最新

大家好，HN， 我正在发布 LLM Newsletter Kit，这是一个经过生产环境测试的 TypeScript 工具包，旨在构建 AI 驱动的邮件订阅管道。它处理完整的生命周期：抓取 → 分析 → 生成 → 交付。 背景：我是一名考古学家转型的工程师。我为“研究雷达”（一份关于文化遗产的邮件订阅）构建了这个引擎，以自动化我自己的手动研究聚合。它目前保持 15% 的点击率，几乎无需维护，每期成本约为 0.20-1 美元。 核心功能： “自带抓取器”：异步注入允许您使用 Cheerio、Puppeteer 或基于 LLM 的解析器，而无需被框架锁定。 基于提供者的依赖注入：通过清晰的接口，可以更换抓取、分析或存储组件。 生产优先：100% 的测试覆盖率，内置重试、成本控制和可观测性。 技术栈：TypeScript ESM、LangChain runnables、Vercel AI SDK（结构化输出）和 Zod。 为什么选择代码而不是无代码？为了优化成本和质量，您需要对上下文窗口、token 限制和重试策略进行细粒度控制。此工具包允许进行高级工作流程（例如，自我反思循环），这些工作流程在拖放工具中通常成本过高或无法实现。 链接： 代码（GitHub）：[https://github.com/kimhongyeon/heripo-research-radar](https://github.com/kimhongyeon/heripo-research-radar) 实时示例：[https://heripo.com/research-radar-newsletter-example.html](https://heripo.com/research-radar-newsletter-example.html) npm：@llm-newsletter-kit/core 我很乐意听取您对架构和 DX 的反馈！