最新

大家好，我是作者。在评论区淹没我之前，先快速带大家了解一下。 StuntAPI（命令行用户可以叫它 `stunt`）可以运行本地、有状态的公共 API 替代品，用于你的代码进行交互。 通过 `brew install --cask stuntapi/tap/stunt` 安装，然后运行 `stunt demo`，你就可以在一个本地端口上获得一个类似 Stripe 的模拟环境，并且它打印出来的 `curl` 命令是真正有效的： 创建一个支付，然后列出它（支付是存在的——状态在请求和重启之间持久化），进行捕获，然后观察签名的 webhook 发送到本地的接收器。所有这些都是模拟的，完全离线，无需 Stripe 账户。 我为什么构建它：我花了二十多年时间集成他人的 API——在伦敦的商品交易和市场数据、金融科技、支付、区块链 RPC 基础设施——而测试体验从未真正改善过。沙盒账户、CI 中的真实密钥、速率限制、因为模拟器行为与真实情况不符而导致的测试套件不稳定。 WireMock/Prism/MSW 在静态和基于模式的模拟方面做得很好；我一直想要的是一个可运行的替代品——能够创建、列出、修改、处理 webhook、处理认证过期、游标分页、状态机——而无需自己编写所有这些。所以：我构建了 95 个适配器（Stripe、Twilio、GitHub、S3、Salesforce 等），每个适配器都由 YAML + 沙盒化的 Starlark 处理程序 + 模拟数据组成。 我真正希望大家挑刺的部分是：适配器运行在一个 Starlark 虚拟机中，没有主机 I/O 或网络访问——这是它安全地允许你 `stunt catalog add` 陌生人适配器的属性，就像你安装 npm 包一样。状态存储在引擎原语中（SQLite 集合、键值存储、Blob 存储、HMAC 令牌、带有真实提供商签名方案的 webhook 发射器），并且一切都是确定性的——可注入的时钟、种子随机数生成器。 是的，这在测试中当然效果很好。 为了保持适配器的准确性，CI 使用真实的提供商 SDK 来测试它们：stripe-go、aws-sdk-go-v2（真实的 SigV4）、go-github、twilio-go、go-shopify，以及 Node 三巨头（stripe-node、octokit、twilio-node）通过实际的二进制文件。 这仅仅是个开始，如果反响不错，我们会看到越来越多的适配器。目前我只会继续添加我个人使用的那些。 这个测试框架发现了真实的 Bug：Stripe 的金额字段返回为 JSON 字符串（类型化的 SDK 会直接拒绝响应），GitHub 的分页 Link 头指向了生产环境——octokit 直接跟随它们访问了真实的 api.github.com。 诚实的限制：适配器是非官方的，并且根据保真度进行了排名，并非 API 完全覆盖；我宁愿专注于真实集成实际使用的流程，而不是勾选每一个端点。目前 Windows 的安装方式是脚本安装，而不是默认的 winget 源。如果你集成的 API 缺失，`stunt adapter import openapi|har|proto` 可以生成一个骨架——欢迎提交 PR。文档地址：[https://stuntapi.com](https://stuntapi.com) 第 96 个适配器应该是哪个？我是 Alessandro（[https://polymatto.com/about](https://polymatto.com/about)，X 上的 @polyMatto）——一个有二十多年经验的工程师，从意大利到伦敦，现在在远离喧嚣的地方抚养我的年幼的家庭，尽可能地被树林和/或海滩环绕，从交易大厅到 Web3 基础设施，以及介于两者之间的一切，现在我将我的开源时间用于指导各种雄心勃勃的项目中的“clankers”（指那些不那么令人兴奋但有用的东西），不，这个项目一点也不雄心勃勃，它只是有用，而且我预计它会在这里“扑街”，因为这真的是我的第一篇帖子。我知道，我应该感到羞愧！ 但更多内容即将到来，wintty 可能会是我的下一篇帖子。敬请期待！ 我很乐意回答任何问题，并接受大家可能会扔给我的、但希望是新鲜的虚拟番茄。 再见！

在Slack、Zoom和异步通知不间断的情况下，保持深度工作不受干扰可能很困难。哪些策略最适合你的工作流程？

各位 HN 用户，我是 Yashu，我一直在开发 Ninethirty。 问题所在：我进行自己的研究，会打开各种标签页来筛选、查看图表、财务数据等；然后还有一个聊天窗口，我会把数字粘贴进去，让 LLM 进行推理和分析。 我们开发了 NineThirty 来解决这些问题中的一些： * 一个深入且真正可定制的筛选器——在同一个查询中包含基本面、技术面、新闻和事件标准，而不是三个独立的工具。此外，问题不止于筛选——（几乎）即时回测，以了解历史上哪些股票符合筛选条件及其表现。 * 公司财务、行业视图、热力图、事件、季节性等，这些都是常规内容。 * 一个 AI 助手（Dr Market），它建立在经过精心整理和处理的数据层之上。使用它来验证一个设置，它将基于实际的实时技术指标进行工作，而不是一个听起来合理的重建。这并不能消除幻觉。希望当 Dr. Market 出错时，它是对数据解释不当，而不是捏造数据本身（或引用错误来源）。 尚处于早期阶段：目前仅覆盖美国股市，存在一些我已知和可能未知的粗糙之处。它进行分析；不提供建议，也不构成咨询。在弄清楚运营成本以及哪些功能真正值得付费之前，将免费提供。 我最希望从 HN 获得的是，请尝试“击破”Dr. Market？问它一个你已经知道答案的问题，并告诉我它哪里错了。如果筛选器无法表达你实际想要运行的筛选条件，那将是我最想要的反馈。 谢谢！

大家好， 我的应用 LumoTray 现已在 macOS 上推出。 LumoTray 是一款多显示器壁纸、屏幕保护程序和锁屏管理器，内置自定义菜单构建器和热角功能。 我开发 Windows 版本已经有几年了，于是决定尝试看看是否能在 macOS 上实现类似的功能。 结果比我预期的要好得多，在功能和用户界面上几乎与 Windows 版本保持一致。 尽管如此，由于我无法接触到很多 Mac（或不同的 macOS 版本），因此该版本将以 Beta 版发布，直到有更多的实际使用反馈。 更多信息和 macOS 及 Windows 版本的下载链接，请访问：https://lumotray.com 欢迎任何反馈。 祝好！

通过 REST、GraphQL 或 MCP 构建，利用可靠的亚马逊产品、搜索、报价、评论、卖家、品类、促销和估算数据。