我们尝试通过我们的基于浏览器的工具处理一个大型数据集，但旧的 JavaScript 引擎崩溃了。将 DuckDB 编译为 WebAssembly 后，问题得以解决。
现在整个分析数据库在客户端运行。解析、过滤和聚合都在浏览器中进行，因此没有网络延迟或服务器往返的时间。性能令人惊讶地稳定：几百兆的 CSV 文件在几秒钟内加载完成，查询的扩展性也很好，用户界面不会出现卡顿。
这感觉像是为在客户端直接构建更复杂的分析打开了一扇大门。如果你想加入我们，我们是 Datastripes。
返回首页
最新
我们在这里指的是可见的、非加密的波浪线。
我在处理 Maelstrom 3b 时遇到了困难，因为我第一次尝试是“发送后忘记”。这篇文章是一个简短的、面向初学者的路径，通过叠加幂等性、确认（acks）和重试来解决 3b 问题。
在项目中是否曾经迷失在各种提示语中？我有过。对于概念验证（POC）和小型应用程序，硬编码提示语是可行的，但一旦有了几十个提示，就会变成“提示地狱”：代码中充满了巨大的字符串，每次调整都需要重新部署，变更也很难追踪。
因此，我开发了 Dakora——一个小型开源工具，具有以下功能：
- 将提示语存储在中央库中（使用 git 管理的文件）
- 允许您在简单的用户界面中编辑提示语
- 无需重新部署即可将其同步到您的应用中
- 开箱即用，支持 Python（通过 pip 安装 dakora）
我很好奇其他人在生产环境中是如何管理提示语的，欢迎反馈。
GitHub: [https://github.com/bogdan-pistol/dakora](https://github.com/bogdan-pistol/dakora)
我正在探索一种由人工智能驱动的浏览器代理工具的想法，这种工具可以像人类一样在网络上导航：点击、输入、抓取数据、填写表单，甚至完成多步骤的工作流程。您只需提示任务。
如果您拥有这样的代理工具，您会用它来做什么？
- 自动化重复性任务？
- 收集和清理数据？
- 处理客户或内部工作流程？
- 其他完全不同的用途？
我很想听听HN社区对如何使用这个工具的想法。
嗨，HN
我刚刚推出了SmallFame，这是一个专注于人工智能领域的微型网红（订阅人数在1万到10万之间）的实时数据库，包含经过验证的联系信息。
问题：寻找合适的网红非常痛苦。手动搜索每位网红需要5到10小时，包括研究、验证和追踪联系信息。大多数平台范围广泛、费用昂贵，并且不专注于人工智能这一细分领域。
我们的解决方案：
- 超过1,085位经过验证的人工智能微型网红（数量每小时增长）
- 95%以上的人工智能内容通过自动化分析进行验证
- 验证的联系信息（不再需要进行私信轮盘赌）
- 按订阅人数、地点、人工智能相关性和互动率进行高级筛选
- 内置活动跟踪 + CSV导出
使用SmallFame的创始人每个活动节省了30到40小时，并报告了2到3倍更高的响应率。
我们之所以开发这个工具，是因为我们在进行自己的人工智能营销活动时，厌倦了电子表格和猜测。希望能听到你们对产品、定价以及希望我们下一个添加的功能的反馈。
在这里试用：smallfame.com
谢谢，HN！