最新

今天大家似乎都在宣布新的 Git 远程仓库，所以我创建了自己的：git·vodka。 这是一个为朋友和家人设计的、小巧的自定义 Git 远程仓库，它包含了自己的源代码。目标基本上是提供比裸仓库更好的用户体验，同时又不将其变成一个庞大的平台。 所有东西都运行在 Cloudflare 的基础设施上：Workers、用于对象存储的 R2 以及用于数据库的 D1。目前，它完全运行在 Workers 的免费套餐上，这说实话非常棒。 你可以访问 git.vodka 来查看和测试它 :)

在现有工具的局限性让我感到沮丧后，我构建了 Releasaurus。 * release-please：仅适用于 GitHub * releaser-pleaser：不支持单体仓库 * release-plz：仅支持 Rust 项目 * git-cliff：仅支持变更日志，不支持打标签或发布 Releasaurus 完全通过 Forge API 工作，因此不需要本地克隆，也不需要 Git。尽管如此，它也提供了一个可选的混合模式，该模式将使用本地克隆的仓库进行 Git 操作，并使用 Forge API 调用来创建 PR 和发布。 以下是我包含的一些功能： * 支持 GitHub、Gitlab、Gitea、Forgejo (Codeberg)、AzureDevops (实验性) * 支持单体仓库，为每个配置的包提供独立版本控制 * 可自定义的 CHANGELOG.md 生成 * 可自定义的发布说明 * 可选择语义化或基于日期的版本控制策略 * 语义化：“x.x.x” 使用 Conventional Commits 标准分析提交 * 日期：“year.month.day-time” * 可自定义的预发布策略 * 版本化：“x.x.x-<id>.<version>” * 静态：“x.x.x-<static_id>” * 明确支持以下语言的版本文件更新 * Go * Java * Node (支持 workspaces) * Php * Python * Ruby * Rust (支持 workspaces) 您可以使用一些命令来自动化您的发布。以下是一些示例： * release-pr：分析提交并生成一个发布 PR 以供审查 * release：查找已合并的发布 PR，为相应的 SHA 打标签，并为目标 Forge 生成发布 * release-direct：将所有分析、提交、打标签和发布合并到一个流程中，并跳过生成发布 PR 以供审查 * get next-release：以 JSON 格式输出即将发布的预测版本 - 有助于在发布前生成通知 * get recompiled-notes：将“get next-release”的修改后的 JSON 输入以重新生成变更日志说明。也可用于生成通知。 GitHub: https://github.com/robgonnella/releasaurus 文档: https://releasaurus.rgon.io 乐意解答您的问题

各位 HN 的朋友们！我开发了 justtextfaro.com，一个极其简单且主动的短信助手，可以防止那些小任务被遗忘。只需给 Faro 发送短信，它就能确保您不会忘记。 **问题所在：** 摩擦。闹钟/日历的菜单设置繁琐且麻烦。您可能会将事情记在笔记应用里，然后就再也不去查看了。当您完成一项任务时，您需要禁用所有设置的闹钟/删除日历事件/更新您的笔记应用。 **解决方案：** Faro 毫无摩擦。三大核心功能： 1. 每天早上收到一条短信，列出您当天需要处理的事项。 2. 以您能描述的任何形式设置闹钟/提醒，无需菜单。“提醒我直到我拿到去巴黎的机票为止”。“下周二下午两点提醒我给 Bryan 回电话”。“每隔几个小时提醒我遛狗”。 3. 完成任务后，只需给 Faro 发送短信即可。无需编辑笔记、移除闹钟或删除日历事件。Faro 会进行所有必要的更改和删除。 立即发送短信给 Faro 1646-879-0459（这就是全部的注册流程），或访问 [https://www.justtextfaro.com/](https://www.justtextfaro.com/) 期待在评论区与大家交流反馈/功能/bug/技术栈！

大家好，我开发 PantheonGPU 是因为我想找到一种更好的方法来回答一个简单的问题：这个 GPU 是否真的健康，并且性能符合预期？ GPU 可能显示正常的温度和利用率，但仍然存在性能低下、在特定工作负载下不稳定，或者存在内存、PCIe 或配置问题。 PantheonGPU 会主动测试 GPU，而不是仅仅监控遥测数据。它目前包含 45 多个测试，涵盖计算、张量工作负载、内存、缓存、PCIe、散热、稳定性和 AI/LLM 推理。 它同时支持 NVIDIA CUDA 和 AMD ROCm。 我还在探索一个更广泛的应用场景：在 GPU 集群上运行 Pantheon，以识别那些与服务器或集群中其他 GPU 行为不同的单个 GPU。 我特别希望得到运行 AI 基础设施、多 GPU 系统、本地 LLM 或 GPU 云的用户反馈。