Show HN 뉴스
Hacker News의 Show HN, Launch HN에 올라온 새로운 프로젝트와 제품을 소개합니다.
총 2,959건·최신 업데이트
- 703
Show HN: PhaseProbe - 시뮬레이션 전환을 찾아 테스트로 만드세요
PhaseProbe는 시뮬레이션 내에서 수치적 오차를 넘어 시스템의 성격이 바뀌는 '질적 전이' 지점을 찾아내고, 이를 재현 가능한 리플레이 파일과 테스트 코드로 자동 생성해주는 도구입니다. 별도의 외부 의존성이나 클라우드 연결 없이 로컬 환경에서 결정론적으로 작동하며, 발견된 경계를 소프트웨어 테스트 자산으로 즉시 전환할 수 있습니다.
Show HN: PhaseProbe – Find simulation transitions and turn them into tests↗github.com
- 706
Show HN: 증거-기술 간의 관문 - 신뢰할 수 없는 소스와 에이전트 기술 사이
이 프로젝트는 README나 문서 같은 비정형 데이터를 AI 에이전트가 실행 가능한 '스킬'로 변환할 때 발생하는 보안 및 신뢰성 문제를 해결하고자 합니다. 소스 내용을 권위 있는 명령어가 아닌 검증 가능한 데이터로 취급하며, 증거 기반의 검증 과정을 거친 정보만을 선별적으로 승격시키는 것이 핵심입니다.
Show HN: Evidence-to-Skill – a gate between untrusted sources and agent skills↗github.com
- 709
Show HN: CostPerPrompt – 실시간 AI API 가격 및 실제 작업량 비용 계산기
CostPerPrompt는 전 세계 232개 이상의 AI 모델과 GPU 렌탈 비용을 실시간으로 추적하는 통합 계산기 서비스입니다. 단순 토큰 가격 비교를 넘어 챗봇, 에이전트, RAG, Voice AI 등 실제 워크로드의 복잡성을 반영하여 월간 예상 운영 비용을 시뮬레이션할 수 있습니다.
Show HN: CostPerPrompt – Live AI API pricing and real-workload cost calculators↗costperprompt.com
- 712
Show HN: Wienerdog – 클로드 코드/코덱스를 위한 메모리 및 자기 개선 기술
Wienerdog는 AI 모델 자체를 변경하지 않고도 로컬 마크다운 파일을 활용해 에이전트에게 기억, 습관, 일일 루틴을 부여하는 기술입니다. 여러 AI 도구가 공유할 수 있는 통합 메모리 저장소를 제공하며, 야간 '드림(dreaming)' 프로세스를 통해 대화 내용을 학습하고 스스로 스킬을 생성합니다.
Show HN: Wienerdog – memory and self-improving skills for Claude Code/Codex↗github.com
- 713
Show HN: BillDesk - 프리랜서를 위한 오프라인 송장 발행 도구 (Windows 및 Mac)
BillDesk는 클라우드에 데이터를 전송하지 않는 로컬 기반의 비즈니스 관리 도구로, PDF 송장 생성, 시간 추적, 비용 및 세금 관리를 지원합니다. 월간 구독료 없이 $29의 일회성 결제로 영구 사용이 가능하며, 개인정보 보호를 최우선 가치로 내세웁니다.
Show HN: BillDesk – Offline invoicing for freelancers (Windows and Mac)↗getbilldesk.vercel.app
- 717
Show HN: OpenLongevity – Longivity × AI – 공개적이고 검증 가능하며 모두를 위한
OpenLongevity는 파편화된 장수 과학 정보를 모아 개인화된 지식 베이스로 변환해주는 AI 도구로, 데이터 프라이버시를 위해 로컬 중심의 운영 방식을 채택했습니다. 사용자는 웹페이지나 논문에서 핵심 내용을 추출하고 PubMed 등 신뢰할 수 있는 출처와 연결하여 검증 가능한 건강 관리 전략을 구축할 수 있습니다.
Show HN: OpenLongevity – Longevity × AI – open, verifiable, for everyone↗github.com
- 718
Show HN: 8GB GPU 환경에서의 최소화된 LLM 추가 학습 실험 (SFT, DPO, GRPO)
이 글은 8GB GPU 환경에서 초소형 모델을 활용해 SFT, DPO, GRPO의 동작 원리와 차이점을 실험적으로 증명합니다. 특히 강화학습(RL)이 SFT보다 기존 지식의 망각(Drift)을 줄이며, GRPO가 DeepSeek-R1과 같은 추론 능력을 어떻게 강화하는지 구체적인 실험으로 보여줍니다.
Show HN: Minimal LLM Post-Training Experiments on an 8GB GPU (SFT, DPO, GRPO)↗github.com










