最新

我一直喜欢制作和玩拼图。我是纽约时报游戏和领英游戏的常客。我觉得创建一些以企业为主题的拼图作为领英游戏的有趣替代品会很不错。 因此，我制作了《企业思维游戏》。这些游戏旨在稍微带点俏皮和讽刺，但我希望它们既有趣又具有挑战性。 我原本打算上周在HN上发布这个。但是，多年前我制作了一款名为《别说Wordle》的游戏，意外地在上周出现在了首页。我因此分心了，而且我觉得在周一早上发布这个游戏更符合主题。所以我们就在这里。

嗨，HN，我是Peder。我的联合创始人和我在之前的创业公司被代码代理“吞噬”后，创建了Blume。 在构建我们之前的产品时，我们遇到了严重的代理漂移问题。功能重复、架构不一致以及隐蔽的生产错误，最糟糕的就是Fable，它写出的代码看起来非常优雅，以至于你几乎察觉不到其偏差行为。 我们尝试通过最佳实践来强制执行行为：规则、技能、文档、自我验证/测试等。但这些措施的维护速度远不及人类的维护速度，直接使用代理来维护这些内容只会导致臃肿和更多的漂移。 因此，我们决定解决这个问题。 Blume是一款桌面应用，位于Claude Code、Codex和Cursor旁边。它读取你的代理的上下文设置（技能、规则、文档）和本地会话文件。当你不断纠正相同的内容时，Blume会提出可审查的规则和技能更新建议。你可以选择批准或拒绝每一项。 为了避免臃肿，我们从代理会话中提取意图、修正和挫折，并将它们分组为集群。当达到痛点/重复阈值时，才会派出代理寻找改进方案。 分析在你的机器上本地运行，使用你本地的Claude Code或Codex工具。你的会话/代码不会被发送到Blume。使用是免费的，唯一的“成本”是有限的代币支出，用于提取信号和创建改进方案。（我们计划在未来通过可选的云代理和团队功能进行货币化。） 目前产品最大的不足是我们尚未衡量接受的更改是否真的有所帮助，比如减少了纠正次数或减少了重新解释所花费的代币。我们正在努力解决这个问题，并认为这是产品的核心部分。 非常希望听到反馈，特别是来自那些尝试在团队中维护代理规则/技能的人。欢迎随时询问关于它是如何运作的任何问题。

嗨，HN，我是Kushagra，Almanac的三位创始人之一。Almanac就像一个拥有智慧的Hermes，了解您公司的一切。 我们最初的旅程是为我们的公司搭建Hermes，以为这会很简单。我们希望有一个能够了解我们公司所有背景的助手，这样我们就可以提出问题并获得适合上下文的回答。 这开启了一段非常烦人且困难的旅程。设置Hermes、让它正确对话、自己为每个连接器构建OAuth应用程序，然后自己输入上下文，最终还要与Hermes的默认记忆作斗争。与此同时，我们看到我们的YC同批伙伴也在面临同样的问题，我们意识到这是一个机会。 于是我们构建了Almanac。这是它的工作原理：您注册后，可以直接获得一个Hermes助手。您可以一键连接到任何账户（如Gmail、日历、Granola、PostHog等）。您有个人账户（仅您可以访问）和共享账户（公司内的所有人均可访问）。因此，我永远无法查看我的联合创始人的账户。 这个助手的“智慧”来源于维基。我们从您连接的来源中提取信息，并开始在两个维基中组织这些信息。一个是个人维基，了解您是谁、您的偏好、您生活中的人以及您生活中的事情。第二个是公司维基，包含公司的信息、您正在做的事情、路线图以及公司的障碍。您的助手最终可以访问这两个维基和原始账户，这让人感觉“它就是了解您”。 这里有一个演示： [观看演示](https://www.youtube.com/watch?v=ajXP5PHuK18) 我们是三位联合创始人，Rohan、Kushagra和Divit，我们已经是朋友11年了，从学习IIT-JEE开始。我们都学习了电气工程（Rohan在德里IIT，我在卡拉格普尔IIT，Divit在比特斯皮兰和海德拉巴），后来Rohan和我去了哈佛，那里这个预编译层成为了我们的顶点论文。我们围绕预编译知识层的理念构建了多个产品。 我们的主要差异化点在于我们对记忆和上下文的处理方式。大多数AI助手工具将记忆视为事后思考。我们已经在AI维基上工作了超过一年，为哈佛和NASA构建产品。我们学到的一件事是，必须在知识库的预编译上花费更多的计算资源，以确保正确性。 拥有这个预编译的知识库能够激发许多有趣的想法。首先是一个主动的助手。由于我已经编制了我公司和我当前生活中的事情，Almanac可以开始自主完成任务。具体来说，我们运行一个后台工作程序，查看可以完成的任务，向主助手发送请求，然后主助手再向我发送请求，建议可以自动化的任务。因此，我醒来时会收到主动通知，比如“我已经准备好了您的融资推介文稿草稿，想看看吗？” 其次是长期任务。在我们的维基中，我们维护一个关于正在进行项目的部分，因此Almanac可以在几天后重新拾起任务，而不会失去线索。大多数助手是会话绑定的：它们运行一次，完成后就忘记了。但很多实际工作并不是一次性的；它是在与人互动中持续进行的。最明显的例子是涉及等待人类的任何事情，比如安排会议、跟进销售线索或追踪文件。Almanac可以代表您发送电子邮件，并且因为它始终在线并记得项目，它会在四小时后注意到回复，并在上下文中起草合适的跟进。 自推出以来，我们已经看到Almanac的许多使用案例。一个人通过它运营她的狗救助行动：寻找可用的寄养家庭、跟踪接送情况以及发送同意书的提醒。另一个人利用Almanac研究Polymarket策略，它的记忆保存了过去的策略，提出新的策略，并与上次的成功或失败进行比较。还有一个人利用它构建营销活动，而无需每次都重新解释业务和整个活动。 关于隐私和安全，Almanac仅访问您明确连接的账户。您的OAuth凭据由我们的连接提供商持有，而不存储在Almanac的数据库中。我们只存储维基和其引用背后的来源。因此，作为引用使用的电子邮件可能会以Markdown格式保留。 我们已经上线：[访问我们的网站](https://usealmanac.com)。我们所有计划均提供7天的试用期。欢迎分享您是否有类似的设置，以及希望在Almanac中添加哪些新功能。如果您是一家希望获得能够真正完成任务的助手的公司，我很乐意与您交谈：[安排演示](https://cal.com/team/almanac/demo)。

嗨，HN，我们是Brandon和Kingston，Hebbian Robotics的创始人。我们开发了HFlow（<a href="https://github.com/Hebbian-Robotics/hflow" rel="nofollow">https://github.com/Hebbian-Robotics/hflow</a>），这是一个SDK，可以将来自机器人和人类操作员的多模态录音转换为标准化、经过质量检查的事件和可查询的数据集清单。一个录音可以包含同步的视频、关节状态、动作、时间戳和元数据，而HFlow会将这些数据流一起处理。 <p>这是HFlow实际操作的演示：<a href="https://www.youtube.com/watch?v=xni0GwV-xAw" rel="nofollow">https://www.youtube.com/watch?v=xni0GwV-xAw</a></p> 机器人数据管道通常开始于脚本：一个转码视频，另一个检查时间戳，另一个添加标签，还有一个将选定的录音复制到训练集中。这种方式在数据集较小时有效，但随着语料库的增长，了解哪些代码运行过、为什么某个事件被排除或数据集是否可以重现就变得困难。第一个痛点通常是质量控制，因为冻结的摄像头、缺失的主题、时间戳漂移和重复录音可能会悄然进入训练数据。 <p>Brandon在为双臂工业清洁机器人训练具身AI模型时首次遇到这个问题。Kingston在Jane Street构建高通量基础设施时也遇到了相关问题。后来，在与机器人数据提供商交谈时，我们不断看到团队重建类似的处理和质量控制基础设施。我们了解到，处理机器人数据本身就是改善机器人模型的瓶颈之一。</p> <p>HFlow管道由转换、检查、标签和丰富组成。该SDK将这些功能以普通Python函数的形式暴露出来，这些函数接收一个事件并返回测量值、工件或转换后的数据。在开发过程中，这些函数可以在进程内运行。对于定期的语料库处理，HFlow将相同的注册步骤打包为Airflow 3 DAGs，团队可以检查任务状态、日志、重试和重新运行。</p> <p>HFlow目前每个事件接受一个MCAP文件。MCAP（<a href="https://mcap.dev/" rel="nofollow">https://mcap.dev/</a>）是Foxglove为带时间戳的多模态录音提供的开放容器格式，目的类似于ROS包。它允许视频、机器人状态、动作和其他传感器流在一个文件中保持同步。我们使用它是因为HFlow需要将这些流一起处理，并且生成的录音与Foxglove和Rerun保持兼容。HFlow生成一个规范的MCAP，其中包含带内的H.264视频、分组的摄像头和状态块，以及描述输出生成方式的来源信息。每个步骤都有明确的行为版本，目录记录将其测量值和工件与源事件和管道运行连接起来。</p> <p>质量检查存储可重用的证据，而不是强加一个普遍的良好数据定义。一些故障，包括黑帧、冻结视频、缺失主题、时间戳漂移和不可能的关节运动，可以在不训练模型的情况下确定性地测量。其他问题可能需要使用VLM和其他模型（如MediaPipe Hands）来检测。但它们的意义取决于任务。在一个设置中，平滑的轨迹可能表示成功的演示，而在另一个设置中则可能表示机器人停滞不前。</p> <p>HFlow将测量值、元数据、版本戳和工件位置写入一个仅追加的Parquet目录。团队可以使用DuckDB SQL查询它，并生成一个版本固定的清单，而无需再次打开录音。关键检查可以隔离一个事件，但HFlow不会删除数据。这将证据与用于组装特定数据集的策略分开。</p> <p>我们并不想替代机器人团队已经使用的工具。HFlow连接MCAP以实现同步录音，Airflow用于定期执行，Parquet用于目录数据，DuckDB用于数据整理。与通用工作流编排器相比，它为机器人事件、处理来源、质量证据、隔离和数据集清单添加了合同。与训练数据集格式相比，它在更早阶段操作，并在整理的事件和清单处停止。</p> <p>以下是三个可能使用HFlow的团队示例： 1. 一个收集自我中心录音的数据供应商或市场。他们可以使用HFlow在交付数据之前检测黑帧或冻结视频、重复录音、手-物体交互和其他质量指标，同时保留对每个事件运行的检查的证据。 2. 一个为其自身模型收集遥控演示的机器人团队。他们可以使用HFlow标准化录音，添加标签和丰富信息，并生成可重现的训练清单。 3. 一个在现场操作机器人的团队。它可以处理传入的日志，隔离不完整或损坏的事件，并查询目录以获取特定机器人的版本、环境或故障条件。</p> <p>该项目尚处于预发布阶段，但核心生命周期已实现端到端工作。您可以通过克隆代码库并按照快速入门指南进行尝试，而无需账户、Docker或机器人硬件。</p> <p>HFlow在Apache-2.0许可证下免费提供。当前的开源部署是单租户工作区，我们尚未构建托管的多租户控制平面。我们正在考虑通过管理工作区和企业支持来盈利，以便那些不想自己操作运行时的团队使用。</p> <p>由于这个处理层是软件和数据，人们可以在不拥有机器人的情况下进行贡献。我们特别希望听到那些为机器人、视频或其他传感器密集系统构建管道的人的反馈。我们想知道我们的数据模型在哪些地方存在问题，缺少哪些集成，以及在您的工作负载中哪些会首先失败。</p>

Kimi和广义线性模型（GLM）的推理。旨在为研究和编码代理提供支持，这些代理能够进行计划、调用工具数小时，并在大范围上下文中进行推理。