最新

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。

是不是因为它们训练数据中包含“氛围编码”这个术语的极少？

一个概念验证的语言学习应用程序，它使用大型语言模型（LLM）仅利用已掌握的词汇来生成未知单词的定义。

我正在发布一个实证基准测试的汇总结果，该基准测试记录了一个多尺度结构交叉区域。<p>这种交叉区域在不同尺度、种子和参数扫描中持续存在，并且与保留边缘分布和粗略支持，但破坏相关性的强零模型区分开来。<p>仅发布结果；生成器和引擎是刻意保密的。<p>代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;johnoliveiradev&#x2F;Multiscale-structural-regime-benchmark" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;johnoliveiradev&#x2F;Multiscale-structural-reg...</a>

我构建了一个 Claude Code Skill，只需描述你想要的 VSCode 主题，它就能帮你创建自定义主题。<p>例如：“创建一个蓝色调的深色主题” → 生成主题文件，打包成 .vsix 文件，并自动安装到 VSCode 中。