最新

自从特朗普泄露了他与鲁特和马克龙的聊天截图后，我在想世界各国领导人使用的是什么应用程序。<p>我们能通过外观来识别吗？<p>https://truthsocial.com/@realDonaldTrump/posts/115925848634299232

嘿，HN！我开发了 PIICloak，因为我需要一种简单的方法来清理用户数据，以便在发送到 OpenAI/Claude API 之前进行处理。 <p>主要功能： - 检测 31 种个人身份信息（PII）类型（电子邮件、电话、社会安全号码、信用卡、API 密钥等） - 多种模式：删除、掩码、哈希或用假数据替换 - 提供 REST API 和 Python 库 - 自托管，数据不会离开你的服务器 - 使用 Microsoft Presidio 和 spaCy NER 作为底层技术 <p>快速示例： <pre><code> curl -X POST http://localhost:8000/anonymize \ -H "Content-Type: application/json" \ -d '{"text": "Contact john@example.com or call 555-123-4567"}' </code></pre> 返回： "Contact <EMAIL> or call <PHONE_NUMBER>" <p>Docker: docker run -p 8000:8000 dimanjet/piicloak PyPI: pip install piicloak <p>欢迎随时提问！

请推荐一个 GitHub 发现工具或网站，以便轻松找到有趣且冷门的 GitHub 项目/仓库。谢谢！

我一直在关注经典文献（如NCF、Wide & Deep、LightGCN），但在过去18到24个月里，领域似乎发生了剧烈变化，转向基于大语言模型（LLM）的推理和大规模图检索。 我在寻找2026年的“最先进”技术。具体来说： - LLM4Rec：不仅仅是将LLM用于特征工程——谁在生成推荐方面做得很好？ - 检索与排序：在“两塔”范式或向量数据库集成方面有新的突破吗？ - 现实世界规模：有哪些论文讨论了这些新型重模型的延迟/成本权衡？ - 最近你读过的、对你思考发现方式影响最大的论文是什么？

嘿，HN！我创建了TopicRadar，旨在解决我在跟踪人工智能/机器学习趋势时需要每天查看7个以上网站的问题。 <a href="https://apify.com/mick-johnson/topic-radar" rel="nofollow">https://apify.com/mick-johnson/topic-radar</a> 它的功能包括： - 从HackerNews、GitHub、arXiv、StackOverflow、Lobste.rs、Papers with Code和Semantic Scholar聚合信息 - 一键预设：“趋势：人工智能与机器学习”、“趋势：初创公司”、“趋势：开发者工具” - 或者跟踪自定义主题（例如：“rust async”、“transformer模型”） - 在5分钟内获取150-175条结果 这个工具是为了Apify的100万美元挑战而开发的。可以免费试用——只需点击“免费试用”，并使用默认的“人工智能与机器学习”预设。 欢迎反馈您希望添加的来源或您认为有用的功能！

我喜欢Claude Skill，但创建和修改它们的用户体验相当糟糕。因此，我决定编写一个仅限本地使用、注重隐私的技能档案编辑器。<p>注意：这是我作为实验快速制作的一个小工具。<p>如果你觉得它有用或有任何意见，请在评论中告诉我！如果有兴趣，我会考虑以后添加更多功能。

嗨，HN——我开发了APIsec MCP Audit，这是一个开源工具，用于审计AI代理使用的模型上下文协议（MCP）配置。 开发者们通过MCP将Claude、Cursor和其他助手连接到API、数据库和内部系统。这些配置赋予代理真实的权限，通常没有安全监督。 MCP Audit会扫描MCP配置并显示以下内容： - 暴露的凭证（密钥、令牌、数据库URL） - 代理可以调用的API或工具 - 高风险能力（Shell访问、文件系统访问、未经验证的来源） 它还可以将结果导出为CycloneDX AI-BOM，以便于治理和合规。 有两种方式可以尝试： - 命令行工具：使用命令 `pip install mcp-audit` - 网络演示： [https://apisec-inc.github.io/mcp-audit/](https://apisec-inc.github.io/mcp-audit/) 代码库：[https://github.com/apisec-inc/mcp-audit](https://github.com/apisec-inc/mcp-audit) 我们是一家安全公司（APIsec），在评估过程中反复发现秘密和权限过大的代理配置，因此开发了这个工具。我们非常欢迎反馈，特别是在风险评分启发式和哪些额外信号会有用方面。

嗨，HN， 我创建了BlueMouse，因为我看到太多初级开发者（包括我自己）盲目接受看起来不错但实际上存在根本性问题的AI生成代码。 *问题：* - AI会产生不切实际的架构 - 开发者变成“代码猴”，只会复制而不理解 - 未经检查的AI建议导致生产环境中的bug *我的解决方案：* BlueMouse充当“自动架构师”，它： 1. 在生成代码之前提出苏格拉底式的问题 2. 进行17层验证（安全性、类型、逻辑等） 3. 强迫你思考架构，而不仅仅是语法 *技术栈：* - 基于Python的MCP服务器 - 包含8个模块的知识库（115+个关键词） - 与Claude、Gemini等集成 *与众不同之处：* 大多数工具在生成后进行验证。BlueMouse通过使用有限状态机（FSM）逻辑来约束AI的“概率空间”，从根本上防止生成不良代码。 *当前状态：* - 在GitHub上开源 - 列入Smithery和Glama的MCP目录 - 零基础设施成本（寄生架构） *寻找：* - 来自经验丰富的开发者的反馈 - 企业用例的想法 - 潜在的合作伙伴 演示： [https://bluemouse.app](https://bluemouse.app) GitHub： [https://github.com/peijun1700/bluemouse](https://github.com/peijun1700/bluemouse) 欢迎提问！