最新

我曾考虑使用 Rewind.ai，因为它已经关闭了。在那之后，我发现了 ScreenPipe，我可能会使用它，或者我可能会修改其开源版本，使其更加个性化。 我很好奇大家还用它来做过哪些工具，以及哪些类别的工具最适合开发个性化的人工智能版本，并且最实用。

https://www.bbc.com/news/articles/c36d4376nd2o

标题：Show HN：我们构建了一个开源 USB-C Power Delivery 分析仪和可编程负载端 大家好！我们是 Arbi、Marco 和 Rob，我们构建了 Dr. PD，旨在让 USB-C 电源问题更容易理解。它位于电源和设备之间，捕获并解码它们的 USB-PD 协商过程，并将其与电压和电流测量值相关联。它还可以作为可编程负载端，支持高达 240W 的固定电源、PPS、AVS 和 USB-PD 3.2 EPR。 商业 USB-PD 分析仪的价格通常超出业余爱好者和独立设计师的承受能力。我们的使命是让高质量的测试设备更加普及。Dr. PD 的硬件、固件、软件、库和文档都是开源的。 硬件和软件已准备就绪，所有源代码和设计文件均可在我们的 GitHub 仓库 [1] 中找到。我们还准备通过 Crowd Supply [2] 进行众筹，您可以在那里注册以在产品上市时收到通知。 主机软件在 Chrome 中本地运行，无需驱动程序、账户或云服务。Dr. PD 还支持通过 USBTMC 的 SCPI、Python 和 JavaScript 库、捕获导出以及外部示波器同步。我们有一套完整的文档 [3]，其中包括用户指南、编程参考、交互式原理图和详细的硬件设计说明。 我们很乐意回答您的所有问题！您也可以通过 hello@t76.org 联系我们。 [1] https://github.com/T76-org/drpd [2] https://www.crowdsupply.com/t76-org/dr-pd [3] https://t76.org/drpd/docs

旨在提高编码速度并减少 token 使用量。理论上，大型语言模型（LLM）可以比直接编写代码更快、更省 token 地为确定性本地编码器提供计划，到目前为止，这一理论已经得到了验证。虽然短期内进行修改和教授编码器新的本地技能可能需要时间和 token，但 Sif 会记住新技能，无需重复学习。 名称：Sif 1.0 许可证：Apache 2.0 在 Windows 上开发和测试。 我的大部分测试涉及将 Python 转换为 C++，尽管我也尝试过通用的编码任务。 到目前为止，Python 到 C++ 的转换效果良好。对于前沿模型，大约需要 250-300 个 token 来生成计划，对于闪存开源模型，则需要 400-500 个 token。如果 Sif 之前已经处理过所有要求，则可以一次性完成转换，无需修复。如果您感兴趣，可以在存储库中找到几份测试/基准报告，其中重点介绍了过程中的成功和失败。对于感兴趣的人，我将非常感谢您提供的任何反馈。

大家好，我最近发布了一个名为“Hive for Buzz”的 Buzz iOS 原生客户端的 TestFlight 版本。 我主要想测试一下 Buzz 是否能够完全使用原生方式构建客户端，而无需我修改代码并审查 Buzz 的一切。结果发现，我比官方客户端更喜欢它，哈哈，仅仅是因为原生体验更好，而且它是开源的。这是代码仓库：https://github.com/jtvargas/buzz-ios-client 我的路线图是继续与官方最新版本保持同步，并实现良好的 Siri 意图/设备上的 Apple Intelligence。基本上是想让 Siri 更好地了解我的工作空间，这样在新版本的 iOS 中，Siri 就可以从我与我的代理（agents）进行的工作中获取上下文/参考，也许还可以添加一些通过 Siri 触发工作的意图——我还不确定，需要进一步研究，但目前该应用已经稳定可用，我正在征求反馈意见，谢谢！——我的愿景更像是构建“Apollo for Reddit”，而这个将是“Apollo for Buzz”，哈哈——希望你们喜欢。