最新

这个想法很简单：AI 智能体需要实时数据才能发挥作用。但是，将实时数据流式传输到你的数据仓库意味着你需要数据仓库 24/7 全天候运行。这既昂贵又浪费。如果只在你的智能体需要时启动一个临时的（ephemeral）数据仓库，同时获取实时数据，会怎么样呢？ 解决方案：Polynya 将你的数据复制到 Iceberg，并按需为你的智能体提供临时的 ClickHouse 实例。Polynya 还提供持久的工作空间——跨会话保留的视图集合。因此，从你的智能体的角度来看，它就像一个 24/7 全天候的数据仓库。 从本质上讲，Polynya 是一个用于将实时数据从 Postgres 流式传输到 Iceberg 的数据平台。但是，Polynya 让你只需一个命令就可以完成这项工作，而无需花费数小时设置涉及 Kafka、Debezium、Flink 等的昂贵且复杂的管道： npx polynya create 目前，Polynya 处于早期访问阶段，可以免费使用，所以请试用一下并给我任何反馈！目前还没有 Web 仪表板（即将推出），你 100% 通过 CLI 与其交互。 PS：Polynya 构建在 pg2iceberg 之上，这是我过去几周一直在构建的开源 Postgres 到 Iceberg 复制工具：[https://pg2iceberg.dev/](https://pg2iceberg.dev/)

这并没有解决任何实际问题——Element 运行良好，几乎一半的 FOSS 网络上已经运行着 Matrix 到 IRC 的桥接器，而且可能 30 岁以下的人这十年里都没主动打开过 irssi。<p>我还是写了它，因为我怀念 Esc 4 和笨拙的窗口分割命令。<p>Matrirc 是一个本地 IRC 服务器，在后台使用 Matrix 协议。将 irssi 指向 localhost:6667，使用 Matrix 凭据登录，房间将显示为频道。<p>brew tap pawelb0/tap brew install matrirc

大家好，我是 Venkatram，一个大二学生，我的目标是构建一个本地化的、替代专有的第三方 AI 辅助研究工具的方案。 我的想法是把文档转化为可研究的资产，这些资产包含的信息量与原始文档一样多，但更易于复用。 坦白说，这还只是一个进行中的项目（WORK IN PROGRESS），我还在摸索如何正确使用它。老实说，我确实需要一些帮助才能完成它，所以如果你愿意，欢迎加入！ 总结：本地版的 NotebookLM，使用你自己的 AI 模型。 Github 链接：https://github.com/venkatram-s/gigabook-lm

大家好，HN， 我制作了这个两人回合制策略棋盘游戏 Tiao 的数字版。你可以把它想象成跳棋和围棋的结合。它免费，可在浏览器中运行，具有多人模式、AI、棋盘模式以及许多其他有趣的功能。源代码托管在 GitHub 上（AGPL 协议）。 这个游戏最初是由我的朋友 Andreas Edmeier 设计的。他制定了规则，并且多年来一直在进行游戏测试和完善游戏设计。我为它构建了网站。核心部分大约在 2 周内完成，使用了 TypeScript、Next.js、Express、Socket.io 和 MongoDB。完全 Docker 化，部署在 Hetzner VPS 上，使用 Coolify。身份验证使用了 better-auth。具有实时游戏、ELO 匹配、OpenPanel 分析和功能齐全的成就系统。 试玩：<a href="https://playtiao.com" rel="nofollow">https://playtiao.com</a> 源代码：<a href="https://github.com/trebeljahr/tiao" rel="nofollow">https://github.com/trebeljahr/tiao</a> 很乐意回答关于技术、游戏设计或其他任何问题的提问。 我希望更多人能玩这个游戏，因为我认为它真的很有趣，如果有一天看到人们在围棋棋盘上或他们的手机/电脑上玩这个游戏，将会很酷。 祝好。

大多数 RAG（检索增强生成）设置失败的原因在于它们将记忆视为静态文件柜。当每一个临时的错误修复或废弃的规则都被永久存储时，上下文窗口最终会被噪声淹没，导致 token 成本飙升，并降低 agent 的推理能力。 这个实现尝试了一种生物学方法，利用艾宾浩斯遗忘曲线来管理上下文，将其视为一个活的基质。记忆被赋予一个“强度”评分，每次回忆都会强化数据并使其衰减曲线趋于平缓（间隔重复），而未被使用的数据最终会达到一个阈值并被修剪。 为了解决“逻辑邻居”问题，即语义搜索会遗漏相关但不相似的节点，在向量存储之上叠加了一个图层。在 LoCoMo 数据集上进行基准测试，其 Recall@5 达到了 52%，几乎是无状态向量存储的两倍，同时将 token 浪费减少了大约 84%。 该项目基于 DuckDB 构建为一个本地优先的 MCP 服务器，其假设是，对于处理长期项目的 agent 来说，“忘记什么”与“记住什么”同样重要。我很想听听其他人是否也在探索非线性衰减或类似的生物约束，用于上下文管理。 GitHub: [https://github.com/sachitrafa/cognitive-ai-memory](https://github.com/sachitrafa/cognitive-ai-memory)