最新

嘿，各位 HN 用户！ 我一直在开发 Obelis AI——它就像你的团队里有一位 DevOps 工程师，由 AI 智能体（货真价实的，不仅仅是花哨的 LLM 包装）提供支持。 这个想法源于我观察到早期团队常常将基础设施决策推迟到为时已晚。迁移当然是可行的，但随着规模扩大，过程会变得非常痛苦。 Vercel 和 Firebase 这样的平台很适合起步，但它们往往会变得昂贵，而且你实际上并不拥有基础设施。我们试图为你提供同样的简单性——但一切都在你自己的云端运行（目前是 AWS），完全由你掌控。 我们现在处于 Beta 测试阶段——非常欢迎反馈、提问，或者任何坦诚的想法。感谢大家！

嗨 HN， 我是 Listed 的联合创始人 Harrison。今天，我们推出了我们的代理平台，帮助您的企业在新 AI 时代取得成功。 您可以在这里试用该平台：[https://getlisted.ai](https://getlisted.ai) 您可以在这里观看发布视频：[https://www.youtube.com/watch?v=MJUPo6H78z8](https://www.youtube.com/watch?v=MJUPo6H78z8) 这个想法源于纯粹的沮丧。我向 ChatGPT 询问了我的公司，它却凭空捏造，虚构了功能，并搞错了基本事实。我意识到，企业无法为这些模型提供经过验证的真实信息来源。 这个问题现在变得至关重要。随着 Google 的 AI 概览和答案引擎的兴起，您网站上非结构化的 HTML 已经无法为 LLM 提供所需的丰富、细致的上下文。这导致 OpenAI、Google、Perplexity 等公司的一大批 AI 机器人抓取您的网站，出现错误，并将这些错误永久地嵌入到它们的模型中。 所以，我们构建了 Listed。 最简单的类比是，它就像 Cursor，但用于上下文。我们的代理不是帮助您编写代码的 AI，而是帮助您构建全面、结构化的上下文，使 LLM 能够准确、有利地呈现您的业务。 我们的代理系统的工作原理如下： 自动化上下文构建：当您注册时，我们的代理会抓取您现有的网站，以构建您的 AI 列表的初稿。它会组织数据并识别薄弱环节。 智能工作流程：基于持续的分析，代理会启动简单的、基于聊天的流程，以帮助您丰富您的列表，并提高其准确性和排名潜力。 性能分析和反馈循环：代理会不断衡量您的 AI 排名（可发现性）和在所有主要模型（GPT-4o、Claude 3、Gemini 等）中的召回准确性。这些数据会反馈到系统中，生成新的工作流程，以持续提高您的性能。 连接：您的 AI 列表是一项托管服务。您只需在您的网站上添加一个简单的代码片段。当 AI 爬虫访问时，这就像一个路标，本质上是“提示注入”，引导它们使用您干净、结构化、AI 优化的数据源，而不是试图解析您混乱的网站。 目标是让每个企业在 AI 生态系统中发挥积极作用。您提供 AI 公司迫切需要的干净、经过验证的数据，作为回报，您可以控制您的叙述，并在它们的答案中获得更高的排名。 我们今天推出了免费套餐。我们希望您试用一下，并听取您的反馈。 您可以在这里开始：[https://getlisted.ai](https://getlisted.ai) 我将在这里一整天回答问题。谢谢！

大家好。<p>三个月前，我开始构建我的第一个 GoLang 包 VarMQ。在短短的时间内，我从社区获得了大量的关注，并在 GitHub 上获得了超过 140 个星标。<p>一周前，为了检查它的性能，我使用一个类似的包 Pond 运行了基准测试，Pond 已经被维护了多年。<p>虽然 Pond 不是一个消息队列，但它可以与 VarmQ 进行比较，因为它有一些相似之处，除了它的存储系统。<p>从基准测试中，我得到了令人惊讶的结果，VarMQ 占用的内存比 Pond 少 50% 以上，并且在 IO 任务中也有良好的性能指标，这让我很高兴并愿意在这里与大家分享。<p>基准测试图表网站：<a href="https:&#x2F;&#x2F;varmq-benchmarks.netlify.app" rel="nofollow">https:&#x2F;&#x2F;varmq-benchmarks.netlify.app</a><p>总的来说，我想提高这个包的采用率，并愿意听取大家的反馈。<p>无论如何，如果您喜欢这个项目，请不要忘记点击 Star 按钮。这有助于项目的成长。<p>谢谢！

大家好， 我制作了这个工具，因为我和我妻子正在寻找一处住所。 在房地产 listing 中，我们通常最先看的是户型图。但有时很难判断户型能给我们提供多少空间，所以这个工具允许我们快速拖动家具尺寸，从而更清晰地了解我们如何融入其中。 请告诉我你们的想法！

输入一个SMILES字符串（或从示例中选择一个分子），它将返回与该分子在三维形状或静电相似性上最接近的，来自超过100亿规模数据库的最多10万个分子——通常在5-10秒内完成。<p>*它可能引起HN关注的原因*<p>* 整个索引存储在<i>磁盘</i>上——查询时无需GPU，总共占用RAM不到10 GB。 * 从头开始构建（未使用FAISS索引 / Milvus / Pinecone）。 * 索引构建成本：一个Nvidia T4卡（约300美元）用于一个55亿的数据库。 * 任何人都可以使用，预测ADMET性质，并将结果导出为CSV/SDF格式。<p>完整的论文和基准测试（DUD-E, LIT-PCBA, SVS）见预印本： <a href="https:&#x2F;&#x2F;chemrxiv.org&#x2F;engage&#x2F;chemrxiv&#x2F;article-details&#x2F;67250915f9980725cfcd1f6f" rel="nofollow">https:&#x2F;&#x2F;chemrxiv.org&#x2F;engage&#x2F;chemrxiv&#x2F;article-details&#x2F;6725091...</a>