WeWorkBuddy

Home / Browse

All stories

Browse every indexed public story, including items outside the main categories.

7967 public stories

V2EX ·

[分享创造] 分享一个个人开发者开发的 AI 纹身设计工具

大家好，最近做了一个 AI 纹身设计网站： createaitattoo.app 。 想解决的需求很简单：想纹身的人，往往有一个模糊的想法，但不太容易把它表达成具体的图案。搜参考图能找到不少好看的作品，要找到符合自己想法的，又得翻很久。 所以做了这个工具，可以用文字描述想法，生成纹身设计参考。希望能让“脑子里有个想法”到“拿着图和纹身师讨论”这一步更容易一些。最终怎么调整、适不适合纹在身上，还是需要和专业纹身师沟通。 目前是我自己开发和维护，已经上线，接下来准备开始推广。付费采用一次性购买积分的方式，没有订阅，也不会自动续费。 发到 V2EX ，想听听大家的真实反馈：如果你正在考虑纹身，这样的工具能帮到你吗？从生成一张图到真正愿意拿给纹身师看，你觉得还差什么？ 也欢迎交流独立产品的开发和推广经验。谢谢大家。

Product Hunt ·

Releasebeam

Release infrastructure for developers

V2EX ·

[推广] 做了个跨屏歌词 App：电脑放歌， iPad 在旁边跟歌词

大家好，来介绍一下我做的 Cross Lyrics ，一款 Mac 、iPhone 、iPad 上的跨屏歌词 App 。 工作时电脑放着歌，有时就想看清某一句歌词。Cross Lyrics 可以把当前这句放在 Mac 屏幕顶部，也可以把 iPad 放在旁边，单独显示歌词、跟着播放进度走。音乐继续在原设备播放，跨设备同步需要在同一局域网里。 Apple Music 和 Spotify 都能用。Mac 上也能导入本地音频和 LRC 文件。歌词有逐词时间数据时，可以逐词跟着亮。听外语歌时，可以并排看 AI 翻译，也有支持语种的跟唱读音。 这是付费 App 。AI 功能可选，需要自行配置服务，服务商可能另外收费。 主要用 Swift / SwiftUI 做的。想听听大家对跨屏看歌词这个用法的看法，尤其是边工作边听歌的场景。 官网： https://crosslyrics.com/ 国区 App Store： https://apps.apple.com/cn/app/id6822501557 开发者 GitHub 个人主页： https://github.com/chengzi0103 开发者

V2EX ·

[开源软件] 开源了一个 1600 行的大模型推理引擎，能跑真实模型，测试场景吞吐超过 vLLM

想入门大模型推理，直接读 vLLM 太重。所以开源了 LiteMoE：约 1600 行 Python ，能跑真实的 Granite 模型，一个下午能读完主线。 适合想快速上手推理的同学： 交互演示，逐步看一次真实推理： https://zhulinsen.github.io/LiteMoE/visualizer/?lang=zh 教程，从 KV Cache 、MoE 讲到 DeepSeek 、Kimi 、Qwen 的新设计： https://github.com/ZhuLinsen/LiteMoE/blob/main/docs/tutorial.zh-CN.md 固定批次的测试场景下，吞吐是 vLLM 的 105 ～ 109%，脚本可复现。算子用的是 vLLM 的，提升来自算子外的执行层。定位是学习和实验，上线还是用 vLLM 。 如果大家感兴趣，后面会继续做多卡、CPU 版本系列。 项目： https://github.com/ZhuLinsen/LiteMoE 演示： https://zhulinsen.github.io/LiteMoE/visualizer/?lang=zh

V2EX ·

[分享创造] AI 错题本

一、为什么做这个 家里孩子上初中，数学练习册、试卷源源不断。错题管理的传统流程是：抄题（费时）、贴卷子（凌乱）、复习时东翻西找。市面上拍照搜题 App 只给答案，不管"这道题我错在哪、下次还会不会错"。 我想要的是一个 私有错题知识库 ： 拍照就能把整页题目数字化，我来审核哪些值得入库、错因是什么 平时能刷题、能按知识点出卷 连对 3 次的题自动建议归档——真正掌握的题不再占用注意力 数据在我自己手里 恰好此前我做过一个出题系统（ quiz-demo ），里面有一条经过实战验证的"质量链"：几何图形数值校验（ geocheck ）→ 独立解题验伪（ verify_answers ）→ 矢量试卷导出（ export_paper ）。错题本直接把这条链复用过来—— 所有 AI 生成的题目都必须过三道工序，禁止裸奔 。 二、完整工作流 拍照上传（可多张） → 视觉模型多题转录（题干 LaTeX 、选项、图形框、印刷答案、手写标记） → 自动按框抓取原图（权威图形，0 token ） → [人审视图] 左原图右题目卡片，KaTeX 实时渲染 勾选入库 + 标错因（马虎/不会/其他）+ 图形可抓

V2EX ·

[程序员] 我把自己的 Agent 从 Wails 迁到了 MyGo 原生 GUI，全程踩坑和实践分享

最近把自己写的工作 agent Ally agent 的界面重写了一遍，起因是无意中看到有人推荐 MyGo ，加上我对内存和性能一直有点追求，多年来一直在用 wails ，想换个试试，就想拿自己的项目试点，没想到结果意外的不错。 旧版本的技术栈是典型的 Go + Wails + Vue （ wails 我用了很多年 最近终于 V3 发正式版了 等了四年，可惜我也老了 ），界面用 Naive UI ，样式美观，效果也相当不错。但做久了有几个地方比较麻烦（ tarui 应该也是一样）： 跨平台界面的细节不一致，构建链比较长，还有前端内存出了问题以后，我这个写后端的人不太容易排查。 折腾了一段时间，现在主要页面已经迁到 MyGo 了，记录一下过程中比较有感触的地方。 先说一下技术路线：Wails 的界面通过系统 WebView 展示网页； MyGo 既支持这种方式，也支持用 Go 写 Native UI ，由框架自己绘制。WebView 也有自己的优势，MyGo 两种都支持，相当于有个兜底，下面会说。 Ally 现在的聊天、设置等常用页面用 Native UI ，插件页面和部分预览仍然按需使

Product Hunt ·

Testera

AI-driven API testing

V2EX ·

[程序员] 微信小程序葵花码（太阳码）编码解码算法已被逆向，随意生成，已泛滥

摘要 前段时间，在我的一个群里看到有人发了一个葵花码出来，长按扫码我以为就是打开一个小程序，没想到直接跳到一个 URL 了（下面图片跳百度），而且这东西只有微信可以长按识别，其他不行，我就知道这事不简单。 经过几天后，看到越来越多人会玩会做，各种 DIY ，我就知道，这估计又是逆向出来的。 目前闲鱼已经开始有人卖。 我不想搞坏我的 codex 账号，所以用豆包试试，31 分钟就跑出来了。 不得不说，豆包逆向能力也牛。（全程最直白、最直接、最不绕弯、最干脆、最不墨迹、最戳痛点、最不废话、最不拐弯） 本次复现由豆包全自动，仅供本人学习了解，并没有泄露相关技术代码、技术原理~

Simon Willison ·

The U.S. Census Bureau and “Super Intelligence”

I was reminded today of AI Adoption Rate Trending Down for Large Companies , a chart produced by Apollo Global Management in September 2025, which appeared to show a slowdown in U.S. corporate AI adoption based on numbers collected by the U.S. Census Bureau. At the time I used that chart to demonstrate GPT-5 data analysis , and then to experiment with Claude's new Code Interpreter . I decided to try running those numbers again to see what had changed over the past year, and in doing so learned t

Hacker News ·

Spent 5 months on an enterprise deal, only to lose the deal to the CPO's buddy

I have a startup in the AI Agents domain, which is an extremely competitive space with 100s of similar products. However, we differentiate by focusing a bit more on enterprises, data compliance, PII encryption, and serverless / self-hosted setups. Because of this, we generally work closely with a client's tech team rather than their customer support team. In May, we received an inbound inquiry from a multi-billion dollar company. Our first meeting went great. They loved our product, and we went

V2EX ·

[推广] 做了个 Chipmunks Dance 视频生成小工具，上传照片就能跳那段花栗鼠舞

最近 TikTok 上花栗鼠跳舞那个梗挺火的，最早是 @ pipthechip 发的一段，配的是加速版的花栗鼠音乐，后来很多人用 AI 把自己、朋友或者宠物换进去跳。 我顺手做了个小工具：上传一张照片，就能生成一段同款的 Chipmunks Dance 视频，动作和节奏跟原版对得上，配原版音乐，可以直接下载发 TikTok / Reels / Shorts 。 玩法： 上传 1 张正面清晰的照片 等 [ 3 ] 分钟左右，生成 [ 10 ] 秒竖屏视频 下载 MP4 ，无水印 技术上用的是 [ Cloudflare + seedance2-mini ] ，主要面向英文用户。 地址： chipmunks-dance.video

V2EX ·

[分享创造] [分享创造] 我让模型输出的元素清单长什么样，以及为什么必须先写清单再渲染

做图片转 PPT 时，我要求模型先输出一份元素清单，再渲染。清单大概长这样： {"type":"text","x":120,"y":80,"w":300,"h":40,"text":"标题","size":24,"color":"#1f2937"} {"type":"rect","x":100,"y":140,"w":320,"h":80,"fill":"#eef2ff","radius":12} {"type":"image","x":80,"y":260,"w":200,"h":120,"src":"crop_1.png"} 先写清单的好处是：位置、尺寸、层级都显式写出来，渲染器只负责画，不负责猜。出错时也能定位到是清单错了还是渲染错了。 坑也有：模型容易漏掉小字，或者把多行文字拆成多个文本框。现在会在清单阶段先做一遍完整性检查。 做类似工具的朋友，你们是怎么定契约的？ 工具入口在这里： https://image2ppt.asia?utm_source=v2ex （图片、截图、单页 PDF 都能转成可编辑的 PPTX ，成品无水印。） 相关截图（原图 → 成品）：

Hacker News ·

Ask HN: What is your backup plan when AI companies rug pull their prices?

It seems inevitable that Anthropic and OpenAI will either raise prices or nerf their models for cost savings. What are the most competitive alternatives for something like Claude Code? Are there any good coding models that can run on an M5 Mac yet? What’s the best agentic coding harness?

V2EX ·

[程序员] 在 MacBook 上跑了一套个人 AI 网关：本地 4B 路由 + 多渠道聚合

我自己做 B2B GTM 与战略营销，平时几乎所有工作流都挂在 LLM 上。大家都在晒各种复杂的 Agent ，但我发现自己真正在主力跑、每天离不开的，其实是一套跑在 MacBook Pro 上的 个人 AI 网关 。 它现在接管了我本机全部的 LLM 调用——Cursor 、Codex CLI 、Claude Code ，还有我自己的 Agent 内容管线。 为什么要做 2026 年中，我的调用环境彻底失控了：手头十几个模型订阅和 API Key （ DeepSeek 、NVIDIA NIM 、DashScope 、Gemini 等），各个客户端和脚本直连模型，endpoint 写死在代码里。结果就是每个月都在焦虑额度，钱花在哪儿完全是一笔糊涂账。 问题不在模型，在调用失控。我要的其实就三样： 一个入口 ：所有客户端只配一次； 路由智能 ：打杂分诊走便宜的本地小模型，硬骨头再上顶级云端模型； 全程可审计 ：每次调用留痕，哪个渠道挂了随时无感替换。 架构 :8081 —— 决策网关（自研） ：FastAPI 服务， launchd 守护进程。在请求真正碰到模型之前干五件事：出站安全守门