返回首页
最新
嗨，HN，
我一直在构建AI代理和助手，但遇到了一个令人沮丧的问题：它们不会大声失败，而是悄悄地忘记事情。
用户需要重新解释偏好设置，代理会与之前的回答相矛盾，且上下文在没有明确原因的情况下重置。
我开发了Memograph CLI作为调试工具，以分析对话记录并显示：
- 代理忘记了什么
- 连续性在哪里中断
- 矛盾和重复的上下文
- 由于重新提示而导致的估计令牌浪费
它可以在本地运行，支持纯文本或JSON格式的记录。
示例：
```
$ memograph
```
输出：
```
认知漂移评分：41/100
遗忘的偏好：3
令牌浪费：29%
破坏信任的矛盾：1
```
目标不是替代你的代理框架，而是让开发者能够看到内存失败的情况。
代码库：[https://github.com/memographAI/Memograph-CLI](https://github.com/memographAI/Memograph-CLI)
非常希望能收到反馈，特别是来自正在生产环境中构建代理的人的意见。
我开发了一个AI视频生成器，它可以在一次生成中编排多个镜头，而不是典型的“一个提示 → 一个剪辑”模型。
它的功能包括：
- 多镜头叙事：每次生成最多可包含6个镜头，每个镜头都有自己的提示和时长
- 参考驱动的一致性：上传3张参考图像以锁定角色外观和风格
- 同时支持4种输入方式：文本 + 图像（最多9张） + 视频剪辑（最多3个） + 音频（最多3个）
- @参考系统：为每个输入文件分配特定角色（例如，@Image1用于角色，@Video1用于镜头运动）
- 输出：2K分辨率，24帧每秒，具有原生音频同步和口型同步
问题在于：现有的AI视频工具生成的是单独的孤立剪辑。如果想要一个三镜头的故事？需要生成三次，希望角色保持一致，然后手动拼接。Sora 2（每月20美元）一次只给你一个镜头。Runway有编辑套件，但没有多镜头生成功能。
Dola Seed 2.0让你可以提前定义完整的叙事弧。每个镜头都有自己的指导。角色的一致性来自参考系统，而不是运气。
从技术角度来看，值得关注的权衡是多镜头一致性与每个镜头灵活性之间的平衡。我们在镜头之间使用参考条件，而不是单一的整体生成，这样可以在保持约90%角色一致性的同时，提高每个镜头的质量。
欢迎免费试用（前3次生成无需注册）：[https://dolaseed.site](https://dolaseed.site)
期待反馈，特别是关于多镜头一致性质量和参考系统用户体验的意见。
嗨，HN，
AI视频已经达到了一个“空中时刻”，你今天就可以实际使用。我们构建了seevideo.dance，以弥合研究人员与创作者之间的差距，整合了目前存在的两个最强大的模型：Kling 3.0和Seedance 2.0。
为什么这两个模型会颠覆行业：
Kling 3.0（物理之王）：这不仅仅是“生成像素”。Kling 3.0的新物理引擎处理复杂的生物运动和流体动力学，其真实感达到了曾被认为需要数年才能实现的水平。其电影级4K输出和一致的人物渲染为AI电影摄影设定了新的黄金标准。
Seedance 2.0（速度与创造力的野兽）：由字节跳动最新架构驱动，Seedance 2.0可以说是世界上最快的高保真模型。它对复杂提示的遵循和革命性的运动控制，能够实现精准的导演意图，而普通模型根本无法匹敌。
我们在SeeVideo所构建的：
我们不仅仅构建了一个API封装；我们构建了一个专业的电影工作空间。
高速4K管道：为Kling的高保真输出优化的渲染路径。
导演工具包：为Seedance的运动向量提供高级参数调优。
无订阅自由：我们相信精英技术应该是可获取的。按需付费，没有月费陷阱，只有原始的生成能力。
技术挑战：扩展GPU集群以处理Kling 3.0复杂的物理模拟，同时保持Seedance 2.0的近乎即时响应是我们最大的障碍。我们希望HN社区能够对管道进行压力测试，并给我们反馈这些模型的时间一致性。
网站： [https://seevideo.dance](https://seevideo.dance)
你好，<p>你在使用XMPP吗？<p>如果是的话，你最喜欢连接哪些服务器？
好消息。在经历了一段意外较长的失业期后，我有95%的把握会收到一份产品负责人的合同工作邀请。这个职位主要涉及监督用Ada编写的代码的开发和维护。尽管我有超过十年的C/C++/汇编语言经验，但我对Ada完全没有经验。我怀疑自己会写很多Ada代码，但我相信我需要学习Ada。
以下是我的问题：
1. 阅读代码通常比较简单。然而，所有软件都需要领域知识。在开始新的角色时，你是如何快速提升自己的领域知识的？
2. 如果你了解Ada，你推荐哪些学习Ada的资源？
3. 在学习Ada时，有哪些陷阱是你建议注意的？
嘿，HN，
Crewly Codes 是一个人工智能产品开发工作流程，在编写代码之前，AI 会先规范工作内容。
Morgan（AI 产品经理）将您的想法转化为结构化的规范——用户故事、验收标准、边缘案例。您锁定规范后，DevCrew 进行构建，QA 进行验证。您可以实时观看进展，也可以稍后返回查看完成的代码。
我们的论点是：大多数 AI 编码失败都是由于规范失败。AI 构建了错误的东西，因为没有人定义“完成”的标准。Morgan 在一开始就强制明确这一点。
这是一个多智能体但有序的流程——顺序交接，保持共享上下文，而不是并行混乱。
该系统运行在 Claude Code 和 Codex 上，提供免费使用层级。
我明白个人和组织所表述的价值观与实际价值观之间存在差异，因此我想以最务实和结果导向的方式提出这个问题。
我知道实验室、机构等都有安全团队。我知道从事这项工作的人员对这项工作是认真和诚恳的。但此时这些机构是否只是以某种象征性的投资来迎合安全的概念？就像赌场可能会资助一些项目来应对赌博成瘾一样。
我只是个局外人，只能猜测。若能获得内部人士的见解，将不胜感激。