最新

嗨 HN， 我一直在用 Go 语言构建 Hector，一个基于 A2A 协议的声明式 AI 智能体平台。它的理念非常简单：不用写代码构建智能体，只需用 YAML 定义一切即可。 想创建一个智能体？写一个 YAML 文件，包含提示词、推理策略、工具，就完成了。无需 Python，无需 SDK，无需复杂的设置。它就像是针对 AI 智能体的“基础设施即代码”。 酷炫之处在于，由于它基于 A2A（智能体到智能体协议）构建，智能体之间可以无缝交流。你可以混合使用本地智能体和远程智能体，或者让来自不同系统的智能体协同工作。这有点像 AI 智能体的 Docker。 我构建这个平台是因为我厌倦了当前智能体框架的复杂性。大多数框架都需要你编写大量样板代码才能开始。使用 Hector，你专注于逻辑，而不是底层架构。 它还处于 Alpha 阶段，但核心功能已经可用。我很乐意收到任何从事智能体系统或多智能体协作的人的反馈。你们在当前的方法中看到了哪些痛点？ 代码库：<a href="https://github.com/kadirpekel/hector" rel="nofollow">https://github.com/kadirpekel/hector</a> 欢迎提出任何想法或反馈！

我创建了 pythonexercise.com，这是一个简单的方式，让你通过在浏览器中直接解决的简短练习来练习 Python。<p>它还在完善中，我很乐意收到关于改进或添加内容的反馈。<p>谢谢！

我认为 BEP29 存在三个主要问题： 1. 在长距离网络中，带宽利用率非常低（类似于经典的 Reno 算法）。 2. 没有强制规定速率控制。 3. 当部署 AQM（主动队列管理）时，它无法保持低优先级。

我建立这个网站，用于托管我咖啡样品烘焙机的基于数据的模型。<p>在使用这台机器烘焙了大约 20 批咖啡后，我意识到虽然控制方式很直观（加热、风扇和滚筒速度），但其物理原理可能并不那么容易理解。我想利用我历史的烘焙数据来创建和调整一个模型，用于烘焙计划、控制，并帮助我建立自己的烘焙直觉。这个网站让你可以在一个虚拟的、无风险的环境中与我的烘焙机互动！<p>这些模型是定制的机器学习模块，它们考虑了烘焙机的物理特性和咖啡豆的物理特性（这不是基于 GPT/transformer 的）。一堆数学计算。<p>这些模型是基于大约十几批真实的烘焙数据训练的。默认的咖啡豆模型是埃塞俄比亚古吉咖啡豆。<p>我的下一步是添加其他烘焙机，并增加练习控制/参考追踪的功能。