最新

嗨， 我想在这里与大家分享一下Okapi。这是我对可观察性问题的尝试——当生产环境出现故障时，如何进行调试。Okapi专注于可观察性三大要素中的两个（指标、日志、追踪），主要关注指标和追踪。这里的想法是，指标和追踪通常提供了最多的信息，而分析日志则往往是碎片化的，可能会花费大量时间仅仅处理日志。 功能： - 无处不在的Otel，这是Okapi首选且唯一的采集机制 :) 目前，Okapi支持通过protobuf-over-HTTP进行数据采集。以下是一个示例配置（<a href="https://github.com/okapi-core/okapi?tab=readme-ov-file#example-setting-up-otel-collector-with-okapi-export" rel="nofollow">https://github.com/okapi-core/okapi?tab=readme-ov-file#examp...</a>） - 通过点击和代码创建仪表板：Okapi的用户界面有一个仪表板设计器，希望能提供自动补全功能，以便用户不必猜测指标路径。不过，如果你不喜欢点击操作或者热爱GitOps，所有Okapi的仪表板都可以用YAML模板表达。 - 开箱即用的服务健康监测：对于按Otel规范进行仪器化的应用，Okapi将RED（请求失败率、错误率和延迟）作为一项重要概念。服务健康页面提供了服务及其子操作和依赖路径的RED细分。计算结果依赖于应用的仪器化，但希望遵循规范能使事情变得简单。 - 当然还有AI：Okapi有一个有限功能的AI SRE代理，亲切地称为Oscar（本该是一个okapi，但目前还没有吉祥物）。称其为全面的SRE有些牵强，因为这是一项艰巨的工作。你可以像与任何聊天机器人一样用自然语言向Oscar提问，它会尽力回答。至少在集成测试中，Oscar可以根据条件获取指标、查找追踪，并进行多步骤调试，将查询延迟与主机上的高CPU使用率关联起来。 我很想听听社区的反馈，欢迎大家来看看。 简而言之：<a href="https://github.com/okapi-core/okapi?tab=readme-ov-file#quicker-very-fast-quickstart" rel="nofollow">https://github.com/okapi-core/okapi?tab=readme-ov-file#quick...</a>

我制作了一个应用，可以让你像在《侏罗纪公园》的Unix系统中一样查看Kubernetes资源 :) 可能不太适合用于任何严肃的场合，但考虑到今天可用的工具，我不想让这个想法溜走。只是带有一点怀旧的氛围。

我构建了一个可自托管的管道，它可以将剧本（或一句话的创意）转化为完成的动画视频——无需编码，也无需SaaS订阅。 管道步骤： 1. 编写或通过人工智能生成剧本 2. 提取角色 → 生成角色转身参考图（以确保视觉一致性） 3. 将剧本拆分成镜头，并添加摄像机方向和动作描述 4. 生成关键帧（每个镜头的第一帧和最后一帧），并保持连续性 5. 将每个镜头插值为视频片段 6. 使用FFmpeg合并所有内容，添加字幕 每个阶段都可以单独触发或批量处理，因此你可以保持控制。 技术： - Next.js 16 应用路由 + SQLite（自包含，无需基础设施） - 自带密钥：OpenAI、Gemini或Seedance用于文本/图像/视频 - Docker一行命令：docker run -p 3000:3000 -v ./data:/app/data twwch/aicomicbuilder:latest - 无需账户——浏览器指纹（用户代理/屏幕/时区的SHA-256）作为用户身份，因此多个用户可以共享一个实例，同时数据完全隔离 我为什么要构建它：现有的视频生成工具要么是单次生成（一个提示→一个片段），要么是完全不透明的管道。我想要一个能够展示每个步骤的工具，这样我可以在提示上进行迭代，在项目中途更换模型，并理解实际发生的事情。 最难的部分是连续性链——镜头N的最后一帧成为镜头N+1的第一帧，这样可以在剪辑之间保持角色的视觉一致性，而无需微调。 GitHub: https://github.com/twwch/AIComicBuilder 自述文件中有演示视频。希望能收到关于管道设计的反馈，以及指纹作为身份验证的权衡是否适用于这个用例。

团队， 我在2025年10月创立了Hackerdogs，旨在为合适的人在合适的时间提供正确的信息。当我管理较大的开发和安全团队时，我常常难以实时获取公司整体安全态势及其应用程序的信息。在发生事件时，我不得不面对客户，却几乎没有数据可依赖。Hackerdogs的诞生就是为了解决这个问题，以AI为基础，让人们不必四处奔波去获取实时的威胁和态势数据。 随着Preview 1（于2月2日发布）的成功，我们在Preview 2上取得了巨大的进展。Preview 1是一个聊天体验，集成了150多个MCP服务器和多代理工作流程。Preview 2的主题是：一键攻击面发现：以黑客的视角看待您的组织。 新功能： 1) 定时提示持续发现您的攻击面和其他态势信息 2) 一键攻击面发现 3) API和Hackerdogs MCP服务器，您可以在Claude或自己的管道中使用Hackerdogs 4) 集成200多个安全和OSINT MCP服务器 5) 支持Slack、Teams、Discord和自定义API的Webhook 期待反馈，欢迎贡献者加入。 试用链接：<a href="https://preview.hackerdogs.ai" rel="nofollow">https://preview.hackerdogs.ai</a> 谢谢， Tej 创始人兼首席执行官 <a href="https://hackerdogs.ai" rel="nofollow">https://hackerdogs.ai</a>

AI 编码代理在上下文填充时会退化。在第六阶段（共八个阶段），输出质量悄然下降。我不得不手动重启会话——将我的产品需求文档（PRD）和进展记录复制粘贴到一个新的上下文中，以保持进度。这并不是一个自主开发者，而是在“看护”。 Tarvos 自动化了交接。当上下文超过 50% 时，它会写一份进展记录，并启动一个新的代理，准确接续上一个代理的工作。每个会话都有自己独立的 Git 工作树。工作完成后，可以将合并接受到你的分支，干净地拒绝不需要的内容。 你编写一个 Markdown 计划，Tarvos 会在没有你干预的情况下完成它。 开源，MIT 许可。现在可以使用，虽然还有一些粗糙的地方。

我没有直接将原始价格数据输入提示中，而是将大型语言模型（LLM）严格视为“定性推理者”（大脑），并构建了确定性的脚本作为“定量执行者”（双手）。 数学层（零幻觉）：传统的 Node.js/Python 脚本提取市场数据并计算确定性指标（简单移动平均线 SMA、平均真实波幅 ATR、相对强弱指数 RSI），并对历史胜率进行回测。 上下文层：它通过 Finnhub/Tavily 获取实时新闻、美国证券交易委员会（SEC）文件摘要和华尔街评级。 LLM 大脑（DeepSeek-R1 / GPT-4o）：模型仅接收计算结果。它充当投资委员会，权衡技术设置与宏观新闻催化剂之间的关系。 风险控制器：即使人工智能大喊“买入”，系统也会通过硬编码的波动率平价模型（使用 ATR）来计算确切的安全持仓规模。 人机协作（Telegram）：在执行方面，我集成了一个政策引擎。机器人会向我的 Telegram 发送一张精美的提案卡。只有在我回复/批准后，它才会通过经纪人 API（Longport/Alpaca）执行。 1000 美元实验： 我现在正在进行这个实验。这不是为了致富，而是一个工程实验，旨在观察多代理系统是否能够在嘈杂的市场中保持正的期望值（+EV），而不会崩溃。 目前，系统在第一周的表现为 [上涨 2% / 下跌 1% / 持平]。它成功避免了昨天的假突破，因为熊代理成功地在低成交量下与牛代理进行了辩论。 技术栈：Node.js、TypeScript、SQLite、better-sqlite3、Longport SDK。 我将整个框架开源。它高度模块化，因此您可以轻松替换自己的指标或提示逻辑。 我希望 HN 社区能对我的架构进行批评，指出我在回测逻辑中的盲点，或者告诉我我将多快失去这 1000 美元。

我正在构建 CmdRunner，一个能够直接从文档中执行 web 应用测试用例的 AI 代理。 大多数团队维护着 Selenium 或 Playwright 脚本，但许多团队已经在 Excel 或文档中编写了测试步骤。 CmdRunner 可以读取这些步骤，并像人类测试人员一样在浏览器中执行它们。 工作流程： 1. 上传测试用例文件 2. 代理理解每个步骤 3. 打开浏览器 4. 执行动作 5. 验证结果 6. 生成报告 目标：减少维护自动化脚本所花费的时间。 如果有人有兴趣用真实的测试用例进行尝试，请在这里注册： <a href="https:&#x2F;&#x2F;cmdrunner.com" rel="nofollow">https:&#x2F;&#x2F;cmdrunner.com</a>