最新

嗨，HN，我是Arlan，我创建了Nia（<a href="https://www.trynia.ai" rel="nofollow">https://www.trynia.ai</a>），这是一个开放的多通道处理器（MCP），可以与Cursor、Continue和Cline等编码代理集成，从而更好地获取外部知识，超越当前的方法。 编码代理在生成代码方面表现良好，但当答案位于它们面前的代码库之外时，准确性会下降。开发者最终不得不手动粘贴GitHub链接、文档和博客文章，并希望代理能够滚动到足够远的地方。长上下文窗口有所帮助，但最近的“上下文衰退”测量显示，随着提示的增长，质量仍然下降。例如，在LongMemEval中，所有模型在集中（短且相关）提示（约300个标记）上的得分远高于在完整（无关，113k个标记）提示上的得分，即使在最新模型中，性能差距依然存在（<a href="https://research.trychroma.com/context-rot" rel="nofollow">https://research.trychroma.com/context-rot</a>）。 Nia是一个多通道处理器（MCP），为任何编码代理或集成开发环境（IDE）提供更多上下文。它索引多个代码库和文档网站，并通过MCP将这些信息提供给你的编码代理，使其拥有更多的上下文，从而给出更具体和准确的答案。 Nia使用一种混合代码搜索架构，将基于图的结构推理与基于向量的理解相结合。当一个代码库或文档被引入时，Tree-sitter会将其解析为50多种语言和自然语言的抽象语法树（AST），并根据函数/类边界将代码分块为稳定的、内容可寻址的单元。这些块同时存储在图数据库中，以建模函数调用和类继承等关系，并存储在向量存储中。在查询时，轻量级代理使用give_weight工具根据意图（例如，“谁调用X”与“身份验证如何工作”）动态分配图搜索和向量搜索之间的权重，并并行搜索这两条路径。结果被融合，丰富了完整的代码上下文，并通过多阶段重排序器处理：语义重排序器、交叉编码器、基于大型语言模型（LLM）的验证器。 早期信号：在内部评估中，一旦Nia索引了外部文档，Cursor的性能提高了27%，这些文档是模型无法从其训练数据或网络搜索中获取的。 快速入门：&lt;<a href="https://www.youtube.com/watch?v=5019k3Bi8Wo" rel="nofollow">https://www.youtube.com/watch?v=5019k3Bi8Wo</a>&gt; 演示：&lt;<a href="https://www.youtube.com/watch?v=Y-cLJ4N-GDQ" rel="nofollow">https://www.youtube.com/watch?v=Y-cLJ4N-GDQ</a>&gt; 要试用：在<a href="https://app.trynia.ai/" rel="nofollow">https://app.trynia.ai/</a>获取API密钥，并按照<a href="https://docs.trynia.ai/integrations/nia-mcp" rel="nofollow">https://docs.trynia.ai/integrations/nia-mcp</a>上的说明进行操作。 试试吧，看看能不能搞坏它！我很想知道你的代理在什么上下文中仍然存在遗漏。边缘案例、延迟问题、扩展错误。我随时在线，24/7为你服务。 谢谢！

嗨，HN，我们最近出售了之前的产品，目前正在构建新的想法。这个可能是我们发现的最令人兴奋且被忽视的AI产品增长机会： 简而言之：我们开发了一款分析和探索用户提示的工具——这样您就可以真正理解用户如何与您的AI产品互动，并比较不同细分群体（语言、付费与免费等）的行为。 如果您习惯使用Mixpanel / Amplitude / PostHog来分析用户行为，您可能会注意到，当您的产品仅仅是一个聊天框（或语音界面）时，它们变得多么无关紧要。这是因为在AI时代，您不再需要按钮事件——您需要分析大量文本数据。 为了解决这个问题，我们开发了一个我们称之为GenAI应用的Mixpanel——一个用于大规模分析和探索用户聊天的自然语言处理工具。 我们已经可以做到： 1⃣ 多层语义聚类（查看所有主题的大局并深入分析） 2⃣ 过滤和分组（比较不同语言、人口统计、免费/付费等的使用情况） 3⃣ 潜在空间探索 4⃣ 提示的语义搜索 5⃣ 主题和标记使用情况分析 6⃣ （即将推出）随时间变化的趋势和受众漂移 这样您就可以回答以下问题： - 我应用的主要用例是什么？ - 支付最多的用户在做什么？ - 花费最多时间的用户在做什么？ - 我错过了哪些安静的受众和用例？ - 不同语言之间的用户模式有何不同？ - 我们可以吸引哪些新受众？ 请查看链接以获取截图和如何开始的说明！任何反馈都非常感谢（我不会说如果是负面的我不会哭）。

市面上有很多商业的YouTube摘要工具，但我找不到一个真正符合我需求的开源工具。因此，我开发了YouTubeTLDR：一个简单的、自托管的解决方案，使用Gemini API，且没有过多的冗余。 我采用了同步方法加上线程，这让我在使用Tokio时感到很轻松。 该工具是“自带密钥”，但每次请求时密钥会发送到服务器，这一点我可能在未来会进行修改。 可以在<a href="https://youtubetldr.onrender.com/" rel="nofollow">https://youtubetldr.onrender.com/</a>上查看演示。