最新

我一直在独自开发一款小型语言学习应用。<p>我刻意避免了游戏化、连胜、订阅和各种吸引用户注意力的技巧。 我的目标是平静地学习——减少干扰，更加专注。<p>我开始怀疑这种方法是否与当今市场格格不入。<p>对于那些开发或使用过学习工具的人： – “平静”这个理念能引起共鸣吗，还是说它太小众了？ – 在避免游戏化的过程中，你看到了哪些权衡取舍？<p>我不是来推广的——真心想听听大家的看法。

我主要在终端工作，但经常需要切换到臃肿的 GUI，比如 SSMS，仅仅是为了浏览表和运行查询。而且，我发现现有的 SQL TUI 并不直观，需要阅读文档才能学习快捷键和 CLI 标志来连接。考虑到我最近切换到了 Linux，我开始使用 VS Code 的 SQL 数据库扩展。这感觉非常不对劲。 我想要一个类似 lazygit 的数据库工具——运行它，连接，然后查询，坦白说，只是让访问数据变得更愉快。 ``` Sqlit 是一个键盘驱动的 SQL TUI，具有： - 基于上下文的快捷键（始终可见） - 类似 Neovim 的界面，具有用于查询编辑的普通模式和插入模式 - 浏览数据库、表、视图、存储过程 - 适用于 SQL Server、SQLite、PostgreSQL、Turso 等的适配器 - SSH 隧道支持 - 主题（Tokyo Night、Nord、Gruvbox 等） 灵感来自 lazygit、neovim 和 lazysql。使用 Python/Textual 构建。 ``` 欢迎反馈——特别是关于接下来优先考虑哪些适配器。我对 sqlit 的愿景是创建一个可以轻松连接和查询数据的工具，并且只做好这一件事，而且做得非常好。 [https://github.com/Maxteabag/sqlit](https://github.com/Maxteabag/sqlit)

以下是我收到的关于如何适应以惊人速度发展的 AI 驱动开发的建议——甚至达到 AI 工具编写和发布项目，而“操作员”甚至不了解这些语言的程度。 你如何在一个工作流程中建立信心？例如，一个团队的 AI 代理进行开发，另一个团队的 AI 代理进行代码审查和测试，然后直接发布，而没有人类验证实施？ 我听说初创公司的开发人员每天部署 10,000 到 30,000 多行代码，并且现在一个开发人员应该能够在不到一个月的时间内构建通常需要工程师数年才能完成的完整产品。这现实吗？ 你如何学习像这样操作？

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！