最新

你的 Claude 经常使用“我包含万物”这个短语吗？ 我试着搜索了一下，但得到的大部分结果都是以 LLM 为中心的人在网上用这句话造句（废话，想知道他们是从哪里学来的……），讽刺的是，还有一篇关于“moltbook”的条目，这更让我确信了这一点。 这让你不禁思考，除了通常的对齐、投入更多算力和重新设计底层公式之外，在它的个性工程方面投入了多少精力。它回复的文风，以及例如 Claude 拥有的独特“Claude 式”表达方式。这仅仅是在训练过程中习得的，还是仅仅作为一种让它听起来更复杂一点的随机元素手动植入的？我知道大多数接触过它的人都签署了非常严格的保密协议，但如果有人能为我这个门外汉解惑，我将不胜感激。 一个在职心理医生和一些 H100 就能让一个毫无灵魂、对上下文一无所知的 Gemini 变成充满灵魂的 Claude，后者可以瞬间模仿你的语气，但当准备好辩论时，又能展现自己的风格？这显然是一种幻觉，但我觉得这正是让 Claude 在某些人眼中（……包括我，所以我可能有点偏见……）显得更有意识或更理解的原因。 也很欢迎关于 AI 个性的总体讨论。

尝试通过发送代码截图并逐步执行生成的指令来进行一些桌面自动化。虽然粗糙，但它（基本上）能用。在截图里，它不小心按下了 71336 哈哈。

大多数 MCP 示例在客户端和服务器运行在同一台机器上时看起来很简洁。 一旦 MCP 服务器远程部署，这种情况就会被打破。 期望本地文件的工具无法访问它们，而生成文件的工具则会将这些文件遗留在服务器上。 我构建了 remote-mcp-adapter 来弥合这一差距。 它为上游工具暂存客户端文件，捕获输出工件，并保持正常的 MCP 流量不变。 代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;aakashh242&#x2F;remote-mcp-adapter" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aakashh242&#x2F;remote-mcp-adapter</a> 欢迎构建远程或集中式 MCP 设置的人提供反馈。

Hi HN， 我正在用以下技术在浏览器中构建一个语音优先的 AI 语言老师： * Next.js * Gemini 音频 API 用于语音转文本 (STT) * Gemini 文本转语音 (TTS) * Supabase 产品的愿景是打造一个结构化的 AI “语言大学”，而不是一个通用的聊天机器人。 目前我最大的技术难题是： 在播放 TTS 音频的同时，如何为静态头像图像实现轻量级的浏览器原生唇形同步？ 我尝试过： * Three.js + VRM（对于此用例来说太重 / 不稳定） * 简单的 canvas 嘴部动画 * 纯 CSS 脉冲效果 我希望： * 足够逼真，让人感觉栩栩如生 * 依赖项权重低 * Web 兼容 * 在移动设备上稳定 次要问题： * MediaRecorder 在移动 Safari 上的可靠性 * 减少转录延迟 * 用于引导式教学的语音 UX，而不是自由形式的聊天 演示： [https://koshe-al.onrender.com](https://koshe-al.onrender.com) 代码库： [https://github.com/Bugsbuny24/Koshe-Al-](https://github.com/Bugsbuny24/Koshe-Al-) 欢迎技术建议、架构批评，或类似系统的优秀案例。

----------------------------------------------------------------------- 算法 E（欧几里得算法）。给定两个正整数 m 和 n，求它们的最大公约数，即能同时整除 m 和 n 的最大正整数。 E1 [求余数] 用 n 除以 m，令 r 为余数。（我们知道 0 ≤ r < n） E2 [是否为零？] 如果 r = 0，算法终止，n 即为答案。 E3 [简化] 令 m = n，然后 n = r，返回步骤 E1。 ----------------------------------------------------------------------- [3] 修改算法 E，避免所有琐碎的替换操作，例如 m = n。用算法 E 的风格编写这个新算法，并将其命名为算法 F。 ======================================================================== 克劳德十四行诗 4.6 ======================================================================== 算法 F 给定两个正整数 m 和 n，求它们的最大公约数。 F1 [求余数] 用 n 除以 m，令 r 为余数。（我们知道 0 ≤ r < n。） F2 [是否为零？] 如果 r = 0，算法终止，n 即为答案。 F3 [求余数] 用 r 除以 n，令 m 为余数。（我们知道 0 ≤ m < r。） F4 [是否为零？] 如果 m = 0，算法终止，r 即为答案。 F5 [求余数] 用 m 除以 r，令 n 为余数。（我们知道 0 ≤ n < m。）返回 F2。 解释 关键的见解是，与其使用临时替换来洗牌数值，例如： m = n, n = r 我们循环使用现有的变量（m、n、r），轮流进行除法，并将每个新的余数直接存储到不再需要的变量中： 步骤 除法 余数存储在 F1...m 除以 n...r F3...n 除以 r...m F5...r 除以 m...n 每个变量在每个阶段自然成为“最旧”的值，并被安全地覆盖。这消除了所有琐碎的赋值，同时保留了欧几里得算法的逻辑。 □