24小时热榜

隆重推出 Nia Vault，一个命令行工具，允许您使用自然语言查询本地 Markdown/文本文件。 功能： * 对本地文件夹和笔记进行语义搜索 * 跨多个已同步目录工作 * RAG 风格的答案，并引用您自己的文件 工作原理： * 使用 `local_folders` 调用 `POST /search/query` * 使用 `search_mode: sources` 返回答案 + 文件引用 示例： ``` vault ask "关于项目规划的笔记有哪些？" ``` 开源项目：[https://github.com/chenxin-yan/nia-vault](https://github.com/chenxin-yan/nia-vault)

TranslateImage：AI 驱动的图片翻译，助力全球团队 这款一体化平台可用于翻译照片、漫画、产品图片和文档。它具备 OCR、文本移除、批量处理等功能，满足您走向全球的需求。

Hi HN。AnsiColor 为你的 TUI、cli 应用或提示符构建了具有弹性的 ANSI 颜色代码。无论用户的终端主题如何，这些颜色都能正常工作。 我构建这个工具是因为在使用 Solarized Dark 运行时，我体验了 Codex CLI 令人捧腹的难以辨认。如果一家价值数十亿美元的公司都无法做到这一点，我们就需要更好的工具。 它附带以下主题： ``` Andromeda Ayu Dark/Light Bearded Dark/Light Catppuccin Frappe Catppuccin Latte Catppuccin Macchiato Catppuccin Mocha Dracula GitHub Dark Gruvbox Monokai Dark/Light Nord One Dark/Light Palenight Panda Solarized Dark/Light Synthwave 84 Tailwind Tokyo Night Dark/Light ```

<a href="https:&#x2F;&#x2F;chengai.me" rel="nofollow">https:&#x2F;&#x2F;chengai.me</a><p>问题：招聘应届毕业生的方式已经过时。成千上万份千篇一律的简历，但我们每个人都是独一无二的。了解一个人需要时间——评估、电话面试、多轮面试。大多数人从未真正被了解。<p>我不想仅仅成为另一份PDF文件。所以我构建了一个AI孪生体，招聘人员可以真正地面试它。<p>你可以做的事情： • 随意面试我的AI：<a href="https:&#x2F;&#x2F;chengai.me&#x2F;chat" rel="nofollow">https:&#x2F;&#x2F;chengai.me&#x2F;chat</a> • 粘贴你的JD（职位描述），看看我们是否匹配：<a href="https:&#x2F;&#x2F;chengai.me&#x2F;jd-match" rel="nofollow">https:&#x2F;&#x2F;chengai.me&#x2F;jd-match</a> • 探索我的项目、代码和文章<p>发生了什么：在LinkedIn上发送给一位招聘人员。第二天，流量激增，因为它在内部传播开来。在24小时内收到了面试邀请。<p>更大的愿景：如果这成为标准会怎样？与其简历轰炸 → 关键词筛选 → 仍然错过合适人选的面试轮，不如让招聘人员的AI与候选人的AI进行深度交流，从而实现深度匹配。构建一个平台，让任何人都可以创建他们的AI孪生体，以实现真正的匹配。<p>我正在寻找软件/AI/ML工程职位，并且可以从头开始构建可用于生产的解决方案。<p>该网站本身证明了我能做什么。很想听听Hacker News对执行和愿景的看法。

尤其是对于带有代码的技术书籍

我为智能眼镜开发了一个免手持抬头显示器（HUD），它运行一个真实的速通计时器，并根据摄像头所看到的内容自动分段。演示场景：制作寿司。<p>演示：<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=NuOVlyr-e1w" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=NuOVlyr-e1w</a><p>代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;RealComputer&#x2F;GlassKit" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;RealComputer&#x2F;GlassKit</a><p>我最初尝试使用多模态大语言模型（LLM）进行场景理解，但延迟和一致性对于这个用例来说不够好，所以我切换到一个小型目标检测模型（微调的 RF-DETR）。它只是在摄像头画面上运行一个推理循环。这也使得设备端/离线使用成为可能（目前它仍然通过本地服务器运行）。

Hi HN， 过去一年，我们一直在构建 AI 智能体，但一直遇到同样的瓶颈：提示工程感觉不像软件工程，更像是在瞎猜。 我们构建了 OpenSymbolicAI，旨在将智能体开发转变为真正的编程。它是一个开源框架（MIT 许可证），允许您使用类型化的原语、显式分解和单元测试来构建智能体。 主要问题：上下文窗口滥用 大多数智能体框架（如 ReAct）迫使您将工具输出转储回 LLM 的上下文窗口，以决定下一步。 智能体搜索数据库。 智能体取回 50kb 的 JSON。 您将这 50kb 粘贴回提示中，只是为了问“我下一步该怎么做？” 这很慢，成本高昂，并且会混淆模型。 解决方案：将数据作为变量 在 OpenSymbolicAI 中，LLM 生成一个操作变量的计划（代码）。实际的重型数据（搜索结果、PDF 内容、API 有效载荷）存储在 Python/运行时变量中，并且在特定原语实际需要读取它之前，永远不会通过 LLM 上下文。 可以将其视为智能体的传引用。LLM 操作变量句柄（文档），而 Python 运行时存储实际数据。 示例：RAG 智能体 LLM 不再基于一堆文本幻构一个计划，而是简单地编写操作数据容器的逻辑。 ```python class ResearchAgent(PlanExecute): @primitive def retrieve_documents(self, query: str) -> list[Document]: """从向量数据库中提取大型文档。""" # 返回保留在 Python 内存中的大型对象 return vector_store.search(query) @primitive def synthesize_answer(self, docs: list[Document]) -> str: """使用文档生成答案。""" # 这是唯一实际读取文档文本的步骤 context = "\n".join([d.text for d in docs]) return llm.generate(context) @decomposition(intent="研究量子计算") def _example_flow(self): # LLM 生成此执行计划。 # 关键是：LLM 管理 'docs' 变量符号， # 但在规划期间从未看到其中的大量有效载荷。 docs = self.retrieve_documents("量子计算的现状") return self.synthesize_answer(docs) ``` ```python agent = ResearchAgent() agent.run("研究固态电池的最新进展") ``` 讨论 我们很乐意听取社区的意见： 您在提示工程的脆弱性方面遇到过哪些困难？ 什么会说服您尝试将提示视为代码？ 这种方法在其他领域是否会大放异彩？ 为了让它为您的用例做好生产准备，还缺少什么？ 代码是有意使用简单的 Python，没有魔法，没有框架锁定。如果这种方法引起共鸣，很容易适应您的特定需求或与现有代码库集成。 代码库： 核心（Python）：[https://github.com/OpenSymbolicAI/core-py](https://github.com/OpenSymbolicAI/core-py) 文档：[https://www.opensymbolic.ai/](https://www.opensymbolic.ai/) 博客（技术深度探讨）：[https://www.opensymbolic.ai/blog](https://www.opensymbolic.ai/blog)