最新

FilaRank 为 Filament 管理面板带来了实时 SEO 评分、SERP 预览和全站健康报告。

我们在工业环境中生产环境中使用 sklearn 进行时间序列预测。Pickle 曾给我们带来持续的困扰：重构我们的包装器类会导致已保存的模型失效，而且这些二进制文件完全不透明。 我们构建了 skeights，将拟合后的估计器分解为两个文件。一个 JSON 文件用于存储超参数和结构，一个 safetensors 文件用于存储数值数组。JSON 文件人类可读且易于 diff，而 safetensors 是 Hugging Face 提供的一个成熟的安全格式。 这使得你可以像处理配置一样处理模型。JSON 文件只是数据，你可以与你的其他配置一起检查、diff 和版本控制，而不是一个独立的二进制制品。 它支持大多数常见的 sklearn 估计器（线性模型、树模型、随机森林、梯度提升、MLP、管道），以及 LightGBM 和 XGBoost。MIT 许可。 包含实际示例的博客文章：https://alxhslm.github.io/projects/skeights/ 仓库：https://github.com/carbon-re/skeights `pip install skeights`

当你构建出人们真正想要的东西时，你就能像 Claude 那样玩出令人难以置信的定价策略： - 模糊的限制 - 每周/每月使用量统计 ?? - 50% 的使用量用于 Fable 5 - 每月 200 美元的订阅费，不包含 Fable 5 - 但你可以使用“使用积分” 我感到沮丧，但同时也欲罢不能。这在某种程度上也算是一个创业的教训。

大家好， HN，我来告诉大家我为什么创建 boilerroom (<a href="https:&#x2F;&#x2F;boilerroom.ai" rel="nofollow">https:&#x2F;&#x2F;boilerroom.ai</a>)。 在我过去的销售经历中，有一件事让我非常恼火，那就是为了完成一项工作，我需要在无数个地方来回切换；这项工作就是“外展销售”。 这包括了从潜在客户的获取（无论是通过入站还是出站）、研究、根据资格标准进行筛选、将其纳入销售流程、通过电话、邮件和领英与其互动、收集信息，一直到最后的销售跟进，如初步洽谈、产品演示以及售后服务等所有环节。 现在市场上（或者说，如果存在，也是一个非常糟糕的模型）完全缺乏一个能够在一个地方完成所有这些工作的平台。 我为什么非得在 Clay 或 Apollo 上来回点击寻找潜在客户，然后自己研究他们，再把他们导入到另一个垃圾软件中进行流程设置，告诉我什么时候该打电话或发送自动邮件，结果却堆积了大量我本应完成的任务，这使得我的整个工作流程看起来一团糟，让我压力山大，从而大大降低了我积极创收的活动？ 一个平台，解决所有问题。 boilerroom 是唯一一个为外展团队设计的销售互动平台，而其唯一的 AI 功能是处理销售过程中繁琐的事务，例如研究、整理信息、转录通话、总结结果，以及在销售人员结束通话之前就起草后续任务。除此之外，其他一切都非常直接。以下是其内部技术栈： 内部技术栈： - next.js 14 (app router) + react 19，在 supabase 上使用 postgres 数据库，部署在 vercel。 - 通话通过服务器上的 twilio 进行，浏览器端的 webrtc 拨号器使用 twilio voice js sdk。 - 通话录音通过 elevenlabs 进行转录。 - 邮件通过 resend 发送，并集成 gmail api oauth，以便销售人员可以从自己的收件箱发送邮件，而不是共享收件箱。 - 会议录音/转录功能基于 recall.ai（其机器人会自动加入会议）。 至于实际的 AI 部分：通话摘要、起草的后续跟进、客户研究简报，以及我们 AI 冷呼培训师的评分——所有这些都通过一个指向 Grok 的 OpenAI 兼容客户端完成（api.x.ai/v1, grok-3-mini-fast）。 我们最初使用 anthropic 的 API 来处理所有这些，但最近几乎将所有内容都迁移到了 Grok。每次对通话记录/摘要/草稿进行 LLM 调用，成本都会迅速累积。 总之，如果您负责一个销售团队，我非常希望听到您的意见/反馈/问题/想法，特别是那些对我们遗漏了什么或做错了什么有看法的人。我很乐意回答关于产品或技术栈的任何问题。 祝好！

你持有了一些XRP。也许你以0.80美元的价格买入，现在它价值1.22美元。或者，你正在考虑是卖出、持有还是继续加仓。无论哪种情况，你都打开了搜索引擎，输入了“瑞波币计算器”。

用AI制作了一个有趣的网站，用来解释《最终幻想IX》中的海洋是如何创作的，此前我曾花了好几天时间对着键盘猛敲，试图弄清楚它的原理。

我一直想找到一种方法，在搜索大型文件之前快速了解其整体结构。这个命令行工具不是直接搜索，而是通过文件打开等距分布的“窗口”，并显示周围的上下文。 GitHub：https://github.com/firasd/venetianblinds 事实证明，它在源代码和长文本上都非常有用。 用法： npx github:firasd/venetianblinds --samples=5 reactdomroot.js # venetianblinds