最新

大家好！ 我创建 Spikelog 是因为我一直想跟踪一段时间内的简单数字，但每次我查看合适的观测工具时，都会被其设置的复杂性劝退。我想制作一个不需要太多思考就能使用的东西。 Spikelog 的设计尽可能简单： - POST 一个包含图表名称 + 值的 JSON（你也可以添加一些标签，但我还没有测试这部分是否有效） - 图表自动出现 - 每个图表有 1,000 个点的滚动窗口（旧数据过期，没有保留配置） - 最多 10 个图表 这基本上就是整个产品。 我用 Cursor 大约一天就把它建好了。API 故意设计得很简洁，这样 AI 助手也可以使用它。 我有一个提示，可以让你的编码代理分析代码库并自动添加跟踪（在你批准计划后）。 我用它让 Spikelog 跟踪自己：<a href="https://spikelog.com/p/spikelog" rel="nofollow">https://spikelog.com/p/spikelog</a> 目前还没有警报功能（这是下一步），没有复杂的聚合，除了自动生成的图表之外也没有仪表盘。如果你需要真正的可观测性，请使用 Axiom 或 Datadog 等功能齐全的工具。这适用于那些只想看看数字是上升还是下降，并且不想自己构建这些功能的人。也就是说，他们想要比仅仅记录数字稍微好一点的东西。 你也可以公开分享图表，如果有人需要，我可能会添加一些密码保护功能。 我还没有在重负载下进行过实战测试。滚动窗口删除是原始的（在插入时删除最旧的点）。可能还有我没有遇到的边缘情况。 欢迎反馈，特别是如果你尝试使用它并遇到了问题。

大家好，我们是 Maya 和 Riles，我们一直在开发 Orkera (orkera.com)；这是一个 MCP 工具，允许您通过提示创建和管理后端基础设施。它通过来自您的编码代理的 MCP 调用来处理数据库创建/管理、部署、定时任务和环境设置。<p>演示视频：<a href="https://youtu.be/runSblXCYD0" rel="nofollow">https://youtu.be/runSblXCYD0</a><p>我们为什么构建它： 我们是巴黎创业社区的一员，并且一直看到同样的瓶颈：人们可以快速构建前端或 MVP（尤其是使用 Cursor/Claude/Gemini），但当他们想与用户分享时，他们会遇到 DevOps 摩擦：设置虚拟机、创建数据库、配置部署、选择域名等。<p>我们希望消除这一步骤。 因此，我们构建了 Orkera：一个基于 MCP 的后端层，像 Cursor、Claude Code 和 Gemini CLI 这样的工具可以调用它来自动创建基础设施和部署应用程序。<p>它今天的功能： - 创建和管理数据库， - 在没有云设置的情况下部署 Web 应用程序， - 处理类似 cron 的定时任务， - 通过 MCP 管理环境 所有这些都来自您的 vibecoding 工具内部。<p>我们正在寻找什么： 这是第一个公开发布的版本（在一些早期的反馈周期之后），我们希望测试人员能够告诉我们缺少什么、感觉奇怪的地方，以及哪些应该更透明或可配置。<p>设置： 运行 Orkera 很容易；注册以获取 API 密钥，然后将 MCP 端点添加到您的编辑器中。我们在 orkera.com 上发布了 Cursor、Claude Code 和 Gemini CLI 的小型设置指南。<p>感谢您的关注，我们欢迎反馈、批评和建议。

大家好！我构建了 PyTorch-World，这是一个用于学习、训练和试验世界模型的模块化库。 在研究世界模型时，我注意到每篇新论文都会引入各种新组件和架构——但核心结构却出奇地一致。然而，并没有一种简单的方法可以轻松地替换这些组件、独立地进行实验，或者理解它们如何相互作用以形成一个完整的世界模型。 PyTorch-World 旨在解决这个问题：它提供了一个干净、模块化的框架，您可以在其中插入不同的组件，比较不同的方法，并从内部了解世界模型的工作原理。 新更新即将推出，这是 v0.0.3！ 您也可以从 pip 安装该库 <a href="https:&#x2F;&#x2F;pypi.org&#x2F;project&#x2F;pytorch-world&#x2F;" rel="nofollow">https:&#x2F;&#x2F;pypi.org&#x2F;project&#x2F;pytorch-world&#x2F;</a> 目前，该库支持 Google 的 PlaNet 世界模型，以下是在 CartPole-v1 环境中训练模型的代码： from world_models.models.planet import Planet p = Planet(env=&quot;CartPole-v1&quot;, bit_depth=5, headless=True, max_episode_steps=100, action_repeats=1, results_dir=&quot;my_experiment&quot;) p.train(epochs=1)

我认为，对于非敏感配置，.env 文件还可以接受，但一旦你有几个工程师、多台机器，或者一个工程师同时进行多个项目时，它们就不是存储真正机密的理想场所了。 我曾在大型和小型科技公司工作过，亲眼目睹了以下情况： 1. .env 文件是纯文本凭证的集合。 2. 团队通过 Slack 共享 .env 文件，最终导致混乱。 3. 意外提交 .env 文件。 我开发了 envmap，一个小型命令行工具，用于管理和注入本地环境变量键值，并支持 AWS、Vault 和 1Password 作为后端真值来源。我一直在使用它，并删除了我的 .env、.env.example 和 .env.production 文件（我是最糟糕的）。 欢迎任何反馈和贡献！

我开发了一个免费工具，用于在部署前对你的 Agent 进行压力测试。 * **捕捉无限循环（节省成本）** * **防止数据泄露（确保隐私）** 粘贴你的 System Prompt，看看你的 Agent 的稳健性如何：https://agentic-qa-api.onrender.com/docs 如何使用（3 步指南） 只需 30 秒即可完成验证。 **步骤 1：打开链接** 访问我们的实时仪表盘：https://agentic-qa-api.onrender.com/docs **步骤 2：输入你的“大脑”（Prompt）** 找到输入框。将你的 AI 的 System Prompt 指令粘贴到那里。 （例如：“你是一个 Gorgias 的支持代理……”） **步骤 3：选择“攻击”并运行** 选择你要测试的风险（成本或隐私），然后点击“执行”。 **神奇之处：** 我们的引擎将对你的 AI 发起对抗性攻击。如果你的 AI 是安全的，它会返回“通过”。如果它不安全，它会返回“阻止”，并准确地显示逻辑在哪里失败。