返回首页
最新
我构建了一个开源的 TypeScript SDK，用于构建能够发现商家、浏览产品并使用新的 UCP（Google/Shopify）和 ACP（OpenAI/Stripe）商业协议完成购买的 AI 代理。
<p>在 2 分钟内试用：</p>
<pre><code> npm install @agorio/sdk
import { ShoppingAgent, GeminiAdapter, MockMerchant } from '@agorio/sdk';
const merchant = new MockMerchant();
await merchant.start();
const agent = new ShoppingAgent({
llm: new GeminiAdapter({ apiKey: process.env.GEMINI_API_KEY })
});
const result = await agent.run(
`去 ${merchant.domain} 买我一副无线耳机`
);
</code></pre>
它的功能：
<p>- UcpClient：通过 /.well-known/ucp 发现商家，解析能力，规范化数组和对象格式，调用 REST API
- ShoppingAgent：具有 12 个内置工具的计划-行动-观察循环（发现、搜索、浏览、购物车、结账、订单跟踪）
- MockMerchant：完整的 UCP 兼容 Express 服务器，具有产品目录、结账流程和可配置的混沌测试（延迟、错误率）
- LlmAdapter 接口：在不更改代理代码的情况下更换 LLM。Gemini 现已发布，Claude 和 OpenAI 将在 v0.2 中推出</p>
该代理自主处理整个购买流程——UCP 发现、产品搜索、购物车管理、运输、支付、订单确认。通过 37 项测试。
<p>背景：UCP 于 1 月 11 日由 Google、Shopify 和 25 多个合作伙伴（沃尔玛、塔吉特、维萨、万事达卡）宣布。ACP 由 OpenAI 和 Stripe 提供，支持 ChatGPT 即时结账。这两者都是开放标准。但之前没有开发者 SDK 可供在其上构建——只有原始规范。</p>
<p>GitHub: <a href="https://github.com/Nolpak14/agorio" rel="nofollow">https://github.com/Nolpak14/agorio</a></p>
<p>npm: <a href="https://www.npmjs.com/package/@agorio/sdk" rel="nofollow">https://www.npmjs.com/package/@agorio/sdk</a></p>
嘿，HN，我开发了Agent Smith——一个自托管的AI编码助手，它可以接收工单引用，克隆你的代码库，分析代码，编写实施计划，执行计划并打开一个拉取请求（PR）。它支持GitHub、Azure DevOps、Jira和GitLab。你需要提供自己的API密钥——Claude、OpenAI或Gemini。没有SaaS，不需要账户，可以在你的机器或集群上运行。
我用了几天时间构建它，采用了与该助手自身相同的方法：结构化的架构提示、严格的编码原则，以及一个AI助手来执行实施。支配Agent Smith输出的编码原则与我构建它时使用的原则是相同的。
目前还处于早期阶段——对于范围明确的工单效果良好，但对于大型多文件重构尚不可靠。交互式聊天界面（如Slack、Teams）正在开发中。
非常希望收到反馈。如果你想查看上下文是如何结构化的，提示和所有17个架构阶段都在代码库中。
你好，HN。我想和大家分享，我在iOS上发布了我的第一款手机游戏，名为《HueFold》。这是一段美妙的旅程。在这个过程中，我感受到了兴奋与失落，但最终，我的小梦想——发布自己的手机游戏——实现了，现在大家都可以试试。
嘿，HN，
我最近在开发 Aegis.rs，想和大家分享一下。这是我能找到的第一个基于 Rust 的开源 LLM 安全代理。
我一直遇到同样的问题，现有的 LLM 安全工具要么是需要手动集成到应用中的 Python 库，要么是将流量通过第三方路由的云 SaaS 产品（这些你无法控制）。我想要的是一种可以在中间运行，而不干扰我的代码或将请求发送到其他地方的解决方案。
于是我构建了一个透明的反向代理。你只需将请求指向 localhost:8080，而不是你的 LLM 端点。到目前为止，它能够捕捉到提示注入、越狱、个人信息泄露和其他 LLM 攻击，在任何恶意请求到达模型之前就将其阻止。如果请求是干净的，它会转发；如果是恶意的，它会阻止。零代码更改。
它运行在两个层次上：一个快速的启发式引擎，拥有 150 多条手工编写（可扩展）的正则表达式规则，运行时间不到 1 毫秒（多亏了 Actix-web），还有一个使用 Groq 进行模糊案例语义分析的 AI 判定器。
可以轻松打包为一个单一的二进制文件，带有实时仪表板、热重载规则和结构化 JSON 日志。
目前是 v0.1，但它的表现足够好，可以分享它的第一个版本。启发式层对于生产环境来说速度足够快，扩展规则也相对简单。
非常希望能收到反馈（或者贡献，哈哈），特别是来自处理 LLM 安全和威胁建模的朋友们 :)
我们正在开发Rataify，这是一个专注于可访问性（WCAG）、隐私法规（GDPR / CCPA）和FTC营销声明风险的网站合规性扫描工具。
大多数合规工具仅关注可访问性，通常只是对Lighthouse或axe-core的简单封装。隐私和营销风险检查通常是手动进行的。
我们正在尝试一种分层的方法：
- DOM级别的可访问性检查（WCAG违规）
- 政策存在性和结构检查（隐私/条款披露）
- 对营销文案进行启发式扫描，以识别风险较高的FTC风格声明
- 快速报告生成，旨在进行上线前审核
我们的目标不是法律自动化，而是在网站上线前减少明显的合规性缺口。
我们特别感兴趣的是：
- 自动化合规工具中的假阳性容忍度
- 开发者是否会将此作为持续集成的一部分运行
- 实际上哪些合规信号最有价值
我们非常希望获得技术反馈。
我们将 pbrt-v4 移植到了 Julia，并将其构建为 Makie 后端。现在，任何 Makie 图形都可以通过基于物理的路径追踪进行渲染。<p>Julia 可以将用户自定义的物理直接编译为 GPU 内核，因此任何人都可以通过新的材料和介质扩展光线追踪器——一个带有引力透镜的黑洞大约只需 200 行 Julia 代码。<p>支持 AMD、NVIDIA 和 CPU，通过 KernelAbstractions.jl 实现，Metal 版本即将推出。<p>演示场景：github.com/SimonDanisch/RayDemo