返回首页
最新
嗨，HN！我正在开发一个名为 Dayflow 的 macOS 应用，它可以自动跟踪你实际在做什么（不仅仅是你打开了哪些应用程序）。
以下是它的功能：
- 它创建了你一天的语义时间线；
- 通过理解你屏幕上的内容（使用本地或云端的 VLM）来实现这一点；
- 这使你可以准确看到你的时间花在哪里，而无需手动记录。
传统的时间追踪工具告诉你“在 Chrome 上花了 3 小时”，这并没有什么帮助。Dayflow 实际上可以理解你是在阅读文档、调试代码，还是在浏览 HN。你得到的不是“Chrome: 3 小时”，而是“审阅 PR 评论: 45 分钟”、“阅读关于 Rust 的 HN 线程: 20 分钟”、“调试认证流程: 1.5 小时”。
我曾是 Rewind 的早期用户，但很少使用其检索功能。我构建 Dayflow 是因为我看到了屏幕数据的其他有趣用途。我发现它帮助我在工作时保持专注——我每隔几个小时查看一次，确保我的时间花费符合我的初衷——如果没有，我会尝试调整方向。
关于隐私，你需要知道以下几点：
- 100% 本地运行，使用 qwen2.5-vl-3b（约 4GB 模型）
- 不上传云端，无需账户
- 完整源代码在 MIT 许可下可用（[https://github.com/JerryZLiu/Dayflow](https://github.com/JerryZLiu/Dayflow)）
- 可选：自带 Gemini API 密钥以获得更好的质量（存储在钥匙串中，提供免费层的解决方案以防止在你的数据上进行训练）
技术栈相对简单，使用 SwiftUI 和本地 sqlite 数据库。利用原生 macOS API 进行高效的屏幕捕获。由于大多数本地运行 LLM 的人已经有了自己选择的工具（如 Ollama、LLMStudio 等），我决定不将 LLM 嵌入到 Dayflow 中。
迄今为止，最大的挑战是将 SOTA 视觉模型（如 Gemini 2.5 Pro）适配到小型本地模型。我的限制是它必须占用少于 4GB 的内存并具备视觉能力。我进行了大量评估，以确定 Qwen2.5VL-3B 是大小和质量的最佳平衡，但我仍然不得不接受质量上的相当大的折衷。我还在采样率和提示分块方面进行了创造性尝试，以应对 100 倍更小的上下文窗口。处理 15 分钟的片段需要大约 32 次本地 LLM 调用，而不是 2 次 Gemini 调用！
接下来我正在做的事情：
- 蒸馏：使用 Gemini 的高质量输出作为训练数据，教会本地模型所需的模式，希望能缩小质量差距。
- 自定义仪表板，你可以跟踪任何问题的答案，比如“我在 HN 上花了多长时间？”或“距离我今天的第一次深度工作会话还有多少小时？”
我很想听听你的想法，特别是如果你在生产力追踪方面遇到过困难，或者对这种工具有什么期望。
我开发了Artifex，这是一个Python库，用于创建特定任务的语言模型（LLM），专注于自然语言处理（NLP）和文本分类，而无需训练数据。目前，支持的模型仅包括意图分类和护栏模型，但我会根据用户反馈很快添加更多功能。
我之所以制作这个库，是因为通用的语言模型对于简单的文本分类任务来说显得过于复杂，而使用LLM API的成本也会迅速增加。另一方面，为特定任务微调一个LLM需要标注数据，而并不是每个人都有这些数据。
因此，我创建了一个库，可以在没有训练数据的情况下训练小型、特定任务的LLM。您只需描述模型的行为，模型就会在为此目的生成的合成数据上进行训练。
这些模型可以在本地（无需GPU）或小型服务器上运行，能够卸载简单任务，从而减少对第三方LLM API的依赖。
我欢迎任何反馈或新模型/任务的建议。这里是GitHub仓库链接： [https://github.com/tanaos/artifex](https://github.com/tanaos/artifex)
后端API往往会发展成大型的 orchestration 类，充满了重复的调用和手动的并发处理。<p>我一直在开发 Mosaic，这是一个 Kotlin 框架，它通过小的、请求范围内的“瓦片”来组合响应。每个瓦片在每个请求中运行一次，依赖关系自动解析，独立的瓦片可以并行执行，无需额外的样板代码。<p>目前还处于早期阶段（v0.2.0），但在缓存、并发和可测试性方面已经可以使用。期待听到大家对这种方法的反馈。<p>GitHub: <a href="https://github.com/Nick-Abbott/Mosaic" rel="nofollow">https://github.com/Nick-Abbott/Mosaic</a>
Maven Central: org.buildmosaic:mosaic-core:0.2.0