最新

我们之所以开发这个，是因为每个体育人工智能演示都使用虚假数据，或者需要您签订企业API合同。<p>sports-skills 通过一个安装命令为您的代理提供真实的体育数据。无需API密钥，无需账户，仅供个人使用。<p>开箱即用的八个连接器：NFL、涵盖13个联赛的足球（包括预期进球xG）、一级方程式的圈速和进站数据、NBA、WNBA、Polymarket、Kalshi，以及一个从BBC、ESPN和The Athletic获取体育新闻的聚合器。<p>npx skills add machina-sports/sports-skills<p>欢迎贡献。

我创建了一个渐变生成器，可以在浏览器中运行自定义的GLSL着色器。它可以在makegradient.com上免费使用。 大多数渐变工具生成CSS线性/径向渐变，而MakeGradient则使用WebGL渲染所有内容，并为每种模式提供自定义的片段着色器，例如网格混合与域扭曲、带有正弦波色带的极光帘幕、通过Voronoi噪声生成的深海光斑、全息彩虹效果、卷曲噪声流体模拟等，总共有8种模式。 颜色生成发生在Oklch空间（通过culori），使用二分搜索的色域映射器将颜色限制回sRGB。这确保了混合颜色在感知上保持一致，而不是在十六进制/HSL混合时出现的模糊中间色调。 渲染库是ogl（约8kb）。整个项目使用React + Vite + Tailwind进行静态托管。 导出功能包括：React组件、Tailwind配置、CSS回退、独立的embed.js脚本、适用于Figma的矢量SVG（适用于映射到径向渐变的模式）或光栅SVG、通过MediaRecorder捕获的10秒视频，以及下载PNG。 用户界面受到Teenage Engineering工业设计的启发（向他们致敬）。 无需账户，无需付费墙，除了基本分析（GA和Clarity）外没有任何追踪（Clarity将在几天后删除；它只是为了满足我的好奇心，看看人们如何使用这个工具……不会记录或传输任何个人信息）。 在某些模式中有一些非常规（迷幻）颜色混合和动画，欢迎对此提供反馈。 这个工具将永远免费！它甚至没有后端（也没有计划添加）。 源渲染仅限于客户端。 希望能收到关于着色器质量和导出保真度的反馈。Figma矢量导出特别尝试将着色器输出分解为可在Figma中编辑的堆叠径向渐变——想知道你们是否觉得这有用。 请访问<a href="https://www.makegradient.com/" rel="nofollow">https://www.makegradient.com/</a>。

就像Strava让跑步变得更加社交和有趣一样，Straude将你与其他有动力的Claude Code用户连接起来，让你可以分享你的成就，互相鼓励，并在代币使用排行榜上攀升！<p>这是我在Opus 4.6的Claude Code黑客马拉松中的提交作品：<a href="https://cerebralvalley.ai/e/claude-code-hackathon" rel="nofollow">https://cerebralvalley.ai/e/claude-code-hackathon</a>

早期的概念验证（PoC）探索如何使分布式容量市场（如去中心化物理基础设施网络（DePIN）、重质押、人工智能推理插槽等）在网络分区和对抗性激励下可证明地不超承诺。核心思想是通过以下方式强制执行严格的全球资源守恒（Σ 分配 ≤ 容量）： - 收缩动力学（Banach不动点收敛） - 格子连接合并（⊔ = 最大值，绝不加性） - 预算令牌限制 + 分区本地容量（≤ 容量/n） 尝试这个引导式的五步互动模拟器（单个HTML文件，无需安装）：它展示了正常操作、压力达到上限、分区攻击、对抗性注入，以及在始终保持不变的情况下安全重新连接/合并的过程。完整的技术报告（关于守恒、收缩性、分区/合并安全的证明）请见DOCS.md：<a href="https://github.com/Distributed-markets-overcommit/Distributed-markets-overcommit/blob/main/DOCS.mdRepo" rel="nofollow">https://github.com/Distributed-markets-overcommit/Distribute...</a>：<a href="https://github.com/Distributed-markets-overcommit/Distributed-markets-overcommitFeedback" rel="nofollow">https://github.com/Distributed-markets-overcommit/Distribute...</a> 欢迎对数学、模拟行为或潜在的DePIN/重质押应用提出反馈。处于早期阶段，诚恳的批评意见将受到欢迎。