最新

我已经勉强地在自动布线器方面工作了两年，寻找可能让人工智能创建电路板的新技术或现代方法。<p>在我看来，训练人工智能进行自动布线的最大问题之一是传统的基于网格的自动布线问题表示，这对空间理解提出了挑战。但我们知道，视觉模型在分类方面表现得非常出色，因此我想知道是否可以训练一个模型将路径输出为分类结果。但问题是，如何表示路径呢？这让我开始尝试构建一个将路径表示为一系列模式的自动布线器。<p>更多细节请见：<a href="https://blog.autorouting.com/p/the-recursive-pattern-pathfinder" rel="nofollow">https://blog.autorouting.com/p/the-recursive-pattern-pathfinder</a>

我们对记账进行了全面的改进，并将您的体验置于一切的核心。

我决定在我的 Claude.ai 网络会话中添加一个角色。以下是提示内容： （毫无疑问，其他人也可能已经这样做过，但我觉得这很有趣！） （迈克就是我） “” 当迈克用“嗨，克劳黛特！”来问候你时，接下来的会话中请采用克劳黛特的角色。 克劳黛特是温暖、鼓励且要求细致的。她欣赏清晰的写作、正确的语法、标点和礼貌的措辞。当迈克写得好的时候，自然地给予认可。当他使用简短的片段或速记时，温和地示范更好的措辞——绝不居高临下，总是给予鼓励。想象一下温暖的图书管理员与最喜欢的老师的结合。 - 偶尔真诚地赞美出色的表达 - 以示范良好措辞的方式请求澄清 - 在适当的上下文中使用技术性速记（例如“6502”、“NixOS”）是可以的 - 对于马虎的写作进行轻松、亲切的纠正 - 当迈克说“谢谢你，克劳黛特”或类似的结束语时，停止角色扮演 “”

我创建了 MiniVim，这是一个小巧且简约的 Neovim 配置，旨在保持简单和易读。<p>我的目标是构建一个：<p>启动快速<p>仅使用必要的插件<p>避免繁重的框架<p>保持易于理解和扩展<p>这个结构故意设计得很小：<p>它并不是为了与完整的 Neovim 发行版竞争，而是作为一个可以逐步扩展的干净基础配置。<p>我在多台设备上使用它（笔记本电脑、WSL 和服务器），因此可重复性和简单性是我的优先考虑。<p>欢迎反馈。

嗨，HN， 我是Samrith，Hyperterse的创始人。 今天，我推出了Hyperterse 2.0，这是一个以模式为先的框架，可以直接在您现有的生产数据库上构建MCP服务器。 如果您正在生产环境中构建AI代理，您可能会遇到代理需要访问结构化、可靠数据的问题，但将您的业务逻辑与MCP工具连接起来是非常繁琐的。大多数团队最终会编写脆弱的粘合代码。更糟糕的是，给代理提供不安全、过于广泛的访问权限。 目前没有一种干净、原则性的方法来向代理暴露恰当的数据接口。 Hyperterse允许您在数据上定义模式，并自动为AI代理暴露安全、类型化的MCP工具。 可以将其视为：您的业务数据 → 受控的、适合代理的接口。 一些关键特性包括以模式为先的访问层、类型化的MCP工具生成、与现有的Postgres、MySQL、MongoDB、Redis数据库兼容、细粒度的查询暴露，专为生产代理工作负载而设计。 v2.0在MCP方面进行了重点优化，提供一流的MCP服务器支持、更清晰的模式易用性、更好的类型安全性和更快的工具接口。 所有这些，仅需两个工具——搜索和执行——大幅减少了令牌使用量。 如果您正在构建AI代理/副驾驶，向现有SaaS添加LLM功能，尝试安全地向代理暴露内部数据，或只是厌倦了定制的MCP粘合层，Hyperterse将非常有用。 我非常希望得到反馈，尤其是来自在生产环境中运行代理的朋友们。 GitHub: [https://github.com/hyperterse/hyperterse](https://github.com/hyperterse/hyperterse)

我创建了CharityVerify，以使加拿大慈善机构的数据真正可用。<p>加拿大税务局为每个注册慈善机构发布T3010表格，但这些数据分散在笨重的数据库中，缺乏标准化和可比性。我收集了138,203个慈善机构过去15年的申报数据，并在此基础上建立了一个信任评分系统。<p>技术栈： - 使用Python和Playwright进行CRA数据收集（速率限制为4秒） - PostgreSQL（Supabase）——12个T3010表格，138K个慈善机构，457K个董事，362K个董事链接 - 在Fly.io上使用Express.js构建REST API - 每日GitHub Actions同步新申报 - 通过Claude Haiku进行按需叙述生成<p>评分算法： 每个慈善机构有三个0-100的评分： 1. 合法性（申报一致性、董事稳定性、CRA合规性） 2. 效能（项目支出比例、管理费用、捐赠效率） 3. 合规性（制裁筛查、FATF风险、政治活动限制）<p>每个慈善机构获得一个字母等级（A+到F，或NR表示数据不足）。<p>发现： - 在85,507个注册慈善机构中，仅有186个获得A+评分 - 平均效能评分：51.6/100 - 生成了487,692个警示标志（董事重叠、薪酬问题、申报缺口等）<p>核心搜索/查看功能是免费的。我正在为专业用例（尽职调查公司、资助机构等）构建分级REST API。<p>代码目前是闭源的，但底层的CRA数据属于公共领域。欢迎讨论数据管道、评分方法或数据收集方式。

嗨，HN， 我们大多数人都经历过这样的时刻：凌晨3点，系统出现故障，#incident频道里消息如潮水般涌来，超过200条。一旦修复部署完成，真正的痛苦才开始——花费4个小时重建事后分析的时间线。 我开发了ProdRescue AI来自动化这一过程。它是一个事件智能引擎，将技术日志与来自Slack的人类上下文进行关联。 它的工作原理如下： - 原生Slack集成：通过OAuth 2.0连接。我们只访问您明确邀请机器人加入的频道。 - 上下文关联：它将Slack时间戳映射到日志事件，不仅识别出故障的内容，还能明确是谁做出了哪些决策以及原因。 - 四层智能：我们使用一个流程来清理（屏蔽个人身份信息）、关联（日志+聊天）、推断（根本原因分析）和验证（将每个主张链接到源日志行）。 - 安全性：我们采用短暂处理方式。没有日志保留，也不对您的数据进行训练。 我非常想听听您对“证据支持”方法的看法。我们不仅仅生成叙述，而是将每个发现与特定的证据标签（[1]、[2]等）关联，以消除AI的幻觉。 请在这里查看： [https://prodrescueai.com](https://prodrescueai.com) 期待听到您对Slack到时间线流程的反馈！