最新

大家好，我们是 Iyan 和 Datta，Barcable 的创始人。 Barcable 连接到您的后端（HTTP、gRPC、GraphQL），并使用自主代理在您的 CI/CD 中直接生成和运行负载测试。无需配置，无需脚本。它会扫描您的代码库，了解您的 API 路由，并构建真实的测试场景，使用真实的负载来访问您的端点。 文档：[https://www.barcable.dev/documentation](https://www.barcable.dev/documentation) 我们之所以创建它，是因为我们感到沮丧。我们合作过的每个团队都遇到了同样的问题：可靠性测试的进展永远赶不上开发速度。管道的部署速度比任何人验证性能的速度都快。大多数“负载测试”都是脆弱的 JMeter 残余，或者是在第一次重构后就会失效的一次性脚本。 Barcable 是我们尝试自动化这一过程的尝试。它： * 自动解析您的 OpenAPI 规范或代码以发现端点 * 从 PR 差异生成真实的负载测试（无需手动编写脚本） * 启动隔离的 Cloud Run 作业以大规模执行 * 直接在您的仪表板中报告延迟、吞吐量和错误细分 * 钩入您的 CI，以便在部署之前自动运行测试 每个代理处理流程的一部分——发现、生成、执行、分析——因此测试会随着您的代码库而发展，而不是与它对抗。 目前，它最适合 Docker 化的代码库。您可以从 GitHub 导入，探索端点，生成测试，运行它们，并在统一的仪表板中查看指标。 它仍在开发中。我们将手动创建帐户，并与任何有兴趣试用的人共享凭据。由于 Cloud Run 的成本，我们目前限制了访问权限。 我们不是想取代性能工程师，只是想让团队更容易在上线前发现回归和事故，而无需进行繁琐的设置。 欢迎任何被不稳定的负载测试管道困扰或以不同方式解决可靠性问题的人提供反馈。我们特别想了解 gRPC 边缘情况和复杂的身份验证设置。 Hacker News 一直是我们的巨大灵感来源，我们很乐意听取您如何测试它、破坏它或改进它的意见。 — Iyan & Datta [https://www.barcable.dev](https://www.barcable.dev)

大家好， 想跟大家说一下，我已经很久没有对写代码感到这么兴奋了。没有压力，只是在构建我一直以来想要的东西，而且现在各个部分终于开始契合了。 没错，它用到了 AI……本地 Ollama 模型通过 Playwright 控制一个 electron 浏览器上下文，Playwright 作为 MCP 工具连接到一个 agent 实例。听起来很酷，对吧？而且你知道吗？确实很酷，而且非常棒。 我至少等了 6 个月才开始构建它，因为我找不到一个好用的、适用于 Node.js 的 AI agent SDK 库。幸运的是，前段时间，OpenAI 终于发布了他们的 Python 版本。 现在我有了所有需要的工具，就开始着手开发了，在几个周末的时间里，我成功地做出了一个原型。它还很粗糙，需要很多润色，但作为一个概念验证，它已经可以工作了。 我甚至不记得上次因为沉迷于编码而凌晨 4 点才睡觉是什么时候了。但感觉真好，哥们。

亲爱的 HN 社区， Turnstile 让我苦不堪言。大约一年前开始，我再也无法通过手机上的任何验证。我使用的是 Linux（PureOS Byzantium）上的 Firefox ESR 系统软件包。每当 Turnstile 给我一个复选框验证时，它就会阻止我登录流程、反馈表单等等。这对我来说是个大问题，因为我再也无法登录一些我付费使用的服务。 Turnstile 的复选框不仅会定期出现，而且每次我点击它时，它都会无限循环，毫无进展。无论我刷新和重试多少次，它都会一直给我显示无休止的加载圈。 今年我填写了数十个 Cloudflare 的反馈表单，但没有任何改变。相反，情况变得更糟，因为越来越多的网站开始使用 Turnstile。感觉 Cloudflare 根本没有人看我的反馈。该死，我甚至愿意花钱让他们让 Turnstile 终于放过我，让我像以前一样再次用手机上网。 我不介意出现复选框（我理解看到复选框已经表明他们将我的浏览器标记为可疑），我只是希望能够用我人类的、有血有肉的、活生生的拇指通过 Turnstile，然后继续我的一天。 我甚至不在乎潜在的技术问题是什么。他们不必告诉我他们的机器人检测秘密武器的哪个部分让我的手机一直出错。我只是希望他们修复那个误报，这样我就可以再次平静地浏览网页，忘记 Cloudflare 的存在，就像其他人一样。 我已经为此困扰了一年，它已经变得如此烦人，以至于感觉像卡夫卡式的。 有什么建议吗？有 Turnstile 的联系人我可以联系吗？

我正在构建 ReadMyMRI，旨在解决我一直遇到的一个问题：在不违反 HIPAA 规定或丢失关键上下文的情况下，为机器学习准备医学影像数据（DICOM 文件）。 它的功能： ReadMyMRI 是一个预处理流程，它接收原始 DICOM 医学影像（MRI、CT 等），并： * 自动去除所有受保护的健康信息 (PHI)，同时保留 DICOM 元数据的完整性 * 将图像压缩到易于管理的大小，且不破坏诊断质量 * 将去标识化的扫描与用户提供的临床背景信息（症状、人口统计学信息、结果）关联起来 * 使用多模型 AI 共识分析，为面向消费者的第二诊疗意见和床边的临床决策支持提供支持 * 将所有内容输出到单个数据框中，准备好使用 Daft（Eventual 的分布式数据框库）进行机器学习训练 技术方法： * 基于 pydicom 进行 DICOM 操作 * 使用 Pillow/OpenCV 进行质量保持型压缩 * 集成 Daft，用于分布式处理大型医学影像数据集 * 前沿模型用于多模型分析（仍在讨论中） 我正在寻找： * 任何从事医学影像机器学习工作的人的反馈 * 我没有考虑到的边缘情况 * Daft 集成是否真的对您的用例有意义，或者使用普通的 pandas 是否更好 * 我没有考虑到的 HIPAA/隐私问题 很乐意回答有关架构、HIPAA 考虑因素或为什么医学影像数据如此难以处理的问题。