最新

我一直在用“vibe-coding”的方式开发工具来自动化我的咨询工作中的一些环节，结果一头扎进去，开始构建实际的产品。突然间，我进入了一个充满未知之未知和已知之未知的世界。其中一个需要解决的重大问题是理解 LLM 生成的我并不完全掌握的代码。它会触及什么？什么在哪里读写？认证路径是我认为的那样吗？ 于是我构建了 codeflowmap。指向一个代码仓库，它就能绘制出依赖关系和调用图，然后展示文件和函数之间的读/写/认证路径。 连接一个本地模型（Ollama）或任何兼容 OpenAI 的 API，它就会为每个文件添加注释，说明其功能和涉及的数据。除非连接到远程/托管 API，否则一切都在本地运行，并且输出会直接链接到 Obsidian 库。 bunx codeflowmap serve · MIT · 为我而建 期待大家提出让它更有用或更完善的建议。

您好！ 我一直在研究持久性内存。我想看看是否可以使用类似大脑的基于图的记忆系统，更重要的是，我们可以节省多少 LLM 令牌。FERNme 使用模糊边缘和赫布共现规则来创建记忆标签。我认为 FERNme 可以成为人们强大的个人记忆，代理可以利用它来提供更个性化的答案。代码位于：<a href="https://github.com/mirkofr/FERNme" rel="nofollow">https://github.com/mirkofr/FERNme</a> 我邀请开发者们进行检查和测试，并提出诚实的批评，使 FERNme 成为真正的个人大脑。

Submarius 最初只是一个潜水条件仪表板，但我很快意识到，根本没有水质透明度的 API，甚至没有简单的方法来计算它。潜水员称之为“能见度”（viz），它是影响潜水体验最重要的因素之一。于是我深入研究了能见度的问题。我最终采用了一种状态增强的集成卡尔曼滤波器。更多细节请参见 /clarity 页面。我想问 HN 的读者们，是否有人知道更好的方法来解决这个问题？有大量的卫星数据可供训练，但其中很多数据都很混乱（例如，云被误读为浑浊的水，浅礁石反射异常导致读数错误等）。非常感谢您对此主题的任何反馈。祝您阅读愉快！

在我编程的第二个十年即将到来之际，我越来越注意到我们经常会踩到同一个“雷”。一个改动导致了问题的发生，事后看来，我们其实早就掌握了可以避免它的信息，只是从未将其显现出来。又或者，我们上线了一个功能，却从未回头去检查它是否按照我们的预期被使用，于是我们继续基于同样的未经检验的假设开发更多功能。 这是否让你产生共鸣？我相当确定我们都会遇到这种情况，但我无法判断有多少人认为这是一种可以修复的模式，而不是工作的一部分。 * 当你完成一个功能或项目后，你所学到的东西最终去了哪里？是你脑子里，一个问题评论，一份文档或维基，一次回顾会议，还是其他地方？ * 当你开始一项新工作时，你会明确地引入过去的学习成果吗？比如复制、链接、引用、讨论？还是这一切都来自于共享的记忆？ * 你有没有一个例子，早点记住某件事本可以为你节省大量时间？发生了什么？ 我试图弄清楚这是一种普遍的痛苦，还是仅仅我个人的困扰。非常欢迎分享你的“战争故事”。