最新

经过几个月的编码、学习和熬夜调试，我很高兴地宣布Wordgrind的上线！ 这是一款由人工智能驱动的应用，旨在提升你的词汇量，提供智能测验、进度跟踪和无缝学习流程。 欢迎试用： https://wordgrind.top 我非常希望能收到一些反馈，以帮助我进一步改进。 你愿意为这样的产品支付10美元吗？

在这个氛围编码的时代，人工智能代理忙于生成功能、编写测试和填充模板。我发现自己只是坐在那里，刷着手机——感觉像是在浪费时间。因此，我在想：在这个循环中，人类的正确角色是什么？是更高层次的设计？系统思维？还是批判性的审计？或者我们注定要成为“闲置的监督者”，让机器来打字？当代理在编写代码时，你是如何利用这些空白的？

这个想法其实很简单——作为一名程序员，我看到我的怀孕女友在过去几个月里花费了数小时阅读职位描述和研究公司以寻找工作，我觉得应该有一个应用程序，可以像人类一样从职位链接中读取职位描述并研究公司，从而撰写个性化的求职信和简历修改建议。 所以我做了一个——它使用了先进的浏览器自动化技术（类似于Manus），你可以实时观看AI进行研究的过程。 对于任何感兴趣的人，你可以访问 --> trylockedin.app，告诉我你的想法！这个应用直观易用，没有复杂的设置，任何人都可以直接粘贴职位链接，看看它是如何工作的。

我创建了 [VectorLiteDB (<a href="https://github.com/vectorlitedb/vectorlitedb" rel="nofollow">https://github.com/vectorlitedb/vectorlitedb</a>)<p>— 一个简单的嵌入式向量数据库，像 SQLite 一样将所有内容存储在一个文件中。<p>问题：<p>如果你是开发 AI 应用的开发者，通常有两种选择来进行向量搜索：<p>- 搭建服务器（例如 Chroma、Weaviate） - 使用云服务（例如 Pinecone）<p>这些方案适合生产环境，但当你只是想要：<p>- 快速原型开发嵌入 - 离线运行而不依赖云 - 将数据保存在一个可移植的文件中时，这些方案就显得过于复杂。<p>开发过程中我的灵感来源于 *SQLite* — 简单、本地且可靠。<p>解决方案：<p>因此我构建了 VectorLiteDB<p>- 单文件、嵌入式，无需服务器 - 存储向量和元数据，持久化到磁盘 - 支持余弦相似度 / L2 / 点积相似度 - 离线工作，处理 10K 向量的时间约为 100 毫秒 - 非常适合本地 RAG、原型开发或个人 AI 记忆<p>对这个工具和方法的反馈将非常有帮助。<p>- 这是否是一个有用的工具 - 你会尝试在哪些用例中使用它

我开发了 NaturalCommitLint，这是一个使用自然语言规则而非正则表达式来检查提交信息的代码检查工具。<p>你可以用简单的英语编写规则（例如：“标题小于54个字符”，“正文必须包含PR编号”）。一个本地的语言模型会执行这些规则，并输出 LINT_PASS 或 LINT_FAIL。<p>为什么与众不同？<p>无需维护正则表达式<p>适用于不同的代码库<p>支持持续集成（GitHub Actions、Jenkins、GitLab等）<p>仓库及演示GIF: https://github.com/mujasoft/NaturalCommitLint