最新

当我开始这个项目时，我的想法很简单：“为什么不把博客转换成图表呢？”随着项目的发展，我始终忠于这个核心理念。 我们都在文档和几乎所有其他地方使用Markdown，但以可视化的方式查看结构对我来说一直很困难。我在寻找一种方法，可以轻松查看链接，并在需要时深入了解详细内容。 当然，我可以使用像Mermaid这样的工具，但我想从零开始构建，以使其更加灵活、互动，并且不依赖于其他工具。 使用起来非常简单。你可以调整块的颜色，轻松创建链接，最重要的是，你可以在一个Markdown文件中完成所有这些操作。 我链接的演示是一个聊天应用程序，同时也作为图表生成器。在与AI聊天的过程中，左侧会为你生成Markdown文本。你可以复制它生成的代码。它可以直接在你自己的网站上使用；你只需将库的CDN链接添加到你的页面即可。你可以通过下面的GitHub或npm链接，或者聊天窗口右上角的链接访问详细文档。 GitHub: [https://github.com/bthndmn12/diagram-blog](https://github.com/bthndmn12/diagram-blog) npm: [https://www.npmjs.com/package/diagram-blog](https://www.npmjs.com/package/diagram-blog) 聊天演示: [https://diagram-chat-ai.vercel.app](https://diagram-chat-ai.vercel.app)

嘿，HN， 我正在构建 Databite，这是一个开源工具集，旨在帮助开发者更快速、更轻松地构建集成。 如果你曾经构建过一个需要更新 CRM 记录、在应用之间同步数据或在第三方工具中触发工作流的 SaaS 产品或 AI 代理，你可能花了太多时间在编写粘合代码上。Databite 就是为了解决这个问题而诞生的。 使用 Databite，你可以： - 通过 databite/connectors 包访问预构建的连接器。 - 使用我们的 databite/build 包创建自定义连接器，连接你选择的服务，如 Slack、Notion、HubSpot、Google Sheets 等。 - 使用我们的 databite/connect 包将一键认证流程嵌入到你的 React 项目中。 - 使用我们的 databite/engine 包安排同步和管理连接。 - 提供文档，并使用我们的 databite/ai 包让 AI 为你构建新的连接器。 我们的目标是让构建集成变得像 npm 安装库一样简单。 这对于构建需要大型操作库的 AI 代理尤其有用。Databite 可以作为你的代理执行现实世界任务的“集成层”。 我们仍处于早期阶段（目前不建议将这些库用于任何严肃的项目，我分享这个是为了早期反馈，否则我可能永远不会去做 (: ）。我们的目标是开始建立一个感兴趣的贡献者社区。我相信，考虑到这个问题的性质和规模，集成问题只能通过一个充满活力的开源项目来真正解决（我们在 MIT 许可证下，几乎允许所有想象得到的用例）。 你可以在我们的网站上了解更多信息（[https://databite.dev](https://databite.dev)）。 或者在 GitHub 上关注我们，获取我们的进展通知（[https://github.com/DatabiteDev/databite](https://github.com/DatabiteDev/databite)）。

我通过与自定义硬件加速器集成到PyTorch的相同系统，将远程GPU执行后端集成到PyTorch中。您可以创建一个远程机器，并在需要创建或移动张量到远程GPU时获取其CUDA设备。 ```python machine = mycelya_torch.RemoteMachine("modal", "A100") cuda_device = machine.device("cuda") x = torch.randn(1000, 1000, device=cuda_device) y = torch.randn(1000, 1000).to(cuda_device) ``` 我通过尽可能让大多数操作异步调度，使其性能相对合理。对于一些不可避免的低性能情况，例如将多个GB的权重上传到GPU，我添加了一个装饰器，可以应用于函数，将其转换为远程执行的函数。在大多数情况下，函数的行为在有无装饰器时应保持一致；主要区别在于函数代码是在本地执行还是远程执行。 ```python import mycelya_torch from transformers import AutoModelForCausalLM, AutoTokenizer @mycelya_torch.remote def load_model(model_name: str): tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained( model_name, torch_dtype="auto", device_map="auto" ) return model, tokenizer ``` 目前您只能将其与Modal作为云服务提供商一起使用，并且在他们的免费每月额度内使用是免费的。我非常欢迎任何反馈和错误报告 :)

我经常在头脑风暴新项目时寻找域名，但大多数域名市场充斥着无意义的名称或已经被注册的域名。因此，我创建了SeekLex——它会对超过100万个二手域名进行预处理，以过滤掉无意义的名称，检测有意义的单词，并在您喜欢的名称已被占用时生成创意域名组合。 我们的目标是使域名发现变得更智能、更快速，利用自动化和（即将推出的）人工智能。我计划添加一个API、MCP集成和一个大型语言模型代理，以帮助您找到下一个项目的最佳域名。 非常期待您的反馈和想法。

大家好， 我们创建了OSMEA（开源移动电子商务架构）——一个完整的开源Flutter生态系统，用于构建可扩展的、准备投入生产的电子商务应用程序。 与其从零开始或拼凑随机插件，OSMEA提供了一个模块化架构、自定义UI组件库，以及现成的API集成，支持Shopify、WooCommerce和自定义后端。 亮点： - 模块化与可组合性 – 只构建你所需的功能。 - 平台无关 – 支持Shopify、WooCommerce或任何API。 - 自定义UI组件库 – 可主题化、准备投入生产的Flutter组件。 - 企业级准备 – CI/CD、测试覆盖率、异步安全架构。 - 跨平台 – 从一个代码库支持iOS、Android、Web和桌面。 我们设计这个架构旨在帮助团队将电子商务应用的交付速度提高70%，同时保持代码库的整洁、可测试和可维护。 代码库（MIT许可证）： [https://github.com/masterfabric-mobile/osmea](https://github.com/masterfabric-mobile/osmea) 我们非常希望听到社区的反馈，特别是在以下方面： - 架构可扩展性 - 集成改进 - 现实世界的部署经验 感谢您的关注！