最新

一个将本地代码索引到图数据库中的MCP服务器，以为AI助手提供上下文。 理解和处理大型代码库对编码代理（如Google Gemini、Cursor、Microsoft Copilot、Claude等）和人类来说都是一项巨大的挑战。普通的RAG系统通常会提供过多或不相关的上下文，使得处理大型代码库变得更加困难，而不是更简单。 如果我们能为编码代理提供仅他们所需的精确且关注关系的上下文，让他们真正理解代码库，那会怎样呢？这正是我构建CodeGraphContext的原因——一个开源项目，旨在通过图形RAG使AI编码工具真正具备上下文意识。 它的功能与传统的RAG不同，图形RAG理解并服务于代码库中的关系： 1. 构建代码图和架构图，以提供准确的上下文 2. 始终保持文档和参考资料的同步 3. 提供更智能的AI辅助导航、代码补全和调试功能 即插即用与MCP CodeGraphContext作为MCP（模型上下文协议）服务器运行，与VS Code、Gemini CLI、Cursor及其他兼容MCP的客户端无缝协作。 GitHub仓库 → [https://github.com/CodeGraphContext/CodeGraphContext](https://github.com/CodeGraphContext/CodeGraphContext) v0.2.1已发布 约500个GitHub星标，约300个分支 下载量超过25,000次 贡献者超过65人

我参与了许多Python项目，但总是无法跟踪虚拟环境——旧的`.venv`目录在项目文件夹中占用磁盘空间。没有内置的方法可以回答“我的所有虚拟环境在哪里，它们占用了多少空间？” envoic会扫描你的文件系统，利用真实信号（如pyvenv.cfg、bin/python、conda-meta）检测Python环境，并提供一个实用的报告。 ``` uvx envoic scan ~/projects ``` 交互式的`manage`命令允许你通过复选框界面选择要删除的环境。 设计选择： - 依赖两个库（typer + questionary）。使用数据类而不是Pydantic，以保持安装包在3MB以下——这很重要，因为`uvx`在每次调用时都会下载。 - 检测不仅依赖于目录名称。它会检查`pyvenv.cfg`（确定性标记）、Python二进制文件、激活脚本和conda元数据。 - 删除时需要输入“delete”，而不是y/n。符号链接会被解除链接，但不会跟随。扫描根目录之外的路径会被拒绝。 - 输出风格受到美国海岸警卫队TR-100机器报告的启发——等宽字体、框线绘制、无颜色。信息密度高于装饰。 [1] [https://github.com/usgraphics/usgc-machine-report](https://github.com/usgraphics/usgc-machine-report)

嗨，HN， 我是一名骨科医生，同时也是一名自学的开发者。我创建了 OrthoRay，因为我对现有医疗影像软件的滞后感到沮丧。大多数现有解决方案要么是臃肿的 Electron 应用，要么是昂贵的云订阅。 我想要一种即时、以本地为优先、注重隐私的解决方案。因此，我花了很多晚上的时间学习 Rust，并大量利用 AI 编码助手来应对陡峭的学习曲线和借用检查器。这个项目证明了领域专家如何在 AI 支持下构建高性能的本地软件。 我使用 Tauri 和 wgpu 进行渲染构建了这个查看器。 主要特点： - 原生性能：能够瞬间打开超过 500MB 的 MRI 系列（不使用 Electron，也没有网页包装）。 - GPU 加速：为 3D 体积渲染和 MPR 定制的 wgpu 管道。 - BoneFidelity：我专门开发的一种高保真骨骼可视化算法。 - 隐私：以本地为优先，离线运行，无需云上传。 目前该软件作为一个免费的业余项目在 Microsoft Store 上提供。 免责声明：该软件仅供学术/研究使用，并未获得 FDA/CE 认证用于临床诊断。 我正在评估开源许可选项，以使其成为一个社区工具。非常希望能听到您对渲染性能的反馈。 链接：https://orthoarchives.com/en/orthoray

这里是OP。我建立这个仓库是为了展示一个特定的概念，即大型语言模型（LLMs）是一种概率工具，可以在确定性架构中被利用，以实现比“编写代码”更多的功能。链接的项目“Terminal Value”是一个沙盒，里面有可以工作的端到端示例来展示这一点。 总结如下： - 每个网页组件在一次性调用中，使用Gemini 3 Pro（通过批量API）渲染大约需要10,000个tokens。 - 最新的主页渲染提示具有100%的功能成功率，尽管样本量有限。 - 仓库中嵌入了一篇较长的博客文章，标题为“像工程师一样接近LLMs”，描述了背后的方法论，并附有简短的示例。该文章链接在README的顶部。 - 我用一次性提示编写了仓库中的所有代码，使用了与程序化提示类似的方法。这让我对以编程方式调用LLM来渲染动态且功能性组件的方式充满信心。我的Gemini聊天记录在博客文章中有链接。 - 所有的模拟数据生成或处理方法都是纯粹的。任何外部副作用的结果，例如LLM API调用，也在仓库中硬编码，以便于你或LLM总结应用程序的功能。 点击链接查看结果的图像和更多内容。这是为了引发思考和开始讨论。欢迎你的反馈、批评和贡献！ 长期听众，第一次发言……希望我做对了，谢谢阅读 :)

我曾同时安装了 Notion、Obsidian、Apple Notes 和 Bear，但我并没有用它们来满足我真正的需求：在想法消失之前抓住它。 问题不在于功能，而在于摩擦。每个应用都想让我在捕捉之前先进行组织。选择一个笔记本，选择一个文件夹，给它打标签。到那时，想法已经消失了。 于是我创建了 Stik。它只做一件事： ⌘+Shift+S > 便签出现 > 输入 > 关闭 不需要账户，不需要云端，不需要同步，也不需要组织步骤。你的笔记就是文件夹中的 .md 文件，仅此而已。 我确实添加了两个让我惊讶于其实用性的功能： - 设备内语义搜索（通过 Swift 辅助工具使用 Apple NaturalLanguage 框架，无需 API 密钥） - 基于笔记内容的智能文件夹建议 这两者完全在你的 Mac 上运行，零云端调用。