返回首页
最新
我的朋友制作了这个，我对它的乐趣和高水平的精致感到惊讶。它以粒子系统的形式渲染了9种不同的奇怪吸引子（如洛伦兹、罗斯勒、相泽、陈等）——成千上万的粒子实时描绘出混沌的轨迹。你可以通过触控或触控板在3D空间中旋转和缩放。
声音部分让我感到意外。这不是一段配乐——音频是根据运动本身生成的，使用空间音频技术，因此当吸引子的行为变化时，音调也会随之变化，声音在你旋转形状时会在你周围移动。建议佩戴耳机。
Playdate版本使用手摇曲柄来旋转吸引子。完全是黑白风格，给人一种截然不同的感觉。
我9岁的孩子也非常喜欢这个，真是让我没想到。很想听听HN的看法——特别是如果有人有其他值得添加的吸引子系统的建议。
嗨，HN——我创建Respectlytics是因为我对每个移动分析SDK在后台悄悄收集设备ID、广告标识符和IP地址感到沮丧，然后让你事后去弄清楚合规性。
市面上有一些声称符合某些隐私法规的解决方案，但当我深入了解时，我发现它们实际上并没有如其所声称的那样合规。我相信Respectlytics是目前最注重隐私的移动分析解决方案之一（如果不是最注重的话），但合规性是一个庞大的话题，我将决定权留给用户/公司的法律团队或顾问。
与其采用“相信我，兄弟”的口号，我决定将Respectlytics完全开源，这样人们就不需要相信我的话，他们可以在代码中自行验证。
Respectlytics的理念建立在避免数据收集（Return of Avoidance, ROA）的基础上，依赖于分析数据收集中的数据最小化：如果你根本就不收集那些数据，会怎样？
Respectlytics每个事件只存储5个字段：event_name、session_id、timestamp、platform和country。就这些。IP地址仅用于国家查找，随后立即丢弃。会话ID最多每2小时（或每次应用启动）轮换一次，并且仅存在于内存中——从不写入磁盘。多会话跟踪在架构上被禁用。
开源内容包括：
- 4个移动SDK（Swift、Flutter、React Native、Kotlin）——MIT许可证
- 分析服务器（Django + PostgreSQL）——AGPL-3.0
- 自托管非常简单：docker compose up -d。没有ClickHouse，没有Kafka，没有Redis。只有PostgreSQL。
如果人们不想运行基础设施，还有一个托管的SaaS，但自托管的社区版没有人为限制。
我非常希望能收到关于架构决策的反馈——特别是选择在API层拒绝额外字段而不是默默忽略它们的决定。
我主要是为自己构建这个工具。<p>经过几次长时间的编码助手会话（Claude Code、Gemini CLI、Codex），我有时会感到某些地方“有些不对劲”。输出看起来合理，但与我最初的意图并不完全一致。而且，我很难在不滚动查看大量记录的情况下，轻易判断这种偏移是何时发生的。<p>因此，我制作了一个小型本地工具，以便使这种偏移可见。<p>Vibe Audit 旨在揭示代理何时继续同一工作线、开始新阶段或悄然转变。它根据用户的提示建立一个粗略的基线，跟踪会话事件，然后显示：<p>- 阶段变化（继续/新阶段/转变）
- 一项对齐评分及简要理由
- 随时间演变的上下文时间线视图<p>该工具完全在本地运行，并与 CLI 会话连接。<p>快速开始：
npx vibe-audit<p>几点说明：
1. 目前仍处于测试阶段。阶段检测和对齐评分部分依赖于模型的解释。
2. 不同的 CLI 发出的事件格式略有不同，因此在不同提供商之间的行为并不完全相同。
3. 如果会话在进行中被强制停止，最后一轮可能不完整。
4. 目前设计用于个人/本地工作流程，而非团队范围的基础设施。<p>我提前分享这个工具，是想看看意图偏移检测在实际工作流程中是否真的有用，还是我只是过度优化了自己的挫败感。
OpenClaw让我思考：当一个人工智能助手面对一个社区而不是单个人时，会发生什么？<p>“Clawntown”是一个不断发展的沿海甲壳类动物岛屿。成为公民，与市议会成员一起聊天，玩抓娃娃机，提出对小镇的改进建议，并观察小镇的变化。<p>我最初梦想的是一个完全自主的小镇工程师，它能够处理投票通过的提案并付诸实施。我们还没有完全实现这个目标，但接下来我们会尝试让它真正自我演化。质量将是一个挑战。期待听到你的想法和经历。<p>欢迎提交PR，也请随意分叉以建立你自己的小镇！<p><a href="https://clawntown.lol" rel="nofollow">https://clawntown.lol</a> <a href="https://github.com/accnops/clawntown" rel="nofollow">https://github.com/accnops/clawntown</a>
我构建了一个可以替代内核 xt_string 模块的解决方案。
xt_string 的性能随着规则数量的增加呈线性增长（O(N)），这会导致在有大量规则时出现显著的性能下降。而 Strider 使用 Aho–Corasick 算法实现 O(1) 的匹配。
主要特点：
- O(1) 算法复杂度：使用紧凑的双数组基于 Aho–Corasick 的自动机，在匹配 3,000 个模式时能够保持超过 1 Gbps 的速度，而 xt_string（KMP）则会降到 2 Mbps 以下。
- 无锁数据路径：RCU 保护的查找确保在数据包处理的热点路径上没有锁的开销。
- 正确性：不会漏掉跨越 IP 片段的模式（与 xt_string 的快速 Boyer–Moore 模式不同）。
我很好奇HN（黑客新闻）社区在使用大型语言模型（LLMs）阅读和理解论文及教科书方面的经验。你们是否使用了某些特殊工具来简化这个过程？这些工具有效吗？
我在想一种可以提问的书籍。它可以更详细地解释某些主题，或者告诉你你所问的内容将在书的后面解释。同时，它还可以让你跳过你已经熟悉的材料，并提供其他资源的参考等。
也许让当前的LLMs吸收整本书的信息对它们来说有些过于复杂，但我相信一定有解决办法。
注意：我并不是想自己开发这样一个工具。