Show HN 뉴스
Hacker News의 Show HN, Launch HN에 올라온 새로운 프로젝트와 제품을 소개합니다.
총 4,093건·최신 업데이트
- 1502
Show HN: Sib – 대화 내용을 SQLite 대신 Git으로 저장하는 Unixy LLM 클라이언트
Sib은 대화의 각 턴을 Git 커밋으로 기록하여 프롬프트 실험에 대한 완벽한 제어권을 제공하는 CLI 도구입니다. 사용자는 기존 Git 인프라를 활용해 대화 내용을 별도 구축 없이도 백업, 공유 및 브랜치 기반의 정교한 프롬프트 엔지니어링을 수행할 수 있습니다.
Show HN: Sib - Unixy LLM Client using Git to store converastions, instead SQLite↗github.com
- 1504
Show HN: PyScrapy, 자체 복구 웹 스크래핑 셀렉터와 MCP 서버
PyScrappy는 웹사이트의 HTML 구조가 바뀌어도 자동으로 요소를 찾아내는 적응형 셀렉터와 AI 에이전트용 MCP 서버 기능을 제공합니다. 이를 통해 개발자는 복잡한 스크래핑 로직 없이도 Claude나 Cursor 같은 AI 모델에 실시간 웹 데이터를 도구(Tool) 형태로 손쉽게 연결할 수 있습니다.
Show HN: PyScrappy, self-healing web scraping selectors plus an MCP server↗github.com
- 1505
Show HN: Flynt.js – 2.2kb, 제로 빌드, CSP 안전 반응형 라이브러리 for MPAs
Flynt.js는 WordPress나 Magento 같은 MPA(Multi-Page Application) 환경에 최적화된 초경량 반응형 라이브러리입니다. 빌드 단계 없이 CDN만으로 사용 가능하며, Presenter 패턴을 통해 HTML과 로직을 깔끔하게 분리하면서도 효율적인 DOM 업데이트를 지원합니다.
Show HN: Flynt.js – 2.2kb, zero-build, CSP-safe reactivity library for MPAs↗github.com
- 1511
Show HN: GPU 레지스터 내 유체 역학을 이용한 광컴퓨팅 지터 수정
이 프로젝트는 광학 트랜시버의 열 변동으로 발생하는 광 신호 지터를 최소화하기 위해 GPU 레지스터를 활용한 새로운 제어 방식(PoC)을 제시합니다. 소프트웨어 버퍼링 대신 비트 연산과 레지스터 워핑 기술을 통해 데이터 전송 지연을 0ns에 가깝게 줄이고 초거대 AI 모델의 수치적 안정성을 유지하는 것을 목표로 합니다.
Show HN: Fixing optical computing jitter via fluid dynamics in GPU registers↗github.com
- 1513
Show HN: Snafu: 소스 코드에서 "이름 붙이기"를 도와주는 에이전트 기반 흐름
Snafu는 변수나 함수명의 모호성을 측정하는 NAN(Name Ambiguity Number) 지표를 도입하여, 코드의 가독성을 데이터 기반으로 개선합니다. LLM이 이름의 여러 해석 가능성을 확률로 계산하고, 개발자가 확인한 실제 의미를 바탕으로 최적의 이름을 제안하며, 변경 전후의 모호성 감소량을 검증하는 에이전틱 워크플로우를 제공합니다.
Show HN: Snafu: Agentic flow to help you with "naming things" in source code↗github.com
- 1516
Show HN: Agent-shell – Emacs에서 AI 에이전트와 벤더 중립적인 채팅
agent-shell은 ACP(Agent Client Protocol)를 활용해 Emacs 환경에서 AI 에이전트와 상호작용할 수 있는 네이티브 모드입니다. 이번 0.73 업데이트에서는 채팅 모드의 기본 적용, 프롬프트 큐잉 기능 개선, 그리고 마크다운 및 이미지 렌더링 최적화를 통해 사용자 인터페이스의 완성도를 높였습니다.
Show HN: Agent-shell – vendor-neutral chat with AI agents in Emacs↗xenodium.com
- 1520
Show HN: 파일, 벡터, 그래프 및 RL 기반 메모리 프레임워크 평가해봤습니다
에이전트의 장기 기억을 구현하는 세 가지 방식(파일 기반, 구조화된 저장소, RL 기반 학습)의 정확도와 비용 효율성을 실험적으로 비교했습니다. 연구 결과, 데이터가 커질수록 그래프를 결합한 구조화된 저장소가 유리하며, 특정 숙련도가 필요한 작업에서는 모델 자체에 경험을 학습시키는 방식이 독보적인 성능을 보임을 입증했습니다.
Show HN: I evaluated file, vector, graph and RL based memory frameworks↗pinglin.tw












