最新

我已经在这个项目上工作了一段时间了。我主要从事嵌入式开发。与Claude Code及其相关工作的主要摩擦点在于，他无法可靠地构建和烧录我的硬件，因此我不得不手动将结果反馈给他。为了解决这个问题，我们编写了stm32-mcp，让Claude能够顺利进行开发。 我最喜欢的功能之一是序列化。你可以定义一系列命令、预期响应、超时、延迟等，以便让代理的时序不再成为问题。这几乎彻底改变了我开发硬件的方式……如果你试试这个功能，让Claude来解释它能做什么！并确保你把它当作一种疯狂的东西来对待，因为它可能会破坏你所有的设备。

Modalyze 管理多个可拖动、可调整大小、可堆叠的模态窗口，同时保留 React 上下文。将 <Modalyze> 放置在你的上下文提供者之下，任何在此创建的模态窗口都会自然继承该上下文。它们会被传送到根实例，以确保可靠的堆叠效果。<p>欢迎任何反馈。

memv 是一个开源的 Python 库，为 AI 代理提供持久内存。将对话输入给它，它会提取知识。 提取机制采用预测-校准（Nemori 论文）：在已有知识的基础上，它预测新对话应包含的内容，然后仅提取预测遗漏的部分。 v0.1.2 版本增加了生产路径： - PostgreSQL 后端（使用 pgvector 处理向量，tsvector 进行文本搜索，asyncpg 进行连接池管理）。只需一个 db_url 参数——SQLite 的文件路径，Postgres 的连接字符串。 - 嵌入适配器：OpenAI、Voyage、Cohere、fastembed（本地 ONNX）。 它还具备其他功能： - 双时效性：事件时间（事实何时成立）+ 事务时间（我们何时得知此事实），遵循 Graphiti 的模型。 - 混合检索：向量相似性 + BM25 与互惠排名融合。 - 事件分段：在提取之前对消息进行分组。 - 矛盾处理：新事实会使旧事实失效，并提供完整的审计记录。 程序性记忆（代理从过去的运行中学习）是下一个目标，将在获得使用数据后进行开发。