最新

周末我做了一个小实验，看看使用 AI 辅助开发工具，从想法到可运行的 MVP 能有多快。<p>结果是一个简单的 Web 应用，可以生成短小的、个性化的睡前故事，并用我自己的声音朗读出来。代码库在某些地方故意写得很粗糙，但这个应用可以运行，并且已经在实际场景中使用。<p>最让我惊讶的是，在真实部署的系统上进行迭代是如此容易，而不会被早期的架构决策所困住。<p>技术栈：FastAPI, Supabase, Fly.io, Vercel 工具：Cursor, Lovable, Claude, ChatGPT<p>很好奇这里其他人是如何进行 AI 辅助开发的，以及你们在哪些方面会为生产环境做准备。<p>链接：<a href="https:&#x2F;&#x2F;sleepli.app" rel="nofollow">https:&#x2F;&#x2F;sleepli.app</a>

基本上，我厌倦了在冬季风暴季节期间需要在 5 个不同的网站之间切换，所以我创建了“StormWatch”。这是一个简单易用的、支持移动设备的网页（仪表板），它在一个简单的用户界面中显示了我需要的所有信息。<p>功能：<p>- 带有安全提示的实时 NWS 警报 - 降雪/结冰/降水累积预报（+风力） - 基于您的警报的动态准备清单 - 针对您家庭规模的物资计算器 - 区域天气新闻<p>它免费，无需登录，可在任何设备上使用。只需输入您的邮政编码即可。<p><a href="https:&#x2F;&#x2F;jeisey.github.io&#x2F;stormwatch&#x2F;" rel="nofollow">https:&#x2F;&#x2F;jeisey.github.io&#x2F;stormwatch&#x2F;</a><p>使用 NWS 和 GDELT API 以及开源技术。欢迎自由分支和修改。<p>对于开发者： - 使用 API 测试代理来验证所有端点、响应模式、类型和速率限制 - 使用范围和验证代理来保持切片简单、专注和经过测试 - VS-code Copilot (Sonnet 4 用于开发代理 + Opus 4.5 用于范围和验证)

我发现了一个关于 iCloud 高级数据保护 (ADP) 的令人担忧的问题，而 Apple 却没有披露：已删除的文件实际上从未从他们的服务器中移除。 测试： 我有一个 5 Mbit/秒 的上传连接。我将 6GB 的个人文件（音乐、视频、照片）复制到 iCloud Drive。它们在 15 分钟内“上传”完成——这在我当前的带宽下是不可能的。这些文件之前很久就已经上传过，并且此后被删除。 为了验证，我检查了活动监视器：自启动以来总共只发送了 3.42GB 的数据，包括网页浏览。6GB 的上传从未发生。 确认测试： 创建一个包含随机数据的 100MB 文件：dd if=/dev/urandom of=randomfile.dat bs=1m count=100 上传到 iCloud：耗时 2-3 分钟，活动监视器显示发送了 122MB（正确） 从 iCloud Drive 中删除该文件 从“最近删除”中“永久删除”，并从数据恢复中清空所有文件。 重新上传相同的文件：在 1 秒内完成 活动监视器：基本上没有发送任何数据 Apple 保留了加密块，即使在“永久删除”之后。 为期一个月的测试（进行中）： 我保留了随机文件，并将尝试在 30 天后重新上传它，以查看 Apple 是否会按任何时间表清除数据，或者无限期地保留它。 为什么这很重要： ADP 被宣传为让用户独家控制他们的数据 “删除”和“永久删除”选项暗示删除数据 上传进度条显示了针对重复数据删除操作的虚假“上传”状态 用户无法验证 Apple 保留了哪些数据。 要尝试永久删除，您必须禁用 ADP 网络访问 尚不清楚的是： 这是否适用于健康数据、密码和其他 ADP 保护的内容？ Apple 会保留“已删除”的加密块多长时间？ 用户是否真的可以删除他们的数据？ 我并不是说加密很弱——它可能很好。但 Apple 缺乏关于 ADP 数据保留和重复数据删除的透明度令人担忧。“永久删除”应该意味着永久删除。 还有其他人注意到这种行为吗？我将在完成 30 天的保留测试后更新这篇文章。

我刚结束了一场进展顺利的视频会议。他们要求演示，提到会邀请一位运营合伙人参与，我也分享了详细信息等等。但从那以后就一直没有消息了（一两天了）。 对于有过融资经验或在风投领域工作过的人： 这种情况通常只是内部审核阶段，还是演示后没有回应通常意味着被拒绝了？ 我不是想寻求安慰，只是想了解一下这个阶段通常是如何进行的。 谢谢。

我构建了 Polymcp，这是一个框架，可以将任何 Python 函数转换为 MCP（模型上下文协议）工具，供 AI 智能体使用。无需重写，无需复杂的集成。 示例 简单函数： ```python from polymcp.polymcp_toolkit import expose_tools_http def add(a: int, b: int) -> int: """将两个数字相加""" return a + b app = expose_tools_http([add], title="数学工具") ``` 运行方式： ```bash uvicorn server_mcp:app --reload ``` 现在，add 函数通过 MCP 暴露出来，可以被 AI 智能体直接调用。 API 函数： ```python import requests from polymcp.polymcp_toolkit import expose_tools_http def get_weather(city: str): """返回城市当前的的天气数据""" response = requests.get(f"https://api.weatherapi.com/v1/current.json?q={city}") return response.json() app = expose_tools_http([get_weather], title="天气工具") ``` AI 智能体可以调用 `get_weather("London")` 立即获取实时天气数据。 业务工作流函数： ```python import pandas as pd from polymcp.polymcp_toolkit import expose_tools_http def calculate_commissions(sales_data: list[dict]): """从销售数据中计算销售佣金""" df = pd.DataFrame(sales_data) df["commission"] = df["sales_amount"] * 0.05 return df.to_dict(orient="records") app = expose_tools_http([calculate_commissions], title="业务工具") ``` AI 智能体现在可以自动生成佣金报告。 它对企业的重要性 * 立即重用现有代码：遗留脚本、内部库、API。 * 自动化复杂工作流程：AI 可以可靠地编排多个工具。 * 即插即用：在同一个 MCP 服务器上暴露多个 Python 函数。 * 减少开发时间：无需自定义包装器或中间件。 * 内置可靠性：包含输入/输出验证和错误处理。 Polymcp 使 Python 函数立即可供 AI 智能体使用，从而实现跨企业软件的标准化集成。 代码库：[https://github.com/poly-mcp/Polymcp](https://github.com/poly-mcp/Polymcp)

大家好，我是 Loclean 的作者。<p>我开发这个工具是因为我处理敏感数据，无法将其发送给 OpenAI，而像正则表达式这样的传统工具对于真实世界输入中的混乱情况（比如地址拼写错误或日期格式不一致）来说又过于脆弱。<p>Loclean 是一个 Python 库，它： - 完全在本地运行（对 CPU 友好），使用通过 llama-cpp-python 量化的模型。 - 使用 Pydantic 来强制执行严格的模式（不再出现幻觉或无效的 JSON）。 - 兼容 Pandas/Polars/PyArrow 工作流程。<p>它的设计目标是在僵硬的正则表达式和昂贵/有风险的云端 LLM 之间找到一个“中间地带”。<p>代码库链接：<a href="https://github.com/nxank4/loclean" rel="nofollow">https://github.com/nxank4/loclean</a><p>我很乐意听取您对 API 设计的反馈，或者您可能对本地数据清洗有哪些用例。谢谢！