4作者: hamzzaamalik6 个月前
Hi HN, 我开发了 *CodeDrift*,一个 CLI 工具,用于检测由 Copilot、Cursor 和 ChatGPT 等 AI 编码助手经常引入的错误。 在过去的一年里,我注意到 AI 工具经常生成能够正确编译、通过 linting 检查,并且在代码审查中看起来合理的代码,但仍然包含一些细微的问题。 我经常看到的一些常见例子包括: * 未等待 Promise 的异步 `forEach` 循环 * 缺少授权检查(IDOR) * 幻觉依赖项(不存在的依赖项) * 泄露敏感信息的堆栈跟踪 * 未经验证就使用的请求数据 这些错误常常会逃过 ESLint、TypeScript 甚至人工审查员的眼睛,因为代码 <i>看起来</i> 是正确的。 CodeDrift 使用 TypeScript 编译器 API 解析代码,并运行一组检测器来查找这些模式。 例如: ``` async function syncProducts(items) { items.forEach(async (item) =&gt; { await updateStock(item.id); }); } ``` CodeDrift 输出: ``` CRITICAL: async forEach does not await promises Fix: use Promise.all or a for...of loop ``` 它检测到的另一个例子: ``` Database query using user-supplied ID without authorization check → potential IDOR vulnerability ``` 其目标不是取代 ESLint 或 TypeScript 等工具,也不是取代 Snyk 等安全扫描器。 它旨在作为使用 AI 助手生成的代码的安全层。 该工具在本地运行,不需要云访问,可以通过以下方式试用: ``` npx codedrift ``` 我很乐意收到正在生产中使用 AI 编码工具的开发者的反馈。
2作者: sandippathe6 个月前
我构建 Anaya 是为了解决我一直看到的一个问题: 印度的《数字个人数据保护法》(DPDP 法案)现已生效(规则已于 2025 年 11 月公布,截止日期为 2027 年 5 月),但合规性是一个代码问题,不仅仅是一个法律清单。 之前没有为此提供任何工具。 我在 Saleor(开源 Django 电子商务,107 个模型)上运行了它:在 82 秒内发现了 4 项违规行为——没有同意机制,70 个 PII 字段以明文形式存储,没有任何 PII 模型的 DELETE 端点。 ```bash pip install anaya && anaya compliance . ``` 代码:[https://github.com/sandip-pathe/anaya-scan](https://github.com/sandip-pathe/anaya-scan) 欢迎讨论 AST 解析方法或 DPDP 部分分析器设计。
2作者: maxhofer6 个月前
大家好,HN!我们是 X25 的校友,创建了 Parsewise,用 AI 智能体分析大型文档集。<p>与只针对单个 PDF 提问不同,我们的智能体可以在一次运行中提取、交叉引用并推理数千份文档。<p>我们最初是为保险和财务尽职调查流程构建的,这些流程中团队需要审查大量的文档包。<p>很好奇 HN 社区的看法!<p>欢迎查看我们的公开演示: demo.parsewise.ai/insurance-claims-triage demo.parsewise.ai/reinsurance-recovery-optimization demo.parsewise.ai/investment-diligence demo.parsewise.ai/mortgage-underwriting
1作者: moorst6 个月前
Chartle 可以通过自然语言生成图表。你输入类似“过去 10 年编程语言的流行度”这样的内容,它就会找到数据,选择图表类型,并进行渲染。你还可以截取现有图表的屏幕截图,它会重新创建出一个干净且可编辑的图表。 它使用 Next.js/TypeScript 构建,结合 Gemini 和 Google 搜索来获取数据,并使用 ECharts 进行渲染。 可以免费试用,制作第一个图表无需注册。免费套餐每月提供 5 个图表的额度。
3作者: padamkafle6 个月前
Hi HN, 我是 Padam,一位居住在迪拜的开发者。 在过去的两年里,我一直在尝试一个想法:AI 推理可能不需要 GPU。 现代 LLM 推理通常受内存限制而非计算限制,因此我构建了一个实验系统,该系统使用 SIMD 向量化和量化,从 CPU 核心虚拟化 GPU 风格的并行处理。 结果是 AlifZetta —— 一个原型 AI 原生操作系统,无需 GPU 硬件即可运行推理。 一些细节: • 大约 67000 行 Rust 代码 • 内核级 SIMD 调度 • INT4 量化 • 稀疏注意力加速 • 投机解码 • 6 个 AI 模型(文本、代码、医疗、图像、研究、本地) 目标: 在 GPU 昂贵的地方,使 AI 基础设施更便宜、更易于访问。 Beta 链接在这里: <a href="https:&#x2F;&#x2F;ask.axz.si" rel="nofollow">https:&#x2F;&#x2F;ask.axz.si</a> 好奇 HN 对这种方法的看法。
1作者: kuchin6 个月前
受到 <a href="https:&#x2F;&#x2F;component-party.dev" rel="nofollow">https:&#x2F;&#x2F;component-party.dev</a>(前端框架对比)的启发,我构建了一个针对 ORM 的类似工具。<p>选择合适的 ORM 并非易事,即使借助人工智能也容易迷失方向。<p>例如,对于 Python,我使用 Django ORM:语法简洁,支持迁移,内置管理后台。跳过 Django 的其余部分,并将其与 FastAPI 搭配使用。很高兴看到它与其他技术栈的对比,甚至能够在下一个项目中选择 Python 或 Typescript。<p>希望得到反馈,特别是关于接下来应该添加哪些对比。