最新

嗨，HN 我刚刚发布了一个开源工具，可以帮助使用 JIRA 的支持团队主动管理工单 SLA，并在潜在违规发生之前预测它们。 它使用 Python + AI 分析历史 JIRA 数据，学习工单解决趋势，并识别可能违反 SLA 的高风险工单。该工具还包括可视化仪表板和一个基于真实世界支持模式训练的轻量级分类模型。 代码库： GitHub – JIRA 的 SLA 违规预测器 我为什么构建这个工具： 我曾在支持工程部门工作，经常看到团队被手动跟踪和被动救火的工作淹没。这个项目的目标是为他们提供智能、自动化的预见能力，而无需依赖沉重的企业级工具。 欢迎反馈、建议，甚至合作！ 谢谢 — Arooj

我成功逆向工程了负责管理 Apple Intelligence 模型安全过滤器的加密（在框架中被称为“混淆”）。我已将其提取到一个代码库中。欢迎您查看。

这是一个让你猜测每张图片里人数的游戏。每天会更新 5 张图片。期待您的反馈或建议！

大家好，我是 Pelyos 的开发者。Pelyos 是一款极简任务管理应用，旨在帮助个人减轻日常压力，提高清晰度。 我开发 Pelyos 是因为我被不断增长的、冗长的待办事项列表搞得不堪重负。我想要一个基于时间线的、简洁的、更注重专注的应用，而不是一个功能齐全的团队协作工具，或者一个杂乱的应用。 我很乐意听取你们的反馈，包括哪些功能好用，哪些让人困惑，以及哪些功能能让它对你们更有帮助。目前我正在独自一人进行自力更生，希望它能真正帮助到知识工作者、创业者和生产力爱好者。 感谢您的关注！

我手头现有一个手写的知识库，其中包含应用程序的截图、带有标准 CI/CD 流程的代码库，以及 API，其文档是根据 OpenAPI 规范自动生成的。<p>现在有没有一种便捷的方法，可以将这些软件串联起来，以便在新的代码库提交时，产品文档（包括截图）能够完全自动生成？有没有人尝试过一些工具链，包括付费工具，并且在实际应用中取得了成功？

我开发了一种新的公钥加密方案（DIAC），它使用多维、高精度复数密钥空间和模块化陷门函数，以实现超高熵和抗量子攻击。代码、基准测试和研究论文（PDF）均已开源：<a href="https:&#x2F;&#x2F;osf.io&#x2F;mvkcq&#x2F;" rel="nofollow">https:&#x2F;&#x2F;osf.io&#x2F;mvkcq&#x2F;</a> 欢迎提供反馈、提问或密码分析！

我一直在构建 AI 系统，并一直遇到同样的瓶颈——提示工程感觉就像字符串拼接的地狱。每个复杂的提示都变成了一场由 f-string 和模板字面量构成的维护噩梦。 因此，我构建了 LLML——可以把它想象成提示的 React。就像 React 是数据 => UI，LLML 是数据 => 提示。 问题： ``` # 我们都写过这样的代码... prompt = f"角色：{role}\n" prompt += f"上下文：{json.dumps(context)}\n" for i, rule in enumerate(rules): prompt += f"{i+1}. {rule}\n" # 解决方案： from zenbase_llml import llml # 通过组合数据来组合提示 context = get_user_context() prompt = llml({ "role": "高级工程师", "context": context, "rules": ["从不跳过测试", "总是审查依赖项"], "task": "安全地部署服务" }) # 输出： <role>高级工程师</role> <context> ... </context> <rules> <rules-1>从不跳过测试</rules-1> <rules-2>总是审查依赖项</rules-2> </rules> <task>安全地部署服务</task> ``` 为什么像 XML？ 我们发现 LLM 能够比 JSON 或 YAML 更可靠地解析具有清晰边界的结构化格式（<tag>内容</tag>）。编号列表（<rules-1>，<rules-2>）可以防止顺序混淆。 提供 Python 和 TypeScript 版本： ``` pip/poetry/uv/rye install zenbase-llml npm/pnpm/yarn/bun install @zenbase/llml ``` 实验性的 Rust 和 Go 实现也已提供，供喜欢冒险的人使用 :) 主要特点： ``` - ≤1 个依赖项 - 可扩展的格式化程序系统（为您的领域对象创建自定义格式化程序） - 100% 测试覆盖率（TypeScript），92%（Python） - 所有语言实现中的输出相同 ``` 格式化程序系统特别出色——您可以覆盖任何数据类型的序列化方式，从而可以轻松处理特定于领域对象或敏感数据。 GitHub: [https://github.com/zenbase-ai/llml](https://github.com/zenbase-ai/llml) 很想听听其他人是否遇到过类似的提示工程挑战，以及您是如何解决的！