返回首页
最新
在我超过30年的软件开发职业生涯中，经历了无数个不眠之夜，深入庞大的代码库以理解逻辑或修复bug时，我常常在想：“一定有一种比文本更好的、可视化的方式来表示程序。”然而，在我30多年的职业生涯中，并没有出现任何可用的可视化编程语言。因此，我决定自己动手，创造了一种新的可视化编程语言，名为“Pipe”。关于这门语言的书籍最近已出版，并在亚马逊Kindle和苹果iBooks上免费提供。
Pipe语言的复杂性和功能与现有的最强大的文本语言相当，因此，它有很高的机会成功与基于文本的编程竞争。这本书提供了完整而详尽的语言规范。此外，书中还包含了许多计划在未来版本中实现的功能和想法。
Pipe实现了许多新颖的概念和独特的特性，因此，已经提交了多项专利申请，并在等待审查。已出版的书籍包含完整的语言规范，包括所有元素的图形表示法和代码集成的完整API规范。Pipe具有以下特点：
* 通用可视化语言。
* 紧凑但功能强大的语言。
* 完整且详细的语言规范。
* 实用的可视化语言。
* 与非可视化语言集成的API规范。
* 静态类型语言。
* 对未来版本的长期规划。
* 增强AI代码生成的能力。
* 面向下一代低代码系统的语言。
AI代码生成的问题在于，很难为大型项目准备完整而精确的输入规范。解决方案是仅为易于向AI解释的基础组件生成代码，其余部分通过手动编码完成。然而，这削弱了利用AI消除人类编程需求的目标。Pipe通过将AI生成的组件封装在可视化块中，提供了一种替代文本编码的方法，从而通过直观的拖放界面构建其余的应用程序作为图形工作流。作为Pipe演变的下一阶段，AI将直接生成完整的可视化工作流，使理解和修改生成的逻辑变得更加容易。
使用通用可视化编程语言Pipe连接包含AI生成代码的块，可以激发下一代极具多功能性的低代码平台，因为AI代码生成与生成组件的可视化集成相结合，形成了一个非常强大的低代码框架。用户将能够使用AI生成新组件，这解决了现有低代码平台中组件大多是预定义的、定制化有限的问题。此外，通用可视化编程语言Pipe将确保低代码项目在不同平台之间的可移植性。
嘿，HN！我构建了一个命令行工具（CLI），将MCP工具和您的自定义函数统一在一个代码执行接口下。想象一下，像无服务器函数一样为您的编码助手服务，但在您的本地机器上。
安装只需一行curl脚本（请参阅README）。
您无需为AI配置数十个单独的工具，只需将一个ts文件放入一个目录，并赋予LLM一个能力：使用lootbox执行TypeScript。
```typescript
// my-functions/example.ts
export async function analyzeText(args: { text: string }) {
return {
length: args.text.length,
words: args.text.split(' ').length,
uppercase: args.text.toUpperCase()
};
}
// 运行服务器与您的函数 + MCP服务器
lootbox-runtime --rpc-dir ./my-functions --mcp-config mcp.json
// AI编写同时使用两者的代码：
lootbox -e '
const file = await tools.mcp_github.read_file({repo: "x/y", path: "README.md"});
const analysis = await tools.myapp.analyzeText({text: file});
console.log(analysis);
'
```
您的自定义TypeScript函数会自动与您的MCP服务器一起发现，并转变为一个完全类型化的'tools'对象，供AI使用。
AI获得所有内容的完整类型定义。编写将操作连接在一起的代码，而不是进行顺序的工具调用。
LLM脚本在一个仅具有网络访问权限的Deno沙箱中执行。RPC文件则获得完全访问权限。
基于Cloudflare的Code Mode研究，但完全在本地运行。
请查看README以获取一些示例RPC文件、工作流程以及更深入的介绍，了解这一切是如何运作的。
通常Claude Code会使用：
```bash
lootbox --help
lootbox --namespaces
lootbox --types kv,sqlite // 返回类型来自类型化客户端
```
然后开始编写脚本以协调工具以实现目标。
Lootbox还可以运行文件，因此您可以告诉Claude将脚本保存为文件，稍后只需通过以下命令运行它：
```bash
lootbox path/to/script.ts
```
在继续实验和玩弄我对Code Mode的原始理解后构建了它。
原始版本：
[https://github.com/jx-codes/codemode-mcp](https://github.com/jx-codes/codemode-mcp)
自我进化的全可观察AI系统
构建了一个自主AI平台，能够在运行时发现并整合新能力。关键技术点：
事件驱动核心：NATS消息总线处理工具的发现、注册和执行。系统观察自身操作并进行适应。
自我改进循环：AI代理能够创建和部署新工具/代理，以扩展系统能力——“AI构建AI”，无需人工干预。
完全透明：实时可见决策树、推理链和代理间通信（在生产AI系统中较为罕见）。
生产就绪的技术栈：Docker隔离、Redis用于状态管理、K8s编排、REST API。新闻源触发自主目标生成。
有趣之处：与典型的代理框架静态配置不同，该系统通过动态启动专业子代理和工具来学习新领域。新能力的零配置接入。
值得讨论的权衡：事件驱动的复杂性与可调试性、自主进化与漂移/不稳定性、可观察性在大规模下的开销。
欢迎帮助： https://github.com/stevef1uk/artificial_mind.git
我一直在AWS上托管我的副项目。由于完全不需要管理基础设施，我支付的费用还算合理。在我的创业信用额度用完后，我将所有内容迁移到了AWS Lightsail。这个项目最初取得了成功，每月收入达几千欧元。然后疫情来了，伴随着新的规定，我的客户突然消失（它解决的问题不再存在）。之后这个项目就没有给我带来收入，我不得不自掏腰包来维持它，想着也许它会恢复。
有一天，在忽略了一些垃圾邮件AWS邮件后，我的信用卡上出现了一笔巨额收费，同时收到了AWS的账单。这笔费用比之前的收费高出几个数量级。“这是什么鬼？”我心想，急忙登录仪表板查看问题所在。
没有DDoS攻击，没有配置错误，也没有异常情况。我登录到根账户查看账单页面，结果发现：RDS PostgreSQL的遗留费用约为200欧元，因为我没有将版本从13升级到16。
我感到震惊。我每月支付25欧元（含27%的税）用于最小的RDS实例，但现在却看到这个我认为应该只需2欧元的巨额费用。我的意思是，AWS只需在不同的环境中运行它。用200欧元我可以给他们买一台新服务器来为我运行这个。
就在那时，我意识到：“我有一台闲置的树莓派3，我就把所有东西都托管在上面。这样就免费了。”但自托管也带来了自己的挑战，尤其是在资源受限的设备上。
我需要更好的工具来部署和监控我的应用程序。每次想要部署新版本时都要通过SSH登录树莓派，实在是太麻烦了。调试问题也是如此。现有的部署和监控解决方案要么太贵，要么太复杂，或者与像树莓派这样的资源受限设备不兼容。例如：
* Grafana/Prometheus用于监控：对我的需求来说过于复杂。
* OpenSearch/ELK用于日志：在低资源设备上简直是一场噩梦。
* Metabase用于仪表盘：一个占用内存的怪物，消耗的资源比我托管100个应用还要多。而要远程访问数据库，打开一个端口并将其放在Cloudflare Zero Trust后面，比设置Metabase要容易得多。
因此，我决定自己构建一个部署和监控代理，为什么不把它开源呢？这个代理目前可以通过轮询发布标签从GitHub部署应用程序，监控设备指标，当达到阈值时发出警报，将日志转发到云仪表盘。它仍在开发中，功能每周都在改进。如果你感兴趣，可以在GitHub上给它一个星标。