最新

它本质上是一个书籍进度追踪器。许多应用程序允许你添加你正在阅读的书籍，但无法追踪阅读进度。它很简单，没有复杂的功能，也没有人工智能的噱头。 创建它的初衷是因为我想要阅读的书籍太多，觉得提前规划会很有帮助。 你只需添加书名、总页数，以及你每天想阅读的页数。它会计算并告诉你完成阅读的天数和日期。它还可以灵活地增加每日阅读页数，以便重新计算。 目前它是一个 PWA（渐进式 Web 应用程序）。 还在开发通知和其他功能。

我在一家大型消费品公司负责数字和品牌业务，我们最近在一个产品发布中使用基于 Agent 的自动化技术。这并非用于实验或原型，而是用于面向消费者的实际产品。 我们使用 Agent 协助完成以下工作： * 内容生成和本地化 * 设计、法务和市场营销之间的资产路由 * 跨渠道的 SKU 变体处理 * 发布后，当声明或包装发生变化时的更新 我们测试了多种工具和方法。包括一些通用 Agent 框架（Auto GPT 风格的设置）、一些工作流工具（n8n、Make + LLM），以及一些特定领域的工具，如用于内容运营的 Jasper 和用于品牌合规性审查的 punttaI。 让我感到惊讶的不是幻觉或明显的失败，而是漂移。系统“运行良好”，但…… 文案逐渐偏离了已批准的声明，或者包装变体在技术上保持一致，但违反了内部品牌规则。下游更新未能干净地传播到每个在线资产。发布后，没有哪个 Agent 负责确保正确性。 大多数在线建议都侧重于发布前的安全措施。然而，在真实的产品发布场景中，这还不够。一旦产品上线，变化就会持续发生。 例如：我们为圣诞节发布准备了 60 多位影响者和 500 多个全球资产，但到 1 月 1 日，所有这些创意都将过时，需要更改。 对我们来说，唯一行之有效的模式是将基于 Agent 的自动化视为一个持续系统。 Agent 执行 > 发布后监控输出 > 标记偏离品牌、监管或发布约束的情况 > 仅当出现超出容忍度的问题时，人工介入。 我们甚至引入了这款名为 Punttai 的 Agent AI 营销合规软件。现在，请不要误会我的意思。工作流程在某些方面有所改进，例如迭代和审批速度？或者生成想法的速度？是的。 但是……这感觉更像是可观察性，而不是审批工作流程。 很好奇其他人是如何处理这个问题的，尤其是在纯 SaaS 之外： * 你们是否允许 Agent 触及在线发布资产？ * 你们如何随着时间的推移验证合规性，而不仅仅是在发布时？ * 人们是自己构建这种监控，还是依赖于专业工具？ 很想听听这在实际的产品发布中是如何运作的（或失败的）。

我在此分享一个研究级的、开源的交易执行框架，该框架在通用硬件上实现了890纳秒的端到端决策延迟（中位数）。 该项目专为教育、系统研究和延迟测量而设计，不用于实际交易。它专注于精确理解交易执行路径中每一纳秒的去向。 主要特点： * 内核旁路网络：通过自定义驱动程序直接在用户空间访问网卡，接收延迟20-50纳秒 * 无锁单生产者单消费者/多生产者单消费者队列：零拷贝架构 * SIMD特征提取：使用AVX-512，每次更新约40纳秒 * 确定性重放：位相同的执行路径，SHA-256验证 * 纳秒级指标：完整的审计日志和性能仪表盘 技术栈：C++17和Rust，NUMA感知内存分配，缓存行对齐，热点路径内联汇编。 该框架是模块化的，允许对不同的网卡驱动程序、特征提取管道或订单流模型（如Hawkes过程或Avellaneda-Stoikov逻辑）进行实验。所有内容均为开源并附有文档。 链接： * 在线演示：[https://submicro.krishnabajpai.me/](https://submicro.krishnabajpai.me/) * 源代码：[https://github.com/krish567366/submicro-execution-engine](https://github.com/krish567366/submicro-execution-engine) * 裸机网卡驱动程序：[https://baremetalnic.krishnabajpai.me/](https://baremetalnic.krishnabajpai.me/) 欢迎任何从事低延迟系统、网络或高频交易（HFT）研究的人提供反馈。 一些供讨论的问题： * 执行路径的哪个部分通常最难优化？ * 您信任哪些测量技术用于亚微秒级系统？ 该项目仅用于研究和教育目的。它不连接到交易所或执行实际交易。它旨在作为一个沙盒，用于理解超低延迟执行。 我很乐意回答有关方法论、性能或设计权衡的问题。

Hello HN， 我构建这个项目是因为我想让 Claude Desktop 能够访问我的 Notion 工作区，而无需通过 stdio 运行不稳定的本地 Python 脚本。 这是一个 Node.js/Express 实现的 Model Context Protocol (MCP)，它使用 SSE (Server-Sent Events) 进行传输。它被设计成无状态的，并且可以作为容器部署（我把它托管在 Apify 上，但它可以在任何支持 Node 的地方运行）。 技术栈： TypeScript + Express @modelcontextprotocol/sdk Zod 用于输入验证 Bearer Auth 用于安全（因为它暴露了一个 HTTP 端点） 功能：它允许 LLM 搜索页面、读取数据库属性和追加块。我主要用它来让 Cursor/Claude 总结文档，并直接从聊天上下文中在我的 sprint board 中创建任务。 代码库：<a href="https://github.com/piskunproject/notion-mcp-server/" rel="nofollow">https://github.com/piskunproject/notion-mcp-server/</a> 一键部署 (Apify)：<a href="https://apify.com/piskunlab/notion-mcp-server" rel="nofollow">https://apify.com/piskunlab/notion-mcp-server</a> 欢迎对 SSE 实现提出反馈！

我开发 FocusFour 是因为我每天都很忙，但仍然错过了真正重要的事情。<p>FocusFour 是一款基于艾森豪威尔矩阵的任务管理器，直接构建在 Apple 提醒事项之上。最近，我添加了轻量级 AI，以帮助识别和突出显示那些可能很重要但被忽略的任务。<p>它的功能包括：<p>* 四象限（重要 vs. 紧急）任务视图 * 使用 AI 突出显示和重新排序重要任务 * 原生 Apple 提醒事项集成（无需新的收件箱，无需迁移） * 本地优先，无需账户 * iOS、iPadOS、macOS<p>我对两件事很感兴趣：<p>* AI 辅助优先级排序是否长期有效 * 基于系统工具构建而不是拥有所有任务数据的权衡<p>欢迎提问或提出批评。

这是一个我从头开始构建的副业项目，从代码到基础设施、部署，再到现在的市场营销。<p>如果能通过训练面试并获得即时、准确的反馈，就能为我节省大量面试时间。每次面试结束后，都会提供一份完整的报告，其中包含在下次面试中需要改进的步骤。此外，每个人都可以创建自己的代理，定义语气、问题和主题，从而根据自己的喜好进行进一步的定制。<p>反馈过程消耗了大量时间进行验证，使用了大量的Langchain和多次交互才获得了良好且完善的结果。我相信这对于任何即将参加面试的人来说都极具价值。