最新

Hi HN， 我是一名独立开发者。我构建这个工具是因为我发现手动进行 ATS 系统关键词匹配非常耗时。 这是一个 Next.js 应用，它接受 PDF 简历和职位描述文本，分析语义差距，并改写要点以匹配目标关键词。 技术栈：Next.js, Vercel AI SDK, Tailwind。 有一个免费的交互式演示（无需注册/登录）来测试解析速度。 链接：[https://cvora.net](https://cvora.net) 欢迎提供关于解析准确性的反馈。

嗨，HN， 我开发这个工具是因为现代约会中“匹配到见面”的流程已经崩溃。人们聊上几周，交换电话号码，然后见面，却在10秒钟内发现毫无火花。 Meet Zero 是一款即时视频链接工具。 技术栈： - 视频：基于 Stream 的 Video SDK (WebRTC) 构建，实现低延迟。 - 身份验证：Supabase（通过 sessionStorage 中的 UUID 实现匿名访客登录）。 - 隐私：不存储电话号码。房间是临时的，并且有10分钟的硬性过期时间（通过边缘函数强制执行）。 - AI：我集成了 OpenAI (GPT-4o) 作为按需“僚机”（它根据氛围生成话题卡，而不是监听音频，以保护隐私）。 访客免费使用（无需安装）。 欢迎大家反馈 WebRTC 的稳定性以及“氛围”提示的延迟。 在线演示：<a href="https:&#x2F;&#x2F;meet-zero.co" rel="nofollow">https:&#x2F;&#x2F;meet-zero.co</a>

基于浏览器的格斗游戏，你可以扮演埃隆、扎克、黄仁勋、山姆或桑达尔。<p>利用 Claude Code 和 Cursor 在几个周末内构建完成，并部署在 Vercel 上。

我们上周推出了 Hackerest。我们是一群来自意大利的安全工程师（前亚马逊、埃森哲），多年来一直以传统方式进行渗透测试，并一直在思考为什么工作流程还停留在 2010 年的样子。 如今，大多数渗透测试（仍然）是这样进行的： 1. 项目持续数天或数周 2. 直到一切完成才共享任何内容 3. 客户在实际发现问题很久之后才能收到 PDF 报告 4. 到那时，一半的攻击面已经发生了变化 Hackerest 的作用： * 测试人员在主动测试期间实时显示发现的问题 * 内置的问题版本控制，以便清晰地跟踪更改、更新和重新测试 * 多个测试人员可以协作，而不会互相阻碍 * 最终的 PDF 报告在结束时自动生成 * 客户使用基于积分的模式快速启动测试 我们**不**使用 AI 来执行实际测试。根据我们的经验，黑客攻击是一个创造性和探索性的过程，高度依赖于直觉、模式识别和多年的实践经验。自动化它要么产生肤浅的结果，要么给人一种虚假的覆盖感。 我们更愿意对我们提供的内容保持透明：真实的测试人员，拥有真实的经验，实时工作。 AI 未来可能有助于辅助任务（摘要、降噪、报告清理），但核心工作是由知道自己在做什么的人来完成的。我们不想在不合适的地方销售自动化。 测试人员网络： 我们与经验丰富的独立渗透测试人员合作。该平台处理任务分配、访问隔离和报告规范化，以便测试人员可以专注于实际的发现，而不是后勤工作。 我们接下来要构建的内容： 我们将添加工作流程集成（从 Jira 开始）、更精细的通知控制，以及用于团队并行运行多个项目的更好工具。从长远来看，我们希望公开一个结构化的 API，以便公司可以直接将发现的问题提取到他们的内部系统中。 \-- 如果您从事过类似的问题，我们非常重视您的反馈。我们的目标不是重新发明渗透测试，只是让它与工程团队今天的实际运作方式相匹配。 我的 LinkedIn，如果您想了解该项目的幕后人员： [https://www.linkedin.com/in/nt-authority-system/](https://www.linkedin.com/in/nt-authority-system/)

使用 LangGraph 构建 AI 智能体时，我注意到即使在调用 LLM 之前，图的调用速度也很慢。深入研究了 Pregel 执行引擎，想找出原因。<p>问题所在<p>对我的 LangGraph 智能体进行了性能分析。每次调用耗时 50-100 毫秒，其中大部分时间并非用于 LLM。找到了两个罪魁祸首：<p>1. 每次 invoke() 都会新建 ThreadPoolExecutor — 20 毫秒的开销<p>2. Checkpointing 使用 deepcopy() — 35KB 状态耗时 52 毫秒，250KB 状态耗时 206 毫秒<p>解决方案<p>通过 PyO3 用 Rust 重写了热点路径：<p>Checkpoint 序列化（serde vs deepcopy）：<p>35KB 状态：0.29 毫秒 vs 52 毫秒 = 提速 178 倍<p>250KB 状态：0.28 毫秒 vs 206 毫秒 = 提速 737 倍<p>端到端，包含 checkpointing：提速 2-3 倍<p>即插即用：<p>export FAST_LANGGRAPH_AUTO_PATCH=1<p># 或显式 from fast_langgraph import RustSQLiteCheckpointer<p>checkpointer = RustSQLiteCheckpointer(&quot;state.db&quot;)<p>关键见解<p>PyO3 的边界调用开销约为每次 1-2 微秒。Rust 只有在以下情况下才能胜出：<p>- 避免中间 Python 对象（checkpoint 序列化）<p>- 批量操作（通道更新）<p>- 处理大量数据（状态 &gt; 10KB）<p>对于简单的字典操作，Python 的 C 字典仍然更胜一筹。<p>架构：Python 编排（兼容性）+ Rust 热点路径（性能）。<p>定期进行兼容性检查！<p>MIT 许可。欢迎反馈。