最新

静态站点生成器。构建是事务性的：暂存的输出仅在成功时才会生效，因此损坏的构建永远不会导致线上站点瘫痪。插件在隔离的 Deno 子进程中沙盒运行，所有权限在授予之前都被拒绝。 还具有零配置模式（一个 .md 文件 -> 站点）以及自己的编译模板语言 Tau，支持组件、条件、集合、包含、过滤器和上下文转义。 来源：<a href="https://github.com/stenopress/steno" rel="nofollow">https://github.com/stenopress/steno</a> JSR：jsr:@steno/steno

大家好，我决定制作一个vLLM插件，实现了Star-KV论文中的内容。结果非常令人鼓舞，其解码内核在更高的批量大小下比FA2更快。非常欢迎大家提出任何想法和建议。

最近，我看到有人重新发布了新宿站的 3D 模型，这给了我一些启发。我注意到那个模型缺少了很大一部分“复杂区域”，这里的“复杂区域”是松散定义的，指的是在不走出室外的情况下可以行走的范围。 于是，我让 Claude 制作了一个东京所有火车的 3D 地图，不需要任何库，并且可以缩放到车站。第一个版本同时包含了地图和新宿的复杂区域，大约在 3 小时内就完成了。之后我又花了大约 7 个小时进行了一些我要求的细微调整，才达到了现在的版本。 我知道这些会越来越好，但我认为最让我感兴趣的是它不需要任何库。Claude 可以从头开始编写着色器，它同时支持 WebGPU 和 WebGL，并且通常能写出最优化的解决方案。例如，整个地图/车站/火车是用 5 个绘制调用（draw calls）渲染的。我并没有要求这样做，它自己就完成了。 这个版本有很多不完美之处。大部分问题源于数据本身，或者如何处理提供的数据。例如，据我所知，没有任何数据明确指出“哪些部分构成了复杂区域”。这需要你自己去推导，或者手动编写规则/列表（包含这个，不包含那个）。 总之，我知道不是每个人都对此感兴趣，但我玩得很开心。

您好， 在尝试搭建个人本地 RAG 应用时，我发现需要反复（重新）生成嵌入向量，非常希望能够有预先计算好的嵌入数据集，以便在不同环境中快速调用和使用。 我构建了一个库来测试这个想法：lance-bundle 允许您将预先计算好的嵌入向量与实际的嵌入模型一起打包，这样所有内容都可以从单个文件中加载，并用于对向量进行查询；初始版本使用了 LanceDB + ONNX，以实现低依赖性和快速冷启动的向量查询。 <a href="https://github.com/cloudkj/lance-bundle" rel="nofollow">https://github.com/cloudkj/lance-bundle</a> 在此过程中，我预先计算了一些可能对本受众感兴趣的数据集，并将其作为嵌入向量托管在 Hugging Face 数据集中心，可以直接加载并进行查询： <a href="https://huggingface.co/lance-bundle/datasets" rel="nofollow">https://huggingface.co/lance-bundle/datasets</a> 使用这些数据集，您可以直接加载并运行语义查询来检索最近的文档/嵌入： ```python from lance_bundle import load_dataset bundle = load_dataset("lance-bundle/berkshire-hathaway-letters") bundle.search("What does Warren Buffett think of passive index funds?") ``` 我希望分享出来，看看是否有人觉得它有用，并收集关于它是否对本地优先的 AI 爱好者有意义的反馈。请告诉我您的想法！

有人说“人工智能对现有的技术技能具有放大效应”（https://news.ycombinator.com/item?id=48235526），但对于其他人来说呢？ 技术专业人士和普通劳动者之间的生产力差距正在迅速扩大，而且这种差距与日俱增。尽管我们拥有相同的工具，但聊天界面并不能赋予用户工程师的思维或架构师解决问题的远见。Relevare 的诞生正是为了弥合这一差距，让每一位专业人士都有机会在工作中实现 10 倍的提升。 工作原理： Relevare 可在 Mac 和 Windows 上运行，它会学习用户的角色、目标以及日常工作内容。解决方案架构师和研究代理会分析这些工作流程，找出可以提高用户生产力和成功率的瓶颈和机会。 这可能意味着为使用 Claude 和 LinkedIn 进行客户开发的销售人员提出更好的实践建议，或者为建筑项目经理设计一个自动化流程，以标记进度风险和逾期 RFI（信息请求）。 人工智能并非万能。Relevare 可能会发现需要简化的流程、未被使用的现有功能，或者更适合某项工作的工具。有时，正确的解决方案可能是一个传统的自动化流程、一个定制应用程序，或者一个由人工智能辅助的工作流程。当定制解决方案是最佳选择时，Relevare 可以一键将其发送给 ChatGPT 或 Claude 进行构建（更多集成即将推出）。 我们的目标不是将用户变成“氛围工作者”，将工作交给人工智能而失去所有控制。因此，引入的每一个新工作流程都附带了赋能培训，并持续检查执行任务的最新最佳方法。用户始终掌握着变革的主动权。 由于理解一个人的工作需要大量的背景信息，隐私是我们构建 Relevare 的核心要素。原始屏幕截图会保留在用户的设备上。Relevare 的设计初衷并非用于评估员工表现或让管理者窥探个人活动。当在团队中使用时，公司领导者看到的是汇总的工作流程模式，而不是来自哪个员工。 我们的一些早期用户除了信用卡支付之外，从未进行过任何自动化。我们看到他们开始改进流程，发掘现有工具中的功能，并在适用时有选择地引入自动化和人工智能。 尽管 Relevare 主要面向非技术专业人士，但我们一些最强有力的早期验证来自工程师，他们发现自己的工作也能得到改进。 工作标准的变化速度是我们前所未有的。Relevare 旨在让每个人都有机会跟上步伐，无论其技术背景如何。 我们很乐意听听 HN 的看法。您可以使用您的 ChatGPT 账户免费试用。 https://relevare.tech