返回首页
最新
我创建了 k-synth 作为一个实验，旨在探讨一种简约的、受 K 语言启发的数组语言是否能比传统代码更快速、更直观地绘制波形。我整理了一个基于网页的工具包，您可以直接在浏览器中尝试语法，而无需接触编译器：
<p>实时工具包：<a href="https://octetta.github.io/k-synth/" rel="nofollow">https://octetta.github.io/k-synth/</a>
<p>如果您访问该页面，这里有一个快速获取音频效果的路径：
<p>- 点击“patches”，选择 dm-bell.ks。
<p>- 点击“run”——笔记本区域将更新。点击波形以听取结果。
<p>- 点击波形下方的“->0”按钮，将其复制到顶部的槽 0（槽也可以点击）。
<p>- 点击输入区域中的“pads”以显示性能网格。
<p>- 点击“melodic”以在网格上以不同的间隔播放槽 0 的样本。
<p>‘奇怪’的堆栈：
<p>- 语言：一种简化的右结合数组语言（例如，s 表示正弦，p 表示圆周率）。
<p>- 网络工具包：使用 WASM 和 Web Audio 构建，用于实时编码样本。
<p>- AI 对编程：我使用 AI 代理来引导解析器和网页模板，这让我在几周内就能验证语言设计，而不是几个月。
<p>目标：这并不是为了取代数字音频工作站（DAW）。它是一种为更大项目生成样本的紧凑方式。目前处于“是否可行”的状态。我希望能从数组语言和数字信号处理（DSP）社区获得反馈——特别是关于运算符选择和从右到左的求值逻辑。
<p>源代码（MIT）：<a href="https://github.com/octetta/k-synth" rel="nofollow">https://github.com/octetta/k-synth</a>
嗨，HN，
我创建了OpsOrch，因为运营工作分散在太多工具中。
事件可能在PagerDuty中，日志在Datadog中，指标在Prometheus中，而运行手册则在其他地方。每个系统都有自己的API和数据模型，因此跨工具的工作流程通常变成了粘合代码。
OpsOrch是我尝试标准化这一切的结果。
它为事件、日志、指标、警报、服务和运行手册等定义了一个通用的架构，然后使用适配器将不同的提供者连接到一个接口后面。
目标很简单：客户可以请求：
- 影响某个服务的事件
- 相关的日志和指标
- 关联的运行手册上下文
我特别希望听到关于这个抽象是否真的有用的反馈，或者在实际应用中是否变得过于通用。
欢迎提问关于架构、适配器模型和权衡的内容。
我构建了一个训练证明（Proof-of-Training）L1区块链，矿工们训练一个共享的MinGRU神经网络，而不是计算SHA-256哈希。每个区块都会使模型变得更智能。
与比特币的主要区别：
- 矿工们竞争的是验证损失的改善，而不是哈希目标
- 每个区块包含一个可验证的模型检查点
- 网络作为副产品生成一个公开可用的AI模型
- MinGRU架构的参数效率约为Transformers的388倍
技术细节：
- 65K行C++20代码，支持Windows/Linux/macOS构建
- 4个GPU后端：CUDA、Vulkan、Metal、CPU回退
- 闪电网络用于即时支付
- Ed25519签名、Keccak-256d哈希、Bech32地址
- 模型持续增长：d_model从384开始，每个区块增加2
- 供应上限：2100万枚硬币，10分钟一个区块，基于供应的减半
模型随着网络的增长而发展。早期的区块训练一个小型的2600万参数模型。随着更多矿工在几年内加入，模型规模将扩展到数十亿个参数——到那时，手机将足够强大，可以在本地运行它。无需API密钥，无需订阅，无需审查。
创世信息：“OpenAI在2026年烧掉140亿美元，最后的手段是给ChatGPT添加广告”
白皮书：<a href="https://kristian5013.github.io/resonancenet/ResonanceNet_Whitepaper_V2.pdf" rel="nofollow">https://kristian5013.github.io/resonancenet/ResonanceNet_Whitepaper_V2.pdf</a>
我偶然看到一篇来自shannoncc的帖子，标题是“我60岁了。Claude Code重新点燃了我的热情”，这让我深思。我也快60岁了，但人工智能却让我失去了热情。我记得在人工智能出现之前的日子，那时我白天、晚上、周末和假期都在享受编程的乐趣。而现在，这种乐趣不复存在，而其他人却重新找到了他们的“热情”。
我认为这取决于你喜欢什么：旅程还是目的地。我一直以来都享受旅程，而我觉得现在那些乐在其中的人是在享受目的地。人工智能给了我们更多的目的地，但旅程却少了。这并不是好或坏，只是不同而已。
我创建了一个Claude Code技能，可以将你的终端变成一张扑克桌。你将与三位AI对手进行无限注德州扑克游戏，每个AI对手作为独立的Claude子代理运行，拥有自己的个性和隐藏的牌。主代理充当发牌员，管理游戏状态，并可以选择性地为你提供指导。
指导方面有三种模式：完全不提供帮助、在每次决策前提供实时提示，或仅在手牌结束后进行分析。
温馨提示：Claude在每一手牌上都非常激进。你可以期待比任何真实扑克桌产生的更多的口袋A和戏剧性的转牌。
```
╭─────────────────────╮
│ 彩池: 130 │
│ Q♥ 9♦ 4♠ │
Alex │ │ Jordan
[990] ╰─────────────────────╯ [905]
(小盲) (大盲)
弃牌 加注 50
你 <- Sam
[965] [1000]
(按钮) (早位)
┌────────┐ 弃牌
│ K♠ Q♠ │
└────────┘
教练的低语：你在翻牌中得到了顶对，带有国王的踢脚牌——在这里是非常强的手牌。Jordan是翻牌前加注者，并且在对你进行持续下注，这是标准的玩法。跟注是稳妥的选择，可以让彩池保持可控。你也可以加注到大约140以获取价值和保护，但在位置上跟注并让Jordan继续下注也是一个非常好的策略。
[F]弃牌 [C]跟注50 [R]加注到 ___
```
在你的第二个终端中做些事情，而Claude在第一个终端中为你工作。
仓库链接： [https://github.com/BohdanPetryshyn/code-royale](https://github.com/BohdanPetryshyn/code-royale)
我用Go语言构建了Signet，目的是看看一个自主系统能否处理目前由人工进行的野火监测循环——检查卫星数据、获取天气信息、观察地形和燃料情况，判断某个检测是否真的值得跟踪的火灾。
所有的数据都已经存在：NASA的FIRMS热检测、GOES-19影像、NWS天气预报、LANDFIRE燃料模型、USGS海拔数据、人口普查数据、OpenStreetMap。问题在于这些数据来自不同的来源，以不同的节奏和格式到达。
系统的大部分是确定性的基础设施——数据摄取、空间索引、去重。我使用Gemini来协调23个工具，涵盖天气、地形、影像和事件跟踪，尤其是在清晰规则失效的部分：决定哪些弱检测值得进一步调查、接下来应该提取什么上下文，以及如何将嘈杂的证据综合成结构化评估。
它还记录时间限制的预测，并将其与后来的数据进行评分，因此系统所做的声明是可证伪的，而不是事后叙述。尽管样本仍然较小，但当前的预测指标在网站上是可见的。
它已经能够从原始卫星检测中开启事件，并将一些事件与官方的NIFC报告进行匹配。但假阳性、检测延迟和事件匹配仍然存在问题。
我特别欢迎对以下方面的批评：在什么地方应该更具确定性，而不是依赖大型语言模型？这种自主监测是否真的有用，还是比手动操作更嘈杂？