最新

OpenLoom 是一款 Chrome 扩展程序，它使用浏览器的原生屏幕捕获和 MediaRecorder API 来录制您的屏幕，在画布上合成一个摄像头画中画 (PIP) 叠加层，并直接上传到您自己的 Supabase 项目。没有中间服务器，没有订阅，也没有厂商锁定。openloom.live 上的 Web 播放器是一个托管在 GitHub Pages 上的静态网站，它直接从您的后端获取视频，不存储或记录任何内容。整个项目都是开源的（扩展程序、Web 播放器、配置流程），因此您可以审核每个网络请求。您的录制内容、您的存储桶、您的规则。欢迎试用并分享您的反馈！

我做了 20 多年的开发，过去也创办过一些初创公司，但这还是我第一个移动应用程序 :) 我从一个简单的东西开始。我觉得随着 LLM API 变得越来越普遍，可能有很多类似的应用，利用各种 LLM/AI API 来构建，对“外界”（非技术受众）来说会很有趣，所以我先从这个开始试验。

大家好， 我开发了 Whisker，因为搭建一个简单的在线商店不应该需要 WordPress、Composer，或者每月 39 美元的 SaaS 费用。它是一个自托管的电子商务购物车，使用纯 PHP + MySQL 构建，没有任何外部依赖。 上传到任何共享主机，运行 6 步 Web 安装程序，然后开始销售。就是这么简单。 它的功能包括：带有变体（尺寸 × 颜色，每个组合都有单独的 SKU/价格/库存）的产品目录、4 个支付网关（Razorpay、Stripe、CCAvenue、加密货币）、多币种支持、管理仪表板、订单管理、发票、客户账户、带有 JSON-LD 产品模式的 SEO 引擎、CSV 批量导入、支持工单、优惠券系统。 安全性：PDO 预处理语句、bcrypt、CSRF、会话指纹识别、Webhook 签名验证、登录速率限制、上传 MIME+扩展名验证。 大约 130 个文件，25 个表，运行在 PHP 8.0+ 和 MySQL 5.7+ 上。 演示：https://whisker.lohit.me GitHub：https://github.com/WhiskerEnt/Whisker-Cart 欢迎大家对架构或安全性提出反馈。很乐意讨论技术决策。

在为我的 SaaS 决定进军哪个国际市场时，我遇到了难题，于是构建了这个工具。<p>它是一个 MCP 服务器，可以连接到 Claude、Cursor、ChatGPT Desktop、Windsurf 以及任何兼容 MCP 的客户端。其内部运作方式是：使用 DataForSEO 获取来自 172 个国家的真实关键词数据，并结合 Claude 进行市场分析。你可以通过与你的 AI 工具对话，获得关键词机会、竞争数据和内容建议。<p>我很乐意回答关于 MCP 架构或 DataForSEO 集成的任何问题。

我们将斯坦福大学的 ACE（从执行反馈中学习的智能体）与“反思型语言模型”模式相结合。不同于单次读取轨迹，大型语言模型在沙盒中编写并运行 Python 代码，以编程方式探索这些轨迹——从而发现单次分析所遗漏的跨轨迹模式。该框架在 τ2-bench 上实现了 2 倍的性能一致性提升。

很多人都听说了 Google 计划阻止用户安装非 Google 签名的 APK 文件。但 Google 还没有改变主意。我想知道这里有没有人比我们知道得更多。如果这并非危言耸听，而是 Google 真正的计划，你们打算如何应对这种情况？

Hi HN， 我开发了 OpenGraviton，这是一个开源 AI 推理引擎，旨在突破在消费级硬件上运行超大型模型的极限。 该系统结合了多种技术，以大幅降低内存和计算需求： * 1. 58 位三元量化（{-1, 0, +1}），实现约 10 倍的压缩 * 动态稀疏性，采用 Top-K 剪枝和 MoE 路由 * 基于 mmap 的层流，直接从 NVMe SSD 加载权重 * 推测解码，以提高生成吞吐量 这些技术使得运行的模型可以远大于系统 RAM。 在早期基准测试中，OpenGraviton 使用三元量化将 TinyLlama-1.1B 从约 2.05GB（FP16）减少到约 0.24GB。在 1400 亿参数规模的合成压力测试中，通常需要约 280GB FP16 的模型，在使用三元格式压缩后，可以压缩到约 35GB。 该项目针对 Apple Silicon 进行了优化，目前使用自定义 Metal + C++ 张量解包。 基准测试、架构和详细信息： [https://opengraviton.github.io](https://opengraviton.github.io) GitHub： [https://github.com/opengraviton](https://github.com/opengraviton)

嘿，HN。我开发了一个名为 Outside In 的小型 iOS 应用程序（<a href="https:&#x2F;&#x2F;apps.apple.com&#x2F;us&#x2F;app&#x2F;outside-in&#x2F;id6759529344">https:&#x2F;&#x2F;apps.apple.com&#x2F;us&#x2F;app&#x2F;outside-in&#x2F;id6759529344</a>）。 这个想法很简单：你把一个备用/旧 iPhone 放在外面（门廊、窗台、后院），另一个放在床边。外面的手机捕捉那里发生的一切——蟋蟀、雨声、风声，偶尔还有猫头鹰——并通过你的本地 Wi-Fi 将其流式传输到里面的手机。你把里面的手机面朝下放好，然后伴着这些声音入睡。 我开发这个应用程序是因为我和我的伴侣过去常常在晚上开着窗户，以便听到外面的声音，但外面的温度并不总是适合这样做。我想要在睡觉时听到开窗的声音，但又不受天气的影响。 一些技术细节： 手机通过 Bonjour（NWListener/NWBrowser）互相找到对方，然后通过带有长度前缀帧的普通 TCP 连接流式传输 PCM 音频。48kHz 单声道 Float32。没有服务器，没有互联网。所有内容都保留在本地网络上。 有一个语音抑制功能，它使用 Apple 的 SoundAnalysis 框架来检测设备上的人声并将其过滤掉。它运行一个滞后门，大约 55% 的置信度阈值用于关闭，大约 30% 用于重新打开，并有 3 秒的保持时间，这样它就不会出现颤动。增益斜坡是每个缓冲区的指数级，以避免出现咔哒声。它的效果出奇地好。人行道上的对话会被抑制，但你仍然可以听到它们后面的蟋蟀声。 里面的手机使用加速度计来检测它何时面朝下且静止（gravity.z > 0.85 + 1.75 秒的静止缓冲），然后淡入音频。拿起它时，音频会淡出。整个交互模型基本上是“放下它，然后忘记它”。 没有帐户，没有云，没有分析，没有录音。零外部依赖。所有 Apple 框架。免费，无广告，无应用内购买等。我为自己开发了这个应用程序，并认为其他人可能也需要它。 很乐意回答问题（不可避免地，有些人会说“我为什么要听 X 城市的外面声音？” :)