最新

你可以同时与多个提供商的 LLM 对话并比较结果。 正在征求关于哪些自定义功能对您有用的反馈。<p>我认为这对于那些想用多个 LLM 尝试编码并选择最佳模型的人来说可能很有用。<p>我将很快研究添加多模态支持。

我们刚刚推出了开放 LLM 规范（OLLS）——一个社区驱动的标准，统一了开发者与大型语言模型（LLM）交互的方式，涵盖了 OpenAI、Anthropic、Google 等提供商。<p>目前，每个提供商都有不同的请求/响应格式，这使得集成变得非常麻烦：<p>解析响应不一致<p>切换模型需要自定义包装器<p>错误处理和元数据差异很大<p>OLLS 定义了一个简单、可扩展的 JSON 规范，用于输入（提示、参数、元数据）和输出（内容、推理、使用情况、错误）。 可以把它想象成 LLM 的 OpenAPI——可移植、可预测且与提供商无关。<p>GitHub 仓库 - <a href="https:&#x2F;&#x2F;github.com&#x2F;julurisaichandu&#x2F;open-llm-specification">https:&#x2F;&#x2F;github.com&#x2F;julurisaichandu&#x2F;open-llm-specification</a> 示例输入/输出格式、目标和路线图 欢迎贡献者、反馈和实际应用案例！<p>让我们构建一个统一的 LLM 接口——贡献想法或参与讨论

作为一名与 UI/UX 团队合作的开发者，我亲眼目睹了创建无障碍、平衡的调色板有多么令人头疼。 我的一个同事（UI/UX 设计师）提到，他有多么沮丧于： * 从品牌颜色生成色调和阴影 * 检查 WCAG 可访问性对比度 * 预览这些颜色在按钮和组件上的实际效果 * 然后在 2-3 个工具之间切换，才能得到一些可用的东西 所以我构建了一个工具来解决这个问题。 1. 选择一个基色 2. 自动生成色调/阴影 3. 实时获取 WCAG 对比度评级（针对黑色/白色背景） 4. 查看自动建议的互补色 5. 并将您的调色板直接放到真实的 UI 组件上（目前是按钮，未来会增加更多），以可视化您的调色板在设计系统中的实际外观。 您可以在上下文中创建调色板，而不是孤立地创建。 这是该工具（免费，无需注册即可开始使用）： [https://colorpal-sage.vercel.app/](https://colorpal-sage.vercel.app/) 我很乐意从社区中获得关于以下方面的反馈： * 新的 UX 是清晰还是令人困惑？ * “组件游乐场”是您实际会使用的东西吗？ * 有什么感觉是不必要的或缺失的？ * 其他任何事情... 我真诚地感谢任何来自从事颜色系统工作的设计师或开发者的见解。 提前感谢！

Hi HN， 我是一名软件工程师，希望转行做销售工程师（解决方案/售前）。我喜欢这个职位结合技术问题解决和客户沟通的特点。 我正在寻找一位已经完成转行或从事销售工程师工作的导师。欢迎大家分享关于如何定位自己、关键技能或相关资源的建议。 欢迎通过邮件联系：p.delfino01 [at] gmail [dot] com 谢谢！

嘿，HN！我是 Promi 的 Peter。我们正在为电商商家构建一个平台，用于发送实时个性化折扣，并由 AI 优化（显而易见）。 销售视频：[https://www.youtube.com/watch?v=WiO1S7RBn-o](https://www.youtube.com/watch?v=WiO1S7RBn-o) 演示：[https://youtu.be/BCYNCqb4fUc](https://youtu.be/BCYNCqb4fUc) 网站：www.promi.ai 所有大型科技公司都会发送个性化折扣——Uber、DoorDash、Google 等。事实上，我曾是 Uber 负责折扣的产品负责人，所以如果你在 Uber 乘车或外卖上收到过促销，那就是我们的技术。这些个性化模型通常比非个性化折扣产生 30% 以上的收入（即成本中性），所以这是一个极具影响力的产品。 因此，其他商家也想效仿也就不足为奇了。商家不想把折扣浪费在本来就会购买的客户身上。坦白说，提供软件解决方案来个性化折扣并不是一个新想法——很多其他初创公司都推出了类似的产品。 对于中小型公司来说，个性化折扣的最大问题在于，传统上你依赖于“探索”数据——从随机向一部分用户发送折扣中获取的数据。但这有很多问题：商家需要规模足够大，收集这些数据很昂贵，训练数据确实应该保持新鲜（所以应该持续运行探索），而且如果你想尝试不同的折扣结构（例如，买一送一而不是 8 折），你需要使用新的结构运行新的探索。 那么 Promi 的不同之处是什么？我们基于常规流量进行训练，并通过专注于转化率来简化问题。如果我们能准确预测谁不太可能转化以及哪些产品不太可能被购买，我们就可以发放折扣，而不用担心把钱浪费在本来就会发生的订单上。我在 Uber 期间的主要收获之一是，我们的模型主要针对那些在给定一周内转化可能性较低的用户。量化他们在获得折扣后通过探索转化率提高多少是有帮助的，但不如了解初始转化率那么有影响力。 旁注——在这个没有实际使用最新和最伟大的 LLM 的炒作周期中推出一家 AI 公司有点意思。我们认为更传统的机器学习仍然有很多价值可以增加。我不想说我们将来不会使用 LLM（在开发附加功能方面可能有一些有趣的应用程序），但以这种方式开始对我们来说效果很好。 还有很多其他挑战（就像任何初创公司一样）。我们必须弄清楚如何自动化集成，因为很多网站都有自定义代码。我们必须让模型在没有丰富用户数据的情况下也能工作，因为大多数网站访问者都没有登录。在这里快速提一下——我们可以使用第一方 cookie 来或多或少地跟踪浏览和交易历史，但我们发现转化率的一个重要预测因素是流量来源：访问者是来自广告、电子邮件、直接流量、谷歌搜索等。这种流量来源在 Uber 并不那么有价值（因为每个人都使用该应用程序），所以在最具影响力的功能类型方面，这有点权衡取舍。 我们的模型似乎运行良好！我们的网站上有案例研究，展示了我们看到的典型收入和利润增长。我们目前采用分级定价，对 Promi 折扣管理的总收入有不同的配额。 我很乐意听取社区中机器学习专家的想法，尽管我声明一下，我不是技术创始人。请告诉我们你的想法！