由ChatGPT制作，开源代码可在<a href="https://github.com/alana314/lucidia">https://github.com/alana314/lucidia</a>获取。
返回首页
最新
该项目旨在使用Lean定理证明器对伯特兰·罗素教授的《数学原理》第一卷进行形式化。在整个形式化过程中，我尽量严格遵循罗素教授的证明，几乎没有或仅有少量我自己添加的陈述，这些陈述仅在形式化过程中是必要的，而不是逻辑论证所需。如果您发现任何不准确之处（即使这并不一定会使证明失效），请告诉我，因为我希望以同样的严谨精神继续进行这个项目。在开始这个项目之前，我已经找到埃尔金德教授使用Rocq（前身为Coq）对《数学原理》的形式化，这项工作比这项更为成熟。然而，我仍然认为使用Lean4进行形式化会很有趣。
在电子表格中处理大型数据集（例如，4GB以上）。
在几秒钟内加载GB/3200万行文件，并在不崩溃的情况下使用，支持最多约500GB的内存。
加载/就地编辑/拆分/合并/清理最多包含3200万行和100万列的CSV/文本文件。
将您的Python函数作为用户自定义函数（UDF）公式使用，可以返回GS-Calc图像和整个CSV文件。
使用一组统计透视数据函数。
求解器函数在变量数量上几乎没有限制。
即时创建和显示所有流行图表类型，支持数百万个数据点。
欢迎提出改进建议（通常会很快实施）。
我一直在使用 Firebase、Turso、Supabase 和 MongoDB，它们在我的小项目中表现良好。但对于中型或大型项目，我不太确定最好的选择是什么。<p>根据你的经验，你会推荐什么？希望是一个能够良好扩展、限制合理且不会随着时间推移变得过于昂贵的方案。
我最近推出了 https://locas.dev，这是一个使用人工智能来回答房地产和商业中最关键问题的副项目：“这个地点适合我想做的事情吗？”
**功能介绍**
Locas.dev 接受一个输入——一个自然语言问题，例如：
“芝加哥市中心是购买土地的好地方吗？”
“迈阿密海滩适合开餐厅吗？”
然后，它会获取现实世界的地理标记数据，如学校评分、医院、警察局、餐厅、空气质量、交通节点、绿地，甚至花粉水平——使用自定义构建的 LLM + 规则引擎进行处理，并以结构化、可解释的方式进行回应。
每个答案包括：
- 在服务、设施、交通、环境和竞争等维度上的评分
- 指向附近地标的 Google Maps 链接
- 以人类可读的方式呈现的优缺点分析
- 清晰的总结和最终判决
**技术栈**
- 使用 Python、LangChain 和自定义向量查找引擎构建
- 基于 LLM 的推理，具有确定性的安全层
- 使用 Google Maps、OpenStreetMap 和公共数据集进行基础数据支持
- 完全无状态——每次分析仅需一个 GET 请求
**我为什么要构建它**
作为一名从事人工智能和教育工作的人，我经常面临选择“合适地点”的挑战，无论是用于项目、中心还是合作伙伴关系。现有的解决方案要么过于手动，要么基于地图，或者缺乏叙事推理。我希望能有一个像人类研究者或顾问那样思考地点的工具——但能够按需在几秒钟内提供结果。
**试用**
主页上有几个公开演示——欢迎您用自己的问题进行测试。
→ https://locas.dev
非常希望听到来自 HN 朋友们的反馈！我特别想了解：
- 您看到的潜在用例
- 您希望下一个推出的功能（例如，评分您自己的地址、邻里比较、投资建议）
- 集成（Slack、Notion 等）
感谢您的阅读！
– Azhar