最新

我之所以开发这个工具，是因为我有一个包含无数字版权管理（DRM）有声书的库，文件以松散的MP3格式存在——包括从CD中提取的音频、Librivox的录音以及从无DRM商店购买的文件——但在iOS上没有好的方式来打包它们。每个解决方案要么需要Mac，要么需要第三方桌面应用，或者需要将文件上传到我不信任的网络服务。 M4Bindr 完全在设备上完成所有操作。你可以导入你的音轨，重新排序，定义章节（可以手动设置或根据文件自动生成），添加封面艺术，填写元数据，然后导出一个单一的 .m4b 文件，Apple Books 和 BookPlayer 将其视为真正的有声书——具备章节导航、恢复位置等功能。 它并不试图处理DRM移除或格式转换，超出MP3/M4A的范围——这是故意设定的狭窄目标。我们的目标是提供一个简洁、快速的工具，专注于为已经拥有文件的人们提供良好的打包体验。 非常希望能收到反馈，特别是来自那些在处理大文件或不寻常章节结构方面有特殊需求的用户。

嘿，HN， 我正在构建 mem.net，这是一个以文件为中心的 .NET 代理内存框架。在生产环境中，它可以扩展到 Azure Blob 和 Azure AI Search。但我希望本地执行体验能够准确反映这些生产级混合搜索能力，而不需要开发者启动一个庞大的向量数据库。 为了解决这个问题，我构建了 Retrievo：一个完全基于内存的混合搜索引擎，完全用 C# 编写。我现在将其集成为 mem.net 的默认本地搜索提供者。 Retrievo 的底层架构包括： - BM25 + 向量搜索 + RRF 融合 - 完全在进程内（无需外部基础设施） - 在标准 BEIR 基准上验证了检索质量 最终的结果是，您可以在进程内获得生产级混合搜索特性。 代码库： - [Retrievo](https://github.com/TianqiZhang/Retrievo) - [mem.net](https://github.com/TianqiZhang/mem.net) 我很想听听其他人如何处理代理架构的本地混合搜索。如果您对 C# 实现或 BEIR 基准测试有任何问题，欢迎提问！

上周我开始使用Claude Code。我的同事已经使用AI模型进行提示几个月了，他看了我发送的内容后表示完全不知道我在问什么。如果一个有经验的用户都无法理解，那么模型肯定也无法得到最佳的提示。 因此，我构建了flompt。这个想法很简单：与其将提示写成一整段文字，不如将其分解为可视化的输入块（角色、背景、目标、约束、示例、输出格式），然后排列这些块，并编译成针对你所针对模型优化的结构化格式。Claude使用XML，ChatGPT和Gemini使用Markdown，每种格式都是模型最佳处理的方式。 它还作为Claude Code MCP发布，这样你可以直接从编辑器构建和注入结构化提示，同时也作为Chrome扩展，作为侧边栏放置在ChatGPT、Claude和Gemini中。 我关注的几点： - 组装过程100%本地，编译期间没有任何数据离开你的浏览器 - 不需要账户 - 你可以粘贴一个粗略的想法，让AI自动将其分解为块 试试吧： [https://flompt.dev/app](https://flompt.dev/app) Chrome扩展：[https://chromewebstore.google.com/detail/mbobfapnkflkbcflmedlejpladileboc](https://chromewebstore.google.com/detail/mbobfapnkflkbcflmedlejpladileboc) [https://flompt.dev](https://flompt.dev)

这是一个相对简单的标准输入输出MCP服务器，为AI代理提供了一种更快速的方式来搜索任何基于Sphinx的文档。它构建Sphinx文本文档并在SQLite中进行索引（FTS5）。此外，还有一个可选的混合搜索模式，它创建嵌入和向量数据库（sqlite-vec），并通过RRF结合这两种方法，以获取最佳答案给您的代理。 我在多个不同大小和复杂度的代码库（如pandas、celery、cpython）上运行过这个服务器，结果让我对得到的答案感到印象深刻。