最新

我正在开发一款思维导图应用，它将整合游戏化功能，并且更美观、更容易记住。 我一直觉得现有应用的高级图形功能不够用，而且无法将其作为我的笔记和学习工具。 例如，如果思维导图看起来与其他导图一样，而且我能做的只是选择几个形状和虚线/点线，我该如何（以及为什么要）记住它呢？ 这对我来说根本行不通，所以我决定创造一些更好的东西 :) 页面上的导图是预览，但我对测验、打字游戏和速查表很感兴趣，希望得到关于这些训练模式的反馈（和想法）！ 我还想听听大家对现有思维导图软件中缺少哪些功能的看法。 如果你是思维导图爱好者，并且有兴趣参与 Beta 测试，请查看联系表格 :) 附注：上周我发布了一个简单的导图，但我没有意识到我可以使用 SHOWN HN 来展示我制作的东西，并让大家试用。它很快就沉到页面底部了，所以我添加了新命令，修改了所有错误的答案，使其更贴近现实，并为测验和打字游戏添加了一些功能，重新发布是为了获得适当的反馈，并希望能找到一些测试人员！ 此外，如果你还没准备好参加冗长的测验 [将近 180 个问题]，可以选择一个较小的随机生成的子集来玩！

我们是 Robin、Louis 和 Thomas。Pipelex 是一个 DSL（领域特定语言）和一个 Python 运行时，用于可重复的 AI 工作流程。可以把它想象成多步骤 LLM（大型语言模型）管道的 Dockerfile/SQL：你声明步骤和接口；任何模型/提供商都可以填充它们。 为什么选择它，而不是另一个工作流程构建器？ - 声明式，而非粘合代码：你声明要做什么；运行时会找出怎么做。 - 以 Agent 为中心：每个步骤都带有自然语言上下文（目的、带有含义的输入/输出），因此 LLM 可以跟踪、审计和优化。我们的 MCP 服务器使 Agent 能够运行管道，也可以按需构建新的管道。 - MIT 许可下的开放标准：语言规范、运行时、API 服务器、编辑器扩展、MCP 服务器、n8n 节点。 - 可组合：管道可以调用其他管道，这些管道可以由你创建，也可以在社区中共享。 为什么选择领域特定语言？ - 我们需要在结构化语法中保留上下文、含义和细微差别，这种语法既能被人类理解，也能被 LLM 理解。 - 我们需要确定性、控制和可重复性，而纯粹的提示无法实现这一点。 - 额外好处：编辑器、差异、语义着色、轻松共享、搜索和替换、版本控制、代码检查器…… 我们是如何走到这一步的： 最初，我们只是想用 LLM 解决每一个用例，但一直需要在不同的项目中重建相同的 Agent 模式。因此，我们挑战自己，保持代码的通用性，并与用例的细节区分开来，这意味着从相关的知识和专业技术来建模工作流程。 与现有的 AI 工作流程的代码/无代码框架不同，我们的抽象层不会封装 API，而是将业务逻辑转录成一个结构化、明确的脚本，可由软件和 AI 执行。因此，有了“声明式”的方面：脚本说明应该做什么，而不是怎么做。它就像 AI 工作流程的 Dockerfile 或 SQL。 此外，我们希望这种语言对 LLM 友好。传统的编程语言将逻辑和上下文隐藏在变量名、函数和注释中：所有这些对解释器都是不可见的。在 Pipelex 中，这些元素用自然语言明确说明，使 AI 具有完全的可见性：它都是逻辑和上下文，语法最少。 然后，我们不想自己编写 Pipelex 脚本，所以我们进行了“狗粮”测试：我们构建了一个 Pipelex 工作流程，用于编写 Pipelex 工作流程。它在 MCP 和 CLI 中：“pipelex build pipe '...'”运行一个多步骤、结构化的生成流程，生成一个经过验证的工作流程，准备使用“pipelex run”执行。然后，你可以自己或与任何编码 Agent 一起迭代它。 包含的内容：Python 库、FastAPI 和 Docker、MCP 服务器、n8n 节点、VS Code 扩展。 我们希望你做什么 1. 构建一个工作流程：这种语言对你来说是有效还是无效？ 2. Agent/MCP 工作流程和 n8n 节点的可用性。 3. 建议我们可以集成的新型管道和其他 AI 模型 4. 寻找 OSS 贡献者，为核心库做出贡献，同时也与社区共享管道 已知限制 - 连接器：Pipelex 不与“你的应用程序”集成，我们专注于认知步骤，你可以通过代码/API 或使用 MCP 或 n8n 进行集成 - 可视化：我们需要生成流程图 - 管道构建器仍然存在错误 - 自己运行：我们尚未提供托管的 Pipelex API，正在开发中 - 成本跟踪：我们仅跟踪 LLM 成本，尚未跟踪图像生成或 OCR 成本 - 缓存和推理选项：尚未支持 链接 - GitHub: [https://github.com/Pipelex/pipelex](https://github.com/Pipelex/pipelex) - Cookbook: [https://github.com/Pipelex/pipelex-cookbook](https://github.com/Pipelex/pipelex-cookbook) - Starter: [https://github.com/Pipelex/pipelex-starter](https://github.com/Pipelex/pipelex-starter) - VS Code 扩展: [https://github.com/Pipelex/vscode-pipelex](https://github.com/Pipelex/vscode-pipelex) - 文档: \[<https://docs.pipelex.com>](<https://docs.pipelex.com/>) - 演示视频 (2 分钟): [https://youtu.be/dBigQa8M8pQ](https://youtu.be/dBigQa8M8pQ) - Discord 支持和共享: [https://go.pipelex.com/discord](https://go.pipelex.com/discord) 感谢你的阅读。如果你尝试了 Pipelex，请告诉我们它在哪里让你感到困扰，这是我们能获得的最有价值的反馈。

大家好，我们是 Truffle AI 团队（YC W25），我们一直在开发 Dexto (<a href="https:&#x2F;&#x2F;www.dexto.ai&#x2F;" rel="nofollow">https:&#x2F;&#x2F;www.dexto.ai&#x2F;</a>)，这是一个 AI 智能体的运行时和编排层，能让您将任何应用、服务或工具变成一个能够推理、思考和行动的 AI 助手。这里有一个视频演示 - <a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=WJ1qbI6MU6g" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=WJ1qbI6MU6g</a> 我们开始开发 Dexto 是因为我们帮助客户设置智能体来完成日常营销任务，例如在 LinkedIn 上发帖、运行 Reddit 搜索、生成广告创意等。我们意识到，LLM 并不是问题所在。真正拖后腿的是围绕它们的重复性编排： - 将 LLM 连接到工具 - 管理上下文和持久性 - 添加记忆和审批流程 - 根据客户/用例定制行为 每个小项目都悄无声息地膨胀成数周的“管道”工作，每个客户的需求大体相同，但又略有定制。 因此，我们没有再开发一个需要您自己编写编排逻辑的框架，而是将 Dexto 构建为一个顶层的编排层，您可以在其中声明智能体的能力和行为： - 智能体可以使用哪些工具或 MCP - 为其提供动力的 LLM - 它的行为方式（系统提示、语气、审批规则） 配置完成后，智能体作为一个事件驱动的循环运行——通过步骤进行推理、调用工具、处理重试，并维护自己的状态和记忆。您的应用程序不管理编排，它只是触发并订阅智能体的事件，并决定如何呈现或批准结果。 智能体可以在本地、云端或混合环境中运行。Dexto 附带一个 CLI、一个 Web UI 和一些示例智能体，方便您入门。 为了展示其灵活性，我们将一些 OpenCV 函数封装到一个 MCP 服务器中，并将其连接到 Dexto (<a href="https:&#x2F;&#x2F;youtu.be&#x2F;A0j61EIgWdI" rel="nofollow">https:&#x2F;&#x2F;youtu.be&#x2F;A0j61EIgWdI</a>)。现在，非技术用户可以通过与智能体对话来检测图像中的人脸或创建自定义照片拼贴。同样的方法也适用于编码智能体、浏览器智能体、多发言者播客智能体以及针对您数据调整的营销助手。 <a href="https:&#x2F;&#x2F;docs.dexto.ai&#x2F;examples&#x2F;category&#x2F;agent-examples" rel="nofollow">https:&#x2F;&#x2F;docs.dexto.ai&#x2F;examples&#x2F;category&#x2F;agent-examples</a> Dexto 是模块化、可组合和可移植的，允许您插入新工具，甚至可以将整个 Dexto 智能体重新暴露为 MCP 服务器，并从其他应用程序（如 Cursor）中使用它 (<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=_hZMFIO8KZM" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=_hZMFIO8KZM</a>)。由于智能体是通过配置定义的，并由一致的运行时提供支持，因此它们可以在任何地方运行，而无需更改代码，从而使跨智能体 (A2A) 交互和重用变得毫不费力。 在某种程度上，我们喜欢将 Dexto 视为一个“元智能体”或“智能体框架”，可以根据其工具、数据和平台定制成一个专业的智能体。 目前，我们选择了 Elastic V2 许可证，以便为社区提供最大的灵活性，使用 Dexto 进行构建，同时防止大型玩家接管并将其工作货币化。 我们很乐意收到您的反馈： - 尝试快速入门，告诉我们哪里出错了 - 分享您希望一天内交付的用例，我们将建议一个最小配置 代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;truffle-ai&#x2F;dexto" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;truffle-ai&#x2F;dexto</a> 文档：<a href="https:&#x2F;&#x2F;docs.dexto.ai&#x2F;docs&#x2F;category&#x2F;getting-started" rel="nofollow">https:&#x2F;&#x2F;docs.dexto.ai&#x2F;docs&#x2F;category&#x2F;getting-started</a> 快速入门：npm i -g dexto

基于 Golang 编写的可扩展 S3 分片计数器