最新

大家好，我是 Arlan，我开发了 Nia (<a href="https:&#x2F;&#x2F;www.trynia.ai" rel="nofollow">https:&#x2F;&#x2F;www.trynia.ai</a>)，一个开放的 MCP，它与 Cursor、Continue 和 Cline 等编码助手集成，使它们能够比现有方法更好地检索外部知识。 编码助手可以很好地生成代码，但在答案超出它们面前的存储库时会失去准确性。开发人员最终需要手动粘贴 GitHub 链接、文档和博客文章，并希望助手滚动足够远。长上下文窗口有所帮助，但最近的“上下文腐败”测量结果表明，质量仍然会随着提示的增长而下降。例如，在 LongMemEval 中，所有模型在聚焦（短而相关）提示（约 300 个 token）上的得分都远高于完整（不相关，113k 个 token）提示，即使在最新模型中，性能差距依然存在 (<a href="https:&#x2F;&#x2F;research.trychroma.com&#x2F;context-rot" rel="nofollow">https:&#x2F;&#x2F;research.trychroma.com&#x2F;context-rot</a>)。 Nia 是一个 MCP，它为任何编码助手或 IDE 提供更多上下文。它索引多个存储库和文档站点，并通过 MCP 将其提供给您的编码助手，以便它有更多上下文可以使用，从而为您提供更具体和准确的答案。 Nia 使用混合代码搜索架构，将基于图的结构推理与基于向量的理解相结合。当摄取存储库或文档时，Tree-sitter 会将其解析为 50 多种语言和自然语言的 AST，并且代码会按函数/类的边界分块成稳定、内容可寻址的单元。这些块存储在图数据库中以模拟函数调用和类继承等关系，以及向量存储中。在查询时，一个带有 give_weight 工具的轻量级助手会根据意图动态分配图搜索和向量搜索之间的权重（例如，“谁调用 X”与“身份验证如何工作”），并且两条路径并行搜索。结果被融合，并用完整的代码上下文进行丰富，并通过多阶段重新排序器：语义重新排序器、交叉编码器、基于 LLM 的验证器。 早期信号：在内部评估中，一旦 Nia 索引了外部文档，Cursor 的性能提高了 27%，而这些文档是模型无法从其训练数据或网络搜索中获取的。 快速入门：&lt;<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=5019k3Bi8Wo" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=5019k3Bi8Wo</a>&gt; 演示：&lt;<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=Y-cLJ4N-GDQ" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=Y-cLJ4N-GDQ</a>&gt; 要试用它：在 <a href="https:&#x2F;&#x2F;app.trynia.ai&#x2F;" rel="nofollow">https:&#x2F;&#x2F;app.trynia.ai&#x2F;</a> 上获取 API 密钥，并按照 <a href="https:&#x2F;&#x2F;docs.trynia.ai&#x2F;integrations&#x2F;nia-mcp" rel="nofollow">https:&#x2F;&#x2F;docs.trynia.ai&#x2F;integrations&#x2F;nia-mcp</a> 上的说明进行操作。 试用并破坏它！我很想知道您的助手仍然错过了哪些上下文。边缘情况、延迟问题、扩展错误。我 24/7 在线。 谢谢！

大家好，HN，我们最近卖掉了之前的产品，目前正在开发新的想法。这次可能是我们发现的 AI 产品中最令人兴奋和被忽视的增长机会： TLDR：我们构建了一个用于分析和探索用户提示的工具——这样您就可以真正了解用户如何与您的 AI 产品交互，并比较不同细分市场（语言、付费与免费等）的行为。 如果您习惯使用 Mixpanel / Amplitude / PostHog 来分析用户行为，您可能会注意到当您的产品只是一个聊天框（或语音界面）时，它们变得多么不相关。那是因为在 AI 时代，您不需要按钮事件——您需要分析大量的文本语料库。 为了解决这个问题，我们构建了我们称之为 GenAI 应用的 Mixpanel——一个 NLP 工具，用于大规模分析和探索您的用户聊天记录。 我们已经可以做到： 1⃣ 多层语义聚类（查看所有主题的全貌并深入研究） 2⃣ 过滤器和分组（比较不同语言、人口统计、免费/付费等之间的使用情况） 3⃣ 潜在空间探索 4⃣ 提示的语义搜索 5⃣ 主题和代币使用情况细分 6⃣ （即将推出）随时间的趋势和受众漂移 因此，您可以回答以下问题： - 我的应用程序的主要用例是什么？ - 付费最多的用户做什么？ - 花费时间最多的用户做什么？ - 我错过了哪些安静的受众和用例？ - 不同语言的用户模式有何不同？ - 我们可以吸引哪些新受众？ 请查看链接以获取屏幕截图和开始使用的说明！ 欢迎任何反馈（如果负面，我不会说我不会哭）

市面上有很多商业的 YouTube 视频总结工具，但我找不到一个真正符合我需求的开源版本。因此，我构建了 YouTubeTLDR：一个简单、可自托管的解决方案，它使用 Gemini API，而且没有太多冗余功能。<p>我采用了同步方法 + 线程，这与 Tokio 形成了很好的对比。<p>它需要你自带 API 密钥，但每次请求都会将密钥发送到服务器，这可能是我未来需要修改的地方。<p>可以在 <a href="https://youtubetldr.onrender.com/" rel="nofollow">https://youtubetldr.onrender.com/</a> 上找到演示。