最新

我一直想在我的桌面虚拟机上使用 QEMU/KVM，但长期以来，我一直对 virt-manager 缺乏对 NVIDIA 3D 加速的支持、对丑陋 XML 的死板拥抱，以及需要点击 15 个按钮才能将 ISO 附加到虚拟机镜像的令人费解的 UI 设计感到困惑。 当我进一步了解到 NVIDIA 损坏的 3D 加速是 libvirt 的错，而不是 QEMU 的 virtio 驱动程序时，我有了个想法…… 看哪，vm-curator！一个用 Rust 编写的快速友好的虚拟机管理 TUI。 您可以直接使用 QEMU 创建、配置、组织和管理虚拟机。 没有 libvirt。 没有 XML。 没有怪异的 UI。 只有适度的友好性、自定义性和速度，才能真正地发挥作用。 最好的部分？ 3D 半虚拟化与 NVIDIA 显卡（通过 virtio-vga-gl！）一起使用！ 无需费力就能让 GPU 直通工作！ （免责声明：这与其他客户机 Linux 虚拟机配合良好，但不适用于 Windows 游戏。 如果您想在虚拟机中玩 Windows 游戏，直通是必须的。 vm-curator 将很快提供快速友好的支持。） 正在寻找贡献者（特别是帮助制作 ASCII 艺术），也欢迎捐款。 （Claude 帮了大忙，但这并非一种氛围编码的事务。 我们在这里结对编程了大约 10,000 行代码。 这实际上是一个学习 Rust 的好方法！）

我是一名 SPPU 的计算机工程系学生。在用 React 19 做一个项目时，我意识到我们用于 SEO 的标准库（比如 React Helmet）仍然在使用“旧”方法。<p>问题所在：旧的库使用一种叫做“副作用”的技巧，在页面加载完成后才更改页面标题和元标签。这可能导致标题闪烁，或者让网站感觉稍微慢一些，因为浏览器需要做额外的工作。<p>解决方案：React 19 增加了一个内置功能，可以自动将标签移动到页面顶部（&lt;head&gt;）。我构建了 react-meta-seo，让每个人都能轻松使用这个新功能。<p>为什么它对开发者来说更简单：<p>无需“Provider”：你不需要将整个应用程序包裹在一个特殊的组件中。它只需放置在任何地方即可工作。<p>体积小巧：它小于 4KB。相比之下，旧的选项通常是 15KB 或更大。<p>不再出现 Google 数据错误：它会自动检查你的 Google 搜索数据 (JSON-LD)，以确保其格式正确。<p>内置预览：我添加了一个工具，让你在编码时就能看到你的网站在 Twitter 或 Facebook 上的样子。<p>简单的站点地图工具：它包含一个命令行工具，可以为你生成 sitemap.xml。<p>我想构建一个使用新的 React 19 功能来使 SEO 变得更快、更容易设置的工具。我很乐意收到关于代码的反馈！<p>GitHub: <a href="https:&#x2F;&#x2F;github.com&#x2F;ATHARVA262005&#x2F;react-meta" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;ATHARVA262005&#x2F;react-meta</a>

嗨 HN， 我一直在试验 LLM 代理一段时间了，并且经常觉得，对于简单的流程（聊天、工具调用、小循环），现有的框架增加了大量的抽象和样板代码。 因此，我构建了一个名为 PicoFlow 的小型 Python 库。目标很简单： 使用普通的异步 Python 来表达代理工作流程，而不是特定于框架的图或链。 最小的聊天代理 每个步骤都只是一个异步函数，并且工作流程通过 &gt;&gt; 组合： ```python from picoflow import flow, llm, create_agent LLM_URL = “llm+openai://api.openai.com/v1/chat/completions?model=gpt-4.1-mini&api_key_env=OPENAI_API_KEY” @flow async def input_step(ctx): return ctx.with_input(input(“You:”)) agent = create_agent( input_step >> llm(“Answer the user: {input}”, llm_adapter=LLM_URL) ) agent.run() ``` 没有链，没有图，没有单独的提示/模板对象。您可以通过直接在异步步骤中设置断点来调试。 控制流就是 Python 循环和分支使用普通的 Python 逻辑编写，而不是 DSL 节点： ```python def repeat(step): async def run(ctx): while not ctx.done: ctx = await step.acall(ctx) return ctx return Flow(run) ``` 该框架只调度步骤；它不会试图控制您的控制流。 切换模型提供商 = 更改 URL 另一个设计选择：模型后端通过单个 LLM URL 配置。 OpenAI： ```python LLM_URL = “llm+openai://api.openai.com/v1/chat/completions?model=gpt-4.1-mini&api_key_env=OPENAI_API_KEY” ``` 切换到另一个与 OpenAI 兼容的提供商（例如 SiliconFlow 或本地网关）： ```python LLM_URL = “llm+openai://api.siliconflow.cn/v1/chat/completions?model=Qwen/Qwen2.5-7B-Instruct&api_key_env=SILICONFLOW_API_KEY” ``` 工作流程代码完全没有变化。只有运行时配置会发生变化。这使得 A/B 测试模型和切换提供商在实践中更便宜。 何时有用（以及何时无用） 如果您满足以下条件，PicoFlow 可能会很有用： - 希望快速原型代理 - 更喜欢显式的控制流 - 不想学习大型框架抽象 如果满足以下条件，它可能不是理想选择： - 严重依赖预构建的组件和集成 - 想要一个包含所有功能的编排平台 仓库： [https://github.com/the-picoflow/picoflow](https://github.com/the-picoflow/picoflow) 这仍然处于早期阶段，并且具有主观性。我非常感谢大家对这种“工作流程即 Python”风格是否对其他人有用的反馈，或者人们是否已经用更好的方法解决了这个问题。 谢谢！