2 分•作者: Bluestein•7 个月前
返回首页
最新
1 分•作者: xxiem•7 个月前
不知出于什么原因,过去几年里我所见过的这种语言中的所有依赖注入(DI)尝试,或多或少都是对 C# 或 Java/Kotlin 等现有 DI 框架的移植,但它们都差强人意。JS 在运行时没有 TS 类型,因此这些框架倾向于通过用 `@Decorators` 弄乱源代码或创建用于表示类型的唯一标记来绕过这个想法。我个人认为这些技巧非常丑陋。更糟糕的是,它们违反了最小惊讶原则(特别是对于不熟悉 DI 的开发人员),并且它们通常会导致代码不具备类型安全性!
Dipstick 采用了完全不同的方法,它利用了类型系统和代码生成。
* 简单。只需要了解两个概念:模块和绑定。
* 显而易见。想看看一个类在哪里被实例化?让你的 IDE 工具来完成这项工作。这里没有复杂的反射或抽象——只有可读的、生成的代码。
* 模块化。定义多个模块并将它们组合在一起以保持代码的组织性。
该框架还很年轻,目前仅支持类(差评),但如果它能获得一些关注,我将更新它以支持注入函数或其他字面量值。
我真的很希望得到一些反馈,让这个东西变得更好!
2 分•作者: Lovishotherdays•7 个月前
注意力曾经是个人财产。现在,它被当成头皮屑一样被贩卖,按像素出售。我厌倦了无偿奉献我的注意力,所以我创建了Momentarily。<p>它是什么:一个提供30秒时段的日历。<p>价格:5美元,一次性付费。<p>你将获得:在你的时段里,我只会专注于你或你指定的事情。没有手机,没有网页,也不会闲逛Spotify。<p>你不会获得:后续邮件、数据分析或追加销售。当计时器走到00:30时,一切结束。<p>可以称之为“逆向资本主义”。我没有窃取注意力,而是以零售价出售我的注意力。<p>链接:<a href="https://momentarily.example" rel="nofollow">https://momentarily.example</a> (预订 + 源码)。<p>问答环节:行为艺术、抗议,还是微型实用工具?
2 分•作者: doener•7 个月前
2 分•作者: Jmetz1•7 个月前
我们是两位创业者,推出了一档新播客,专注于构建 AI 工具,包括内部使用和对外发布。希望您喜欢。
1 分•作者: juliawu•7 个月前
1 分•作者: rmason•7 个月前
1 分•作者: spacecadet•7 个月前
我通常不会在这里(或者说一般情况下)分享我的副业项目。没太多时间让它们受到过多关注。这个项目是我上周末在车里的时候开始的。主要是为了探索 OpenAI Codex。我用 Github 手机版把最初的规格写进了 readme 文件,然后用 ChatGPT iOS 应用让 Codex 构建了一个简单的基于 CLI 的地下城主。在整个车程中,我切换回 Github 来管理 PR,来回折腾…… 后来事情有点失控了,现在它混合了 AI(主要是 AI)和我自己的调整…… 第一个版本完全由 OAI 驱动,运行还可以,但对玩家来说太简单了。感谢 HN,我听说过 Wayfarer 模型,我觉得那个模型挺有趣的。最后,我觉得这个项目结果挺“可爱”的,而且是个不错的消磨时间的东西,看起来还像在工作 <i>wink wink</i>
2 分•作者: oatsandsugar•7 个月前
4 分•作者: Bluestein•7 个月前
4 分•作者: danboarder•7 个月前
2 分•作者: tempodox•7 个月前
2 分•作者: belter•7 个月前
3 分•作者: aatakansalar•7 个月前
一个用于管理和语义对比 LLM 提示词的命令行工具。它超越了文本差异,通过使用嵌入(OpenAI 或本地)来检测语义层面的变化。适用于版本控制、测试和 CI/CD 工作流程。
1 分•作者: SamTinnerholm•7 个月前
我和我的联合创始人今年夏天申请了 YC,带着一个完整的量化平台——一站式回测、优化和部署策略。监管的复杂性让我们止步。我们不得不转型。
虽然我的联合创始人转向了其他事情,但我一直在研究核心问题:为什么从回测到实盘交易如此困难?我们最初的平台只支持一个回测框架,并且我们通过 Alpaca 充当经纪商。这很脆弱且受限。
所以我转而构建了 StrateQueue 作为开源库。它现在支持四个主要的回测框架(Backtrader、Zipline、PyAlgoTrade、bt),并提供统一的 API。经纪商也是如此——IB 和 Alpaca,并且还在增加。添加新的经纪商非常简单。
关键的见解是,大多数人不需要另一个回测平台——他们需要一个从现有回测到生产环境的桥梁。StrateQueue 处理了那些棘手的部分:实时数据馈送、经纪商 API、错误处理、监控和延迟优化。
无论你使用哪个框架,你只需用 3 行代码就可以从回测直接过渡到实盘。
非常希望得到任何处理过这种生产部署噩梦的人的反馈。
1 分•作者: KaKandikonda76•7 个月前
我正在构建 LiquidIndex,一个 RAG API 服务,可以轻松地为 AI 应用添加个性化上下文。您无需构建一整套系统来上传、处理和搜索用户的文档或笔记,只需调用几个 API 即可。它处理了困难的部分——例如连接到 Notion 或 Google Drive,将数据分解成可用的片段,并使其可搜索。然后,当您想使用该数据回答问题时,只需查询它,它就会给您最相关的结果——可选地附带 LLM 生成的答案。无需管道,无需基础设施,无需烦恼。
以下是核心 API:
1. 创建客户(这是一个放置数据的空间)
2. 创建上传会话(这是用户上传数据的地方)
3. 查询
当前连接器:文件上传、Google Drive、Notion、Dropbox
支持的文件类型:PDF、文本文件、Markdown、CSV 和 XLSX(包括 Google Docs 和 Sheets)
网站:[https://liquidindex.dev/](https://liquidindex.dev/)
看看 Playground 感受一下它是如何工作的!
6 分•作者: smartmic•7 个月前
21 分•作者: m-hodges•7 个月前
1 分•作者: cempaka•7 个月前
2 分•作者: todsacerdoti•7 个月前