最新

各位 HN 的朋友们， 我开发了 Bisecto（<a href="https://bisecto.com" rel="nofollow">https://bisecto.com</a>），这是一款极简主义的浏览器游戏，核心机制非常简单：用一条直线将一个程序生成的二维图形精确地分成两个 50/50 的相等部分（即“二等分”）。 坦白说：我完全沉迷于那些病毒式传播的短视频，视频里的人们试图将水果和蔬菜切成完全相等的两半，这给了我开发这款游戏的灵感 :D 我写了 12 年多的代码了，但在这个项目中，我大量利用了大型语言模型（LLM）来快速构建这款游戏。我原本以为会很快完成，但为了达到我想要的效果，还是花了一些时间（大约两周）。 您可以尝试以下几种游戏模式： - 经典模式：无尽模式，您可以选择难度和切割线模式。 - 街机模式：您有 3 条生命，必须将准确率保持在 95% 以上。 - 每日挑战：共享每日种子，每个人都有 10 个相同的图形，看看您的排名。 - 好友挑战：创建一个挑战并发送给您的朋友，看看谁更擅长将图形一分为二。 技术细节： - 完全在客户端运行，使用纯 TypeScript 和 HTML5 Canvas 2D。没有框架或构建冗余。 - 程序化多边形生成（在高难度下包含凹陷陷阱和内部穿透孔）。 - 切割使用 Sutherland-Hodgman 多边形裁剪算法，以无限线平面为参照，并使用鞋带公式实时计算面积。 - 无广告、无跟踪 cookie，仅在创建挑战时需要注册账户，电子邮件是可选的，仅用于密码恢复。 欢迎在桌面或移动设备上体验。我很想听听您对游戏玩法、UI 感受、操作方式的看法，或者任何能让游戏更好玩、更上瘾（如果可能的话 :D）的建议。

我使用 omarchy 在我的塔式电脑上已经将近一年了，就在它首次发布后不久。我非常喜欢它的使用体验，但日常工作仍然使用我的 MacBook，所以我想在 MacBook 上重现类似的体验。因此，我创建了 omacosy，这是一个用于平铺窗口、自定义菜单栏、一些来自 omarchy 的主题、鼠标跟随焦点、窗口周围的焦点环、一些带有触控板事件的 Mac 风味以及自定义工作区概览的设置。 我选择使用 AeroSpace 而不是 yabai 作为平铺窗口管理器，因为我不想妥协 SIP，这是 Mac 的一项安全功能。 它的设计理念与 omarchy 一样，以键盘操作为先，用于移动窗口、组织工作区等。 该设置运行在约 157MB 的内存上，包括 AeroSpace、Karabiner（用于 Super 键）以及五个小型自建的 Swift 二进制文件。 我目前在我的 M1 Max MacBook 上，运行的是 macOS 26，每天都在使用它。我没有在其他 MacBook 或 macOS 版本上进行太多测试。 安装脚本会创建一个清单文件，用于备份之前安装的内容以及它自己安装的内容，卸载脚本会根据该文件将 MacBook 清理到之前的状态。 为了实现其功能，它需要相当多的权限，我在项目 README 中对此进行了详细说明。我希望对它使用的权限及其原因保持高度透明。 我非常希望得到一些反馈，或者看到有人尝试使用它并分享他们的意见。主要想了解哪些方面在使用体验上仍然不够流畅，或者是否发现了任何性能问题。

各位 HN 的朋友们！ 我们是 Aliensense，一个位于阿布扎比的小型硬件团队。 在与 150 多个机器人团队交流后，我们发现他们都面临着同样的瓶颈： 在编写任何感知或自主代码之前，数周的时间都耗费在布线、驱动程序调试以及传感器只能在距离计算单元一米范围内工作的问题上。 NXS 解决了这个难题。插入摄像头或 MikroElektronika Click 传感器，连接一根线缆到计算机，即可在几分钟内以物理 SI 单位准备好使用数据。 GMSL2/3 通过一根线缆传输电力和数据，最远可达 15 米，通过 CAN-FD 可达 40 米，这样传感器的放置就不再受限于布线。 传感器端采用 mikroBUS 接口，兼容 2000 多个 Click 板。AI 代理技能可以根据传感器的寄存器映射生成驱动程序，主机工具会编译并将其通过线缆上传，无需重新构建固件。 通过主机桥接器提供 ROS 2 主题，每个样本都带有硬件时间戳。使用 Cyphal 的团队也可以将其作为标准节点通过 CAN-FD 或串行接口运行。 欢迎随时提问，我们全天在线。

简而言之；我们构建的这个 AWS RI/SP 工具可能具有独特的功能，对于运行大型、高变动性工作负载且覆盖率目标较高的公司尤其重要。我们希望了解这一点的真实程度，以及我们是否应该向他人开放此工具，甚至可能免费或作为开源软件提供。 背景：我们是一家小型云成本咨询公司，而非工具供应商。我们为自己构建了大量内部工具。我们服务的公司年支出在七位数到九位数（美元）之间。 在过去几年中，我们构建的内部工具之一是一个用于 RI/SP 的模拟引擎，它可以执行多项操作，其中一些我们认为可能是当前市场上的独一无二的，并可能对他人有价值。 1. 可视化任何承诺类型（任何 RI、任何 SP、任何变体）的整个承诺节省/折扣曲线，显示在每个承诺级别实现的精确节省和边际折扣率。这解锁了我们认为的最佳购买策略：“购买 SP 美元或 RI 单位，直到下一个便士/实例小时产生的折扣低于 10%”，而不是接受平均折扣的“全有或全无”建议（例如，“通过以 5% 的总体折扣购买 10 美元/小时的 SP 来覆盖所有内容”）。 2. 这些节省/折扣曲线也可以堆叠起来，以显示折扣率的变化如何解锁更多的覆盖空间。例如，决定使用预付美元购买部分或全部承诺会改变折扣率，这不仅是一个关于现金投资回报的决定，还会改变曲线的形状，从而在相同的风险水平下，能够以更低的成本覆盖更多的基础设施。 3. 构建“假设”场景，堆叠即将进行的计划购买，添加或删除已覆盖的使用量，以及过期不需要的承诺，以查看在各种假设下节省如何变化。本质上，我们采用所需回溯期的历史使用量，根据我们的想法修改它以进行前瞻性预测，并应用我们想要的任何当前或计划中的承诺。如果需要，我们可以同时运行多个此类场景来规避风险。 4. 查看通过购买将在现有 SP 之前应用的承诺来提高节省。如果您的 AWS 控制台或首选工具目前显示您只有计算 SP 购买的可能性，以及 RI 和 EC2 实例 SP 的可能性很低或没有，那么您肯定属于这种情况。AWS 不会向您展示当前占用覆盖空间的 SP 折扣如何可以被推迟到折扣曲线的后面，这将解锁购买特定目标 RI 或 EC2 实例 SP 的可能性，这些 RI 或 SP 将首先应用且折扣水平更高。 5. 它可以由 LLM 驱动，以缩小到在不模拟可能性空间的情况下无法看到的策略。重要的是，生成的数据紧凑、清晰且易于总结。 将在评论中添加几张带有解释的图片，以帮助说明上述内容。 问题： 1. 这些功能是真正独一无二的吗？还是已经存在一些工具（无论是付费还是开源）在做类似的事情？ 2. （如果 #1 的答案是“是的，独一无二”）这些功能是否足够有价值，值得您将其纳入自己的实践中，还是它们只具有边际兴趣（或者，可能完全不感兴趣）？ 3. 您认为模拟引擎是否可以用于解决我在此未特别建议的其他相关问题，并且这些问题会更有价值？（我们有很多想法……策略回测、并购合并账单账户场景等）