前端：Next.js。管理仪表板、实时电子邮件线程预览和实时管道分析。 我为什么要发布 我在寻找“HN压力测试”。使用LangGraph的代理方法是否适合扩展到每月超过1万次的互动，还是应该考虑更自定义的状态机？ 查看一下：Babuger.com