最新

嘿，HN，我们刚刚发布了 Hebo Gateway 的 v0.1 版本。<p>市面上已经有很多网关了，但我们一直遇到同样的问题：一旦你需要真正的定制化（身份验证、路由、速率限制、可观测性、请求/响应转换），大多数“现成”的网关就很难扩展了。<p>Hebo Gateway 适用于你希望网关成为你应用一部分的情况。你可以独立运行它，或者将其嵌入到现有的后端中。它公开了与 OpenAI 兼容的端点（/chat/completions、/embeddings、/models），与任何 Vercel AI SDK 提供商配合使用，并添加了一个钩子系统，因此你可以在不分叉核心的情况下将逻辑插入到请求生命周期中。<p>快速入门、示例和“下一步”都在文章中： <a href="https:&#x2F;&#x2F;hebo.ai&#x2F;blog&#x2F;260127-hebo-gateway" rel="nofollow">https:&#x2F;&#x2F;hebo.ai&#x2F;blog&#x2F;260127-hebo-gateway</a><p>我很乐意听取关于你遇到的 OpenAI 兼容性边缘案例的反馈（特别是与流式传输和推理相关的内容），以及你希望网关开箱即用提供哪些钩子。

嘿 HN， 我是一名从物理学家转行到量化领域的工程师。我和一些朋友“构建”了 SymDerive，因为我们想要一个从设计上就“原生支持 Agent”的符号数学库，同时仍然是一个对人类来说实用的工具。 它归结为两个主要目标： 1. Agent 可靠性：我发现，当 AI agents 坚持使用无状态的、函数式管道（Lisp 风格）时，它们编写的代码会更加可靠。这可以防止它们产生状态变化的幻觉，或者在冗长的程序脚本中迷失方向。我想要一个默认情况下强制执行“输入 -> 转换 -> 输出”流程的库。 2. 简化向 Python 的过渡：对于许多物理学家来说，Mathematica 是他们的母语。我希望有一种方法来简化这种过渡——提供一个桥梁，保持熟悉的语法（CamelCase、Sin、Integrate），同时严格使用 Python 科学栈。 我构建了什么：它是一个围绕标准栈（SymPy、PySR、CVXPY）的函数式封装，对于任何喜欢基于管道的工作流程的人——无论是人类还是 agent——来说，它都可以作为一个独立的引擎使用。 ```python # “管道”方法（对 agent 来说更简洁，对人类来说可读） result = ( Pipe((x + 1)**3) .then(Expand) .then(Simplify) .value ) ``` “Vibes”特性： Wolfram 语法：Integrate、Det、Solve。如果你懂数学，你就懂 API。 模块化：繁重的功能（符号回归、凸优化）是可选安装的（\[regression]，\[optimize]）。除非你要求，否则它不会让你的 venv 膨胀。 物理学相关内容：我添加了我实际使用的工具——用于广义相对论的抽象指标记号、用于因果模型的 Kramers-Kronig 等。 它绝对是主观的，但如果你正在构建 agent 来进行严谨的数学运算，或者只是想为自己的研究提供一个熟悉的函数式接口，这可能会有所帮助。 我发现编排器（Claude Code 等）非常擅长学习这些工具并将任务发送给正确的角色，我们对它的效果感到惊讶。 Repo 地址：https://github.com/closedform/deriver 如果被吐槽得太狠，我会哭的。

我构建了 PolyMCP，目的是为了让将现有函数暴露为 MCP 工具变得轻而易举，无需重写逻辑或添加大量粘合代码。 目标：获取“普通”的 Python 或 TypeScript 函数，并立即让它们可供 MCP 客户端（Claude Desktop、代理、Ollama 等）使用。 Python 示例 ```python from polymcp.polymcp_toolkit import expose_tools def greet(name: str) -> str: """打招呼。""" return f"你好，{name}！" def add(a: int, b: int) -> int: """加两个数。""" return a + b app = expose_tools([greet, add], title="我的 MCP 工具") ``` 运行方式： ```bash uvicorn server:app --reload ``` MCP 端点出现在： * /mcp/list\_tools * /mcp/invoke TypeScript 示例 ```typescript import { z } from "zod"; import { tool, exposeTools } from "polymcp"; const uppercaseTool = tool({ name: "uppercase", description: "将文本转换为大写", inputSchema: z.object({ text: z.string() }), function: async ({ text }) => text.toUpperCase(), }); const app = exposeTools([uppercaseTool], { title: "文本工具" }); app.listen(3000); ``` 更多“真实”示例（Python） ```python import pandas as pd from polymcp.polymcp_toolkit import expose_tools def calculate_commissions(sales_data: list[dict]): df = pd.DataFrame(sales_data) df["commission"] = df["sales_amount"] * 0.05 return df.to_dict(orient="records") app = expose_tools([calculate_commissions], title="业务工具") ``` 您将获得 * 以最小的改动重用现有代码 * MCP 兼容（Claude Desktop、代理、Ollama 等） * 支持 HTTP、stdio 和 WASM * 自动输入验证 * 基本的生产特性（预算、重试、编辑、日志） * 用于测试和监控的内置检查器 安装 * Python：pip install polymcp * TypeScript：克隆仓库 → cd polymcp-ts → npm install → npm run build 仓库： [https://github.com/poly-mcp/Polymcp](https://github.com/poly-mcp/Polymcp) 很好奇，如果这么容易，人们会首先暴露什么样的函数。 非常欢迎反馈。

嘿，HN， 在2014年的一块报废硬盘上，曾经存着我写过的最好的东西。我不记得具体内容了，只记得当时的感觉。 那是让我不断回想起的时刻。不是我决定构建这个东西的时候——那是在后来——而是它背后的原因。十年创作音乐意味着十年散落的项目文件、报废的硬盘、名为“旧东西请勿删除”最终还是被删除的文件夹。 所以我构建了ScratchTrack。一个DAW（数字音频工作站），其中一切都经过版本控制。每一次编辑，每一次录音，每一个在你改变主意之前走过的分支。我深入研究了它的架构——事件溯源、内容可寻址存储、正确的提交历史。我希望它成为我曾经希望拥有的东西。 我上个月发布了它。在几个地方发了帖子。告诉了一些人。 很安静。只有少数人注册。没有进展。 我以为我会很沮丧。我投入了那么多。但今天早上我打开它来处理一些新的东西，意识到——我只是喜欢使用它。我的项目是安全的。历史记录都在那里。我为自己构建的东西确实对我有效。 所以我会继续构建它。如果一些在创作过程中丢失过歌曲的人发现它有用，那就是我的梦想。如果不是，它仍然是我的，而且它仍然存在。

大家好， 我希望找到一种可靠的方法来跟踪我的收据，而无需将它们保存在盒子里，所以我找到了 paperless - 但现有的 paperless AI 项目并没有真正将我的收据转换为可用的数据。 所以我创建了 nutlope 的 receipthero 的一个分支（实际上它是一个完全重写的版本，唯一保留的是系统提示）。 这个项目的目标是成为一个一站式解决方案，用于自动检测已标记的文档并使用模式定义将其转换为 JSON - 这包括发票，... 我现在想不出其他的了，也许你能想到？如果你有想法，请为此创建一个 issue！ 感谢您的任何反馈/问题！ （附注：我确保了它可以通过 dockge/基本的 docker-compose.yml 轻松设置） 仓库：[https://github.com/smashah/receipthero-ng](https://github.com/smashah/receipthero-ng) 教程：[https://youtu.be/LNlUDtD3og0](https://youtu.be/LNlUDtD3og0)