最新

主要功能： - 瞬间读取 10GB+ 文件（内存占用稳定在约 20MB）。 - 100% 本地执行（沙盒）：数据绝不会上传到任何服务器。支持离线使用。 - JSON 美化器：检测 JSON 行，并点击即可格式化。 - “跃迁”书签：保存字节偏移量位置，可在相距数千兆字节的行之间跳转。

大家好，我是 ReadyLive 的开发者，我开发了一个实时监控和通知系统，专门为真人秀模特设计。<p>基本思路是：人们经常会守在房间里，等待特定时刻（私密模式、门票展示、特定目标、特定短语）。ReadyLive 监控这些房间，并在触发条件发生时向你发出警报，这样你就不用一直守在屏幕前了。<p>目前我最关注的不是增长或功能，而是隐私和安全。<p>以隐私为先的设计理念<p>我特意设计了这个系统，使其在不泄露个人数据的情况下也能使用： • 没有广告，没有追踪，没有与用户相关的分析 • 不需要真实的电子邮件（假邮箱也可以正常使用） • 没有浏览历史，没有行为档案 • 尽可能少地存储数据（目标是：即使有人获取了数据库，也无法获取太多信息）<p>我不是在寻求全面的审计或免费的劳动，更像是：我忽略了哪些显而易见的安全问题？<p>如果你要对类似的东西进行威胁建模： • 在这种系统中，即使你试图避免存储数据，隐私泄露通常发生在哪些地方？ • 允许用户定义触发器时，有哪些常见的陷阱（即使有严格的限制）？ • 使用 Telegram 进行通知是否会以人们经常低估的方式改变威胁模型？ • 你会首先尝试破坏什么？<p>我试图在复杂性出现之前尽早检查边界。<p>链接：<a href="https:&#x2F;&#x2F;readylive.io" rel="nofollow">https:&#x2F;&#x2F;readylive.io</a><p>很乐意回答任何问题或分享细节，如果这有帮助的话。

大家好——我一直在开发 IntentusNet，这是一个小型执行运行时，专注于围绕 AI 工具的确定性、可重放的执行语义。<p>我在生产系统中一直遇到的问题是： AI 管道是可观察的，但不可重现。发生事件后，模型、路由逻辑、重试或回退可能已经改变——仅凭日志无法重现实际发生的情况。<p>v1.3.0 引入了运行时确定性核心：<p>先写日志（仅追加 JSONL），在副作用之前写入<p>崩溃安全恢复和确定性重放（在出现差异时大声失败）<p>运行时执行合约（超时、重试、成本上限）<p>副作用分类，以防止不安全的重试或回退<p>CLI 优先检查（列表 / 显示 / 跟踪 / 重放 / 差异）<p>它不是一个规划器或代理框架，也不是 MCP 的替代品——它纯粹专注于围绕工具（包括 MCP 风格的工具）的执行语义。<p>快速尝试（从 repo 根目录运行）：<p>git clone <a href="https:&#x2F;&#x2F;github.com&#x2F;Balchandar&#x2F;intentusnet" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Balchandar&#x2F;intentusnet</a><p>cd intentusnet pip install -e . python -m examples.deterministic_routing_demo.demo --mode with python -m examples.deterministic_routing_demo.demo --mode mcp<p>文档（架构、保证、演示）： <a href="https:&#x2F;&#x2F;intentusnet.com" rel="nofollow">https:&#x2F;&#x2F;intentusnet.com</a><p>MIT 许可，开源： <a href="https:&#x2F;&#x2F;github.com&#x2F;Balchandar&#x2F;intentusnet" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Balchandar&#x2F;intentusnet</a><p>我非常重视来自构建真实系统的人的反馈：<p>您在实践中对确定性重放有什么期望？<p>您如何在 AI 管道中安全地处理重试和副作用？

我们在生产环境中部署 LLM 时，反复遇到相同的问题，因此构建了 Verdic：大多数 AI 故障并非源于内容安全，而是意图漂移。 随着模型变得更具自主性，输出结果常常悄无声息地从描述性行为转变为指令性行为——没有任何明确的信号表明系统正在采取行动。在这种情况下，关键词过滤器和基于规则的防护措施很快就会失效。 Verdic 是一个意图治理层，位于模型和应用程序之间。它不检查主题或关键词，而是评估： * 输出是否将未来的选择压缩为特定的行动方案 * 响应是否施加规范性压力（指导行为 vs 解释说明） 目标不是内容审核，而是行为控制：检测 AI 系统何时在其部署的意图之外运行，尤其是在受监管或决策关键的工作流程中。 Verdic 目前以 API 的形式运行，具有可配置的允许/警告/阻止结果。我们正在对自主性工作流程和长期运行的链进行测试，这些场景中意图漂移最难检测。 这是一个早期版本。我主要希望收到在生产环境中部署 LLM 的用户的反馈，特别是在以下方面： * 自主性系统 * AI 治理 * 风险与合规 * 我们可能遗漏的故障模式 欢迎提问或分享有关该方法的更多细节。

我创建了 <a href="https:&#x2F;&#x2F;lich-am.com" rel="nofollow">https:&#x2F;&#x2F;lich-am.com</a>，因为大多数本地农历网站都充斥着烦人的广告和追踪。从技术上讲，它使用精确的算法进行天文农历计算，并针对 GMT+7 时区进行了本地化。该网站在构建时注重核心 Web 性能指标，并为了隐私和速度而没有外部依赖。这是为寻找干净工具的越南社区提供的。

目前围绕 Agent 的生态系统感觉像是一堆臃肿的 SaaS，订阅费用昂贵，而且存在隐私问题。Orla 将大型语言模型带入你的终端，拥有一个极其简单、Unix 友好的界面。所有操作都在本地 100% 运行。你不需要任何 API 密钥或订阅，你的数据永远不会离开你的机器。 像使用其他命令行工具一样使用它： ```bash $ orla agent "总结这段代码" < main.go $ git status | orla agent "为这些更改草拟提交信息。" $ cat data.json | orla agent "提取所有电子邮件地址" | sort -u ``` 它基于 Unix 哲学构建，支持管道操作，并且易于扩展。 仓库中的 README 包含一个快速演示。 安装只需一个命令。该脚本会安装 Orla，设置 Ollama 用于本地推理，并拉取一个轻量级模型以供你开始使用。 你可以使用 homebrew（在 Mac OS 或 Linux 上） ```bash $ brew install --cask dorcha-inc/orla/orla ``` 或者使用 shell 安装程序： ```bash $ curl -fsSL https://raw.githubusercontent.com/dorcha-inc/orla/main/scripts/install.sh | sh ``` Orla 使用 Go 语言编写，是完全免费的软件（MIT 许可），基于其他免费软件构建。我们非常欢迎你的反馈。 谢谢！:-) 附注：非常欢迎对 Orla 的贡献。请参阅 (https://github.com/dorcha-inc/orla/blob/main/CONTRIBUTING.md) 以获取有关如何贡献的指南。

作者在此。 最初，我开始这项工作是为了看看在 M1 Pro 上单核的运行速度能达到多快。 我用 C++20 从头开始构建了一个订单撮合引擎。 最初，它的速度大约是每秒 10 万次操作。经过一个月的优化，现在它的速度达到了每秒约 1.56 亿次操作。 关键优化： * 移除了所有互斥锁（基于核心分片的架构）。 * 使用自定义的无锁单生产者单消费者（SPSC）环形缓冲区进行线程间通信。 * 用扁平向量 + 位集扫描（使用 CTZ 内部函数）替换了 std::map。 * 在栈上使用 std::pmr（多态内存资源）实现零分配热路径。 为了证明它能够处理真实市场（不仅仅是随机数），我通过重放捕获的币安 L3 市场数据（1.32 亿次操作/秒）进行了验证。 关于优化过程的详细文章在这里： [https://medium.com/@kpiyush8826/how-i-optimized-a-c-matching-engine-from-100k-to-150-million-orders-per-second-35b2065fa4c0](https://medium.com/@kpiyush8826/how-i-optimized-a-c-matching-engine-from-100k-to-150-million-orders-per-second-35b2065fa4c0) 欢迎提问！