最新

这个客户端的单词查找器/字谜解答器网页应用是我最近为纸质书拼字桌游开发的网页应用的副产品[^1]。在证明其在该客户端中嵌入的有效性后，词典被重构为几乎独立的形式，现在可以在这个网址访问。 其用户界面专门为移动设备设计，尤其是手机——在全尺寸桌面窗口上看起来相当奇怪（这没关系，因为它并不是为此而设计的）。 这个应用是专门为纸质书拼字游戏编写的，但应该可以用于几乎任何英语拼字/解谜游戏。它支持通配符和纸质书的多字母卡片。 它的速度很快。如果我没有亲眼看到它能在大约2毫秒内扫描150,000个英语单词，我可能会对此持怀疑态度。说到这里…… 这个应用是手工编写的。底层的词典结构和算法（用C和JS编写）在很大程度上得到了大型语言模型（LLM）的辅助，但人类编写的代码远远超过了LLM生成的代码。底层算法、经过良好文档化的字谜解决方案，在LLM为此目的建议之前我并不知晓。LLM勾勒出这些算法的框架，人类则进行了详细填充。一个单独的LLM上下文应请求创建了“打字机按钮”的CSS样式。剩下的部分是在emacs中手动编码的。 词典支持德语[^2]，但我目前的德语词典实在太庞大（685,000个单词，38MB），我无法在我的网络服务器上托管它或将其输入到JS引擎中。一旦我有了更好整理的列表，将会有选项加载德语版本。（我的德语版纸质书几天前到达，这激励了我添加该支持。） 祝你拼字愉快！ [^1]: <a href="https://wanderinghorse.net/gaming/paperback/" rel="nofollow">https://wanderinghorse.net/gaming/paperback/</a> [^2]: 原则上，它支持任何可以适应ISO-8859-1/Latin-1编码且只需6个或更少字母（A..Z以外）的语言，但我没有动力去添加除英语和德语以外的其他语言。26+6的限制源于使这个词典高效的原因：它构建了一个包含单词中哪些字母的掩码，以便非常快速地排除明确的否定，而我们在这个掩码中只有32位。

嗨，HN，我是Andras，YourSitee（yoursit.ee）的创始人之一，这是一个链接生物工具。 我们最近添加了可选的原生Markdown版本的公共个人资料。相同的个人资料可以在/{username}以视觉页面的形式访问，并且如果由其所有者启用，还可以在/{username}.md以结构化Markdown的形式访问。 演示： [https://yoursit.ee/showhn](https://yoursit.ee/showhn) [https://yoursit.ee/showhn.md](https://yoursit.ee/showhn.md) 我对两件事很感兴趣：你们更喜欢明确的.md端点，还是接受text/markdown？我们是否应该最终允许用户创建自己清晰标记的公共个人资料，还是这更可能导致垃圾邮件/身份问题，而不是有用的东西？期待听到你们的想法 :)

我在开始进行代理编程时遇到的第一个问题就是上下文问题，以及我的代理总是从头开始。由于有些天真，并不完全清楚自己在做什么，我开始编写一个MCP工具（因为这些工具很酷，对吧？）来解决这个问题。 我认为MD文件太原始了。这些记忆内容真的应该是一个数据库。我尝试了一些免费的记忆工具，但没有一个能够真正解决我特定的需求。我希望代理能够记住我需要的内容、何时需要，并且尽量减少我的努力。我希望它能和我讨论架构，把所有内容归档，并在我需要为我正在构建的软件编写故事时能够记住这些内容，而处理计划和文件的过程实在是太麻烦了。我需要一个知识图谱。 老实说，如果你对MD文件解决方案和你的claude.md文件感到满意，那么我所构建的工具并不是必需的。如果你已经超越了那种设置，继续阅读吧！ 我编写的第一个工具是memoryweb（[https://github.com/corbym/memoryweb](https://github.com/corbym/memoryweb)，MIT）。在与Claude的一系列对话中，我们从代理的角度理清了API的基本概念，并在短短几周内开发出了一个相当不错的工具。我几乎在工作中一直在使用它。当它出现问题时，我会询问代理原因，并使用memoryweb记录问题并通过故事来解决它。这是一个非常有效且几乎不费力的循环。 那么多租户版本呢？我有很多重要的讨论，我的团队可能希望跟踪。Recordari的存在主要是因为： * 当两个用户对同一个文件写入冲突的决策时，没有人会注意到 * 决策可以被取代，但旧文本仍然存在，代理可能会认为过时的版本是正确的版本 * 在多次会话后，没有人能说出为什么做出某个决策或它是否真实 * 关于何时或谁有效地做出决策的记录完全没有 Recordari专门为处理这些问题而编写。记忆是有类型的，代理可以通过标记节点“矛盾”和“已解决”的类型边连接记忆——这正是你需要知道某人是否存在分歧的信息。服务器会标记可能冲突的语义相近的记忆，代理随后会裁定可能的矛盾并解决它们。每个记忆都有一个所有者，因此代理不会简单地覆盖人类的决策。 哦，对了，数字。是的，这些数字是使用Memora（微软研究院，ICML 2026）的开源基准测试工具运行的，未做修改。使用相同的模型、相同的LoCoMo数据集和相同的类别排除规范。Recordari的端到端得分为0.831，而LLM评判的准确率与Memora公布的0.801相比。所有结果都是公开的（MIT）：[https://github.com/corbym/locomo-recordari](https://github.com/corbym/locomo-recordari)。最大的惊喜是多会话问题的得分为0.869，而原始存储基线为0.760。 该基准测试工具本身是针对生产API运行的——正是一个真实代理会使用的MCP搜索和回忆API。不是模拟的后端，而是真实的API，配置为`top_k=30`，并进行1跳边扩展。 Recordari可以与Claude、Claude Code、ChatGPT以及几乎任何能够连接到MCP并进行推理的代理一起使用。 如果你想运行一个代理来自己进行LoCoMo基准测试，可以匿名登录到： [https://admin.recordar.io/start](https://admin.recordar.io/start) 只需记得从连接页面添加完整技能，然后连接你的代理。就这样。 我希望从HN得到的反馈是：你是否和我一样在团队中感受到过同样的痛苦？我也想知道这是否是你不想要的东西。 谢谢大家！ Matt

我制作了这个小指南，帮助大家今晚找到可见的行星，以及一个流星雨的流星计数器。此外，还有一个小型太阳系模型，帮助我理解发生了什么。这一切都基于您提供的位置。 lifesprites.com/solar.html 不需要创建账户。其他的功能则需要。虽然是免费的，但您需要一个账户。

一个表单同时完成了五项工作：判断状态、选择要打开的表单、获取数值、记录每个数值的来源，以及验证必填字段。<p>自然语言保留了第三项功能，而将其他功能交给了模型。没有人记录下哪些功能被遗漏了。<p>大型语言模型（LLMs）是通过填补空白进行训练的。现在我们已经从对话转向了行动，我们告诉它们不要填补空白。<p>但没有人给它们提供一份不允许推断的内容清单，或者教它们如何在不推断的情况下填补空白。<p>以下是对该清单和方法的尝试。<p>https://github.com/Jang-woo-AnnaSoft/execution-state-preflight