最新

嗨 HN， 我用 Go 语言开发了一个开源工具，名为 gogg，用于下载和备份你在 GOG.com 上的游戏库。 它支持跨平台，并具有以下功能： - 可编写脚本的命令行界面和易于使用的图形用户界面 - 多线程和断点续传下载 - 平台、语言、DLC 等筛选器 - 通过哈希值进行文件验证和总大小计算 你可以在 GitHub 上找到该项目：<a href="https://github.com/habedi/gogg">https://github.com/habedi/gogg</a>

Hi HN！我们是来自 Hyprnote 的 Yujong、John、Duck 和 Sung (<a href="https://hyprnote.com" rel="nofollow">https://hyprnote.com</a>)。我们正在开发一款开源、注重隐私的 AI 笔记应用，完全在本地运行。可以把它想象成开源版的 Granola。没有 Zoom 机器人，没有云端 API，你的数据永远不会离开你的设备。<p>源代码：<a href="https://github.com/fastrepl/hyprnote">https://github.com/fastrepl/hyprnote</a> 演示视频：<a href="https://hyprnote.com/demo" rel="nofollow">https://hyprnote.com/demo</a><p>我们开发 Hyprnote 是因为我们的一些朋友告诉我们，他们的公司因为数据安全问题禁止使用某些会议记录工具，或者他们只是觉得把数据发送到未知的服务器上很不舒服。所以他们又回到了手动记录笔记的方式——在会议中难以集中注意力，会后又浪费时间。<p>我们问：我们能不能开发出同样有用，但完全本地化的工具呢？<p>Hyprnote 是一款桌面应用，可以在本地转录和总结会议内容。它会捕捉你的麦克风输入和系统音频，所以你不需要邀请机器人。它会根据你做的笔记生成摘要。默认情况下，所有操作都在本地 AI 模型上运行，使用 Whisper 和 HyprLLM。HyprLLM 是我们基于 Qwen3 1.7B 微调的概念验证模型。我们了解到，总结会议是一项非常微妙的任务，模型的原始智能（或权重）并没有那么重要。我们将在完成该模型的第二版（仍然不够好，我们可以做得更好）后发布更多关于评估和训练的细节。<p>Whisper 推理：<a href="https://github.com/fastrepl/hyprnote/blob/main/crates/whisper-local/src/model.rs">https://github.com/fastrepl/hyprnote/blob/main/crates/whisper-local/src/model.rs</a><p>AEC 推理：<a href="https://github.com/fastrepl/hyprnote/blob/main/crates/aec/src/lib.rs">https://github.com/fastrepl/hyprnote/blob/main/crates/aec/src/lib.rs</a><p>LLM 推理：<a href="https://github.com/fastrepl/hyprnote/blob/main/crates/llama/src/lib.rs">https://github.com/fastrepl/hyprnote/blob/main/crates/llama/src/lib.rs</a><p>我们还了解到，对于一些人来说，完全的数据可控性与隐私一样重要。因此，我们支持自定义端点，允许用户引入他们公司的内部 LLM。对于需要集成、协作或管理控制的团队，我们正在开发一个可选的服务器组件，可以进行自托管。最后，我们正在探索如何让 Hyprnote 像 VSCode 一样工作，这样你就可以安装扩展程序，并围绕你的会议构建自己的工作流程。<p>我们相信，由本地模型驱动的、注重隐私的工具将开启下一波现实世界 AI 应用的浪潮。<p>我们在这里，期待您的评论！

这是一个网络应用，它使用人工智能将任何书籍转化为可玩文字冒险游戏。你最喜欢的书，但由你来做选择，从而决定你的故事。你甚至可以“混搭”类型，比如把《沙丘》玩成黑色侦探故事。<p>注意：仍在开发中。欢迎提出建议。

对于曾经在交易所、永续合约交易平台等类似机构工作或参与构建的人：你们的起点是什么？ 大多数平台都采用了类似的机制，你们参考了哪些项目？很希望看到大家分享有用的资源。

最近一直在用 Cursor 处理一些（大部分）繁琐的工作，它在两方面出乎意料地好用：保持文档的时效性，以及发现测试覆盖率的不足。例如，我会问它类似“这个函数最有可能以什么方式出错？”的问题，它会给出我没想到的边缘情况。 尽管如此，它并非（可能）是万能的，有时会“幻觉”出一些无用的测试用例，所以仍然需要一些批判性思维。 我很想知道大家都在用什么来保持文档/测试的可维护性？你们是依赖 AI，还是用老方法？

几周前（确切地说是 6 周前），我开始了一个内容精选流程。简单来说，我选择了 150 个我认为相关的新闻源，包括 HN，定期下载新内容，使用轻量级 LLM 预先筛选掉我不感兴趣的内容（比如亿万富翁的八卦、政治、招聘、融资、天体物理学、商业软件等），然后使用类似 Tinder 的新闻应用手动筛选，并设置了一些内部标准：比如开源软件、人工撰写的鼓舞人心的文章，以及不喜欢标价按钮…… 基本上，我每周要对大约 2500 条内容进行滑动操作，然后才能深入研究那些我第一眼就感兴趣的内容，这意味着我花费了大量时间，但几乎没有获得什么价值。 有什么天才的（或者愚蠢的）想法可以改进吗？我想继续做下去，但现在这样太耗时了，我很快就会感到厌倦……当然，我可以用 LLM 自动化选择过程，但这并不是重点，我喜欢人工挑选的内容（尽管如果我知道怎么做的话，我可能会从自动过滤生成的内容中受益）。 谢谢 :)