最新

我尝试过很多次写日记，但都没有坚持下来。所以我决定为自己开发一款应用，包含以下功能： * 语音优先 * 隐私优先 * AI 聊天 * 自动标签、含义提取和语义检索（使用本地存储的嵌入） * 导出到 LLM AI 方面对我来说尤其有趣。它允许我提出这样的问题： * “提醒我过去三个月里的精彩瞬间和疯狂的夜晚” * “我在西班牙旅行期间感觉如何？我的分手有多严重？” * “在我告诉他我的问题后，你如何评价我与马克的所有互动？” 整个过程是“即时即忘”的。我每天只需要说一分钟，或者在有值得记录的事情时说一下。 所有内容都存储在设备上。AI 推理通过零数据保留端点进行。不保留电子邮件或其他任何信息，您完全匿名，我不知道人们如何使用它。 否则写日记就没有意义了。当我意识到有人拥有主密钥或可能遭受安全漏洞时，我无法说出我的秘密想法。 希望您喜欢这款产品，就像我一样。

谁能创造一个“服务式疯狂”（CRAZY）！ 对于那些还记得“相互保证毁灭”（MAD）的人来说，现在是时候拥抱“疯狂”（CRAZY，即网络递归湮灭，零化 Yottabytes 数据）了——这是它的数字继承者。 能够确保，如果我们的数据被删除，那么我们敌人的数据也会被删除，而且 _无需_ 我们采取任何行动。 这听起来很疯狂，但 MAD 当初也是如此。我想知道世界各地的各种情报机构是否已经在开发此类系统，以及下一个独角兽初创公司是否会是一个由人工智能驱动的预测性先发制人保护服务。这个想法是，基于预测性人工智能，在我们敌人的数据删除我们数据之前就删除他们的数据。 也就是说，在我们敌人想到删除我们数据之前就删除他们的数据。而这正是（整体性的）预测性人工智能发挥作用的地方：预测我们的敌人 _何时会想到_ 删除我们数据。 《奇爱博士》将是此类事业的指导。

Fund Momentum 追踪 970 多个活跃部署的风险投资基金，并提供实时的 GP（普通合伙人）信号。我们刚刚推出了一台 MCP 服务器，可将这些数据提供给任何 AI 代理或 LLM（大型语言模型）工作流。 **功能介绍** 通过 JSON-RPC 2.0 提供五种工具： * **search_funds** — 按阶段、国家、行业筛选 * **get_fund** — 获取基金的完整资料、投资理念、投资规模、GP 信息 * **get_fund_signals** — 获取实时的 GP 信号、部署状态、看涨/逆势投资角度 * **match_startup** — 描述您的初创公司，获取排名前 10 的匹配投资人及其理由 * **get_gp_profile** — 获取单个合伙人的信息 **代理原生定价** 按调用次数计费，而非订阅。每次调用 0.01 欧元。无月度重置。积分永不过期。每次响应的 _meta 中都包含 credits_remaining（剩余积分）。 **自助注册（无需人工）** ```bash curl -X POST https://fundmomentum.vc/_api/agent/register \ -H "Content-Type: application/json" \ -d '{"agent_name": "my-workflow", "email": "ops@company.com"}' ``` **立即返回 API 密钥** **Claude Desktop 配置** ```json { "mcpServers": { "fund-momentum": { "url": "https://fundmomentum.vc/_api/mcp", "headers": { "X-API-Key": "YOUR_KEY" } } } } ```

最初构建 Google Maps 到 GPX 的功能，是因为当时找不到一个像样的选项。后来又开发了更多用于 GPX 处理的工具——合并、分割、剥离、修剪等。同时还开发了一个 GPX 路线规划器，可以从头开始创建 GPX 文件。目标是保持一切直观简单：无需注册，无需付费，只有好用且易于使用的工具。

自从 Dark Sky 停止服务后，我一直想尝试进行临近预报（nowcasting）的实验，终于付诸实践了。这个应用基本上成为了我尝试各种天气数据集和地理空间可视化的游乐场。 由此产生的一些有趣的想法： 临近预报在底层使用了 pySTEPS 光流算法：https://pysteps.readthedocs.io/en/latest/auto_examples/plot_optical_flow.html。这个库非常棒。我一直觉得每个雷达可视化都只是提供一些断断续续的时间快照，这让我很困扰，所以我花了一些时间来构建平滑的插值。后端传递关键帧以及光流分析的运动数据，然后使用自定义的 WebGL 着色器进行插值，这样你就可以拖动时间轴并获得平滑的插值效果。 其他预报图块和主天气页面使用的是多个不同天气模型的平均值。你可以在模型页面上看到所有参与计算的模型：https://strataweather.com/models。这在主页面上可以指示模型之间的分歧。最终我计划根据模型过去的表现对每个模型运行和集合进行评分（这样你就可以根据在你所在地区表现最好的模型来设定自定义的集合权重）。不过我还没来得及做这个。 风险页面使用了过去 14 年的天气数据，以真实的发生概率来识别自然灾害风险。它正式定义了我们对特定自然灾害的含义，并根据每个地点的历史数据确定发生概率。其中一些定义还需要微调，但这是一个很棒的可视化。 欢迎大家来体验！它运行在一个 Hetzner 服务器上，我希望它能承受更多用户，让我们拭目以待！