最新

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！

Hi HN， 我想分享一个我一直在开发的项目，名为 Genesis。它是一个用 Go 编写的命令行工具，旨在统一开发者启动和管理项目的方式，无论使用什么编程语言或框架。 主要的动机是希望拥有一个统一、一致的界面来执行常见任务。不用再为不同的项目同时使用 npm run、make、rake 或 shell 脚本，你只需要使用 genesis run <task>。 主要特性： * 项目脚手架：从任何包含 template.toml 文件的 Git 仓库初始化新项目。你可以创建自己的模板或使用现有的模板。 * 任务运行器：在本地 genesis.toml 文件中定义和运行常见任务，如构建、测试或代码检查。 * 语言无关性：适用于 Go、Rust、Python、Node.js 或任何其他技术栈。 * 单一二进制文件：它是一个单一的、可移植的二进制文件，没有外部运行时依赖。 我刚刚完成了第一个版本，并有一个路线图，其中包括 TUI 和一个插件系统。我正在寻求社区对这个概念和执行的反馈。 你可以在这里查看项目及其源代码：[https://github.com/felipevolpatto/genesis](https://github.com/felipevolpatto/genesis) 感谢您的关注

我创建了 cmd-stream-go，这是一个基于命令模式的高性能客户端-服务器库，其中命令是“一等公民”。 为什么要围绕命令构建？作为可序列化的对象，它们可以通过网络发送和持久化。它们还提供了一种通过组合来建模分布式事务的清晰方式，并且自然地支持撤销和重做等功能。这些特性使它们非常适合在分布式系统中实现 Saga 等一致性模式。 在性能方面，发送命令涉及的开销很小——只需要传输其类型和数据。在专注于原始吞吐量的基准测试中（使用 1、2、4、8 和 16 个客户端在简单的请求/响应场景中测量），<i>cmd-stream/MUS</i>（<i>cmd-stream/Protobuf</i>）比 <i>gRPC/Protobuf</i> 快约 3 倍（2.8 倍），其中 <i>MUS</i> 是一种针对低字节使用率优化的序列化格式。这种加速在处理高吞吐量系统或试图从有限资源中榨取更多性能时，可以带来真正的改变。 通过将命令置于传输层，cmd-stream-go 避免了在通用 RPC 或 REST 之上分层命令逻辑的额外复杂性。 权衡：它目前仅支持 Go 语言，并且由单个开发人员维护。 如果您有兴趣探索更多，可以查看 cmd-stream-go 存储库（<https://github.com/cmd-stream/cmd-stream-go>），查看性能基准测试（<https://github.com/ymz-ncnk/go-client-server-benchmarks>），或阅读关于命令模式及其如何在网络上应用的系列文章（<https://medium.com/p/f9e53442c85d>）。 我很乐意听取您的想法——特别是您认为此模型可以发挥作用的地方、任何生产方面的担忧、您在实践中看到的类似模式或工具。 欢迎通过 Gophers Slack 上的 <i>ymz-ncnk</i> 联系我，或关注 <https://x.com/cmdstream_lib> 以获取项目更新。

嗨 HN， 我开发了 Giti，一个命令行工具，它使用快速的本地语言模型（Qwen2.5-Coder，约 1 GB）将纯英语转换为实际的 Git 命令。 示例： 输入： giti "撤销上次提交" 输出： git reset --soft HEAD~1 设置完成后无需互联网。 无需 API 密钥。 你也可以在交互式 shell 中运行它，自然地链式执行命令。 主要功能： - 自然语言到 Git 转换 - 由 Qwen2.5-Coder 提供支持的本地 LLM，采用 GGUF 格式 - 模型下载后完全离线工作 - 试运行模式，在运行前预览命令 - 交互式 shell 模式，用于基于会话的工作流程 - 上下文文件支持，教 Giti 你的自定义 Git 习惯 快速安装： - 克隆仓库 - 安装 llama-cpp-python - 将 giti 添加到你的 PATH - 从 HuggingFace 下载 1GB 模型 - 运行 giti "你的查询。" 你还可以使用 Q&A 格式的上下文文件来提高其准确性，例如： 用户：如何开始新功能？ 机器人：git checkout main && git pull && git checkout -b feature/<name> 这让 Giti 能够学习你的工作流程并生成特定于项目的 Git 命令。 感谢你的关注。