最新

Miro 是一款使用 iced 和 mupdf-rs 构建的、适用于 Windows、Linux（以及 macOS）的原生 PDF 阅读器。你可能还记得我那篇标题略带攻击性的文章“我讨厌 Acrobat”（<a href="https://news.ycombinator.com/item?id=45598776">https://news.ycombinator.com/item?id=45598776</a>）。 总之，从那时起，在许多热心贡献者的帮助下，我发布了 2 个全新版本。最近的版本新增了演示模式，可以隐藏 UI，以及全屏模式切换功能。 代码可在以下位置找到：<a href="https://github.com/vincent-uden/miro" rel="nofollow">https://github.com/vincent-uden/miro</a>

嘿，HN！我们是 Bharath 和 Simranjit，来自 Relvy AI (<a href="https://www.relvy.ai">https://www.relvy.ai</a>)。Relvy 为软件工程团队自动化待命运行手册。它是一个配备了各种工具的 AI 智能体，可以大规模分析遥测数据和代码，帮助团队在几分钟内调试和解决生产问题。这是一个视频：[[[<a href="https://www.youtube.com/watch?v=BXr4_XlWXc0" rel="nofollow">https://www.youtube.com/watch?v=BXr4_XlWXc0</a>]]] 很多团队都在以某种形式使用 AI 来减轻他们的待命负担。你可能正在将日志粘贴到 Cursor 中，或者使用 Claude Code 结合 Datadog 的 MCP 服务器来帮助调试。我们看到的是，自主的根本原因分析对 AI 来说是一个难题。这在基准测试中有所体现——Claude Opus 4.6 在 OpenRCA 数据集上的准确率目前为 36%，而编码任务的准确率则更高。 这主要有三个原因：（1）遥测数据量可能会淹没模型中的噪声；（2）数据解释/推理依赖于企业背景；（3）待命是一个时间紧迫、高风险的问题，AI 在调查期间几乎没有探索的空间。导致用户误入歧途的错误是不可原谅的。 在 Relvy，我们通过构建用于遥测数据分析的专业工具来解决这些问题。我们的工具可以从密集的时序数据中检测异常并识别问题切片，进行日志模式搜索，并推断跨度树，所有这些都不会使智能体上下文过载。 围绕运行手册构建智能体可以减少智能体的探索，并采取更具确定性的步骤，这些步骤反映了经验丰富的工程师会采取的最有用的步骤。这可以加快分析速度，并减轻工程师审查和理解 AI 所做工作的认知负担。 工作原理：Relvy 通过 docker-compose 安装在本地机器上（或通过 helm charts，或在我们的云端注册），连接你的技术栈（可观测性和代码），创建你的第一个运行手册，并让 Relvy 调查最近的警报。 每次调查都会在我们的 Web UI 中以笔记本的形式呈现，其中包含数据可视化，帮助工程师验证并建立对 AI 的信任。从那里开始，Relvy 可以配置为自动响应来自 Slack 的警报。 Relvy 自动化的一些示例运行手册步骤：- 检查某个仪表板，查看错误是否仅限于特定分片。- 检查 APM 页面上是否有吞吐量激增，如果有，是否来自少数 IP？- 检查最近的提交，看看此端点是否有任何更改。 你还可以配置 Relvy 可以运行的 AWS CLI 命令，以自动化缓解措施，并获得人工批准。 关于我们的一些信息——我们在 2024 年秋季参加了 YC。我们最初的尝试是使用小型语言模型进行持续的日志监控——这太慢了。然后我们深入研究了如何有效地解决根本原因分析问题，而我们今天的产品是我们与早期客户合作大约一年的成果。 今天就来试试吧。很高兴听到反馈，或者你公司如何解决待命负担。感谢任何评论或建议！

完全开源，是 cline 的硬分叉。GitHub 页面上有完整的评估，比较了 7 个智能体（Cline、Kilo、Ohmypi、Opencode、Pimono、Roo、Dirac）在 8 个中等复杂任务上的表现。GitHub 上提供了每个任务、每个差异以及正确性和成本信息。<p>Dirac 比其他 6 个智能体的平均成本低 64.8%。

Webcellar 简化了在 Excel 中使用 JavaScript（和 TypeScript）的过程。 其主要功能是，来自 "<i>.xlsx.js"（或 "</i>.xlsx.ts"）文件的 JS 模块导出，只要 Webcellar 正在运行，就会自动在相应的 "*.xlsx" 文件中作为函数使用。 另一个功能示例是，Webcellar 自动处理 Excel 和 JS 之间的数据维度和数据类型转换。例如，JS 对象会被转换为 Excel 实体（即，具有可访问属性的单个单元格值）。 Webcellar 主要用于满足我在应用程序开发中的需求，其用例主要涉及预测、风险分析、决策分析等。使用 Excel 管理相关的应用程序数据（例如，编辑单元格或按列排序）非常简单，并且通常可以减少我花在开发用户界面上的时间。然而，Excel 应用程序开发受到公式和 Visual Basic（一种嵌入在 Excel 中的编程语言）的限制。在这种情况下，通过 Office 加载项在 Excel 中使用 JavaScript 似乎很有前景，但 Office 加载项的开发可能会变得不必要地繁琐。因此，我开发了 Webcellar 来简化在 Excel 中使用 JavaScript（和 TypeScript）的过程。 查看 Webcellar 源代码、演示（也作为带注释的截图）和更多信息，请访问 Github 存储库：<a href="https:&#x2F;&#x2F;github.com&#x2F;Acmeon&#x2F;Webcellar" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Acmeon&#x2F;Webcellar</a> 注意：几乎没有代码是 AI 生成的。AI 代码仅用于一个文件 `.webcellar&#x2F;taskpane-init.html` 中，用于捕获请求的 Office.js URL。 我很乐意回答您可能有的任何问题。

以下是两家公司在全企业范围内整合人工智能的不同方法：一种是从下往上，另一种是从上往下。 第一家公司（tom-tailor.ru）采用“数字生态系统”方法来防止“过度自动化”。他们使用许多小型服务来赋能员工。一个通用数据总线将这些服务集成在一起，但主要侧重于独立性和人。他们与市场紧密合作，并监控趋势和竞争对手。这就是他们实现灵活性的一种方式。他们需要1.5个月来检查一个流程是否成功。 第二家公司（政府机构unirusgroup.ru）使用的座右铭是：“能力中心”不是“开发中心”。能力中心充当专业知识和培训的枢纽，并被用作采用人工智能的主要场所。该中心汇集了来自整个企业的专家，并将他们的知识整合到中心。该中心拥有一个强大的沙盒，用于开发和使用人工智能模块。这使他们能够扩展和共享人工智能知识，并避免技术创新中的孤岛。 这些公司平衡了“拼凑式自动化”与“过度自动化”。 其他观察： * 仪表板无助于解决问题，反而会使人不堪重负；与此同时，当人创建仪表板时，他们会分享自己对数据的高度理解。 * 人工智能用于预测风险增加的领域，这些领域需要关注以防止关键故障；其他领域将受到较少的关注。这使得公司能够在资源有限的情况下运作。 * 自下而上的方法需要更少的时间来检查新模块是否成功，因为它们在这里更小。 * 架构是人与人工智能之间的桥梁；其作用类似于认知距离中的工件。 提到的图表： * 创新扩散中的营销鸿沟（“mure-abyss”）显示了在项目扩展期间，13%的活跃用户和70%的被动用户之间的差距。 * 边际效益微笑曲线：研发阶段高，生产阶段低，销售阶段高。 * 在利益相关者之间存在一个“认知距离”三角：业务、管理和开发人员。如果没有平衡和尊重，项目很可能会失败。人工智能或工件可以在它们之间进行调解。 斯科尔科沃研究亮点： * 记忆和决策是分布式的；所有组件都具有本地内存和一定的自主性（分布式认知，Noosphere）。 * 决策类型：专家驱动、流程驱动、数据驱动。每种类型都有其特定的应用领域；数据驱动并非完美无缺。专家驱动类似于一个紧凑的黑盒决策者，如大型语言模型。 * 数据驱动方法作为一种物质过程，促进人工智能应用。 * 原型测试需要90天。 企业人工智能开发的步骤（斯科尔科沃，SberService）： 1. 找到流程足够成熟的领域 2. 定义指标并建立“数据故事” 3. 将原型开发为模块 4. 扩展和监控 建议使用TRL和MRL指标（技术和制造工艺就绪度等级）来寻找创新机会。