最新

我在我的客厅里花了7个月时间构建了一个名为“Nel”的功能性人工智能治理系统。作为一名没有正式背景的独立开发者，我想看看自己能否创造出一个能够处理人工智能模型之间伦理辩论并自我演变宪法的系统。 它的功能包括： - 通过5个不同的人工智能模型（如Mistral、Llama2等）路由查询 - 指定一个正式的“挑战者”模型以强制进行辩论 - 自主检测异议，使用置信度阈值 - 标记伦理冲突以进行宪法审查 - 在单台机器上完全离线运行 证明它有效的例子 - 这是系统处理电车难题的过程： www.tiktok.com/@neuraledge_limitless/video/7560316804069952790 终端输出显示整个异议检测过程： 这不是理论 - 它现在正在运行。我分享这个是因为： 1. 我相信这种人工智能治理方法很重要 2. 我在寻找合适的地方进一步开发这个项目 3. “离线人工智能学校”的应用案例可能会改变偏远地区的教育 我会在这里回答任何技术问题。 谢谢。

嗨，HN！我正在构建Orchestro，这是一个基于AI的任务管理系统，专为Claude Code设计，类似于Trello，但专注于AI辅助开发。 **问题：** 在与Claude Code合作进行复杂项目时，我总是无法跟上AI在多个对话中所做的事情。任务会重复，依赖关系不明确，而且无法看到全局。我需要一种介于简单待办事项列表和复杂Jira之间的解决方案。 **它的功能：** - 通过分析你的代码库，将用户故事分解为技术任务 - 自动跟踪依赖关系并检测冲突 - 实时进度可视化看板 - 从过去的工作中学习模式，以改善未来的建议 - 完整的AI决策和代码更改审计记录 - 60个MCP工具，用于协调复杂的开发工作流程 **工作原理：** 当你给Claude Code提出功能请求时，Orchestro可以： 1. 分析你的代码库结构（文件、依赖关系、模式） 2. 将故事分解为具体任务，并附上文件引用 3. 检测与现有代码的潜在冲突 4. 跟踪已完成、正在进行和被阻塞的任务 5. 从成功/失败中学习，以便下次改进 **技术栈：** - 后端：TypeScript、模型上下文协议SDK、Supabase（PostgreSQL） - 前端：Next.js 14、React服务器组件、TailwindCSS - 实时：PostgreSQL触发器 + WebSockets - 传输：标准输入输出（本地运行，完全隐私） **为什么选择MCP？** MCP（模型上下文协议）是Anthropic连接AI与外部工具的标准。Orchestro并不是构建另一个AI包装器，而是作为原生工具套件直接集成到Claude Code中。可以把它看作是为Claude Code赋予项目管理的智能。 **与众不同之处：** 大多数MCP服务器是单一功能（如GitHub集成、数据库查询等）。Orchestro是一个完整的工作流协调器，拥有60个相互关联的工具，共同工作：任务分解、依赖分析、模式学习、监护代理（数据库/架构/API验证）以及完整的审计记录。 **当前状态：** - v2.1.0已在NPM上线：@khaoss85/orchestro - 已在官方MCP注册表中发布 - 测试覆盖率为96.7% - MIT许可证，完全开源 **我希望得到的反馈：** 1. “Claude Code的Trello”这个定位是否合适？ 2. 你会将其用于个人项目还是主要用于团队工作流程？ 3. 还有哪些其他MCP工具可以使其更有用？ 4. 功能太多还是刚好适合这个问题空间？ 我们的愿景是架起产品经理（以故事思考）、开发者（以代码思考）和AI（可以两者兼顾但需要结构）之间的桥梁。 GitHub: [https://github.com/khaoss85/mcp-orchestro](https://github.com/khaoss85/mcp-orchestro) 演示：在设置后，访问 [http://localhost:3001](http://localhost:3001) 观看看板实时更新 试试它：`npx @khaoss85/orchestro@latest` 欢迎随时提问！

我一直在探索扩散模型，这种模型已经改变了图像和视频生成，如何应用于文本生成。离散扩散模型背后的数学一开始可能会让人感到有些畏惧，因此我整理了一个带注释的 Jupyter Notebook，详细讲解了理论，并构建了一个基于字符级的离散扩散 GPT，该模型是从 Andrej Karpathy 的 baby GPT 进行改编的。与其自回归地生成文本（从左到右），该模型学习并行去噪损坏的文本序列。 这个 Notebook 涵盖了数学框架、离散标记的噪声过程，以及一个基于莎士比亚文本训练的有效实现。 GitHub: [https://github.com/ash80/diffusion-gpt](https://github.com/ash80/diffusion-gpt) 在 Google Colab 中打开: [https://colab.research.google.com/github/ash80/diffusion-gpt/blob/master/The_Annotated_Discrete_Diffusion_Models.ipynb](https://colab.research.google.com/github/ash80/diffusion-gpt/blob/master/The_Annotated_Discrete_Diffusion_Models.ipynb) 欢迎提供反馈和建议。

嗨，HN！我刚刚开源了 Pyversity，这是一个轻量级的库，用于多样化检索结果。大多数检索系统只优化相关性，这通常会导致前 k 个结果几乎完全相同。Pyversity 高效地对结果进行重新排序，以平衡相关性和多样性，呈现出仍然相关但不那么冗余的项目。 主要特点： - 统一 API：一个函数（diversify）支持几种知名策略：MMR、MSD、DPP 和 COVER（未来会增加更多）。 - 轻量级：唯一的依赖是 NumPy，使得包体积小且易于安装。 - 快速：所有支持的策略都有高效的实现；在毫秒级别内多样化结果。 使用交叉编码器进行重新排序目前非常流行，但也非常昂贵。根据我的经验，通常可以通过更简单、更快速的方法来改善检索结果，比如这个包中实现的方法。这有助于检索、推荐和 RAG 系统呈现更丰富、更具信息量的结果，确保每个新项目都能添加新信息。 代码和文档：github.com/pringled/pyversity 如果您有任何反馈或对其他多样化策略的建议，请告诉我！