最新

大家好，我是来自 Gigacatalyst 的 Namanyay (链接：<a href="https://gigacatalyst.com/">https://gigacatalyst.com/</a>)。Gigacatalyst 允许销售、客户服务和用户构建一次性功能，这样您的 SaaS 就可以支持长尾客户工作流程，并且工程师们不必从路线图中分心。<p>当您向大企业销售软件时，您会意识到每个客户都需要自己的工作流程和功能。传统上，这意味着漫长的工程路线图，或者客户最终使用变通方法。<p>但如果<i>每个人</i>都能通过与 AI 对话来构建他们关键的缺失功能呢？ 这就是我们在 Gigacatalyst 所做的。我们为您的客户、客户服务团队和销售团队提供 AI 定制层，以构建这些缺失的关键工作流程，而无需任何工程师。 想象一下 Lovable，但构建在您的平台之上。<p>我们连接到您产品的 API，学习您的数据模型和设计系统，并允许非技术用户通过自然语言构建受控应用程序——在您的产品内部，在您的品牌下。<p>以下是实际操作的样子：<a href="https://www.youtube.com/watch?v=_taSpSphH6E" rel="nofollow">https://www.youtube.com/watch?v=_taSpSphH6E</a><p>我们的一个客户，一家 B 轮融资公司，看到他们的用户（<i>不是工程师</i>——经理、运营人员、设施主管）构建了关键工作流程，例如：<p>- 零件缺货预防：一位维护经理输入了<i>“根据过去 90 天的使用情况，并考虑供应商的提前期，向我显示哪些零件将在未来 2 周内用完。”</i> 该应用程序跟踪消耗速度，预测缺货，并在为时已晚之前发出警报。 他说这避免了大约 50 万美元的紧急停机时间。<p>- 手机照片的发票 OCR：技术人员不断丢失纸质发票。 提示是：<i>“上传发票照片，提取供应商名称、日期、金额和明细，然后将其与采购订单匹配并标记差异。”</i> 现在，技术人员可以在现场拍照，自动添加到记录系统中。<p>- 餐厅紧急情况分诊：一家披萨连锁店的设施经理淹没在维护请求中。 他构建了一个优先级矩阵：“步入式冰柜不制冷”自动路由为“关键”，“餐厅灯闪烁”转为“低”。 他现在能够以正确的优先级管理积压工作。<p>Gigacatalyst 的幕后工作原理：<p>1. Agentic API 发现：我们的代理会浏览您的应用程序并解析您的端点、查询参数、请求/响应形状和示例数据，以构建基础层。<p>2. 生成和验证：当用户描述他们想要的内容时，我们的 AI 会生成一个应用程序。 我们设置了多个验证步骤，包括静态检查、运行时错误分析和 LLM 充当判断者。<p>3. 沙盒和编译：我们编写了自己的编译和沙盒框架，以获得最快的速度和最低的成本。 这意味着用户可以在几秒钟内与构建的应用程序交互。<p>4. 代理层：我们为所有 API 创建一个代理层，以处理身份验证、租户隔离和速率限制。 代理可以访问的所有内容都受到控制、记录、观察和版本控制。<p>在 2000 多个日常用户、构建了 900 多个应用程序以及 70% 的 30 天留存率之后，我们今天开放了公开演示。<p>试用：<a href="https://app.gigacatalyst.com/">https://app.gigacatalyst.com/</a> - 输入您的 SaaS 产品的 API URL（或只是主页）并开始提示。<p>如果您服务于各种用例，您可能需要处理大量自定义请求，而 Gigacatalyst 将为您节省时间并提高您的利润。 在 <a href="https://gigacatalyst.com/#contact">https://gigacatalyst.com/#contact</a> 预约会议，我将帮助您的团队和客户在您的平台上构建新功能。<p>我从 12 岁起就开始阅读 Hacker News。 我很自豪能为你们所有人发布，我想听取你们对我的产品和评论的反馈！

有人也遇到这种情况吗？连他们的状态页面都打不开了？ https://downdetector.co.uk/status/spotify/ 出现： 错误 503 首字节超时 首字节超时 错误 54113 详细信息：cache-lcy-egml8630041-LCY 1778603283 2551008548 Varnish 缓存服务器

一时兴起做的，因为我觉得在这个大家都说打字/写代码要过时的时代，做一个打字/写代码游戏应该会很有趣。希望大家玩得开心 :p

大家好，我们是 Alex 和 Tyler，Voker.ai（<a href="https://voker.ai/">https://voker.ai/</a>）的联合创始人，Voker.ai 是一个面向 AI 产品团队的智能体分析平台。Voker 能够让你全面了解用户对你的智能体提出了什么要求，以及你的智能体是否满足了这些要求，而无需深入研究日志。我们的主要产品是一个轻量级的 SDK，它与 LLM 栈无关，专为智能体产品而设计。（<a href="https://app.voker.ai/docs">https://app.voker.ai/docs</a>） 智能体工程师和 AI 产品团队无法充分了解生产环境中智能体的性能，这会导致糟糕的用户体验、用户流失，并浪费数百小时的时间进行抽查，以查找和调试智能体配置问题。 演示：<a href="https://www.tella.tv/video/vid_cmoukcsk1000i07jgb4j65u67/view" rel="nofollow">https://www.tella.tv/video/vid_cmoukcsk1000i07jgb4j65u67/vie...</a> 我们最近对 YC 创始人进行了一项调查，超过 90% 的受访者表示，他们知道智能体在生产环境中未能满足用户需求的方式，就是收到客户的投诉。他们会推送一个提示更改，希望它能解决问题，并且不会破坏其他地方的功能，然后这个循环就会重复。 我们看到大量可观测性和评估产品涌现出来，试图解决这些问题，但我们仍然觉得智能体监控堆栈缺少一些东西。可观测性对于单个追踪调试很有用，但只有工程师才能访问。评估对于测试已知问题很有用，但无法提供团队意想不到的趋势见解，因此工程师们总是处于追赶状态。传统的的产品分析工具可以很好地跟踪产品界面的点击量和页面浏览量，但它们并不是为智能体产品从头开始构建的。了解用户希望智能体实现什么，以及智能体是否交付了结果，需要特定的对话智能/非结构化数据处理技术。 我们提出了智能体分析的基本要素，即意图、纠正和解决，来描述几乎所有对话智能体的共同点：用户总是带着一个意图来找智能体，用户可能需要在获得意图解决的过程中纠正智能体，并且希望用户的每个意图最终都能被智能体解决。 Voker 通过自动注释单个对话并提取用户意图和纠正来处理 LLM 调用。Voker 采用这些数据，并使用 LLM 和分层文本分类来创建动态类别，从而提供更高级别的见解，这样你就不必阅读单个对话，就能知道用户的主要使用模式是什么。 我们看到的最常见的替代解决方案是将可观测性日志上传到 Claude 或 ChatGPT，并要求提供摘要见解。这存在一些问题——主要是 LLM 不擅长数学或数据科学，因此你无法获得准确或一致的统计数据。LLM 很有可能过度拟合某些见解，而对其他见解拟合不足。LLM 无法以编程方式读取和分类每个单独的会话或交互。这就是我们没有将 LLM 用于任何核心数据工程（处理事件、计算统计数据）的原因，因此我们生成的分析结果是一致、可重现且准确的。 我们有一个公开可用的、轻量级的 SDK，它用 Python 和 Typescript 封装了对 OpenAI、Anthropic 和 Gemini 的 LLM 调用。Voker 负责数据工程，将原始数据转化为可用的分析基本要素和更高级别的见解。 免费套餐：每月 2,000 个事件，需要注册邮箱。付费套餐起价为每月 80 美元，提供 30 天免费试用。 我们很想听听你目前是如何检测趋势的，如果你尝试了 Voker，请告诉我们你认为我们的分析中哪些部分有价值，以及哪些部分仍然感觉缺失。感谢你的阅读，我们期待你在评论中提出你的想法！