最新

大家好，我是 Linggen 的开发者——一个用 Rust 编写的、本地优先、开源的 AI 编程助手。<p><pre><code>0.9.2 版本的新功能： - 通过 WebRTC 实现 P2P 远程访问——无需端口转发或云中继，即可通过手机控制你的助手。只需 `ling login` 并扫描二维码即可。 - 计划模式——助手在编写代码之前会提出一个分步计划，你可以在执行前批准或编辑。 - 兼容任何模型——Ollama、OpenAI 兼容 API、Gemini、DeepSeek。你可以使用自己的密钥，也可以完全在本地运行。 它就像 Claude Code，但模型无关，可以通过技能（markdown 文件）进行扩展，并且现在可以从任何地方访问。 演示视频在登陆页面上，展示了安装 → 计划 → 构建 → 移动同步的流程。 安装：curl -fsSL https://linggen.dev/install.sh | bash GitHub：https://github.com/linggen/linggen</code></pre>

我厌倦了运行哪怕是最简单的数据分析所需的各种开销——云端设置、ETL 管道、编排、成本监控——所以我构建了一个完全本地的数据栈/IDE，在这里我可以编写 SQL/Py 代码、运行它、查看结果，并快速、交互式地迭代。<p>你可以获得类似数据湖的目录、零 ETL、血缘关系、版本控制以及完全在你的机器上运行的分析功能。你可以从数据库、网页、CSV 等导入数据，并用自然语言进行查询，或者用 SQL/Pyspark 进行自己的工作。连接到本地模型，如 Gemma，或云 LLM，如 Claude，用于查询和分析。你无需设置本地 LLM，它已内置。<p>这完全免费。无需云账户。<p>下载软件 - <a href="https:&#x2F;&#x2F;getnile.ai&#x2F;downloads" rel="nofollow">https:&#x2F;&#x2F;getnile.ai&#x2F;downloads</a><p>观看演示 - <a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=C6qSFLylryk" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=C6qSFLylryk</a><p>查看代码库 - <a href="https:&#x2F;&#x2F;github.com&#x2F;NileData&#x2F;local" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;NileData&#x2F;local</a><p>这还处于早期阶段，我真诚地希望得到你对哪里有问题、缺少什么以及你是否觉得它对你的数据和分析工作有用的反馈。

Starla 是一款非官方的 RIPE Atlas 软件探测器客户端，支持跨平台，可选托盘图标小程序，并且是一个没有外部依赖的单一静态二进制文件。 Starla 适用于 Windows、MacOS、Linux 和容器运行时环境。 Starla 的文档位于 <a href="https:&#x2F;&#x2F;ananthb.github.io&#x2F;starla" rel="nofollow">https:&#x2F;&#x2F;ananthb.github.io&#x2F;starla</a>。RIPE Atlas 探测器协议的文档位于 <a href="https:&#x2F;&#x2F;ananthb.github.io&#x2F;starla&#x2F;protocol.html" rel="nofollow">https:&#x2F;&#x2F;ananthb.github.io&#x2F;starla&#x2F;protocol.html</a>。

在过去的几个月里，我尝试了许多潜在的 Transformer 替代方案，其中之一就是所谓的脉冲神经网络（SNN）。对于不熟悉的人来说，这是一种旨在使人工智能尽可能接近人脑的方法，换句话说，虽然 Transformer 或 RNN、LSTM 是结果导向的（不寻求 1:1 模拟人类）——SNN 实际上试图精确地模仿人类的学习方式。使用它们进行 NLP 的想法并非全新（谷歌的 SpikeGPT），但据我所知，还没有人尝试过以下几点： * 在 SNN 中每隔 n 个 token 之后加入情景式长期记忆（我自己的想法...）； * 在 C 和 C# 中实现，无需 torch/tensorflow（SpikeGPT 使用 python 和 torch）； * 几种类型的“注意力”和训练模式以及记忆模式； * 无需反向传播的训练/学习； * 对 CPU 友好，因为虽然它仍然有点慢（不幸的是），但至少不需要 GPU 以下是 C# Windows Forms 实现和 C/cygwin 端口的截图...以及关于该程序的 Claude Sonnet 4.6 和 Gemini Pro 3.1 的 2 张随机截图： [https://imgur.com/a/SAQqKmm](https://imgur.com/a/SAQqKmm) 为什么从种子生成的文本仍然远未完美？两个原因：语料库非常小，并且 C# 的准确率 &lt;100%。 然而，一个令人惊喜的好消息是：它似乎同时学习了语法和语义，再加上我提出的包含一种长期情景记忆的方式，一个长上下文可以扩展到微小的“ctx”窗口之外的数千个 token，而不会降低速度——这可能会使它成为一个实用的程序。生成速度也很快。 未来工作： * BPE，现在它只是单词分词器...对代码不好； * 我说“代码”了吗？它实际上可能对编码来说是一个彻底的失败...或者也许不是：完全未经测试； * 该程序实际上有两个版本，另一个版本与此版本明显不同，并且有 C 甚至 F# 端口，但是 F# 根本无法工作...它总是产生完全的胡言乱语...主要错误。 * 从未在实际的神经形态 CPU 上测试过，只是普通的英特尔通用笔记本电脑； * 应该可以进行 python 移植； * 最后的大测试：大型文本语料库（兆字节）和超过 95% 的准确率 &lt;- 终极测试。

已上线。 诚邀首批用户体验并提供反馈！