最新

你好， 我创建TalkBits是因为大多数语言学习应用程序都专注于词汇或练习，而不是实际的对话。学习一门语言最困难的部分是能够在压力下自然地说话。 TalkBits让你能够与一个像母语者一样的人工智能进行实时口语对话。你可以选择不同的场景（旅行、日常生活、工作等），自然地说话，人工智能会用自然的语言回应你。 我们的目标是让对话的感觉更像是在与真实的人交流，而不是在上课。 在技术方面，它使用实时语音输入、转录、大型语言模型（LLM）响应和文本转语音（TTS）流媒体，以保持低延迟，使对话感觉流畅。 我特别希望得到以下方面的反馈： – 这感觉自然吗？ – 在哪里打断了沉浸感？ – 什么会让你定期使用这个应用？ 也很乐意回答技术问题。 谢谢！

在主页上看到HTTP Cats让我想起了几个月前我做的一个小项目。这个项目每天会显示一张来自Unsplash的不同猫咪照片，如果你选择接收通知，它还会发送提醒给你。

我遇到了一个令人沮丧的问题：我的定时任务返回的退出代码是0，但结果却是错误的。 <p>例子： 备份脚本成功完成，但创建了空的备份文件 数据处理任务完成，但只处理了10%的记录 报告生成器运行没有错误，但输出的数据不完整 数据库同步完成，但计数不匹配 日志显示“成功”——退出代码为0，没有异常——但实际结果是错误的。错误可能埋藏在日志中，但我并不是每天都主动检查日志。 <p>我尝试过： 在脚本中添加验证检查（例如，如果计数<100：退出1）——有效，但必须修改每个脚本，改变阈值需要更改代码 Webhook警报——需要为每个脚本编写连接器 错误监控工具（如Sentry等）——它们捕捉异常，而不是错误结果 手动抽查——不具备可扩展性 <p>脚本内验证的方法适用于简单情况，但不够灵活。如果需要更改阈值怎么办？如果文件存在但来自昨天怎么办？如果需要检查多个条件怎么办？最终你会把监控逻辑和业务逻辑混合在一起。 <p>我构建了一个简单的监控工具，它监视作业结果，而不仅仅是执行状态。你只需将实际结果（文件大小、记录数、状态等）发送给它，如果有异常，它会发出警报。无需翻阅日志，而且你可以在不部署代码的情况下调整阈值。 <p>你是如何处理这个问题的？是为每个脚本添加验证，主动检查日志，还是使用某种工具在结果与预期不符时发出警报？你是如何捕捉这些“静默失败”的？

我最近在学习维基百科，发现有一个全球性的公共页面，专门用于写一些随机内容，以便学习如何使用他们的编辑器，这让我觉得很有趣。我原以为会有类似的功能，但只是针对每个用户的、对公众不可见的，而不是像这个页面一样的全球性页面。

我问这个问题是基于我个人的情况，而不是关于软件工程的普遍陈述。 我是一名计算机科学专业的高年级学生，专注于机器学习。我的大学在机器学习方面没有应用研究，因此在学校学习机器学习（课程/研究）几乎是通往理论/算法学术界的单程票。 去年，我突然意识到我擅长（并且喜欢）通过连接系统中的组件来解决问题，而不是将问题调整到可以应用某些数学法则的形式。具体来说，我非常喜欢与艺术家、UI/UX设计师、前端开发者和非技术人员合作，作为他们的后端支持。我为机器学习工程师构建数据管道，为UI/UX/前端设计师提供后端支持，为生物医学工程研究人员构建机器学习管道，并为艺术家开发投影/图像软件。 我算是一个通才，对工具没有特别的偏好，广度大于深度。这让我觉得这就是软件工程的本质。 话虽如此，我确实喜欢了解事物的运作方式，并且对阅读数学有一定的耐受力。这听起来很书呆子，但我喜欢推导诸如梯度下降的收敛性等内容，也很享受实分析课程。我还非常喜欢Nand2Tetris（一个开源课程，教你如何从NAND门构建一个最小计算机，并将面向对象语言编译成二进制）。看到过去人们做出的优秀设计选择，对我来说是极其优雅的。我觉得这些在软件工程中常常被低估。 现在，我有机会与我的强化学习教授合作，他在顶级会议上发表的记录非常出色。我对此感到非常犹豫，因为他的研究方向是强化学习算法，而我在之前的一个算法研究项目中有过非常糟糕的经历（我对我们在做什么只有模糊的了解，远远不足以做出贡献）。我同时在申请工作和硕士项目，我几乎可以肯定如果毕业后进入行业，我将再也不会接触这个主题。 我有两个问题： 1) 我听起来像你们认识的软件工程师吗？你认为我适合什么其他角色？ 2) 我是否应该抓住这个机会，单纯为了获得研究经验？你认为这对我作为机器学习的应用从业者跟上趋势是必要的吗？ P.S. 这是我第一次在HN发帖，这似乎比一般的Ask HN帖子要长得多。我不知道这样是否合适。如果我应该去其他子版块，请告诉我。 如果你读完这些内容，非常感谢！