最新

我之前在使用 opencode 时遇到了一个问题：我想同时针对 5 个不同的模型尝试一个提示词，但又不想费力去管理工作树，并在每个实例中运行。因此，我构建了 Kaleidoscope，这是一种针对单个问题运行多个 agent 的方法，让 AI 像老虎机一样更容易获得更好的结果。 它最适用于可以通过检查运行结果来验证的问题。它依赖于 opencode 和 tmux 来完成 agent 运行和窗格管理等繁重的工作，因此它更像是 AI 的“涡轮增压器”，帮助你获得想要的结果或探索不同的可能性。

我开发了 DeepShot，一个使用滚动统计数据、历史表现和近期势头来预测 NBA 比赛的机器学习模型——所有这些都以清晰、交互式的 Web 应用程序的形式呈现。 与简单的平均值或博彩赔率不同，DeepShot 使用指数加权移动平均 (EWMA) 来捕捉近期状态和势头，突出显示球队之间的关键统计差异，这样您就可以了解模型为何偏向某一方。 它由 Python、XGBoost、Pandas、Scikit-learn 和 NiceGUI 提供支持，可在任何操作系统上本地运行，并且仅依赖于来自 Basketball Reference 的免费公开数据。 如果您对体育分析、机器学习感兴趣，或者只是想知道一个算法是否能胜过拉斯维加斯，请查看一下，并告诉我您的想法： <a href="https:&#x2F;&#x2F;github.com&#x2F;saccofrancesco&#x2F;deepshot" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;saccofrancesco&#x2F;deepshot</a>

我一直在使用 ChatGPT 的 Codex，在了解了一些它的特性之后，我建立了一个让我非常满意的工作流程，用于构建 next.js 应用（以及一些遗留的 WordPress 任务）。尽管如此，我几乎从未听人提及它（Codex）。似乎几乎所有人都使用 Claude Code。 话虽如此，我真心好奇那些同时使用过这两者的人。你是否看到其中一个比另一个有很大的优势？我想知道我是否错过了什么重要的东西，这可能值得深入研究 Claude 作为替代方案。

我们是两个深受大语言模型（LLM）成本问题困扰的开发者，因此构建了 LangSpend 来解决这个问题。 首先：我们无法确定 SaaS 产品中哪些功能运行成本高昂，或者哪些客户让我们付出了最多。这使得我们无法正确定价或及时发现失控的成本。 其次：在构建我们想法的原型时，我们在短短 2 个月内就烧掉了 80% 的 1000 美元 AWS 积分，用于 Claude 4 (AWS Bedrock)，但我们对哪些实验消耗了预算一无所知。 因此，我们构建了 LangSpend——一个简单的 SDK，它封装了您的 LLM 调用，并按客户和功能跟踪成本。 工作原理： * 封装您的 LLM 调用，并使用客户/功能元数据进行标记。 * 仪表板实时显示谁花费了什么。 * 目前支持 Node.js 和 Python SDK。 虽然还处于早期阶段，但已经解决了我们的问题。试用一下，告诉我它是否也能帮助你。 * [https://langspend.com](https://langspend.com) * 文档：[https://langspend.com/docs](https://langspend.com/docs) * Discord：[https://discord.gg/Kh9RJ5td](https://discord.gg/Kh9RJ5td)