Сейчас 10 лет Яндекс.Такси. Кажется, именно Яндекс первым привел Uber-модель в Россию. Пишут, что мой первый заказ был в мае 2013-го. Целая вечность назад, но я помню — был где-то в районе Лесной, нужно было в точку, удалённую от метро. Как раз крутили рекламу нового сервиса от Яндекса, я скачал, запустил поиск. Ждал минут 15, потом ещё искал, где водитель припарковался. Быстрее было бы дойти.
Сейчас уже стало ясно, что сервисы такси — одна из важнейших технологических вех нового времени. Сложно представить себе что-то ещё, что настолько фундаментально поменяло наши жизни. Ни роботы-пылесосы, ни сервисы доставки, ни даже каршеринг — ничто из этого настолько сильно не поделило мир на "до" и "после". Процесс вызова такси по телефону действительно был неприлично труден: следовало знать адрес, где находишься, знать номер таксопарка, а затем ждать неопределенное время, после чего платить весьма немалые деньги водителю налом. К такси прибегали в крайних случаях, когда обойтись другим способом было невозможно.
Сокращение такого значительного числа издержек в столь необходимой для людей услуге — перемещение — сопоставимо с изобретением интернета или электричества. Да, и без электричества мы могли обогревать и освещать свои дома, готовить пищу, вращать мельницы. Но на этом примере становится видно, что время и усилия на получение результата очень важны. Такси стало полноценным вариантом повседневного транспорта, а не редкой вынужденной мерой для богатых. Я заказываю такси десяток раз в месяц, и уже всерьез не способен вспомнить, как в принципе возможно было жить без этих сервисов. Что я делал в таких же ситуациях 10 лет назад? Ждал автобус полчаса, шел пешком час? Или даже просто отменял своё намерение добраться в какую-то точку? Лучше, наверное, и не вспоминать.
#life
#python#agents#graph#llms#rag
Graphiti helps AI systems handle constantly changing information by building real-time knowledge graphs that track relationships and historical data, allowing them to integrate user interactions, business data, and external sources seamlessly. Unlike traditional methods, it updates information instantly without needing full recomputations, enabling precise historical queries and efficient hybrid searches. This helps AI applications stay context-aware, automate tasks effectively, and manage complex, evolving data with minimal delay.
https://github.com/getzep/graphiti
#typescript#csv#diagrams#graph#json#nextjs#react#tool#visualization#yaml
JSON Crack is a free, open-source tool that instantly turns complex JSON, YAML, CSV, XML, or TOML data into clear, interactive graphs, making it easier to explore and understand your information. It lets you convert between formats, validate data, generate code (like TypeScript interfaces), run queries, and export visuals as images—all while keeping your data private since everything processes locally on your device[1][2][5].
https://github.com/AykutSarac/jsoncrack.com
#cplusplus#arduino#cansat#csv#embedded#graph#ground_station#iot#microcontroller#network#projects#qt#serial#serial_studio
Serial Studio is a free, easy-to-use tool that lets you visualize real-time data from devices like microcontrollers via serial ports, Bluetooth, or network connections. It works on Windows, macOS, and Linux, and offers customizable dashboards with various widgets to monitor sensor data, debug info, or telemetry. You can quickly plot data, export it as CSV for analysis, and even use advanced features like checksum validation and JavaScript data processing. It supports hobbyists, educators, and professionals by simplifying data monitoring and debugging, saving you time and effort in understanding your device’s output. Pro versions add commercial use and extra features[1][4][5].
https://github.com/Serial-Studio/Serial-Studio
#rust#ai#ai_ocr#attention_mechanism#gnn#gnn_model#gnns#graph#graph_neural_networks#llm_inference#low_latency#mincut#neo4j#ocr#onnx#rust#vector#wasm
RuVector is a free, open-source vector database that gets smarter with every query. Unlike static databases, it learns from usage via GNN layers, runs LLMs locally with no cloud costs, supports graph queries like Neo4j, scales freely across nodes, and deploys as a single self-booting file (125ms startup). Run with `npx ruvector`. You benefit from faster, more accurate AI search that improves automatically, zero operating costs, full offline/privacy control, and easy scaling—perfect for RAG, agents, or edge apps without vendor lock-in.
https://github.com/ruvnet/ruvector