最新

大家好，HN！我们是来自新加坡国立大学（本科生 + 博士生）的小团队。PaperDebugger 最初是一个研究项目，后来发展成一个开源工具，可以直接集成到 Overleaf 中，作为学术写作助手。它提供 LaTeX 感知的调试、审稿人风格的反馈和有针对性的修订建议，无需离开编辑器，非常适合已经在 Overleaf 上撰写和协作项目的用户。 在上周，一个小规模的 Beta 版本获得了超出我们预期的关注。它远非完美，但由于已经有人开始试用，我们决定更广泛地分享它，并优先考虑稳定性和可靠性，以及比原计划更早地收集反馈。 无需注册：安装 Chrome 扩展程序后，它会立即附加到您的 Overleaf 项目。您可以突出显示任何部分并接收特定建议、问题报告或多步骤修订过程。在后台，它会读取您的项目结构，并由我们基于自定义 MCP 的编排引擎提供支持，该引擎模拟“研究 → 批判 → 修订”的工作流程，而不是单个聊天提示。 试用一下： Chrome 扩展程序（Overleaf 集成）： [https://chromewebstore.google.com/detail/paperdebugger/dfkedikhakpapbfcnbpmfhpklndgiaog](https://chromewebstore.google.com/detail/paperdebugger/dfkedikhakpapbfcnbpmfhpklndgiaog) 登陆页面（演示 + 概述）： [https://www.paperdebugger.com/](https://www.paperdebugger.com/) 我们正在寻找什么： * Overleaf 嵌入式工作流程是否真的比复制/粘贴 LLM 编辑更有用 * 关于 Overleaf 编辑器内 UX 和交互的看法 * 任何担忧，例如关于隐私或扩展行为（我们已发布相关政策） * 有助于会议/期刊投稿的功能请求（我们目前正在开发格式化程序、引用验证器） 对于对促使该系统产生的技术细节和研究背景感兴趣的读者，这里是论文的链接：[https://arxiv.org/abs/2512.02589](https://arxiv.org/abs/2512.02589) 很乐意回答有关架构、MCP 设计、提示或任何其他问题的提问。

我和朋友 (@finnvoid) 聊了聊，想看看怎么能让他们在日本更容易地练习平假名和片假名的阅读。在用 Gemini 快速构思了一些基本想法后，他们就着手行动，构建了“Jordle”，一个类似 Wordle 的工具，来帮助他们（以及你）学习你的注音假名。<p>玩法很简单，你的目标是将显示的字符音译成罗马字（罗马拼音）。可以选择两种字符集（平假名和片假名）或同时选择两者进行练习。<p>数据保存在本地设备上，所以速度很快，而且在技术上可以离线使用。<p>如果大家有任何问题或评论，我们可能会在评论区里待一会儿！

大家好，我是 Jacek，这个项目（Lustra）的独立创始人。<p>问题：95% 的立法无人问津，因为原始法律文本难以理解。媒体报道侧重于煽动情绪，而非深入分析。<p>解决方案：我构建了一个数字公共基础设施，它：<p>1. 摄取 &amp; 净化：从美国和波兰的 API 解析原始法案（PDF/XML）。使用 LLM（Vertex AI，temp=0，严格的 JSON）来去除政治色彩。<p>2. 公民算法：主信息流不是由编辑委员会排序的，而是由用户投票（“影子议会”）排序的。社区关注的内容会排在前面。<p>3. 公民项目：一个公民立法的孵化器。用户提交草案（例如我们的《人类保护法》），这些草案会经过 AI 评分，并与政府法案并排显示，视觉上保持一致。<p>技术栈：<p>前端：Flutter（Web & 移动端 Monorepo），<p>后端：Firebase + Google Cloud Run，<p>AI：Vertex AI (Gemini 2.5 Flash)，<p>许可证：PolyForm 非商业许可——源代码可供检查、学习和非商业公民使用。商业用途需要单独的协议。<p>我正在寻找贡献者。目前已上线美国和波兰，欧盟、英国、法国、德国正在开发中，部分可用。我需要帮助为其他议会构建数据适配器（核心逻辑与国家无关）。如果您想帮助审计代码或添加国家/地区，请查看存储库。目标是在现有资金的支持下尽可能完善数据库。<p>应用链接：<a href="https:&#x2F;&#x2F;lustra.news" rel="nofollow">https:&#x2F;&#x2F;lustra.news</a><p>代码库：<a href="https:&#x2F;&#x2F;github.com&#x2F;fokdelafons&#x2F;lustra" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;fokdelafons&#x2F;lustra</a><p>开发日志：<a href="https:&#x2F;&#x2F;lustrainitiative.substack.com" rel="nofollow">https:&#x2F;&#x2F;lustrainitiative.substack.com</a>

嘿，HN，我是作者。<p>我构建 Misata 是因为现有的工具（Faker，Mimesis）虽然擅长生成随机行，但在处理关系完整性或时间完整性方面却表现不佳。我需要为仪表盘生成数据，其中“工时表”必须发生在“项目开始日期”之后，并且我希望通过自然语言来定义这些规则。<p>工作原理： LLM 层：使用 Groq/Llama-3.3 将“故事”解析成 JSON 模式约束配置。<p>模拟层：使用向量化 NumPy（无循环）生成数据。它构建了一个表组成的 DAG（有向无环图），以确保子行在父行存在之前不会被创建（引用完整性）。<p>性能：在我的 M1 Air 上，每秒生成约 25 万行数据。<p>目前还处于早期 Alpha 阶段。“图表逆向工程”（描述一个图表 -> 获取数据）功能还在实验阶段，但对于简单的曲线图已经可以工作了。<p>pip install misata<p>我非常希望得到关于 simulator.py 架构的反馈——目前我将数据保存在内存中（Pandas），这在生成约 1000 万行数据时会达到上限。 正在考虑下一步转移到 DuckDB 进行外核生成。有什么想法吗？

我们正在构建 Largemem (<a href="https:&#x2F;&#x2F;largemem.com" rel="nofollow">https:&#x2F;&#x2F;largemem.com</a>)，这是一个共享知识库，供团队上传和维护一组通用文档（PDF、扫描件、音频），并通过对话方式进行查询。<p>每个团队都有自己的持久性知识库。我们将内容解析成块，提取实体，并将向量搜索与轻量级知识图谱相结合，以便答案能够跨多个文档以及团队的共享上下文综合信息，而不仅仅是检索孤立的片段。<p>我们非常希望听到您的反馈！

我目前用 gpt-5.1-codex-max 编写代码，用起来很顺手，有时候会达到每周的额度上限（但通常用一些额外的额度就能解决）。 我听说 Opus 4.5 在代码编写方面可能更好。SWE-bench 测试显示它有 8% 的提升，但我很难想象这在实际应用中会带来什么影响。对于已经切换到 Opus 4.5 的人来说，你们看到了哪些变化？它对你们的工作有什么影响？每月 100 美元的升级值得吗？

您好， 我创建了 weekinpapers.com，旨在解决我所看到的计算机科学领域 arXiv 论文的“可发现性”问题。 随着日历周的推进，主页将更新，以显示新发表的论文。这个过程将在下周重新开始。 每个条目都包含一个 AI 生成的“通俗易懂”的摘要，旨在消除神秘感，并明确任何关键词或假设的知识。我认为这是 LLM 的一个有效用例。希望尖端研究能够被更广泛的受众所接受。 Matt

我是一名曾经的系统架构师（思科/VMware），现在在泰国从事构建工作。TheAuditor v2.0是对我三个月前发布的原型进行的一次全面架构重写（800+次提交）。 对我来说，“顿悟”时刻并非来自成功，而是源于一次巨大的失败。我曾尝试使用AI来重构一个复杂的模式更改（从“Products”到“ProductsVariants”的基础性更改），但由于其范围之大，最终彻底失败。我意识到两件事： * **上下文崩溃：** AI无法在其上下文窗口中保留足够多的文件，以理解重构的全部范围，因此开始产生幻觉，"修复"一些表面问题。如果我继续施压，它会直接陷入恐慌，编造问题“以便能够解决它们”，这只会导致情况陷入恶性循环。这就是这个工具的“反派起源故事”。:D * **知识陈旧：** 它一直试图在一个Node 22项目中实现Node 16的模式，或者默认使用过时的库（比如glob v7而不是v11），因为它训练的数据已经过时。 我意识到，AI代理在输出可运行的代码方面非常出色，但它们对代码一无所知。它们优化的是“不惜一切代价让它运行”——通常通过引入安全漏洞或技术债务来绕过错误。这是一个有趣的悖论，因为当被“逼到墙角/被迫”使用前沿版本、语法和最佳实践时，它在执行或编写代码方面没有任何问题。然而，它对周围环境的认知是如此可笑地缺乏，除非受到明确的看护，否则它会做任何其他事情。 我构建了v2，使其成为解决许多这些问题的“健全性检查”，并旨在继续解决我面临的相同和类似问题。TheAuditor没有让AI去猜测，而是将整个代码库索引到一个本地SQLite图数据库中。这为AI提供了一个可查询的现实地图，允许它验证依赖关系和导入，而无需将“所有”文件加载到上下文中。 A/B演示：[https://www.youtube.com/watch?v=512uqMaZlTg](https://www.youtube.com/watch?v=512uqMaZlTg) 正如在演示视频中看到的那样，它现在可以运行“aud explain”并获得500行确定性的“仅事实”信息，而不是试图读取10多个完整文件和/或使用grep来弥补幻觉。它只获取它需要查看的内容，而不是读取10多个文件，试图将它们保留在上下文中，找到它正在寻找的内容，并试图记住它最初为什么要寻找。 我还了解到，正则表达式/字符串/启发式方法根本无法扩展，而且非常缓慢（数小时 vs 数分钟）。我尝试了基于正则表达式的规则/解析器方法，但它们在复杂文件上总是默默地失败，并且受到持续的限制（最糟糕的问题是必须为每组规则读取所有文件）。我放弃了这种方法，并构建了一个“三重录入保真度”系统。 现在，该工具就像一个账本：解析器发出清单，数据库发出收据。如果它们不匹配，系统会故意崩溃。 它不再仅仅是一个扫描器；它是一个护栏。在我的日常工作流程中，在AI（我选择的是CC/Codex）针对我目前面临的任何问题陈述运行预先调查之前，我不会让AI编写一行代码。这确保了它基于事实，而不是推断假设，或者更糟的是，幻觉。 话虽如此，我的工具并不完美。为了支持这一切，我不得不为Python/JS/TS构建一个伪编译器，这意味着为每个框架、每个语法——实际上是所有内容——准备提取器。有时我无法正确处理，有时我可能没有足够的时间来构建它以支持所有内容。 因此，我的建议是将该工具与您选择的AI代理集成，而不是将其视为您（人类）的工具。我喜欢将该工具用作“确认或否认”，其中AI运行该工具，在源代码中进行验证，并提供预实施审计。基于该审计，我将创建一个“aud planning”。 v2.0中的一些主要里程碑 * **混合污点：** 我扩展了Oracle Labs的IFDS研究，以跟踪跨微服务边界的数据流（例如，React fetch → Express中间件 → 控制器）。 * **三重录入保真度：** 这适用于每一层（索引器 -> 提取器 -> 解析器 -> 存储）。每个步骤都有协同工作的保真度检查。如果管道中的任何地方出现静默数据丢失，该工具会故意崩溃。 * **图数据库：** 从基于文件的解析迁移到SQLite图数据库，以处理正则表达式遗漏的复杂关系。 * **范围：** 增加了对Rust、Go、Bash、AWS CDK和Terraform的支持（v1仅支持Python/JS）。 * **代理功能：** 增加了规划和重构引擎，允许AI代理不仅扫描代码，而且安全地规划和执行架构更改。