最新

当你的 Python 代码崩溃时，你会得到一个回溯信息。你可以看到它在哪里失败了。但你几乎永远不知道它为什么失败——那一刻内存里到底有什么。<p>我构建了 F. Incantatem 来解决这个问题。添加一个装饰器，当你的代码崩溃时，一个 LLM（大型语言模型）会捕获完整的上下文——堆栈跟踪、源代码、实际的变量值——并解释出了什么问题以及如何修复它。<p>它集成了装饰器、CLI 工具或 IPython 扩展。与 OpenAI、OpenRouter 或通过 Ollama 本地运行。谨慎模式会在传输前自动编辑掉密钥和 PII（个人身份信息）。零核心依赖。<p>我分享它是因为我一直在想，其他人一定也在调试这些同样的、不可能解决的错误。欢迎提问或提供反馈。<p>另外值得注意的是，还有一些工作要做（见路线图）。<p>代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;aguilar-ai&#x2F;fincantatem" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aguilar-ai&#x2F;fincantatem</a><p>PyPi：<a href="https:&#x2F;&#x2F;pypi.org&#x2F;project&#x2F;fincantatem&#x2F;" rel="nofollow">https:&#x2F;&#x2F;pypi.org&#x2F;project&#x2F;fincantatem&#x2F;</a>

我制作了一个工具，可以同时向 GPT、Claude、Gemini、Llama、Grok 和 DeepSeek 呈现定制的电车难题，并实时流式传输它们的伦理推理。<p>一些有趣的发现： - 模型在经典困境上出人意料地存在分歧。 - 模型会保护它们的创造者（萨姆·阿尔特曼 vs 达里奥·阿莫迪）。 - 即使与自身相比，罪犯的价值也不平等。<p>试用一下：<a href="https:&#x2F;&#x2F;aitrolleyproblem.com" rel="nofollow">https:&#x2F;&#x2F;aitrolleyproblem.com</a>

我对大家使用代码审查（PR review）的体验很感兴趣，包括人工审查和自动化审查。 对于使用过 PR 审查工具或机器人的人： * 你们觉得哪些功能真正有帮助？ * 哪些功能最终变得令人讨厌或适得其反？ * 你们在什么时候开始不再关注反馈意见？ 我特别想了解大家是如何在审查中平衡“有效信息”和“噪音”的，以及摘要、行内注释或选择性深度审查哪种方式在实践中效果更好。 我只是想了解真实的使用模式和痛点，而不是为了推广任何东西。 欢迎大家分享经验。

我创建Vect，是因为我厌倦了“随机营销行为”和同时使用15个互不相干的工具（用于文本的LLM、单独的图像生成器、用于规划的电子表格）。我想要一个连贯的系统——一个操作系统——而不仅仅是一个包装器。 我们拒绝成为另一个“文本生成器”，因此Vect基于三个架构支柱构建： * **策略（大脑）：** 代理使用实时网络搜索和用户心理模拟进行研究/规划。 * **执行（双手）：** 原生集成高保真模型（用于视频的Veo，用于图像的Imagen）来完成实际工作。 * **自动化（劳动力）：** 一个“状态感知”的代理系统。通过持久的“品牌档案”，所有代理共享关于您的语调、受众和产品的记忆——无需重新提示上下文。 我们的目标是在几分钟内从“想法”转化为“已执行的营销活动”，让代理在后台完成繁重的工作。 我们在这里撰写了一份关于架构和积分经济的完整指南：[https://blog.vect.pro/vect-ai-bible-guide](https://blog.vect.pro/vect-ai-bible-guide) 非常欢迎大家对代理编排方法的反馈！