一周热榜

我一直在开发 GitGauge，这是一个通过分支比例、观察者参与度和问题活跃度来判断仓库真实性的工具。 我很想听听大家的反馈！ 我最不确定的部分是启发式算法。目前它使用了星标数、分支数、观察者数和开放问题数。我非常想知道大家认为这个算法在哪些方面存在不足，特别是对于小众仓库、老旧仓库或大量使用的内部工具类项目。

Claude 规划、执行，然后使用 Cloudflare 将机密文件推送到生产环境。所有这些都只需 1-2 个提示即可完成。 这是一个从未写过代码的人。我认为市场尚未真正消化这对软件工程师（SWE）产生的影响。

我一直在用“vibe-coding”的方式开发工具来自动化我的咨询工作中的一些环节，结果一头扎进去，开始构建实际的产品。突然间，我进入了一个充满未知之未知和已知之未知的世界。其中一个需要解决的重大问题是理解 LLM 生成的我并不完全掌握的代码。它会触及什么？什么在哪里读写？认证路径是我认为的那样吗？ 于是我构建了 codeflowmap。指向一个代码仓库，它就能绘制出依赖关系和调用图，然后展示文件和函数之间的读/写/认证路径。 连接一个本地模型（Ollama）或任何兼容 OpenAI 的 API，它就会为每个文件添加注释，说明其功能和涉及的数据。除非连接到远程/托管 API，否则一切都在本地运行，并且输出会直接链接到 Obsidian 库。 bunx codeflowmap serve · MIT · 为我而建 期待大家提出让它更有用或更完善的建议。

为 AI 工程师打造的面试准备平台。练习多智能体系统、检索增强生成 (RAG)、向量数据库和生产级 AI 架构等真实问题。