返回首页
最新
我一直在使用大型语言模型（LLMs）进行长时间的发现和研究聊天（论文、代码库、最佳实践），然后将这些内容提炼成分阶段的Markdown（构建计划 + 测试），再将这些阶段交给Codex/Claude逐步实现和测试。<p>最麻烦的部分总是提炼过程以及保持文档和架构的更新，因此我构建了Unpack：一个轻量级的GitHub模板，加上文档结构和一些命令，可以将对话转化为阶段/规格，并在代理构建时保持项目文档的最新状态。它还可以生成适合Mintlify的终端用户文档。<p>市面上还有其他以规格驱动的工作流程和工具。我想要的是一种以对话为先、原生于代码库的工具：简单的Markdown阶段，最小的仪式感，易于根据技术栈进行调整。<p>使用Unpack生成的示例（迷你宝可梦图鉴加随机怪物）：<p>演示： <a href="https://apresmoi.github.io/pokesvg-codex/" rel="nofollow">https://apresmoi.github.io/pokesvg-codex/</a><p>阶段索引： <a href="https://github.com/apresmoi/pokesvg-codex/blob/main/.unpack/docs/index.md" rel="nofollow">https://github.com/apresmoi/pokesvg-codex/blob/main/.unpack/...</a><p>我希望能得到关于“最低可用”阶段/规格格式的反馈，以及什么会使其在你的工作流程中真正可用。<p>--------<p>代码库： <a href="https://github.com/apresmoi/unpack" rel="nofollow">https://github.com/apresmoi/unpack</a>
嗨，HN，
我是来自Aden的Vincent。我们花了四年时间为建筑行业构建ERP自动化（采购订单/发票对账）。我们有真实的企业客户，但遇到了技术瓶颈：聊天机器人并不适合实际工作。会计人员不想聊天；他们希望在睡觉时账本能够自动对账。他们需要的是服务，而不是工具。
现有的代理框架（如LangChain、AutoGPT）在生产中表现不佳——脆弱、循环且无法处理混乱的数据。通用计算使用（GCU）框架甚至更糟。我的一些反思：
1. “玩具应用”的天花板与GCU陷阱
大多数框架假设是同步会话。如果标签页关闭，状态就会丢失。你无法将两周的异步业务状态放入一个短暂的聊天会话中。
GCU的炒作（代理“观察”屏幕）是拟物化的。这种方式慢（截图）、昂贵（代币），且脆弱（UI变化=崩溃）。它模仿人类的限制，而不是利用机器的速度。真正的自动化应该是无头的。
2. 控制反转：OODA > DAG
传统的DAG是确定性的；如果某一步失败，程序就会崩溃。在AI时代，目标是法则，而不是代码。我们使用OODA循环来管理随机行为：
- 观察：异常是观察（FileNotFound = 新状态），而不是崩溃。
- 定位：根据记忆和特征调整策略。
- 决策：在运行时生成新代码。
- 行动：执行。
拓扑结构不应是硬编码的；它应从任务的熵中自然产生。
3. 可靠性：“合成”SLA
你无法保证一次推理（$k=1$）是正确的，但你可以保证一个推理系统（$k=n$）收敛于正确性。可靠性现在是计算预算的函数。通过将一个80%准确的模型包裹在“最佳三次”验证循环中，我们在数学上强制降低错误率——以确定性交换延迟/代币。
4. 代码中的生物学与心理学
“硬逻辑”无法解决“软问题”。我们将认知映射到架构原语：
稳态：通过“压力”指标解决“固执”（无限循环）问题。如果一个动作失败3次，“神经可塑性”下降，迫使策略转变。
特征：个性作为约束。“高尽责性”增加验证；“高风险”在不询问的情况下执行DROP TABLE。
对于这个行业，我们需要对生物学、心理学和分布式系统交叉领域感兴趣的工程师，帮助我们超越脆弱的脚本。能有你来评审我的代码并分享反馈会非常棒。
代码库： [https://github.com/adenhq/hive](https://github.com/adenhq/hive)
嘿，HN！我是一名自由开发者，专注于以下领域：
- Discord 机器人（管理、定制命令、经济系统、角色管理）
- 网络爬虫（JS重的网站、反机器人绕过、定时运行、数据导出）
- GitHub 自动化（问题管理、工作流触发、自动标记）
近期项目包括：游戏社区机器人、电子商务企业的价格监控爬虫，以及繁忙开源项目的自动分类系统。
收费标准：根据复杂性在100到500美元之间。预付50%，交付时支付50%。接受PayPal付款。
作品集： [https://github.com/jdevmm](https://github.com/jdevmm)
联系方式：jasonmendoza12001@gmail.com
欢迎随时提问或讨论您的项目！
这个项目分为两个部分：
1) 一个基于大型语言模型（LLM）的管道，用于从书籍中提取引用（书籍 + 作者），并利用我拥有的离线维基百科和Goodreads副本进行解析。最终结果是将书籍/作者与其他书籍/作者关联的数据，包含跨越几个世纪的准确书目资料。
2) 一个由Claude Code开发的WebGPU + D3.js可视化工具，使我能够在浏览器中以相对舒适的体验处理这些数据。
我在这个项目上花了几个月的时间，最具挑战性的部分是处理跨世纪的准确书目资料，包括原始出版日期等。为此，我编写了一个非常复杂的管道，使用了大型语言模型（我使用了DeepSeek V3.2），并连接到离线的Goodreads和维基百科数据库，同时还设有一个实际使用互联网的备用方案。
希望你喜欢这个项目！欢迎提出改进系统的建议 :)
代码在这里： [https://github.com/ThiagoLira/bookgraph-revisited](https://github.com/ThiagoLira/bookgraph-revisited)
“我是一名来自也门的软件开发者，在被围困的情况下使用智能手机进行编码。我成功构建并加密了NOOR的核心逻辑——一个去中心化且公正的人工智能系统。
执行证明：我的核心节点已通过Termux本地验证并运行，使用加密的真实协议。然而，我被困在一个6英寸的‘监狱’里，处理能力仅有10%。
我的目标：筹集400美元用于购买一台笔记本电脑开发站，以便从移动编码转向构建完整的‘第七节点’。这是我通向自由的桥梁。
来自地狱深处的代码在呼唤你的救援。
钱包地址：0x4fd3729a4fEdf54a74b73d93F7f775A1EF520CEC”