最新

大家好，我是 Topolog 的创始人 Rohith。我一直很好奇甘特图、待办事项列表和看板有什么共同之处。在 Topolog 中，您设计的每个计划实际上都是一个有向无环图 (DAG)，从中可以导出甘特图、列表和看板视图。Topolog 的名字来源于拓扑排序。 Topolog 中的所有计划都使用一种名为 Total Orchestration Language (TOL) 的自定义 DSL 编写，该语言具有一些优良特性，其中最重要的是完备性（因此是非图灵完备的）。“完备”意味着每个计划都可证明会终止。这使得引擎能够彻底分析您编写的任何计划。该语言的手册是公开的，任何人都可以学习和使用它（https://www.topolog.co.uk/docs/tol-handbook）。您可以直接编辑原始源代码，也可以使用 IDE。 概率推理是该产品从一开始就内置的功能，每个计划都会进行蒙特卡洛模拟，生成一个“完成度谱”，这是计划完成时间的概率性“分布”，分为完全成功、部分成功或失败。还会显示关键路径和近关键路径。 任务可以随时拾取、放下和标记为已完成。Topolog 将实际情况与预测进行比较，并重新校准所有未来的预测。无需传统的时间跟踪。您可以在“可用性”页面上“绘制”您的每周可用性，所有调度和预测都将以此为约束。 提供 Express 和 Structured 模式，可以快速开始使用 AI 生成计划，但由于源代码可见且手册可作为 markdown 文件下载，您可以使用任何您选择的 LLM 来迭代确定性引擎，从而制定出无错误自己的计划。 Topolog 也专为团队设计，调度器不仅考虑您自己的可用性和计划，还考虑团队的可用性和计划。计划或单个节点可以共享，并且计划默认是成员私有的。 诚实的局限性：这首先假设您的计划可以建模为 DAG（我认为这是一个合理的起点）。输入垃圾，输出垃圾：输出的好坏取决于您输入的计划。您需要注册才能试用（7 天试用，无需信用卡）。这是一个付费产品。 希望您喜欢，欢迎所有反馈，特别是关于语言设计（不得不做出一些有主见的决定）和完成度谱的表述。

俗话说：“上帝创造了人，但塞缪尔·柯尔特使他们平等。”人工智能有时也能产生类似的效果。在我见过的一个企业系统中，引入人工智能代理后，那些每周使用某工具 40 小时的人与每周只使用 2 小时的人之间的差距几乎消失了。我还见过，在每个人都获得了慷慨的 Cursor 订阅后，顶尖开发者（10 倍效率）与普通开发者之间的差距也缩小了。 与此同时，近期关于 Anthropic 的 Claude Fable 5 和 Mythos 模型公开报道表明，最强大的系统可能通过有限访问计划或高级渠道推出，而不是广泛而平均地提供。 纵观历史，谁能负担得起当时最先进技术的费用，往往决定了谁能掌权。在古希腊，重装步兵是自备装备的普通自由公民，将兵役与公民参与联系起来。同样，殖民时期的美洲民兵也将武装服务融入了日常社区生活。相比之下，中世纪晚期欧洲昂贵的盔甲、战马和军事训练费用，将军事力量牢牢掌握在少数富人手中——这导致了雅典和早期美国的民主传统，却加剧了中世纪欧洲的专制统治。 因此，在我看来，人工智能是成为一种“拉平者”，还是成为一种加剧拥有者和非拥有者之间差距的工具，这是一个重要的问题。

在代理线程中包含动态上下文时，我发现缓存利用率不高。经过大量实验，我找到了一种有效的模式，它在支持动态上下文的同时，最大限度地减少了长期会话历史的修改频率。该模式提供了灵活的钩子，可以在将消息迁移到长期历史时进行截断或总结工具输出等操作。尽管包含了大量的动态用户上下文，但我发现我的代理缓存命中率超过了 90%。 代理提示策略多种多样，我很想了解这个库在哪些方面表现良好，以及哪些模式不太适合当前 API！

我对于分发 Java 应用的沮丧情绪并非最近才出现。 我记得在 2000 年代就实现了我第一个网络 JAR 下载，因为我需要类似 Applet 的功能支持，同时又要拥有桌面应用的完全控制权。 多年过去了，问题依然如故。Java Web Start 并未真正普及，在我的项目中，我唯一能用的方法就是那些臃肿的 fat JAR，包括（对我而言）更丑陋的 Spring Boot 打包，它改变了应用程序的类加载行为，从而随着时间的推移给我带来了一些意料之外的麻烦。 因此，Nuts 的诞生实际上是 9 年前针对这种沮丧情绪的回应，但现在我认为它已经足够成熟（已在生产环境中使用）可以分享了，而且我非常渴望能得到各位贡献者的建议和帮助。

上周四，Deepmind 发布了 Magenta Realtime 2，一个开源的音乐生成模型。他们表示该模型可以在 Mac 上运行，但不能在 iPhone 上运行。 作为一个“代码狂热者”和曾经“烧毁过 iPhone”的人（链接在文末），我将此视为一项个人挑战，并将其作为我的周末项目。 周六，我成功地在一台 2020 年的 iPhone 12 Pro 上让它连续运行了 10 分钟，既没有烧毁手机，也没有——令人惊讶地——触及 GPU。 怎么做到的？我将模型分割成 5 个部分，并让它们分别在 Apple 片上系统 (SoC) 的不同部分运行。 我过去的经验告诉我，如果能有效利用，iPhone 的 NPU（神经网络处理单元）非常强大且省电。如果你需要在没有风扇的设备上进行长时间的持续实时生成，你必须使用神经网络引擎，否则设备就会过热损坏。 参见：https://accelerateordie.com/p/we-melted-iphones-for-science Apple Neural Engine 有很多限制，最主要的是它只接受固定形状的输入，并且只支持某些架构——这就是我将模型分割成块的原因。 但它奏效了！而且我没有手动编写一行代码。在我经营风险投资支持的公司时，我需要一小队脾气暴躁的老派工程师才能完成这项工作，而且需要 2-6 周的时间。现在我可以满足自己的技术癖好，自己完成这些事情了。 下一步：我正在开发一款 iPhone 应用，该应用将连接你的心率、运动数据、位置等信息，为你的人生实时生成配乐。 真是个令人兴奋的时代！