最新

我最近在思考当前深度学习的核心低效问题时，了解到神经形态计算。 如今的 AI 严重依赖于超密集层、所有层和神经元持续不断的计算，以及全局反向传播来寻找最优权重更新。但当我们审视人脑时，这些情况都不存在。 人脑的运作原理与现代大型语言模型 (LLM) 截然不同： * **局部演化：** 神经元在很大程度上是独立的，它们根据局部邻域和简单的反馈回路（如神经递质，例如多巴胺）进行演化，而不是基于全局误差信号。 * **极端稀疏性：** 该系统具有极高的稀疏性（神经元仅在参与了激活链后才会演化和更新）。 * **事件驱动处理：** 神经元仅在被评估并实际被其他脉冲神经元触发时才会发放脉冲。 相比之下，我感觉当前的 LLM 似乎是通过同时训练所有层和神经元，并尝试寻找最优的全局更新函数来强行解决问题。 如果我们审视过去几年 AI 发展的轨迹，会发现一个清晰的模式： * 2020–2022 年：扩大数据集和原始计算规模。 * 2023–2024 年：扩展上下文窗口并转向专家混合模型 (MoE)。 * 2024–2025 年：思维链和推理时推理。 * 2025 年至今：自主执行和并行多智能体系统。 从根本上说，这些进步中的每一个都只是扩展计算和处理令牌的不同方式。因此，这种扩展自然会在某个时候遇到瓶颈，因为电力是有限的。 这就是为什么我相信长期的进步不可能仅仅来自于永无止境的扩展。它需要的是根本性的效率提升。那么，神经形态计算是否能实现这一点，还是它尚未成熟？

我们公司希望组织和分类他们的文档，主要目的是防止员工将敏感文档上传到人工智能（AI）系统或发送给错误的收件人。这需要超越仅仅检测信用卡号或身份证信息，因为许多文档的敏感性在于其本身的内容，例如法律协议、保密协议（NDA）等。请问有什么好的工具可以推荐吗？

# Hello World (精简有效；用于 Show HN) 我叫 Terse (问候) ## 容器 "一个容器可以包含一个文本块，单行或多行" 对象 (分号分隔的属性；variables_like: 123; "此处也允许传统的 Unicode 字符串。") 另一个带名称的对象 (容器下有多个对象) ## TERSE 的进一步描述 ``` TERSE 是一种统一的状态存储方式，具有明确的查询和修改方式，该方式经过不懈的优化，以实现整体的简洁性和令牌效率，不仅在静态存储时，而且在运行时也是如此。 我们意识到状态访问是一种低级、常见的模式，并且不断被重新发明。它比单纯的 AI 内存更深入。考虑到 Anthropic 内存和其他一些实现，它们是一堆 Markdown 文件，在某些方面，它们做得很好……越简单越好。 所以，真正的问题在于确定一种格式，该格式足够灵活，能够覆盖 95% 的领域。我们可以做得比 Markdown 好得多；TERSE 在这方面有自己的观点，但有非常充分的理由。 通过成为一种按行排序且可按行识别的结构（对这种自由格式的块有特殊处理），现在整个状态都可以幂等地重新声明。字面上讲，这篇帖子的文本就是一个 TERSE 状态声明，AI 或你可以做出。或者，当然，只需将其复制到 .terse 文件中！ 所以，假设你这样做了。要查询此状态： > ? Hello World 要将整个状态复制到某处： > # My new container > ? Hello World // 内联查询会物理上展开到声明中 指令是 [tail] 加上一组可组合的操作。例如，让我们清理一下……我宣布你被移除了！ > # My new container [REMOVED] // 所有内容也一样！ 还有更多。TERSE 使 AI 能够非常轻松地处理状态。 MCP 有一个主要操作，其中这两个东西被一起发送 1) 状态声明 2) 状态查询（在应用声明和合并结果之后） 顺便说一句，要查询所有状态，请等待…… > ? // 你可能不想经常这样做！ TERSE 具有完整的对象模型，用于（反）序列化。 还包含一个完整的规范的 Python 参考实现。 ``` ## 示例应用程序（包含在 monorepo 中，以帮助你入门） ### TERSE MCP ("为你的 AI 本地存储任何你想要的东西") ### TERSE Memory (一个通才；修改你自己的) ### TERSE Brain "一个与 Karpathy-brain 兼容的 API，但以 TERSE 作为后端存储。令牌使用量减少 1/6，工具调用次数减少 1/8！" ### 杂项 TERSE Browser (查询-响应 UI；非常适合测试) VS Code 语法高亮器 (已包含 vsix) ## 提醒 Terse 处于预发布阶段 (alpha)

SEO Skill 是一个本地优先的命令行界面 (CLI) 和智能体技能，可用于抓取网站、审计技术 SEO，并使用您自己的 Search Console 和 Google Analytics 数据。它还处理关键词研究、竞争对手研究、反向链接、变更监控以及面向 AI 搜索和智能体就绪的技术检查。 之所以只有一个技能，是因为将 50 多个技能塞入我的上下文以完成 SEO 工作是行不通的。该技能是一个路由器，允许您的智能体逐步发现正确的报告，学习如何使用它，然后运行它。 MCP 服务器也同样如此。它为兼容的智能体提供了三个工具：列出报告、描述报告和运行报告。MCP 和 CLI 都使用相同的核心报告功能。 提供了一个引导式设置来配置 Google OAuth，以便轻松开始使用您的 Search Console 和 Analytics 数据。您也可以选择使用您自己的 Google 服务账号。 最快的试用方法是： ``` npm i -g seo ``` 然后运行： ``` seo start ``` 大多数报告都是本地独有的，您的报告、令牌、提供商凭据和缓存都保留在您的机器上。 当您连接 Search Console、Google Analytics、Ahrefs、Semrush 或 DataForSEO 时，CLI 会直接调用这些服务。它们会接收每次请求所需的域名、关键词和参数。 您可以通过运行 `seo auth logout` 和 `seo reset` 来删除所有本地数据，从而完全清除本地 Google 令牌、保存的凭据、项目配置文件、报告、缓存、历史记录和日志。您也可以在 <a href="https:&#x2F;&#x2F;myaccount.google.com&#x2F;permissions" rel="nofollow">https:&#x2F;&#x2F;myaccount.google.com&#x2F;permissions</a> 撤销该应用。 我已尽力保持数据的真实性和证据的可靠性，以减少智能体基于不完整、缺失或误解的数据采取行动的可能性。 该项目遵循 Apache-2.0 许可证： <a href="https:&#x2F;&#x2F;github.com&#x2F;iannuttall&#x2F;seo" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;iannuttall&#x2F;seo</a> 网站和文档： <a href="https:&#x2F;&#x2F;seoskill.dev" rel="nofollow">https:&#x2F;&#x2F;seoskill.dev</a> 我已经在这 30 多个网站上进行了测试，但 SEO 有大量的数据源，以及更多数据缺失但看起来确定的方式，所以现在还处于非常早期的阶段，我在此分享是为了发现粗糙的边缘、它暴露的数据问题，或者它尚未集成的功能（例如 Fathom 或 Clicky 分析）。 如果您在真实网站上使用编码智能体，我很想知道它在哪些方面仍然阻碍了您。 单一技能的界面是否合理？主报告是否能引导您走向正确的下一步？设置在哪些方面仍然感觉粗糙？ 这是我第一次在 HN 上发帖！请多包涵……