最新

嘿，HN， 如果你曾尝试导出 Gemini 聊天记录，你就会知道这个问题：没有原生的方法可以做到这一点。 我在研究和写作中大量使用 Gemini。每次会话结束后，我都要做同样繁琐的事情——全选、复制、粘贴到 Word 中、修复格式问题，然后重复。代码块变成了普通文本，标题消失了，表格也崩溃了。每次想保留的对话都需要花费 10 分钟进行整理。 因此，我开发了 Gemini Exporter，这是一款 Chrome 扩展，可以一键处理 Gemini 聊天记录的导出工作流程。 支持的导出格式： - 导出 Gemini 聊天记录为 Word (DOCX) – 结构保留：标题、列表、代码块，均可编辑 - 导出 Gemini 聊天记录为 PDF – 适合分享、归档或合规的干净布局 - 导出 Gemini 聊天记录为 Google Docs – 直接推送，无需下载文件，随时准备协作 - 导出 Gemini 聊天记录为 Notion – 将对话转换为 Notion 页面，用于文档或知识库 - 导出选定部分或整个聊天记录 - 在导出前设置字体、大小和文本颜色 为什么不直接使用 API？ Gemini API 不会暴露用户现有的对话历史——它只生成新的响应。导出浏览器中已存在的 Gemini 聊天记录的唯一方法是直接从 DOM 中读取。这正是该扩展所做的，完全在客户端进行。没有对话数据会离开你的浏览器用于 Word 和 PDF 导出。 我希望能收到任何复杂聊天记录的反馈——特别是包含大量代码块、数学符号或非常长的多轮对话。这些都是我仍在优化的边缘案例。 → Chrome 网上应用店：[https://chromewebstore.google.com/detail/gemini-exporter-save-gemi/lgipeakgdkcgnkdljeagconfbfeolidj](https://chromewebstore.google.com/detail/gemini-exporter-save-gemi/lgipeakgdkcgnkdljeagconfbfeolidj) → 网站：[https://backrun.co/gemini-exporter](https://backrun.co/gemini-exporter)

我觉得像Unity和Unreal这样的工具有很多以用户界面为中心的工作流程，这对于营造氛围来说并不太好。

大家好！我们发布了 OxiGDAL v0.1.0，这是一个生产级的地理空间数据抽象库，完全用纯 Rust 编写——无需 C/C++/Fortran 工具链。 如果你曾经遇到过 gdal-sys 的链接错误、为了读取 GeoTIFF 而膨胀的 Docker 镜像，或者在多线程代码中 GDAL 的数据竞争错误，那么这个库就是为你准备的。 <p>它的功能包括： - 11 种格式驱动（GeoTIFF/COG、GeoJSON、GeoParquet、Zarr、FlatGeobuf、Shapefile、NetCDF、HDF5、GRIB、JPEG2000、VRT） - 完整的坐标参考系统（CRS）转换（纯 Rust PROJ，支持 1000 多个 EPSG 代码） - SIMD 加速的栅格/矢量算法（自动检测 AVX2、AVX-512、NEON） - 云原生 I/O（支持 COG 的 HTTP 范围读取，异步处理） - 跨平台绑定：Python（numpy/arrow 原生）、Node.js、WASM、iOS、Android - 大约 50 万行源代码，分布在 68 个工作区 crate 中 <p>只需运行 `cargo add oxigdal`——无需系统库、pkg-config、cmake。编译为单个静态二进制文件。开箱即用，支持 WASM 和 Lambda。 GitHub: <a href="https://github.com/cool-japan/oxigdal" rel="nofollow">https://github.com/cool-japan/oxigdal</a> 我们非常希望听到地理社区的反馈。欢迎提出任何问题！

我在过去几年里一直在大规模推出学习产品——安德鲁·吴的人工智能技能提升平台，以及我在麻省理工学院媒体实验室的衍生项目，专注于人工智能辅导。留存问题在各个地方都是一样的。人们会一次性接触内容，但之后就不再回来。这并不是因为内容不好，而是因为缺乏机制或动力使其成为一种习惯。 行业的标准答案是游戏化——连续签到、积分、徽章。Duolingo已经证明这种方法对语言学习有效。但我对其普遍适用性持怀疑态度。Duolingo的留存率建立在一种非常特定的焦虑循环上，这种循环越来越让人感觉操控，并且不容易转化到像天体物理学或阅读密集的研究论文这样的主题上。 我一直在构建Daily——一种每天5分钟的结构化社交学习，涵盖任何主题，并根据知识水平进行个性化。现在用户还很少（20个用户）。我不断遇到的有趣设计问题是：究竟是什么驱使人们回去学习他们想学但不需要学的东西？没有外部责任，没有最终的证书，也没有工作压力。纯粹的内在动机是 notoriously 难以维持的。 我目前的假设是：回归的触发因素不是游戏化，而是社交——知道其他人也在学习同样的内容，或者有人会注意到你停止学习。我将在第一个月进行测试。 有没有人在这个领域进行过相关的构建，或者认真思考过纯粹内在学习的留存机制？我很好奇HN社区看到的有效方法。