最新

我们为我们的模型设定了一个单一目标——一个带有变体的 2048 游戏，两天后它就完成了。 <p><a href="https:&#x2F;&#x2F;github.com&#x2F;awesoftsolutions&#x2F;idea_meta-muse-2048-game" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;awesoftsolutions&#x2F;idea_meta-muse-2048-game</a><p>整个运行过程都被记录下来了，因此可以对照生成它的过程来检查代码。您可以通过此处的重放来操作我们的应用程序：<a href="https:&#x2F;&#x2F;favur.dev&#x2F;go&#x2F;drive&#x2F;the2048" rel="nofollow">https:&#x2F;&#x2F;favur.dev&#x2F;go&#x2F;drive&#x2F;the2048</a>

一种函数式编程语言，专为跨平台数值和几何计算而设计和优化。我想了解是否有其他与您相关的领域可以从中受益：还有哪些不足之处，或者可以改进的地方？让我们一起讨论，谢谢！

我是一名前端工程师，并且积极使用人工智能。我发现自己几乎从不手动编写代码，除非是需要微调一些样式。与AI时代之前相比，我感到懒惰和愚笨。即使是需要进行一些小改动，可能只需要2分钟就能完成，但我宁愿花这2分钟详细地向AI解释，并指出需要如何修改。因为我无需思考整个过程，只需表达想法和期望的解决方案，然后等待它完成并进行审查。 这在某种程度上是一种退化。但关键是，AI生成的代码质量非常出色。我的生产力和速度都得到了显著提升。 然而，有一个令人沮丧的问题。这种懒惰甚至开始影响审查过程。我不想花时间阅读和检查所有的改动，我宁愿让另一个AI来做。而且它确实有效！我大约95%的工作都使用Claude，然后切换到GPT来仔细审查。它们有不同的“个性”，所以你会得到不同的视角。我认为GPT像个书呆子，它能发现Claude会忽略的许多漏洞和不一致之处。所以我喜欢把它们俩关在一个房间里辩论。 我真正非常在意的是全面的文档。我花费大量时间与AI一起规划和头脑风暴，然后我会把一切都记录下来。所有关于架构的Markdown文件、组件使用指南、备忘录……所有这些都应该清晰可见，而不是深埋在代码中。每一次新的会话都从所有文档开始，其中详细解释了所有内容，并附带参考和示例，以防止AI敷衍了事或给出懒惰的答案。当我需要实现一个大的功能时，我会构建一个准备执行的计划，以便下一个具有新鲜上下文的AI能够阅读它——分析已完成的工作——弄清楚本次会话的任务——然后继续进行所有改动，并进行汇报。这可能意味着数十个聊天会话顺序地处理一个大项目；最后，我会运行一个工作流来审查所有实现，然后让GPT审计改动，只有当AI确认一切看起来都很好时，我才会亲自查看。届时，我可以指出哪些地方以及为什么需要重做，因为我不喜欢我们现在的方式。 在我的设置中，为AI准备的文档比代码更重要（每个级别的指令文件、按文件类型加载的规则文件、具有角色的子代理、围绕每次编辑的钩子）。最重要的部分包括： * 一个“静默失败”的目录。36个编号的陷阱，它们可以编译通过但渲染错误。每个条目都是一个实际发生过的、已发布过的失败：原因、症状、修复方法。 * 一个“润色”规则。当你告诉AI“让它更好”时，它的本能是添加装饰性的东西。所以有一个明确的规则，即润色意味着“减法”，并列出了我在实际审查中拒绝过的模式。 * 当文档与代码不一致时，CI会失败。组件注册表会与源文件进行比对。因为有误导性的文档比没有文档更糟糕。 * 一个运行时验证器（WebMCP）。一个代理驱动一个真实的Chrome浏览器，点击页面，监控控制台，并在3个视口下截屏。 基本上，我停止了编写代码，开始设计编写代码的环境。每一个文件都存在，是因为AI曾经在某个地方失败过，而我把它记录下来，以防止再次发生。 对我来说最大的问题是动力。我记得那种卡住的感觉——几个小时都想不明白，寻找正确的解决方案，尝试，然后“操！终于搞定了！”的那种满足感：你做到了。我现在没有这种感觉了。即使在我完全不熟悉的领域，我也感到自信。感觉就像：“嗯，AI可以处理。” 我认为我的系统解决了质量问题，但加剧了懒惰/动力问题。我让懒惰变得安全。 所以有两个问题： 1. 你的AI设置是什么样的？我指的是实际的文件和规则，而不仅仅是你如何提示。 2. 有人真正解决了动力问题吗？

我觉得从一开始，人们就在讨论大型语言模型（LLM）将如何改变世界，以及它对商业和环境是好是坏。但昨天，我遛狗的时候，突然意识到这项技术有多么酷炫。 我不想谈论我在支持者和怀疑者之间的立场。我厌倦了听到这些争论，而且在当前这个语境下，这些争论并不重要。 我职业生涯的前八年，一直致力于让计算机通过图像理解现实——扫描收据、检测风力涡轮机叶片上的缺陷，以及其他一些细分但重要的领域。仅仅是为了读取一张收据并大致正确地提取文本，就付出了巨大的努力……这简直是疯狂的。虽然这是很有趣的工作，但要让真实世界符合预设的“盒子”是极其困难的。 我觉得我完全错过了对 LLM 感到兴奋的时刻，反而被卷入了关于“它意味着什么”的讨论中。这并不是因为我失去了关心能力；我可以为新的哈希算法和其他奇特的技术感到兴奋，但 LLM 呢？它甚至没有被我识别为一项技术。也许这是一种“恐怖谷”效应——它不像经典计算机科学的东西，所以我的大脑没有将其识别为技术？ 散步时，我开始思考它的可能性。我知道你的思绪可能会立刻跳到宏大的解决方案，但请试着让它在思维的另一部分空间里停留——那个认为它很酷、而不是用来改变社会的工具的部分。我们不知道会发生什么——这没关系——我们以前也从未知道过。但我们确实知道，我们现在拥有这项可以在自己电脑上运行的、非常酷的技术。 你真的可以，在现实生活中，自己编写一个 Python 程序，你可以与之对话，它能理解你并执行任务。所有这一切都在你自己的机器上完成。无需其他！这就像一项完全正常的技术！它太酷了，我简直不敢相信。它甚至可以查看图像并为你解释，而我只是……我现在太兴奋了。 不要让别人夺走这项技术的乐趣，花几秒钟想想那个让我们能够与“沙子”（指代数据或信息）对话的酷炫小技巧。

各位 HN 的朋友们， 我一直在进行不同的 MCP 项目，每次都需要编写 MCP 服务器作为方法/函数的包装器。 然后我意识到，在使用内存管理型语言时，我可以通过反射直接扫描应用程序内部的方法，然后直接调用。 是的，我仍然需要编写包含名称、参数和描述的 JSON 文件，但这对我来说是可以接受的，因为已经有程序可以自动完成这项工作。 现在我只是想知道，是否有人已经将这种模式应用于 MCP，以避免编写包装器并解锁潜在的功能： * 避免更新任何代码部分，只需更新 JSON。 * 尝试解锁代码中尚未计划的功能，这样代理就有可能访问代码的任何部分。 这只是一个实验，旨在了解它能解锁多少潜力以及是否有意义。 有人尝试过这种技术方法吗？ 是否有任何通用反馈，或者来自已经尝试过的人的意见？

我一直在开发这个用于制作10分钟电影的Claude代码流程，它整合了Seedance（视频生成）、Nano Banana（图像生成）和ElevenLabs（语音生成），并使用Claude担任导演。我的代码库提供了一个Markdown操作指南和一个已完成的示例，这将使其他人更容易制作自己的短片。第一遍制作电影大约需要2.5小时的实际时间，成本约为200美元，而且由于有故事板和语音样本等中间产物，迭代非常方便。

你好， 我最初于2005年发布了一个Flash游戏。 目标是以最少的步数从A点到达B点。 10个难度级别（从幼儿园到超级大宗师）。 一些棘手的关卡： https://pathology.thinky.gg/level/hi19hi19/against https://pathology.thinky.gg/level/ssbk099/better-grip-trainer https://pathology.thinky.gg/level/cosmovibe/sidecar

我是一名独立开发者，一直以来都对算法交易充满热情。最初，我通过阅读 Yves Hilpisch 的著作《Python for Algorithmic Trading》开始学习算法交易。读完这本书后，我便一发不可收拾，开始构建算法交易机器人。起初，这些只是我运行在本地机器上的独立 Python 脚本。这是一个糟糕的主意，因为本地机器并不可靠，而我希望我的机器人能够 24/7 全年无休地运行。在我目前的职业生涯中，我是一名软件工程师，拥有构建分布式系统和容错 Web 应用程序的经验。 我对将代码部署到 MetaTrader、CTrader 或 QuantConnect 等托管服务不感兴趣，因为我希望完全掌控我的代码及其运行环境。我也希望能够使用任何我想要的编程语言来运行我的机器人，而不仅仅是 Python。有时我想用 Python 原型化一个机器人，然后出于性能原因将其重写为 C++ 或 Rust。 此时，许多人可能会说为什么不使用 Lean、Freqtrade 或 Hummingbot 这样的框架。然而，我发现这些框架过于武断，一旦你决定使用它们，你的机器人就成为了它们框架的一部分。我以自己特定的方式在本地回测我的机器人，现在借助 AI，我的代理可以生成代码、回测并分析结果，所有这些都在本地完成，无需在执行平台上运行任何东西。我想要的是可以像任何其他软件应用程序一样部署、版本控制、更新和监控的机器人。我也想探索构建一个能够标准化运行机器人方式的东西。 这已经是一段四年的旅程，我在此过程中犯了很多错误。该应用程序经历了四次架构重组，其中三次基本上是完全重写。第一个版本是一个 Python 程序，机器人只是动态加载的模块。第二个是我的无服务器阶段，当时我只想让一些东西在线上运行，由 cron 触发，并且只为我服务。第三次是我第一次接触 Kubernetes；更加云原生，而我当时愚蠢地决定将其打造成 SaaS。最终形态是一个完全自托管的运行时、API、CLI 和前端，它允许你以容错的方式在本地（通过 Docker `the0 local`）和集群（k8s）中运行机器人，并通过一个极简的前端进行监控。 为了支持多种语言，机器人需要实现一个简单的契约：一个 `main(bot_id, config)` 函数和一个 `bot-config.yaml` 文件。运行时（用 Go 编写）负责其余部分，它支持 C++、Rust、Python、JS/TS、C#、Scala 和 Haskell（对于那些勇敢尝试的人）。更多关于架构的信息请参见：[https://docs.the0.app/runtime](https://docs.the0.app/runtime) 如果你想玩转 the0，可以在本地运行它，指南在此：[https://docs.the0.app/deployment/local-getting-started](https://docs.the0.app/deployment/local-getting-started)。The0 是开源的，并根据 Apache-2.0 许可：[https://github.com/alexanderwanyoike/the0](https://github.com/alexanderwanyoike/the0) 我目前使用 the0 在一个每月 10 美元的 Hetzner VPS 上运行我自己的个人算法交易机器人，该机器人运行在一个单节点 k3s 集群上。我有 18 个机器人运行在 2 个经纪商（Alpaca、Bybit）上，它们已经稳定运行了数月而没有出现问题。一些机器人交易加密货币，一些交易股票，一些进行风险分析，还有一些进行投资。最酷的部分是 API 提供了一个 MCP 服务器，这样 AI 代理就可以查询机器人的状态、查看它们的日志、监控它们，甚至更新它们。如果再集成一个 OpenClaw 代理，你就可以有效地建立一个自主的 AI 量化交易系统（祝你追逐 Alpha 好运）。 现在我必须承认，Lean 拥有比 the0 更全面的工具和更强的量化能力，但我一直觉得它做得太多了。每个 Lean 引擎运行一个算法，一旦你有了很多机器人，在生产环境中运行和管理它们就留给了你自己。这正是 the0 所做的，也是它唯一尝试做的事情。如果你遇到问题或有功能想法，我洗耳恭听。更多关于内部细节请参见我的第一个评论。