一周热榜

我制作这个程序，是因为我想要一个数字版的《易经》，它能够忠实于原版的数学原理，而不是简单地使用 Math.random() 函数。<p>对于感兴趣的技术细节：<p>这个模拟程序遵循传统的蓍草占卜法（大衍筮法）。该算法的核心是基于随机分取后剩余蓍草的模 4 运算。<p>为了使其更具物理真实感，我使用了 Box-Muller 变换来模拟用户分取蓍草的过程，采用高斯分布（因为人们自然倾向于在中间分取），而不是均匀随机分割。<p>我担心这种“人为偏差”可能会扭曲模运算的概率，因此我进行了一百万次的蒙特卡罗模拟来验证。<p>结果：余数 [0,1,2,3] 仍然以接近完美的 25% 的分布出现（偏差 &lt; 0.05%）。<p>因此，这个应用程序模拟了人类不完美的分取过程，同时保留了概率分布的数学完美性（其中老阴的概率是 1/16）。<p>技术栈：Next.js + Tailwind css<p>很乐意回答关于数学或卦象的任何问题！

在任何 URL 前面加上 tomcp.org/，即可立即将其转换为 MCP 服务器。<p>你可以直接与页面聊天，或者将配置添加到 Cursor/Claude 中，将网站/文档直接导入你的上下文。<p>为什么选择 MCP？使用 MCP 比直接抓取或复制粘贴更好，因为它会将页面转换为干净的 Markdown 格式。这有助于 AI 更好地理解结构，并显著减少 token 的使用。<p>工作原理：它是一个代理，用于获取 URL，删除广告和导航，并将干净的内容作为标准的 MCP 资源公开。<p>仓库：<a href="https://github.com/Ami3466/tomcp" rel="nofollow">https://github.com/Ami3466/tomcp</a>（灵感来源于 GitMCP，但适用于通用网络）

嗨，独立黑客们！ 我们正在构建 Kinkora，一个创意平台，将多个图像和视频 AI 模型整合到一个地方，用于实验和创作。 像许多创业者一样，我们发现自己为了测试不同的模型或创意方向，不得不频繁地切换工具。每个平台似乎都局限于单一的工作流程或用例。所以我们决定构建一个更模块化、更具探索性、更以创作者为中心的平台。 Kinkora 专注于： * 支持流行的生成模型 * 让实验变得快速而有趣 * 为创意社区奠定基础，而不仅仅是一个生成器 我们的长期目标不仅仅是“生成内容”，而是创建一个让创作者可以玩耍、迭代和发现新想法的地方，随着模型和技术的不断发展。 我们还处于早期阶段，正在积极迭代，非常希望得到来自其他独立创业者的反馈，关于： * 功能方向 * 社区机制 * 对创作者友好的工作流程 很乐意回答任何问题。

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。