最新

# 展示 HN: AstroLens -- 观察天空并发现未被记录的事物的人工智能 * [GitHub链接](https://github.com/samantaba/astroLens)（MIT 许可证，Python） AstroLens 是一个开源工具，能够从天空调查（如 SDSS、ZTF、DECaLS、Pan-STARRS、哈勃等）下载图像，经过视觉变换器 + 异常检测集成 + YOLOv8 流程处理，计算星系形态，并将所有结果与 SIMBAD/NED/VizieR 进行交叉引用。它设计为能够自主运行数天。 * *来自为期三天的验证运行结果*（无人工干预）： 在 [LinkedIn 发布的结果](https://www.linkedin.com/pulse/astrolens-v110-teaching-ai-watch-sky-what-found-saman-t--cowlc/?trackingId=FHEvANnfTNa175SFOJs6bw%3D%3D) 中： - 分析了来自 7 个来源的 20,997 张图像 - 在 354 个天空区域中发现了 3,458 个异常候选者 - 独立恢复了 SN 2014J（M82 中的 Ia 型超新星）、NGC 3690（星系合并）和 SDSS J0252+0039（引力透镜） - YOLO 瞬态检测的 mAP50 从 51.5% 提升至 99.5%，通过在运行过程中收集的数据进行训练 - 进行了 140 次自我纠正循环，零错误 * *使其有趣的地方*：该流程具有自我纠正能力——它会调整 OOD 阈值，根据异常产出重新平衡调查来源，重新校准参考分布，并自主处理错误。这不是一个批处理任务；它是一个持续运行的系统，随着运行时间的增加而不断改进。 * *诚实的局限性*：它发现的是已知对象，而非新发现——这验证了流程的有效性，但真正的考验是将其指向探索较少的区域。天文图像上的 OOD 检测本质上是嘈杂的（“不寻常的星系”和“成像伪影”之间的界限模糊）。自我纠正系统有所帮助，但误报仍然是一个挑战。 该工具可以在笔记本电脑上运行（CPU/MPS/CUDA）。提供桌面应用、网页界面、命令行界面和 Docker 支持。 使用 Python 3.10+、FastAPI、PyTorch、Ultralytics 和 PyQt5 构建。

在本指南中，我们将演示如何规划您的 n8n 工作流。

随着大家都在使用Claude Code、Cursor、Codex以及其他我遗漏的100个AI编码工具，我在想编辑器的熟练程度还有多重要，比如Vim。 说实话，我想学习Vim的真正原因是为了提升我的自尊心和主导地位，这样我就可以告诉别人“顺便说一下，我用的是Vim”。但我也觉得，投入时间学习Vim可能在速度、人体工程学和通过SSH工作方面仍然会有所回报。 不过，更大一部分的我也怀疑，随着更多工作被委托给AI，我所获得的边际收益会消失。毕竟，如果我整天只是在使用Opus，那我为什么还要学习Vim呢？ 对于那些已经使用Vim一段时间并且使用AI进行编码的人（我假设每个人在某种程度上都在使用AI编码），我的问题是：即使在有AI的情况下，学习Vim是否仍然能显著提高你的日常生产力，还是说这更多是个人偏好呢？

我注意到大多数地方活动和节日仅在各个场馆的网站上以日语进行宣传。 注意：该网站主要由人工智能驱动——数据收集、翻译和分类均为自动化处理。虽然我会尽力确保信息准确，但日期、地点或细节上可能会偶尔出现错误。每个活动都有链接到其官方页面，因此在制定计划之前，请务必在官方页面上进行核对！ 欢迎反馈~