最新

Hi HN， Sulcus 将 AI 记忆从被动的数据库（仅搜索）转移到主动的操作系统（自动化管理）。 核心转变 当前的记忆（向量数据库）是静态的。Sulcus 将记忆视为 LLM 的虚拟内存管理单元（VMMU），使用“热力学”特性来自动化代理的记忆或遗忘。 主要特性 反应式触发器：记忆系统根据规则“反馈”，而不是代理手动搜索（例如，自动固定偏好，在记忆即将“衰减”时通知代理）。 热力学衰减：记忆具有“热度”（相关性）和“半衰期”。频繁的调用会强化它们；疏于使用会导致删除或归档。 Token 效率：声称通过使用智能分页技术减少 90% 的 token 消耗——仅向 LLM 提供当前“热门”内容。 技术：使用 Rust 和 PostgreSQL 构建；作为 MCP（模型上下文协议）sidecar 运行。 <a href="https://sulcus.dforge.ca/membench" rel="nofollow">https://sulcus.dforge.ca/membench</a>

我构建了一个交互式 3D 地球仪，用于可视化气候变化。拖动温度滑块，从 -40°C 到 +40°C，设置时间范围（10 到 10,000 年），然后观看海平面上升、冰盖融化、植被变化和海岸线被淹没……这些都是基于真实的地面海拔和卫星数据，精确到每个像素。<p>点击地球仪上的任何位置，即可查看该位置的预计降雪量变化。<p>---<p>我是一个业余气象爱好者，花很多时间在 caltopo.com 和 windy.com 上追踪积雪/冰雪状况。我想制作一些有趣的东西，来想象在冰河时代我可以去哪里滑雪。<p>我使用 Google Deep Research (Pro) 来创建气候方法，并使用 Claude Code (Opus 4.6 - High) 来创建网站。<p>代码： <a href="https:&#x2F;&#x2F;github.com&#x2F;travistruett&#x2F;terrashift" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;travistruett&#x2F;terrashift</a><p>这些模型不是真正的气候模拟，它们是简化的近似值，经过调整以达到“看起来对吗？”的效果，但比我预期的要细致。如果有人想深入研究，这里记录了完整的方法。<p><a href="https:&#x2F;&#x2F;github.com&#x2F;travistruett&#x2F;terrashift&#x2F;blob&#x2F;main&#x2F;docs&#x2F;algorithm.md" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;travistruett&#x2F;terrashift&#x2F;blob&#x2F;main&#x2F;docs&#x2F;al...</a>

标签页、分屏和 tmux 用起来没问题，直到你同时打开了多个项目，里面有日志、测试和长时间运行的 shell。我以前总是重建上下文，而不是恢复工作。Horizon 把 shell 放在一个无限的画布上。你可以把它们组织成工作区，稍后重新打开时，布局、滚动回溯和历史记录都保持不变。 用 Claude/Codex 在 3 天内构建完成，并且在构建过程中一直在使用这个工作流程。欢迎提供反馈和贡献。