最新

我用 6 个 AI 智能体作为我的整个团队。昨天，两个智能体陷入了死循环，争论 JSON 格式问题。在我睡觉的时候，烧掉了 47 美元的 API 调用费用。<p>任何运行多智能体设置（CrewAI、AutoGen、LangGraph）的人都知道这种痛苦：智能体失控，token 烧光，没有熔断器。<p>正在构建一个开源的 Go 反向代理。只需更改一个环境变量 (OPENAI_BASE_URL=http://localhost:8080/v1)，它就能检测到死亡螺旋并物理切断连接。<p>仅限本地，没有 SDK，没有云，单个二进制文件。如果足够多的人需要，两周内发布。<p>你有没有被失控的智能体坑过？

有些文本的规模介于上下文窗口的容量之外，但又不足以使用向量数据库。例如，一个代码库、一个笔记文件夹、或者一个 Slack 导出文件。我为此构建了一个名为 raglet 的小型库来解决这个问题。 你可以在 Python 中使用它，例如： ```python from raglet import RAGlet rag = RAGlet.from_files(["docs/", "notes.md"]) results = rag.search("我们对 API 设计的决定是什么？", top_k=5) rag.save("my-notes") ``` 在任何地方加载它： ```python rag = RAGlet.load("my-notes") ``` 它使用本地嵌入（sentence-transformers，无需 API 密钥），保存到一个你可以进行 git 提交的普通目录中。 基准测试结果比我预期的更有趣： * 1 MB（约 26.2 万个 token）| 构建时间 3.5 秒 | 搜索时间 3.7 毫秒 * 10 MB（约 260 万个 token）| 构建时间 35 秒 | 搜索时间 6.3 毫秒 * 100 MB（约 2600 万个 token）| 构建时间 6 分钟 | 搜索时间 10.4 毫秒 局限性：目前仅支持 .txt 和 .md 格式（接下来会支持 PDF/DOCX），没有文件更改检测，实际使用上限约为 100 MB，超过这个限制构建时间会变得难以接受。 这个工具对你的工作流程有什么帮助？

我一直在思考新的市场叙事是如何形成的。 不是那些众所周知、人人都谈论的，而是早期阶段——当一个主题或股票代码悄无声息地开始在讨论中越来越多地出现，然后才成为主流。 大多数交易工具都侧重于价格、指标或信号。 但市场往往是因为关注度和叙事首先建立起来才开始变动。 因此，我一直在尝试一个小系统，试图跟踪类似以下的内容： * 股票代码提及的突然增加 * 有多少独特的参与者在讨论一个主题 * 讨论是否持续存在于多个时间窗口 * 围绕一个叙事的关注度增长有多快 目标不是生成买入/卖出信号，而是了解市场关注度如何随时间演变。 最近，我还一直在探索一些想法，例如： * 叙事阶段（出现 → 扩张 → 峰值 → 衰退） * 跨社区的关注度持久性 * 关注度的转变是否往往先于价格变动 这个项目目前是一个不断发展的研究工具，我们称之为 MindQuant AI。 我们的想法是，用于理解市场的工具可能不应该是静态的——因为市场中的叙事和行为在不断变化。 所以我很好奇其他人对此的看法。 如果你正在构建一个市场情报系统，你希望它跟踪哪些信号？