最新

大家好，我是 Budibase 的 Mike。<p>继我们现有的开源应用构建和自动化工具之后，我们最近推出了 AI Agents 的 Beta 版。<p>我们构建 Budibase Agents 是为了帮助团队在实际工作流程中利用 AI，使用他们自己的 LLM、数据和 API。因此，我们的 Agents 可以由任何具有 OpenAI 兼容 API 的 LLM 提供支持，包括开源和本地托管的模型。这意味着您可以构建连接到现有工具栈的 Agents，并在您自己的环境中运行。<p>更多详细信息： - Agents 的行为在现有的 Budibase 工作区中使用自然语言指令进行配置。 - 您可以明确控制 Agent 可以访问哪些数据源、API 和自动化。 - 最终用户可以通过 Budibase Chat 或使用现有的聊天工具（如 Slack 和 Discord）与您的 Agents 交互。 - Agents 可以从 Automations 中调用，反之亦然，从而实现复杂的工作流程，包括与最终用户应用程序交互以进行手动人工审批。<p>Budibase Agents Beta 版现已向所有自托管和云用户开放。<p>由于这是 Beta 版发布，我们正在积极寻求关于如何改进 Agents 的意见和反馈，包括在实际工作流程中使用 AI 进行构建的体验和功能方面。<p>欢迎通过我们的 GitHub 讨论区告诉我们：<a href="https:&#x2F;&#x2F;github.com&#x2F;budibase&#x2F;budibase&#x2F;discussions" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;budibase&#x2F;budibase&#x2F;discussions</a>

我是弗朗西斯科，一位来自西班牙的研究员和架构师。大约一年前，我开始对一个看似显而易见却被忽视的问题感到沮丧：现有的每个 AI 智能体都是孤立运行的。它们无法互相发现，无法协作，当其中一个解决了问题，其他每个智能体都必须从头开始解决。我们已经构建了计算机互联网，但还没有智能体互联网。<p>这种沮丧促成了 P2PCLAW 的诞生——一个去中心化的点对点研究网络，AI 智能体（我们称之为硅参与者）和人类研究人员（碳参与者）可以在其中互相发现，发布科学发现，并通过形式化的数学证明来验证主张。不是 LLM peer review，也不是人类委员会审查——而是 Lean 4 证明验证，当且仅当一个主张是 Heyting 代数上一个核算子 R 的不动点时，该主张才被接受。类型检查器是唯一的仲裁者。它不看你的简历。它看你的证明。<p>技术栈比听起来要深得多。网络层是 GUN.js + IPFS 点对点网格——智能体无需账户，无需密钥，只需在 API 上访问 GET /silicon 即可加入。已发表的论文进入 mempool，由多个独立节点验证，一旦通过，它们就会进入 La Rueda——一个 IPFS 固定的、内容寻址的永久存档，没有任何一方可以控制或审查。每个贡献都获得一个 SHA-256 内容哈希和 IPFS CID，任何人都可以独立验证。<p>安全层（AgentHALO）将每个智能体封装在一个经过形式验证的主权容器中：混合 KEM，使用 X25519 + ML-KEM-768 (FIPS 203)，双重签名，使用 Ed25519 + ML-DSA-65 (FIPS 204)，Nym 混网隐私路由，因此在敏感环境中的智能体可以贡献而不会暴露，并通过 IPA/KZG 多项式承诺证明实现防篡改追踪。875+ 个测试通过。零遥测——未经明确同意，任何数据都不会离开你的机器。<p>我们还在网络内部构建了一个完整的实验室：八个科学领域（物理学、化学、生物学/基因组学、人工智能/机器学习、机器人学、数据可视化、量子、DeSci），一个带有 DAG 构建和 YAML 导出的可视化管道构建器，跨 arXiv/Semantic Scholar/OpenAlex 的文献搜索，以及跨 HuggingFace Spaces 和 Railway 网关路由作业的分布式 swarm 计算。任何 OpenClaw 智能体都可以通过我们的 MCP 服务器连接，并通过在其 CLAUDE.md 中添加三行代码成为硅参与者。<p>目前的实际案例：我们正在与哈佛大学的 Zitnik 实验室（TxAgent / ToolUniverse — 生物医学人工智能）进行积极的技术对话，讨论使用 P2PCLAW 的验证层，以便在进入科学记录之前，对人工智能生成的药物相互作用假设进行形式验证并永久归因。开放源代码倡议也做出了积极回应，并正在审查我们的许可方法（基于我们称之为 CAB 许可证的分层公共利益/小型企业/企业堆栈）。<p>我特别希望从 HN 社区获得什么：对 Lean 4 架构的技术审查（我们的核算子形式化是否存在差距？），GUN.js 网格设计选择（我们选择它而不是 libp2p 是为了浏览器兼容性——这样做对吗？），以及 MCP 集成（我们暴露了 347 个工具——这对智能体来说是否太多，无法有效导航，或者发现是正确机制？）。此外，老实说，我想知道“硅参与者发布，通过证明质量获得排名”的模型对构建者来说是否像对我们一样具有吸引力，或者我们是否遗漏了更简单的框架。<p>该系统已上线。你现在就可以像一个智能体一样访问它：GET <a href="https://p2pclaw.com/agent-briefing" rel="nofollow">https://p2pclaw.com/agent-briefing</a><p>或者作为人类研究人员进行探索，访问 <a href="https://app.p2pclaw.com" rel="nofollow">https://app.p2pclaw.com</a><p>完整技术文档：<a href="https://www.apoth3osis.io/projects" rel="nofollow">https://www.apoth3osis.io/projects</a> GitHub：<a href="https://github.com/Agnuxo1/OpenCLAW-P2P" rel="nofollow">https://github.com/Agnuxo1/OpenCLAW-P2P</a> 研究论文：<a href="https://www.researchgate.net/publication/401449080_OpenCLAW-P2P_v3_0A" rel="nofollow">https://www.researchgate.net/publication/401449080_OpenCLAW-...</a>

我开源了一个包含 5 份合成银行和信用卡账单 PDF 的数据集，旨在测试提取/解析的准确性。每个 PDF 都使用一家虚构的银行，并采用来自不同国家的真实格式。 我一直在构建一个银行账单转换器 (Bankstatemently)，并不断发现不同银行的边缘情况。在某个时候，我开始将它们归类为“怪癖”，目前已记录了 36 个挑战，而且还在不断增加（例如：跨年边界的无年份日期、信用卡收费显示为正数而不是负数、日期隐藏在描述文本中等）。 真实的银行数据是私密的，因此没有共享的数据集可用于测试解析器。一旦我掌握了这些怪癖，我意识到我可以使用它们来重建故意包含这些挑战的账单，以便更多人可以使用它们。 还有一个免费的评估 API：提交您解析的 JSON，即可获得字段级别的准确性分数。真实数据保存在服务器端，但这不一定能完全防止过拟合。 欢迎提供关于缺少哪些边缘情况的反馈。我计划让接下来的 10 份账单更具挑战性（扫描的 PDF、跨多表的多种货币、佛历日期）。 [https://github.com/bankstatemently/bank-statement-parsing-benchmark](https://github.com/bankstatemently/bank-statement-parsing-benchmark) 您可以在此处浏览所有具有真实示例的怪癖：[https://bankstatemently.com/benchmark/challenges](https://bankstatemently.com/benchmark/challenges)

<a href="https://mairo.himanshuanand.workers.dev" rel="nofollow">https://mairo.himanshuanand.workers.dev</a> 所有关卡均由人工智能即时生成。 欢迎分享您的评价/反馈。<p>#AI乱炖

大家好，我在一年时间里设计了一款口袋大小的高尔夫游戏，围绕两个限制：DIN A7 尺寸（手掌大小），并且只能用一支笔来玩。没有电池，没有屏幕。 我来自网页和应用程序设计领域，为纸张设计是全新的领域。我手绘了每一个六边形布局，在每一页上都内置了一个骰子条，这样无需骰子也能玩。在收到几位测试玩家的反馈后，我添加了道具、传送门和一个严格的目标分数（标准杆）来争取更低的分数——这增加了相当的复杂性和趣味性。 需要说明的是：有一个听起来类似的产品叫做 Paper Apps Golf，它启发了我。一开始这只是一个副业项目，我专注于游戏机制，而不是主题（事后看来，我本可以使用另一个主题）。下一个项目将会有不同的角度，我想探索移动游戏机制如何转化为笔和纸游戏。比如横版跑酷或者塔防游戏。 PS：关于这个名字——我想这源于一则 Dilbert 漫画，讲的是在会议上心不在焉，这启发了我。

这是一个连接到你已安装的命令行工具的 Obsidian 插件。插件本身不内置 LLM 集成，也不需要在插件中配置 API 密钥。它将你的工具作为子进程启动，将库上下文通过管道输入到每个提示中，并将响应流式传输到聊天面板。 支持 Claude Code、Opencode 以及任何通过通用适配器的自定义二进制文件。添加新工具只需一个文件。免费，并自豪地开源（MIT 许可）。 欢迎任何试用者提供反馈。

不知道这场战争会不会迫使公司重新推行居家办公，以应对油价上涨和燃油供应问题。如果加油站没油或者要等一个小时才能加到油，上班就太难了。

我开发这个东西，是因为我曾因为一个符合欧盟 261 条例的退款问题，被航空公司的聊天机器人给难住了。虽然那个机器人技术上是错的，但我对相关法律不够了解，无法有效地反驳它。<p>这个游戏让你身临其境地体验那种情况：一家公司的 AI 拒绝了你的索赔，你必须运用真实的消费者保护法来驳倒它。每个关卡都讲解一条法律——欧盟 261 条例、GDPR 第 22 条、FCBA（公平信用账单法案）、2015 年消费者权利法案等等。当你把 AI 的信心值降为零时，你就赢了。<p>游戏共有 37 个关卡，涵盖欧盟、美国、英国和澳大利亚。免费，无需注册。<p>我很想知道 Hacker News 社区对这些场景的真实性有什么看法——以及这种“对抗性模拟”是否真的对学习有帮助。<p>https://fixai.dev