最新

有人注意到这一点吗？他们几乎从不捕获 bug，而且编写代码极其复杂，几乎总是因为难以调试的复杂 Jasmine Karma 环境问题而失败。

在我上一份工作中，我花了一年时间构建了一个供数十万人使用的智能编码平台。在此期间，我尝试在 OpenClaw 上构建一个托管服务，并自己运行了 Hermes 一段时间。这两个项目都有一些很棒的功能构想，但当我尝试将它们用于实际工作时，它们失败的次数多于成功的次数，而且它们的安全性模型让我感到担忧。我实在无法想象它们中的任何一个能让我/我的朋友/我的家人足够信任。经过大量探索，我意识到我一直真正想要的是利用我每天都在使用的编码代理来创建自动化。事实证明，只要有合适的运行环境和工具，编码代理就是自动化任何事（不仅仅是代码）的最佳工具。 我还花了 20 年时间领导 Linux 基础设施和分布式系统团队。任何编写过服务守护进程的人都知道，我们认为的“始终在线”大部分实际上只是“醒来，做点工作，然后回去睡觉”，这是一个高效的模式，易于使用和理解。Cron 几十年来一直以这种方式工作。 因此，我构建了 Clor，一个命令行工具，它允许你的编码代理创建“claws”，这些是后台代理，可以按计划自动化任何事情，并在你的笔记本电脑、Mac mini 或虚拟机上运行。 一个 claw 可以定义并作为一个单独的 CLAW.md 文件共享，其中包含一些元数据（名称、计划、个性等）和一个或多个有序的任务。每个任务都是一个使用完整工具的真实代理运行，或者是一个普通的 bash 步骤。任何你可以让你的代理做一次的事情，一个 claw 都可以重复做。我的一个 claw 每隔几分钟就会整理一次我的收件箱，标记明显的垃圾邮件，挽救被错误标记的合法邮件，并星标我需要回复的邮件线索等。它比 Gmail 的过滤器智能得多，因为它实际上会阅读我的邮件，而不仅仅是匹配规则。 安装很简单，在 Linux/macOS 的终端中运行以下命令：curl -fsSL https://clor.com/install.sh | bash。这将设置命令行工具、一个小型调度守护进程以及一个你可以从你的代理运行的技能，在 Claude Code 中是 `/claws`，在 Codex 中是 `$claws`。

让我们一起实现吧

大家好，我是 Rishi 和 Sahil。我们开发了 Rudus（<a href="https://www.rudus.ai/">https://www.rudus.ai/</a>），一个为混凝土分包商打造的 AI 驱动的工程量计算和估价平台。 工程量计算（Takeoff）是从混凝土图纸中测量和量化材料的过程。Rudus 可以识别每一个混凝土结构（基础、墙体、柱子、楼板），提取相关细节，并省去数小时的手动工程量计算。这是我们的演示视频：<a href="https://www.youtube.com/watch?v=PAMNDRWEdlI">https://www.youtube.com/watch?v=PAMNDRWEdlI</a>。 问题所在：混凝土分包商是每个建筑项目的基石，但他们的估价流程在过去 20 年里几乎没有改变。目前，一位资深估价员需要打开 PDF 文件，手动描绘每一个基础和地梁，然后手工制作一个包含 300 多个条目的 Excel 表格——包括体积、模板、按尺寸划分的钢筋（包含搭接和锚固长度）。一份标书可能需要数周甚至数月才能完成。大多数公司只有少数几位估价员，这意味着他们实际上无法承接大部分可获得的工程。 该行业现有的软件自 2020 年以来就没有更新过。此外，市场上所有 AI 工程量计算工具都是为总包商设计的，它们将混凝土视为一个整体，而不是考虑混凝土估价员实际如何进行报价。我们正在为这个行业，并且只为这个行业，打造 Rudus。 我们开始这个项目是因为 Sahil 上了一门施工管理课程，并意识到估价流程几十年来一直没有改变。我们开始挨家挨户地拜访，带着甜甜圈走进办公室，出现在工地上，每个人都告诉我们同样的事情：缓慢的估价流程是阻碍他们业务增长的最大瓶颈，但他们尝试过的所有新产品都失败了。我们很快意识到，这些工具失败的原因是缺乏信任和频繁的错误导致后续问题。估价员依靠这些数字来完成数百万甚至数十亿美元的标书，他们明确表示不会用他们的工作流程去换取一个“黑箱”。我们采取了不同的方法：开发一款能够智能加速他们现有工作流程的软件，而不是取代它，我们将产品融入他们现有的估价流程中。 当估价员将他们的结构 PDF 上传到 Rudus 时，我们会自动分类每一张图纸（基础图、剖面图、基础详图、框架立面图），并将它们路由到正确的处理流程。计算机视觉技术可以检测整个图纸集中的混凝土构件，并跨图纸进行参照，以解析尺寸和细节，捕捉到仅基于图纸的工具总是会遗漏的构件。每个构件都会被扩展成完整的装配式条目：混凝土、模板和钢筋，并包含估价员通常需要手动计算的所有内容。一个典型的基础工程量计算，会从少数几个装配项扩展到 80-120 个已定价的条目。估价员进行审查，在需要时进行修改，然后直接导出到他们现有的工作流程中。 在 AI 估价领域，我们拥有几个关键优势。首先是我们的专注点——混凝土，这是建筑业的一个细分领域。没有人为混凝土分包商做这件事，因为他们的图纸与其他分包商的图纸差异很大。出于同样的原因，VLMs（视觉语言模型）和其他通用解决方案不起作用。相反，需要专有的计算机视觉模型，这依赖于海量客户数据的训练。我们运行多个不同的模型，这些模型直接在我们客户的工程量计算数据上进行训练，并且客户与我们模型的每一次互动都会成为一个训练示例，从而随着使用量的增加，每个客户的准确性都会得到提升。 我们的第二个优势在于我们的产品方法论，我们选择构建一个“副驾驶”，而不是一个“黑箱”。大多数 AI 工程量计算平台试图通过自主生成工程量来完全取代估价员，但目前模型的输出质量很差，所以工程量计算最终还是需要手工重做。在与结构混凝土估价员一起度过了 100 多个小时，并亲自完成了大量的工程量计算后，我们围绕着他们实际的工作流程进行了构建。估价员启动工程量计算，Rudus 通过查找相似性、遵循交叉引用和理解标注来扩展工作。估价员可以控制每一次接受、覆盖和编辑。结果是更快的工程量计算，并且可以进行辩护，而不是不可靠的 AI 输出，后者最终会被丢弃。 我们非常希望听到大家对我们的演示视频（<a href="https://www.youtube.com/watch?v=PAMNDRWEdlI">https://www.youtube.com/watch?v=PAMNDRWEdlI</a>）的看法，或者大家在构建计算机视觉模型方面的经验，以及任何您认为相关的内容！