背景：我更喜欢小型手机，目前使用的是iPhone 13 Mini，计划再用三年。可惜电池一直在耗尽，我已经换了第二块电池。我更倾向于自己修理，因为大多数当地商店提供的电池质量较差，而且我有点担心把手机留在那里。我的屏幕也坏了，后玻璃也破了。我在考虑从阿里巴巴国际站（Aliexpress）订购一些替换零件，并想知道除了ifixit上针对特定手机的指南，还有没有其他好的学习资源。
返回首页
最新
嗨，HN，
我是一名独立开发者。我开发这个工具是因为我发现手动为ATS系统匹配关键词非常耗时。
这是一个基于Next.js的应用程序，它可以接收PDF简历和职位描述文本，分析语义差距，并重写要点以匹配目标关键词。
技术栈：Next.js、Vercel AI SDK、Tailwind。
有一个免费的互动演示（无需注册/登录），可以测试解析速度。
链接： [https://cvora.net](https://cvora.net)
欢迎对解析准确性提供反馈。
嘿，HN，
我创建这个工具是因为现代约会中的“匹配到见面”流程存在问题。人们聊天几周，交换电话号码，见面后却在10秒内意识到完全没有化学反应。
Meet Zero 是一个临时视频链接工具。
技术细节：
- 视频：基于 Stream 的视频 SDK（WebRTC）构建，具有低延迟。
- 认证：使用 Supabase（通过 sessionStorage 中的 UUID 进行匿名访客登录）。
- 隐私：不存储电话号码。房间是短暂的，硬性设定10分钟过期（通过边缘函数强制执行）。
- 人工智能：我集成了 OpenAI（GPT-4o）作为按需的“副驾驶”（它根据氛围生成话题卡，而不是监听音频，以保护隐私）。
对访客来说是免费的（无需安装）。希望能收到关于 WebRTC 稳定性和“氛围”提示延迟的反馈。
现场演示请见这里： [https://meet-zero.co](https://meet-zero.co)
基于浏览器的格斗游戏，你可以选择扮演埃隆、扎克、詹森、萨姆或桑达尔。<p>这个游戏是在几个周末里使用Claude Code和Cursor开发的，部署在Vercel上。
我们上周推出了Hackerest。我们是一群来自意大利的安全工程师（前亚马逊、埃森哲），多年来一直以传统方式进行渗透测试，并不断思考为什么工作流程仍然和2010年一样。
目前大多数渗透测试（仍然）是这样进行的：
1. 项目持续数天或数周
2. 在一切完成之前，什么都不会共享
3. 客户在问题实际被发现很久之后才收到一份PDF报告
4. 到那时，攻击面的一半已经发生了变化
Hackerest的工作方式：
* 在主动测试期间，发现的结果实时呈现，测试人员在发现时即可查看
* 内置的发现版本管理，便于跟踪更改、更新和重新测试
* 多名测试人员可以协作而不互相阻碍
* 最终的PDF报告在结束时自动生成
* 客户采用基于信用的模型，以便快速启动测试
我们不使用人工智能进行实际测试。根据我们的经验，黑客攻击是一个创造性和探索性的过程，严重依赖直觉、模式识别和多年的实践经验。自动化测试要么会产生肤浅的结果，要么会给人一种虚假的覆盖感。
我们宁愿对我们提供的服务保持透明：真正的测试人员，拥有真实的经验，实时工作。未来，人工智能可能会帮助处理辅助任务（如摘要、噪音减少、报告清理），但工作的核心仍由知道自己在做什么的人类完成。我们不想在不适合的地方出售自动化。
测试人员网络：
我们与独立且经验丰富的渗透测试人员合作。平台处理任务分配、访问隔离和报告规范化，使测试人员能够专注于实际发现，而不是后勤问题。
我们接下来要构建的内容：
我们将添加工作流程集成（从Jira开始）、更细粒度的通知控制，以及更好的工具，以支持同时进行多个项目的团队。从长远来看，我们希望提供一个结构化的API，让公司能够直接将发现结果导入其内部系统。
如果您曾处理过类似问题，我们非常欢迎您的反馈。我们的目标不是重新发明渗透测试，而是使其与工程团队今天的实际运作相匹配。
如果您想了解项目背后的人，可以查看我的LinkedIn：
<a href="https://www.linkedin.com/in/nt-authority-system/" rel="nofollow">https://www.linkedin.com/in/nt-authority-system/</a>
构建AI代理时，我注意到图形调用在到达LLM之前就很慢。深入研究Pregel执行引擎以找出原因。
**问题**
对我的LangGraph代理进行了性能分析。每次调用耗时50-100毫秒，其中大部分并不是LLM造成的。发现了两个罪魁祸首：
1. 每次调用都创建新的ThreadPoolExecutor——增加了20毫秒的开销。
2. 检查点使用deepcopy()——35KB状态耗时52毫秒，250KB耗时206毫秒。
**解决方案**
通过PyO3用Rust重写了热点路径：
检查点序列化（serde与deepcopy）：
- 35KB状态：0.29毫秒 vs 52毫秒 = 快178倍
- 250KB状态：0.28毫秒 vs 206毫秒 = 快737倍
带检查点的端到端性能：快2-3倍。
**使用方法：**
```bash
export FAST_LANGGRAPH_AUTO_PATCH=1
```
# 或者显式使用
```python
from fast_langgraph import RustSQLiteCheckpointer
checkpointer = RustSQLiteCheckpointer("state.db")
```
**关键见解**
PyO3边界每次调用的成本约为1-2微秒。只有在以下情况下Rust才有优势：
- 避免中间Python对象（检查点序列化）
- 批量操作（通道更新）
- 处理大数据（状态大于10KB）
对于简单的字典操作，Python的C字典仍然更快。
**架构：** Python负责协调（兼容性）+ Rust处理热点路径（性能）。
定期进行兼容性检查！
MIT许可证。欢迎反馈。