返回首页
24小时热榜
我在尝试一个想法。
在我搭建服务器之前，这只是一个原型，不需要太复杂。
音频将来自移动设备，所以也许可以保存为一个可以转发的流，我可以通过 VLC 收听？
或者我可以每 30 秒将文件保存在本地，并将它们添加到输出流中。
我对音频流的发送和接收还很陌生。
GITST。
移动设备将音频发送到本地服务器，服务器创建一个我可以连接并收听的流。
谢谢！
深入研究很少在一次性完成。对于高风险的工作，或者要深入理解某个事物，你需要同时进行多项深入研究，随着时间的推移不断回顾，并逐渐综合理解。我们将深入研究与其他文档结合在一起。
Kerns就是为这种研究模式而构建的。
它将多个深入研究归类于一个研究领域，因此后续跟进和旁支调查能够积累，而不是在聊天和文档中支离破碎。输出结构化，使你可以从浅层开始，选择性地深入研究——因为你无法提前知道哪些深入研究会是重要的。
综合是一个明确的第二步。Kerns帮助你连接和调和不同深入研究之间的见解，基于来源材料而不是一次性总结。这一阶段还允许你参考与深入研究同级的其他文档。
研究在报告写成后并不会停止。Kerns通过监控来源并呈现有意义的变化，主动保持你的工作更新，因此保持最新状态不需要重新开始。
Kerns专为研究人员、分析师、投资者以及认真自学者设计，适用于进行数周或数月的研究，在这些情况下，清晰度和准确性至关重要。
期待反馈！
gitGost 允许匿名向公共 GitHub 仓库贡献代码。<p>它会移除作者信息、电子邮件、时间戳，并通过一个中立的机器人提交拉取请求。无需账户、OAuth 或令牌。<p>该工具使用 Go 语言构建，开源（AGPL-3.0），并通过速率限制和验证来防止滥用。<p>欢迎反馈。
嗨，HN — 我是 Abhi。
我们创建了 Agint，以便项目经理和工程师能够以图形的方式设计和编辑软件——以架构为先——通过快速的视觉反馈进行迭代，然后在准备好时生成可部署的代码。
我们在 NeurIPS（深度学习代码生成）上展示了这一基本方法，称之为“代理图编译器”：
图（结构 + 类型 + 语义注释）是真相的来源，而代码是编译/导出目标。
论文：
《软件工程代理的代理图编译》：
[https://arxiv.org/abs/2511.19635](https://arxiv.org/abs/2511.19635)
实时演示 — 在 github.com/AgintHub 创建代码库：
[https://flow.agintai.com](https://flow.agintai.com)
（该演示在沙盒模式下运行——尚未连接真实的外部工具/数据源）
命令行工具：
[https://github.com/AgintAI/agint-cli](https://github.com/AgintAI/agint-cli)
工作原理：
在聊天中输入以修改图形（或使用“+”菜单进行特定操作）。
1) 创建/组合：（聊天 + 实时图形反馈）设计和修改算法流程 + 架构图：
通过聊天添加、删除、拆分、合并和重命名步骤，
“从 NYSE 和 NASDAQ 获取股票数据”
“还包括多伦多证券交易所”
“也添加 LSE”
2) 精炼/升级（面向工程，图形编辑的 GUI + CLI / git 友好）：
添加类型、语义注释、重构、重新组织节点、转换、执行和测试行为，
“将合并步骤拆分为存储、标准化和重新分区”
```
在命令行中可以这样表示：
dagify refine workflow.yaml \
“为每个数据源添加协议级别的细节、延迟和数据中心信息” --intelligence 5
dagify resolve workflow.yaml --yaml-display --ascii
```
3) 保存/加载/导出：
“保存”将图导出为普通代码、管道、工具调用和 API，可以像其他系统一样拥有和部署。
该图是一个可执行的工件，而不仅仅是文档。
目标包括今天的原生 Python，以及导出到 CrewAI/LangGraph 等框架。
示例输出代码库：
[https://github.com/AgintHub/dreamy-mirzakhani/blob/agint/outputs/dagify/fetch_and_combine_stock_data_with_lse_details_refined](https://github.com/AgintHub/dreamy-mirzakhani/blob/agint/outputs/dagify/fetch_and_combine_stock_data_with_lse_details_refined)
期待大家的反应和反馈——我会在这里回答问题。
谢谢，
Abhi
Abhi@AgintAI.com
你好，
我终于鼓起勇气将Fluent开源了，这是一种面向数组的可微分语言，我一直在为“新型纸张”项目构建它。演示可以在[0]查看。
以下是一些显著特点：
1. 每个操作符都是用户可（重新）定义的。如果你不喜欢用`:`来写赋值，可以改成你喜欢的任何形式。可以创建新的奇特操作符——尽情实验吧。
2. 可微性。该语言适合使用梯度下降法的机器学习任务。
3. 反应性。值可以是反应式的，因此下游值会像电子表格一样自动重新计算。
4. 严格的从左到右的运算顺序。评估和读取应该是同一件事。
5. 词语和符号是可以互换的。它们都是某种事物的名称，对吧？
6. （前缀、中缀、后缀）风格。你可以选择适合自己的风格。
它有自己的集成开发环境（IDE），可以实时评估和可视化值。整个程序在浏览器中运行（推荐使用Chrome），确实有很多bug，可能会崩溃你的浏览器/计算机/股票投资组合，所以请小心。
一些诱饵——线性回归（Ctrl+O，“linear-regression-compressed”或[6]）：
```
x: (0 :: 10),
y: (x × 0.23 + 0.47),
θ: ~([0, 0]),
f: { x | x × (θ_0) + (θ_1) },
: { μ((y - f(x)) ^ 2) },
minimize: adam(0.03),
losses: $([]),
(++): concat,
{ losses(losses() ++ [minimize()]), } ⟳ 400,
(losses, θ)
```
---
[0]: [https://mlajtos.github.io/fluent/?code=RG9jdW1lbnRhdGlvbg](https://mlajtos.github.io/fluent/?code=RG9jdW1lbnRhdGlvbg)
[1]: [https://mlajtos.mu/posts/new-kind-of-paper](https://mlajtos.mu/posts/new-kind-of-paper)
[2]: [https://mlajtos.mu/posts/new-kind-of-paper-2](https://mlajtos.mu/posts/new-kind-of-paper-2)
[3]: [https://mlajtos.mu/posts/new-kind-of-paper-3](https://mlajtos.mu/posts/new-kind-of-paper-3)
[4]: [https://mlajtos.mu/posts/new-kind-of-paper-4](https://mlajtos.mu/posts/new-kind-of-paper-4)
[5]: [https://mlajtos.mu/posts/new-kind-of-paper-5](https://mlajtos.mu/posts/new-kind-of-paper-5)
[6]: [https://mlajtos.github.io/fluent/?code=eDogKDAgOjogMTApLAp5OiAoeCDDlyAwLjIzICsgMC40NyksCs64OiB-KFswLCAwXSksCmY6IHsgeCB8IHggw5cgKM64XzApICsgKM64XzEpIH0sCvCdk5s6IHsgzrwoKHkgLSBmKHgpKSBeIDIpIH0sCm1pbmltaXplOiBhZGFtKDAuMDMpLApsb3NzZXM6ICQoW10pLAooKyspOiBjb25jYXQsCnsgbG9zc2VzKGxvc3NlcygpICsrIFttaW5pbWl6ZSjwnZObKV0pLCB9IOKfsyA0MDAsCihsb3NzZXMsIM64KQ](https://mlajtos.github.io/fluent/?code=eDogKDAgOjogMTApLAp5O...)