最新

在我的上一篇文章 [0] 中，我描述了我是如何创建 aiologic 的。在这里，我想对一个衍生库——Сulsans 做同样的事情。<p>2024 年 10 月，我开始思考如何展示 aiologic 队列。Andrew Svetlov 的 Janus 库 [1] 已经存在了相当长的时间，并且更受欢迎，所以我知道与它的比较将不可避免。然而，Janus 似乎处于停滞状态：三年没有重大变化，而且这段时间几乎所有的提交都是由 Dependabot 完成的。所以我提出了一个相关的问题 [2]。<p>在讨论中，我指出了 Janus 的性能问题，并表示可以通过在我的原语之上实现队列来解决这些问题。但由于 Janus 是一个成熟的库，这种激进的改变无法被接受。因此，作为概念验证，我实现了一个新库——Culsans。这就是它的故事的开始。<p>随着时间的推移，这两个库都发生了变化。Janus 在 1.2.0 版本中获得了显著的性能提升，这在很大程度上归功于我的 PR [3]。在 2.0.0 版本中，与上述情况相反，由于 shutdown 方法的实现，向后兼容性被破坏。而 Culsans 成为了一个独立的库，拥有自己的特性（aiologic 和 Janus 都没有）。<p>那么，Culsans 是什么？它是一个库，提供了一种在单个进程内，在不同线程、不同任务（包括来自不同事件循环的任务；asyncio、Curio、Trio、AnyIO——随你喜欢）甚至不同 greenlet（eventlet/gevent）之间进行通信的方式，所有这些都在一个实例中完成。它的队列通过类似 Janus 的接口（以及与 Janus 本身）完全兼容标准队列，并提供额外的功能，例如动态 maxsize。简而言之，我邀请您试用我的库，亲身体验一下。<p>[0] <a href="https:&#x2F;&#x2F;news.ycombinator.com&#x2F;item?id=46308839">https:&#x2F;&#x2F;news.ycombinator.com&#x2F;item?id=46308839</a> [1] <a href="https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus</a> [2] <a href="https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus&#x2F;issues&#x2F;679" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus&#x2F;issues&#x2F;679</a> [3] <a href="https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus&#x2F;pull&#x2F;704" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aio-libs&#x2F;janus&#x2F;pull&#x2F;704</a>

我构建了 Memora，一个 MCP 服务器，为 Claude 提供了跨会话的持久记忆。<p>它主要解决的问题是：AI 智能体在会话之间会丢失上下文。Memora 充当一个上下文管理器，在多个智能体会话中保留知识，因此你的 AI 助手可以记住过去的工作、决策和学习模式。<p>主要功能： - 跨智能体会话的持久上下文（单智能体或多智能体工作流程） - 基于 SQLite，可选 S3/R2 云同步 - 使用嵌入的语义搜索（TF-IDF、sentence-transformers 或 OpenAI） - 交互式知识图谱可视化（vis.js） - 结构化记忆类型：待办事项、问题、知识条目 - 相关记忆之间的交叉引用链接 - 支持 R2 的图像存储<p>图谱可视化让你探索记忆之间的联系，按标签/状态进行筛选，并查看你的知识库随时间推移的增长情况。<p>专为 Claude Code 构建，但适用于任何兼容 MCP 的客户端。<p>GitHub：<a href="https:&#x2F;&#x2F;github.com&#x2F;agentic-mcp-tools&#x2F;memora" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;agentic-mcp-tools&#x2F;memora</a><p>欢迎对架构和功能提出反馈意见！

我观察预测市场已经有一段时间了，一直注意到Kalshi/Polymarket和拉斯维加斯的赔率数据差异很大。于是我搭建了一个系统来系统性地捕捉这些差异。 这个系统会抓取Kalshi和Polymarket的数据，然后同时向大约36个其他数据源发送请求——包括体育博彩API、民意调查网站、Reddit情绪分析、新闻等等。当这些数据不一致时，系统就会发出警报。 昨晚我用它测试了Paul vs Joshua的拳击比赛。Kalshi预测Paul获胜的概率是86%。我查了所有拉斯维加斯的博彩公司，他们都给Joshua开出了-1200的赔率，换算成胜率是92%。这完全是相反的预测。系统立刻发出了警报。 结果Joshua在第六回合KO了Paul。 技术细节： * 使用Python和异步调用，因为需要同时访问30多个API。 * 最初尝试使用GPT-4进行情绪分析，但速度太慢，所以自己搭建了一个定制的系统。 * 运行在Poe上，这样我就不用承担托管费用了。 * 每次分析大约需要2分钟。 我还有一些疑问： * 一次成功的预警是否真的验证了我的方法，还是我只是运气好？ * 我应该检查哪些其他数据源？我正在考虑添加订单流追踪。 * 有没有其他人也为预测市场搭建过类似的东西？ * 这些低效通常多久会被套利掉？ 老实说，我一开始不确定这是否真的有效。欢迎大家提出反馈，特别是关于方法论方面的。

嘿，Hacker News！我一直很沮丧，因为我无法制作自己的 RPG 游戏，而关卡设计又很难，所以我构建了这个 100% 免费的工具，用 AI 来探索分层世界构建。<p>核心理念是：场景图中的每个节点都可以无限地扩展成其自己的详细子图。然后，Gemini 的图像模型（Nano Banana）将每个关卡渲染成实际的艺术作品（你可以选择自己的风格）。<p>需要一个 GCP 账户来进行图像渲染——我知道这会带来一些麻烦，但 Vertex AI 是获得可靠图像生成的唯一途径。<p>欢迎用于你自己的项目，或者比我更好地实现这个概念。

Hacker News 是我的主页，这些年来它一直激励着我。我其实不太清楚自己在做什么，但由于厌倦了每天在互联网上搜索 AI 新闻，我从零开始搭建了 DreyX.com。欢迎大家访问并提出任何建议或反馈。谢谢！