最新

你好， 我是Armen。 我开发了deadbranch——一个用于安全清理过期git分支的Rust命令行界面/文本用户界面（CLI/TUI）。它使用ratatui来实现TUI。 v0.3.0的主要功能：当你删除分支时，它们会以类似于灭霸的粒子效果消散（闪光 -> 溶解 -> 定型）。分支删除在后台线程中运行，因此用户界面保持响应。 为什么要使用TUI呢？它默认更安全（仅删除已合并的分支，保护主分支/主干分支/开发分支/阶段分支），允许你预览删除内容，具有模糊搜索/ Vim导航，并且有有趣的用户界面功能。 代码库链接： [https://github.com/armgabrielyan/deadbranch](https://github.com/armgabrielyan/deadbranch) 期待你的反馈！

我是一名软件架构师，最近开发了Exit Protocol（<a href="https://exitprotocols.com" rel="nofollow">https://exitprotocols.com</a>），这是一个针对高冲突诉讼的自动化法务会计引擎。 <p>问题： 如果你离婚了，并且需要证明某个特定的25万美元在一个高度混合的共同银行账户中是你的“独立财产”（例如，来自婚前创业的退出收益），那么证明责任完全是数学性的。历史上，这意味着需要支付法务注册会计师每小时500美元，将多年的模糊银行PDF文件导入Excel，并手动追踪每一美元。这通常需要几周时间，费用超过5万美元。 <p>我查看了法院用于此类案件的法律标准——最低中间余额规则（LIBR），意识到这并不是一个会计问题，而是一个分布式系统状态机问题。 <p>为什么我们不直接“抛出AI”呢？ <p>目前有一百家法律科技初创公司试图使用大型语言模型（LLMs）来总结银行数据。在法庭上，生成式AI是致命的责任。如果一个LLM虚构了一笔交易，整个账本在道伯特标准下将被视为不可接受。 <p>为了使其适合法庭，我们必须构建一个严格确定性的管道： <p>1. 视觉原生摄取（超越Tesseract） 银行对账单是光学字符识别（OCR）的最终Boss（合并单元格、重叠的借贷列）。标准线性OCR会灾难性失败。我们构建了一个空间网格OCR管道（使用Azure文档智能和本地Surya OCR作为后备），能够映射页面的几何结构。它可以完美重建表格账本，即使是来自“地狱PDF”的多代文件。 <p>2. 确定性引擎（LIBR） LIBR算法充当单向棘轮。如果账户余额低于你的独立财产索赔金额，你的索赔将永久限制在新的底线。后续的婚姻存款不会重新填充它（“补充谬误”）。该引擎按时间顺序重放数千笔交易，持续评估S_t = min(S_t-1, B_t)。 <p>3. 解决时间戳歧义 银行PDF提供日期，而不是时间戳。如果在同一天发生了一笔1万美元的存款和1万美元的取款，顺序就很重要。我们构建了一个模拟切换，强制“最坏情况”（先处理取款）与“最好情况”排序，建立一个数学上不可反驳的“真相区”用于和解谈判。 <p>4. 加密链条和主权模式 律师们对云SaaS的安全漏洞感到恐惧。我们通过Docker将整个单体应用（Django 5.0/Postgres/Celery）容器化，以便企业可以在自己的硬件上以隔离模式运行（主权模式）。此外，每个生成的PDF档案都用基础数据快照的SHA-256哈希进行封存，向法官证明输出自生成以来未被篡改。 <p>如果你想看到数学的实际应用，我们设置了一个“演示沙箱”，里面填充了一个合成的、高度复杂的三年混合账本。你可以在这里自己运行引擎（推荐使用桌面版）：<a href="https://exitprotocols.com/simulation/uplink/" rel="nofollow">https://exitprotocols.com/simulation/uplink/</a> <p>这是我们系统从原始PDF或法务审计档案生成的确切“律师工作产品”——<a href="https://exitprotocols.com/static/documents/Forensic_Audit_Sample_Vinay_MKT2026.pdf" rel="nofollow">https://exitprotocols.com/static/documents/Forensic_Audit_Sample_Vinay_MKT2026.pdf</a> <p>我非常希望得到HN社区对架构的反馈——特别是在处理边缘案例数据摄取和在B2B企业部署中维护加密完整性方面。 <p>谢谢！

我开发了 LLM OneStop Code——一个适用于 VS Code 的 AI 编程助手，类似于 Claude Code 或 Cursor，但有一个关键区别：采用纯按需计费模式，无需每月订阅。 现有工具的问题： - Cursor：每月 $20 的专业版费用（即使你几乎不使用） - GitHub Copilot：最低每月 $10 - Claude Code：受限于 API 使用等级和每月上限 LLM OneStop Code 仅按实际使用收费——以成本加 5% 的积分方式计费。如果你这个月编码 2 小时，下个月编码 40 小时，你将按比例支付。没有配额限制，也没有“升级以继续”的提示。 它的功能： - 多模型 AI 助手（Claude、GPT-5、Gemini 等） - 在 VS Code 中提供基于聊天的编码辅助 - *导入并继续你现有的 Claude Code 或 Cursor 会话*——当你达到每小时使用限制或配额时，只需导入对话，继续工作而不丢失上下文 - 设计为无状态（不在服务器上存储代码） - 提供免费计划以体验所有功能（每月 100 积分） 同时将 LLM OneStop 作为统一的 API 网关运行——作为 OpenRouter 的替代方案，具有准确的多模式成本跟踪。如果你更喜欢自带 API 密钥，我们提供 Connect 计划。 我们的论点是：开发者希望 AI 编程工具能够根据使用情况扩展，而不是固定的订阅。如果你只在周末编码，就不应该支付每年 $240。当你在调试会话中遇到配额限制时，也不应该重新开始或等到明天再继续。 希望听到那些感到被编程工具订阅锁定或在会话中遇到配额限制的朋友们的反馈。 市场链接： [https://marketplace.visualstudio.com/items?itemName=LLMOneStop.llmonestop](https://marketplace.visualstudio.com/items?itemName=LLMOneStop.llmonestop) 文档链接： [https://www.llmonestop.com/blog/guides/llm-onestop-vscode-extension-ai-coding-assistant](https://www.llmonestop.com/blog/guides/llm-onestop-vscode-extension-ai-coding-assistant)

几周前，我看到一则帖子，讲述有人在不到两周的时间内使用人工智能将整个 C++ 代码库转换为 Rust。这让我受到启发——如果人工智能能如此快速地重写整个语言栈，我想尝试在人工智能的帮助下从零开始构建一种编程语言。 我还注意到全球对韩国语言和文化的兴趣日益增长，我想知道：如果每个关键字都用韩文（韩国书写系统）表示，这种编程语言会是什么样子？ 于是，Han 应运而生。它是一种静态类型语言，使用 Rust 编写，拥有完整的编译器流程（词法分析器 → 语法分析器 → 抽象语法树 → 解释器 + LLVM IR 代码生成）。 它支持数组、带实现块的结构体、闭包、模式匹配、异常处理、文件输入输出、模块导入、交互式命令行（REPL）以及一个基本的语言服务器协议（LSP）服务器。 这是一个副项目，并不是在推销“你应该用这个替代 Python”。对于语言设计、编译器架构或韩文关键字选择的反馈，我非常欢迎。 <a href="https://github.com/xodn348/han" rel="nofollow">https://github.com/xodn348/han</a>

我对一个简单的问题产生了好奇：正则表达式纯粹是语法的，但如果加入一点语义会发生什么呢？<p>为了回答这个问题，我最终构建了ngrep：一个类似grep的工具，它通过一个新的操作符~(token)扩展了正则表达式，利用word2vec风格的嵌入（如FastText、GloVe、Wikipedia2Vec）按意义匹配单词。<p>一个简单的演示：“~(big)+ \b~(animal;0.35)+\b”在《白鲸》中可以找到许多指代大型动物的表达方式，比如“great whale”（伟大的鲸鱼）、“enormous creature”（巨大的生物）、“huge elephant”（巨大的大象）等等。通过管道命令sort | uniq -c，最终结果不出所料是“great whale” :)<p>这个工具是用Rust构建的，基于强大的fancy-regex，并且~()可以与所有标准操作符（负向前瞻、量词等）组合。目前是一个概念验证（PoC），还有许多优化缺失（例如：没有缓存、没有编译为标准正则等），显然没有普通正则的保证，并且受限于w2v风格的嵌入……但我觉得值得分享！

构建Cloak以便让人类和OpenClaw代理能够发送和接收秘密，而不将其泄露到聊天记录中。<p>它为API密钥、令牌、密码和其他凭证创建自毁的秘密链接。浏览器模式为零知识，同时还提供API/CLI/OpenClaw插件以支持代理工作流程。<p>代码库：<a href="https://github.com/opsyhq/cloak" rel="nofollow">https://github.com/opsyhq/cloak</a> 在线访问：<a href="https://cloak.opsy.sh" rel="nofollow">https://cloak.opsy.sh</a>

我正在开发一个基于浏览器的 JSON 工具，支持带有点符号的查询语言、数组切片、通配符和递归下降（..key）。它还可以根据您的数据自动生成 TypeScript 接口。 所有操作都在客户端进行——您的数据不会离开浏览器。整个应用程序是一个单独的 HTML 文件，没有任何依赖。 您可以将 JSON 和查询压缩成一个可分享的 URL，这对于报告错误或与团队成员共享 API 响应结构非常有用。 欢迎对查询语法和其他任何方面提供反馈。<a href="https://json.express" rel="nofollow">https://json.express</a>

嗨，HN， 我是一名独立开发者，厌倦了“文档地狱”，要么花费数小时编写的文档立刻过时，要么根本没有文档。我想要一个将文档生成视为标准构建步骤的工具，因此我开发了 Docgen。 Docgen 是一个轻量级的 AI 命令行工具，使用 C++ 编写，旨在实现文档即代码的自动化。它位于你的代码库中（通过 .docgen 文件夹和 Docfile），并在你的源代码旁生成 Markdown 文件。 以下是一些关于它如何在后台工作的技术细节： - 本地优先 & 私密：默认使用本地的 Ollama，这样你的专有代码永远不会离开你的机器（不过如果你愿意，它也支持像 OpenAI/Gemini 这样的云 API）。 - 智能增量构建：它使用内容哈希。当你运行 docgen update 时，它只会重新生成实际更改过的文件的文档，从而节省大量的 API 费用和计算时间。 - 上下文感知（RAG）：它会自动分析 #include 依赖关系，为 LLM 提供正确的上下文，而不是盲目地将单个文件喂给它。 - 零依赖：编译为单个静态二进制文件。只需下载并运行即可。 - “自动”模式：这是我最喜欢的部分。如果你运行“docgen auto”，它会作为文件监视器，内置防抖动（在你停止输入/保存后等待几秒）。它在后台静默更新你的 Markdown 文档，让你保持工作状态。 我目前专注于改进 RAG 上下文处理。 你可以在这里查看： [https://github.com/alonsovm44/docgen](https://github.com/alonsovm44/docgen) 我很想听听你的想法、对架构的批评，或者你认为我应该处理的任何边缘案例！