返回首页
最新
嗨，HN，
我一直在了解Meshtastic，这个想法听起来很棒。但我并没有具体的使用案例，不知道它是否仍然有用？
你们在公共频道上有没有什么成功的经验？它和业余无线电类似吗？
嗨，HN，
我创建了StreamHouse，这是一个开源流媒体平台，它用直接写入S3的方式替代了Kafka的代理管理存储。目标是：保持相同的语义，成本却大幅降低。
它是如何工作的：生产者批量并压缩记录，一个无状态的服务器管理分区路由和元数据（开发环境使用SQLite，生产环境使用PostgreSQL），而数据段直接存储在S3中。消费者从S3读取数据，并使用本地段缓存。无需管理代理磁盘，也无需调整复制因子——S3提供了11个9的持久性，开箱即用。
目前的功能包括：
- 具有批处理、LZ4压缩和偏移量跟踪的生产者API（每秒62K条记录）
- 具有消费者组、自动提交和多分区分发的消费者API（每秒30K+条记录）
- 兼容Kafka的协议（与现有Kafka客户端兼容）
- REST API、gRPC API、CLI和网页用户界面
- Docker Compose设置，可以在5分钟内本地试用
这个成本模型是我开发这个项目的动力。Kafka的存储成本与复制因子 × 保留时间 × 数据量成正比。而使用S3，每GB每月仅需$0.023，存储1TB事件的成本约为每月$23，而不是在代理EBS卷上花费数百美元。
该项目使用Rust编写，约50K行代码，分布在15个库中。采用Apache 2.0许可证。
GitHub链接：[https://github.com/gbram1/streamhouse](https://github.com/gbram1/streamhouse)
我很乐意回答关于架构、权衡或我在构建这个项目中学到的知识的问题。
在谷歌从事数据科学工作后，我创建了GeoVector，旨在系统地测量品牌在AI生成答案中的表现。我们的方法基于研究，采用基于已发布的地理文献的调整位置评分。Y Combinator报告就是我们进行分析的一个例子。
我们在ChatGPT和Gemini上运行了150个提示，跟踪了21个品牌。让我们感到惊讶的三件事：
1. 尽管Y Combinator在谷歌上的影响力更强，但在ChatGPT上，Techstars的排名却高于YC。
2. Y Combinator自己的网站仅占940个AI来源引用中的8个。
3. 驱动竞争对手可见性的引用来源中，最多的竟然是一篇来自pitchwise.se的博客文章，而不是任何加速器自己的网站。
完整报告请查看链接，无需注册。GeoVector可以为任何品牌或行业进行此类分析。
我正在开发Courtyard，这是一款针对macOS的桌面应用，旨在简化在Apple Silicon上进行本地LLM工作流程的繁琐过程。
动机：我厌倦了为了在我的Mac上运行一个简单的LoRA微调而需要处理多个Python命令行脚本、JSONL格式和环境问题。
Courtyard本质上是一个围绕mlx-lm构建的用户界面包装器，结合了数据准备工具。它可以处理：
- 数据集格式化和清理（隐私过滤、去重）。
- 通过MLX在Apple Silicon上进行本地LoRA微调。
- 集成的聊天用户界面，用于对比基础模型与微调适配器的A/B测试。
- 导出为GGUF格式或直接导出到Ollama运行时。
技术栈为Tauri 2.x + React + Rust + Python（mlx-lm）。它是完全开源的（AGPL）。
代码库： [https://github.com/Mcourtyard/m-courtyard](https://github.com/Mcourtyard/m-courtyard)
我很想听听你对架构、MLX实现或遇到的任何边缘案例的看法。欢迎提出技术问题。