最新

有人注意到这个吗？他们几乎从不捕捉到错误，而且编码非常复杂，基本上只因复杂的 Jasmine Karma 环境问题而失败，这些问题几乎无法调试。

在我上一份工作中，我花了一年时间构建一个代理编码平台，供数十万人使用。在这个过程中，我尝试在OpenClaw上构建一个托管服务，并且自己也运行过Hermes一段时间。这两个项目都有一些很好的功能想法，但当我尝试将它们用于实际工作时，它们往往失败，而且它们的安全模型让我感到担忧。我实在无法想象这两个项目会成为我自己、朋友或家人可以信任的工具。经过大量探索，我意识到我真正想要的其实是利用我每天都在使用的编码代理来创建自动化。事实证明，编码代理是自动化任何事情的最佳工具，不仅仅是代码，只要它们拥有合适的环境和工具。 我还花了20年时间领导Linux基础设施和分布式系统团队。任何编写服务守护进程的人都知道，我们所认为的“始终在线”大多数情况下其实只是唤醒、执行一些工作，然后再回到休眠状态，这是一种高效的模式。Cron已经以这种方式工作了几十年。 因此，我构建了Clor，一个命令行界面（CLI），让你的编码代理可以创建“爪子”（claws），这些是可以在计划时间自动执行任何任务的后台代理，运行在你的笔记本电脑、Mac mini或虚拟机上。 一个爪子可以被定义并共享为一个单独的CLAW.md文件，其中包含一些元数据（名称、计划、个性等）和一个或多个有序任务。每个任务都是一个可以充分使用工具的真实代理，或者是一个普通的bash步骤。你可以让你的代理执行一次的任何操作，爪子都可以重复执行。我有一个爪子每隔几分钟整理我的收件箱，标记明显的垃圾邮件，拯救被错误标记的合法邮件，并为我需要回复的线程加星等。这比Gmail的过滤器聪明得多，因为它实际上会阅读我的邮件，而不仅仅是匹配规则。 安装方法是在Linux/macOS终端中使用常规命令：curl -fsSL <a href="https://clor.com/install.sh" rel="nofollow">https://clor.com/install.sh</a> | bash。这将设置CLI，一个小型调度守护进程，以及一个可以从你的代理中运行的技能，/claws在Claude Code中或$claws在Codex中。

让我们把它变为现实。

嗨，HN，我们是Rishi和Sahil。我们开发了Rudus（<a href="https://www.rudus.ai">https://www.rudus.ai</a>），这是一个专为混凝土分包商打造的人工智能驱动的工程量计算和估算平台。 工程量计算是从混凝土施工图纸中测量和量化材料的过程。Rudus能够识别每个混凝土结构（基础、墙体、柱子、楼板），提取相关细节，并消除数小时的手动数量计算。这里有一个演示视频：<a href="https://www.youtube.com/watch?v=PAMNDRWEdlI" rel="nofollow">https://www.youtube.com/watch?v=PAMNDRWEdlI</a>。 问题是：混凝土分包商是每栋建筑的支柱，但他们的估算工作流程在过去20年里没有改变。目前，一名高级估算师打开PDF，手动描绘每个基础和等级梁，然后手动构建一个包含300多个项目的Excel电子表格——包括体积、模板、按钢筋尺寸划分的钢筋以及搭接和锚固长度。投标可能需要几周甚至几个月。大多数公司只有少数估算师，这意味着他们在可用的工作中实际上无法投标。 该行业现有的软件自2020年以来没有更新。此外，市场上所有的人工智能工程量计算工具都是为总承包商设计的，将混凝土视为一个复选框，而不是围绕混凝土估算师实际定价的方式进行工作。我们正在为这个行业而构建Rudus，仅此而已。 我们在Sahil参加建筑管理课程时开始了这个项目，他意识到估算工作流程几十年来没有变化。我们开始冷拨电话，带着甜甜圈走进办公室，出现在工地上，大家都告诉我们同样的事情：缓慢的估算是他们业务增长的最大瓶颈，但他们尝试过的每个新产品都失败了。我们很快意识到，这些工具失败的原因在于缺乏信任和频繁的错误导致后续问题。估算师在这些数字上押注数百万到数十亿美元的投标，他们明确表示不会为了一个黑箱而放弃他们的工作流程。我们采取了不同的方法：开发一种智能加速他们当前工作流程的软件，而不是通过将我们的产品前置到他们当前的估算工作流程中来替代它。 当估算师将他们的结构PDF上传到Rudus时，我们会自动对每张图纸（基础图、剖面细节、基础计划、框架立面）进行分类，并将每张图纸分配到正确的处理流程。计算机视觉技术能够检测图纸集中的混凝土元素，并通过跨图纸的交叉引用来解析尺寸和细节，捕捉那些仅依赖图纸的工具总是会遗漏的元素。每个元素都会扩展为完整的组装项目：混凝土、模板和钢筋，包含估算师通常手动完成的所有计算。一个典型的基础包从少数组装项目扩展到80-120个定价项目。估算师审核、必要时进行覆盖，并直接导出到他们现有的工作流程中。 在人工智能估算领域，我们有几个关键优势。首先是我们专注于混凝土，这是建筑行业的一个细分领域。没有其他人专门为混凝土分包商开发这个工具，因为图纸与其他分包行业差异很大。正因如此，VLM和其他通用解决方案无法奏效。相反，需要专有的计算机视觉模型，依赖于大量客户数据的训练。我们运行多种不同的模型，直接在客户的工程量计算上进行训练，客户与我们模型的每次互动都成为一个训练示例，使得每位客户的准确性随着使用而提高。 我们的第二个优势在于我们的产品方法论，因为我们选择构建一个协同助手，而不是黑箱。大多数人工智能工程量计算平台试图完全取代估算师，通过自主生成数量，但当前模型的输出质量较差，因此工程量计算仍需手动重做。在与结构混凝土估算师共处100多个小时并完成多次工程量计算后，我们围绕他们的实际工作流程进行了构建。估算师开始工程量计算，Rudus通过寻找相似性、跟踪交叉引用和理解标注来扩展工作。估算师对每个接受、覆盖和编辑保持控制。最终结果是更快的工程量计算，他们可以为之辩护，而不是丢弃不可靠的人工智能输出。 我们非常希望听到大家对我们的演示视频（<a href="https://www.youtube.com/watch?v=PAMNDRWEdlI" rel="nofollow">https://www.youtube.com/watch?v=PAMNDRWEdlI</a>）的看法，或者你们在构建计算机视觉模型方面的经验，或任何你认为相关的内容！