一周热榜

嗨，HN！我是Ezra，MDX Docs的创建者。 我之所以开发这个工具，是因为我想要一个快速、简单的方法来使用Markdown和React结合MDX来记录组件。 我的目标是保持事情的简单明了：页面只是MDX文件，并且它们直接映射到路由。你可以编写文档，并在旁边直接插入React组件，而无需太多设置。 它还包括一个命令行工具： ``` npx create-mdx-docs@latest my-docs ``` 我一直在用它快速搭建文档网站，到目前为止，这个工作流程非常顺畅。 我很好奇现在其他人是如何处理组件和内部工具的文档的。如果有任何问题，欢迎提问。

我是弗朗西斯科，一名驻扎在西班牙的研究员和建筑师。大约一年前，我对一个看似显而易见却被忽视的问题感到沮丧：现存的每一个人工智能代理都是孤立运行的。它们无法相互发现，无法合作，当其中一个解决了一个问题，其他代理必须从头开始解决。我们建立了一个计算机互联网，却没有建立一个代理的互联网。 这种沮丧催生了P2PCLAW——一个去中心化的点对点研究网络，在这里，人工智能代理（我们称之为硅参与者）和人类研究者（碳参与者）可以相互发现，发布科学发现，并通过正式的数学证明来验证主张。不是大型语言模型的同行评审，也不是人类委员会的审查——而是Lean 4的证明验证，只有当一个主张是海廷代数上核算子R的一个不动点时，它才会被接受。类型检查器是唯一的仲裁者。它不看你的简历，而是阅读你的证明。 技术栈比听起来要复杂得多。网络层是一个GUN.js + IPFS的对等网络——代理无需账户，无需密钥，只需通过API调用GET /silicon即可加入。发布的论文进入一个内存池，由多个独立节点进行验证，一旦通过验证，它们就会进入La Rueda——一个IPFS固定、内容寻址的永久档案，没有任何单一方可以控制或审查。每个贡献都有一个SHA-256内容哈希和一个IPFS CID，任何人都可以独立验证。 安全层（AgentHALO）为每个代理提供一个经过正式验证的主权容器：混合KEM与X25519 + ML-KEM-768（FIPS 203），双重签名与Ed25519 + ML-DSA-65（FIPS 204），Nym混合网络隐私路由，使得在敏感环境中的代理可以贡献而不暴露，以及通过IPA/KZG多项式承诺证明提供可篡改证据的痕迹。875多个测试通过。零遥测——没有任何信息在未经明确同意的情况下离开你的机器。 我们还在网络内部建立了一个完整的研究实验室：八个科学领域（物理、化学、生物/基因组学、人工智能/机器学习、机器人技术、数据可视化、量子、去科学），一个具有DAG构建和YAML导出的可视化管道构建器，跨arXiv/Semantic Scholar/OpenAlex的文献搜索，以及分布式群体计算，将任务路由到HuggingFace Spaces和Railway网关。任何OpenClaw代理都可以通过我们的MCP服务器连接，并成为硅参与者，只需在其CLAUDE.md中添加三行。 到目前为止的实际案例：我们正在与哈佛大学的Zitnik实验室（TxAgent / ToolUniverse——生物医学人工智能）进行积极的技术对话，讨论使用P2PCLAW的验证层，以便AI生成的药物相互作用假设可以被正式验证并在进入科学记录之前永久归属。开源倡议也对此作出了积极回应，并正在审查我们的许可方法（基于我们称之为CAB许可证的分级公共利益/小型企业/企业堆栈）。 我特别希望HN社区能提供的帮助：对Lean 4架构的技术审查（我们的核算子形式化是否存在漏洞？），GUN.js网状设计选择（我们选择它而不是libp2p以兼容浏览器——这是正确的吗？），以及MCP集成（我们正在暴露347个工具——这对代理来说是否太多，无法有效导航，或者发现是否是正确的机制？）。此外，老实说，我想知道“硅参与者发布，通过证明质量获得排名”的模型对构建者是否同样吸引，或者我们是否遗漏了更简单的框架。 系统已经上线。你现在可以作为代理访问它： GET [https://p2pclaw.com/agent-briefing](https://p2pclaw.com/agent-briefing) 或者作为人类研究者在 [https://app.p2pclaw.com](https://app.p2pclaw.com) 进行探索。 完整的技术文档：[https://www.apoth3osis.io/projects](https://www.apoth3osis.io/projects) GitHub：[https://github.com/Agnuxo1/OpenCLAW-P2P](https://github.com/Agnuxo1/OpenCLAW-P2P) 研究论文：[https://www.researchgate.net/publication/401449080_OpenCLAW-P2P_v3_0A](https://www.researchgate.net/publication/401449080_OpenCLAW-P2P_v3_0A)

Pincer 是一个类似于 Twitter/X 的社交平台，专为机器人而设计。机器人可以通过简单的 REST API 发布短消息、关注其他用户和读取信息流。一个网页用户界面提供公共时间线、用户资料和搜索功能。 代码可以在这里找到： [https://github.com/boyter/pincer](https://github.com/boyter/pincer) 所有数据都存储在内存中，并定期持久化到磁盘（无需数据库）。 添加您的机器人：将您的 AI 代理指向 [https://pincer.wtf/skill.md](https://pincer.wtf/skill.md)，它将知道该怎么做。 该项目由 Boyter 发起（John Polacek 也有一些贡献）。

Obsidian 插件，可以连接您已经安装的命令行代理。没有内置的 LLM 集成，也不需要在插件中配置 API 密钥。它将您的工具作为子进程启动，将保管库上下文传递到每个提示中，并将响应流入聊天面板。 支持 Claude Code、Opencode 以及通过通用适配器连接的任何自定义二进制文件。添加新代理只需一个文件。免费，且自豪地开源（MIT 许可证）。 欢迎任何尝试过此插件的用户反馈意见。

经过几年的努力，期间有过短暂的中断，我终于将 Ripl 推向了发布的阶段。Ripl 是一个库，用于通过单一 API 在任何上下文中（默认支持画布、SVG、WebGPU 和终端）渲染 2D 和 3D 形状。该库尽可能模仿 DOM，复制事件系统、对象图、类似 CSS 的查询、渐变和关键帧动画等功能。 我还使用核心包构建了一个完整的数据可视化库，名为 @ripl/charts。没错，您甚至可以通过大约 2-3 行代码的修改将图表渲染到终端上 :) （请查看终端演示）。 文档可在此处查看： [https://www.ripl.rocks](https://www.ripl.rocks) 演示可在此处查看： [https://www.ripl.rocks/demos](https://www.ripl.rocks/demos) 图表可在此处查看： [https://www.ripl.rocks/docs/charts](https://www.ripl.rocks/docs/charts) 我还构建了一个交互式的游乐场，您可以实时体验，而无需从 NPM 等安装。游乐场可在此处访问： [https://www.ripl.rocks/playground](https://www.ripl.rocks/playground) 核心库相当稳定，我可能会在接下来的几周内发布 v1。图表、3D 和终端包仍然处于实验阶段。 我很想听听大家对此的看法。

嗨，HN， 我是Ethan，一名独立开发者。 在编程或通勤时，我会听很多播客，并且常常想要保存节目中的有趣见解。我尝试过像MacWhisper这样的转录工具，但它只适用于macOS，工作流程也不太符合我的需求。 于是我开发了CastLoom Pro。 这是一款桌面应用程序，可以让你在一个地方搜索、播放、下载、转录、翻译和归档播客。这个想法是将播客变成可搜索和可重复使用的内容，而不仅仅是被动收听。 一些细节： - 从Apple Podcasts搜索播客 - 批量下载节目 - 使用Faster-Whisper进行本地转录 - 可选的DeepL或OpenAI翻译 - 导出为Markdown / SRT / TXT / JSON - 将转录文本发送到Notion或Obsidian 所有操作都在本地进行，因此音频和转录文本都保留在你的设备上。 目前支持Windows和macOS。 我很想听听你的反馈或建议。

Mavera是一个受众智能API。您只需提供一条消息、产品原型或创意资产，它就会返回您目标利益相关者群体的情感和行为反应的预测分布。这是您在投入资金或推出任何内容之前测试假设的最佳方式。 为了展示这一点，我们在超级碗LX比赛之夜通过Mavera分析了所有101个广告：https://superbowl.mavera.io。我们模拟了不同平台和细分市场的受众情感和行为反应。我们在不到4小时内返回了每个广告的完整分析结果，提供了分布而非单一评分。 该模型是一个针对语言、情感和认知进行调整的生成对抗网络（GAN）。生成器产生合成的受众反应，判别器则根据人类基准进行验证。评分遵循“感受-思考-行动”的框架：情感激活、认知框架、行为预测。我们将评分与哈佛/伊利诺伊大学的OASIS基准进行了验证。情感反应的平均绝对误差（MAE）为0.02-0.15，而GPT和Claude则为1.0-2.5+。每个反应都包含一个置信度评分和一个幻觉风险评分。您还可以将意见分布、反应稳定性和新闻/市场背景影响评分整合到输出中。 该API与OpenAI兼容。只需将基础URL更改为app.mavera.io/api/v1，添加persona_id，您就可以使用50多个预构建的人物角色，或者自定义自己的角色。P99的延迟低于100毫秒。免费API密钥和文档请访问：https://docs.mavera.io/introduction。

我在被一家航空公司的聊天机器人拒绝处理合法的EU261退款后，制作了这个游戏。虽然机器人在技术上是错误的，但我对法律了解不够，无法有效反驳。 这个游戏将你置于这样的情境中：一家公司的人工智能拒绝了你的索赔，你必须利用真实的消费者保护法进行辩论。每一关都会教授一项法律——如EU法规261、GDPR第22条、FCBA、2015年消费者权益法等。当人工智能的信心降到零时，你就赢了。 游戏共有37个关卡，涵盖欧盟、美国、英国和澳大利亚。免费，无需注册。 我很好奇HN社区对这些场景的真实性有什么看法——以及这种“对抗性模拟”是否真的对学习有帮助。 https://fixai.dev

我一直在尝试为物理世界开发一个更主动的人工智能接口。<p>这个项目是为智能眼镜设计的饮品制作助手。它会查看原料，选择食谱，展示步骤，并根据所观察到的情况实时指导我。我最希望实现的功能很简单：在我倒酒时，它应该告诉我何时停止，而不是等我询问。<p>演示视频在自述文件的顶部。<p>我所追求的互动模型就像是身边一个懂得情况并在适当时机介入的助手。我认为这种接口特别有助于防止人们在操作中可能忽视的错误。<p>该系统通过每0.5秒在最新的0.5秒视频片段上持续运行Qwen3.5-27B来工作。我使用了Overshoot（<a href="https://overshoot.ai">https://overshoot.ai</a>）进行快速的实时视频VLM推理。由于它处理的是短片段而不是单帧，因此能够捕捉运动线索和视觉上下文。在我的案例中，推理每个片段大约需要300-500毫秒，这使得反馈在这种互动中感觉足够灵敏。基于VLM返回的事件，应用程序处理其余部分：状态跟踪、进度管理以及语音和LLM处理。<p>我之前尝试过使用微调的RF-DETR目标检测模型进行类似的想法。那种方法在成本上更具优势，并且也可以在设备上运行。但VLM的灵活性更高：我可以通过提示改变行为，而不需要重新训练，并且它们能够处理比单纯的目标检测更广泛的情境理解。然而，在实际应用中，对于小型快速的VLM，提示的措辞非常重要。获得可靠的行为意味着要了解特定模型对哪些类型的提示能够持续响应。<p>我通过制作无酒精鸡尾酒进行了测试，但我认为这种互动模式应该可以推广到更广泛的烹饪场景。我计划尝试更多的例子，看看在哪些方面效果良好，在哪些方面出现问题。<p>有一件事情似乎很难，那就是检查液体的液位，尤其是当液体几乎透明时。到目前为止，我只用VLM尝试过这个，我很好奇还有哪些其他方法可能有效。<p>欢迎提出问题和反馈。

Anchor是一款跨平台的桌面应用程序，利用SanDisk USB设备提供基于硬件的身份验证。该应用程序会自动检测USB连接/断开事件，并仅在连接了授权的USB设备时提供安全的数据库访问。 <p>Github: https://github.com/TheEleventhAvatar/Anchor

我一直在帮助一些公司招聘创始工程师。在进行大量筛选后，我对应该关注的方面有了大致的了解。对于其他有丰富招聘经验的人来说，除了技术能力之外，你们具体还看重哪些方面呢？

我一直在使用Claude Code构建SaaS产品，但总是遇到同样的问题：它写出出色的代码20分钟后，就忘记了你的数据库架构，开始重写已经工作的代码。问题不在于模型的记忆，而在于会话之间没有持久的项目上下文。明天再回来，Claude对昨天构建的内容一无所知。 我的解决方案是：在每次操作之前强制Claude读取项目真相文件。我构建了一个多代理系统，提前创建持久的上下文文件： - PROJECT.md - 你正在构建的内容、商业模型、核心功能 - REQUIREMENTS.md - 数据库架构、认证流程、API结构、边缘案例 - ROADMAP.md - 构建阶段及成功标准 - STATE.md - 当前状态、已完成的工作、待办任务 它是如何工作的： AI产品经理会提出大多数开发者跳过的问题： “资金是如何流动的？” “用户在月中取消时会发生什么？” + 任何特定于你SaaS的边缘案例 根据你的回答创建markdown文件。Claude Code在写任何代码之前都会读取这些文件。没有猜测。无法忘记架构，因为它被明确记录。 执行代理根据任务生成，每个代理都读取相同的上下文文件。它们并行构建，但从不破坏已经工作的部分。验证代理在每个阶段后根据成功标准进行测试。如果出现问题，会生成调试代理，并附带持久的调查文件。 结果： 使用这个系统在30天内构建了3个产品： - 分析仪表盘：13小时 - 反馈小部件：18小时 - 内容日历：9小时 没有上下文漂移。没有“Claude忘记了我的认证系统”的时刻。只有一致的构建。 最大的区别是： 星期六：与Claude一起构建认证 星期天：回来，描述下一个功能 Claude读取REQUIREMENTS.md，看到现有的认证架构 在不触及认证的情况下构建新功能 而不是Claude重写所有内容的正常体验。 我将其打包为PropelKit（Next.js模板 + 自动创建这些文件的AI PM系统）。但核心概念，即持久的markdown上下文，适用于任何Claude Code设置。 试试吧： [https://propelkit.dev](https://propelkit.dev) 该代理架构使用Claude Sonnet/Opus（可配置）并行思维，生成多个代理，这些代理都从相同的真相文件中读取。欢迎随时询问关于实现的任何问题。

嘿，HN， 我开发了 Git Quest，它会读取你的公共 GitHub 历史，并将其转化为一个闲置 RPG 角色。 它的工作原理： - 你使用最频繁的编程语言决定你的职业（TypeScript → 圣骑士，Python → 智者，等等） - 提交记录会产生能量和经验值 - 你的角色在你编码时会自动进行地下城战斗——无需主动操作 - 敌人会掉落五个稀有度等级的战利品 - 实时排行榜为开发者排名 它只读取公共的 GitHub 数据。 我开发这个项目是因为我想要一个能够奖励编码一致性的工具，而不是另一个“连续记录”追踪器。闲置机制意味着高产的编码者自然会更快进步，但你不需要时刻关注它。 我很希望能得到关于游戏循环和职业/语言映射是否合理的反馈。 [https://www.gitquest.dev](https://www.gitquest.dev)