最新

我目前订阅了每月 20 美元的 Claude Pro，主要用于编程。它挺好用的，但为了绕过它的会话限制，我得不断优化工作流程，这让我感到疲惫。现在市面上选择和供应商太多了，很难找到真正好用的。我不需要像 Opus 那样顶级的模型，但希望能找到一个足够可靠的，能够很好地遵循测试驱动开发（TDD）流程的。

我们对工资、物价和房价的看法，往往来自感觉、新闻标题和轶事。而实际的数字，通常会出乎意料。<p>“差之毫厘” 是一款每日游戏：五个真实的经济统计数据，你用滑块猜测每个数据，然后看看你差了多少。每个人在同一天玩同样的问题。<p>普通玩家的误差是 25%。我通常也在这个范围内。<p>免费，无需注册。<p>好奇 Hacker News 上的用户是否比平均水平更准确，并且一直在寻找令人惊讶但又确凿的统计数据。如果你知道一个好的数据，欢迎在评论中分享。

大约一小时前，PyPI 上部署了新版本。<p>我刚开始设置一个新项目，结果事情变得很奇怪。我的笔记本电脑内存耗尽了，看起来像是在运行 fork炸弹。<p>我调查了一下，发现 proxy_server.py 文件中添加了一个 base64 编码的 blob。<p>它会写入并解码另一个文件，然后运行它。<p>我正在向上游报告此事，但想在这里提前通知大家。<p>这个问题也在这个 issue 中被报告： <a href="https:&#x2F;&#x2F;github.com&#x2F;BerriAI&#x2F;litellm&#x2F;issues&#x2F;24512" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;BerriAI&#x2F;litellm&#x2F;issues&#x2F;24512</a>

大家好，HN 社区的朋友们， 我一直在构建 AI 智能体，已经有一段时间了。这个领域的发展已经从 LLM + 工具 → LLM 工作流程 → 智能体 + 工具 + 记忆，到现在我们终于看到了真正的自主性出现：智能体作为由工具、命令行访问、细粒度的系统功能和记忆组成的系统。 这种构建智能体的方式非常强大，我相信它会持续发展。但真正的问题是：为这些智能体提供支持的系统是否已经为未来做好了准备？ 我认为还没有。 使用 Docker 运行单个智能体并不能很好地扩展，因为智能体需要轻量级且快速。LLM 已经增加了显著的延迟，所以在其之上增加繁重的运行时开销只会让情况变得更糟。现有的解决方案在这里开始崩溃。 用 Python 构建的智能体也往往占用大量内存，当您想要扩展到数千个智能体时，这会成为一个严重的问题。 而且，智能体的开源生态还未达到应有的水平。目前，我无法像重用开源软件那样轻松地重用由领域专家构建的智能体。 这些问题困扰着我，我意识到，如果智能体要实现民主化，它们需要开放且易于使用。就像 Docker 解决了系统依赖问题一样，我们需要为智能体提供类似的东西。 这就是我开始用 Rust 构建智能体框架的原因。它具有模块化特性，并遵循真正的自主性原则：一个智能体是一个拥有工具、记忆和执行器的实体。在 AutoAgents 中，用户可以独立创建和修改工具、执行器和记忆。 通过 AutoAgents，我看到可以构建强大的智能体，而不会像许多其他框架那样在性能或内存方面妥协。 但其他问题仍然存在：智能体的重用、沙盒机制以及扩展到数千个智能体。 因此，我创建了 Odyssey——一个基于 AutoAgents（Rust 智能体框架）的、用 Rust 编写的、以打包为先的智能体运行时。它允许您定义一次智能体，将其打包为可移植的工件，并通过相同的执行模型在本地开发、嵌入式 SDK 使用、共享运行时服务器和终端工作流程中运行它。 AutoAgents 和 Odyssey 都是完全开源的，并且是用 Rust 构建的，我计划很快构建一个 Odyssey 智能体中心，其中包含 WASM 工具、自定义记忆层等附加功能。 我的愿景是让智能体民主化，以便每个人都能安全、高效地使用它们。仅仅开放是不够的；智能体还需要安全。 该项目仍处于 Alpha 阶段，但已处于可用状态。 AutoAgents 仓库 -&gt; <a href="https:&#x2F;&#x2F;github.com&#x2F;liquidos-ai&#x2F;AutoAgents" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;liquidos-ai&#x2F;AutoAgents</a> Odyssey 仓库 -&gt; <a href="https:&#x2F;&#x2F;github.com&#x2F;liquidos-ai&#x2F;Odyssey" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;liquidos-ai&#x2F;Odyssey</a> 我非常感谢您的反馈——特别是来自任何处理过类似问题的人。您的反馈将帮助我塑造产品。 提前感谢您的时间！

大家好，我是 HN 用户。我开发了 Cortex，因为我厌倦了将你最私人的数据发送到别人服务器的 AI 记忆解决方案。 Cortex 是一个 4 层记忆引擎（情景 → 语义 → 程序），100% 在你的设备上运行。使用纯 Rust 编写，大小为 3.8MB，摄入速度为 62µs。 LoCoMo 基准测试：总分 73.7%，在所有 4 个类别中都击败了 Mem0 (66.9%)。 通过你自己的 iCloud/GDrive/Dropbox 进行 AES-256-GCM 加密同步。 GitHub：https://github.com/gambletan/cortex

我很好奇在 GitHub 上使用 Claude Code 生成的代码量有多少，所以尝试寻找这个问题的答案。<p>剧透警告：非常多——根据我的统计，大约有 1900 万次提交。<p>简而言之，这是一个仪表盘，展示了关于在 GitHub 上由 Claude Code 签名的提交的一些基本但有趣的统计数据——在公共仓库中。<p>并非所有提交都已签名（通过作者字段或提交“尾注”），而且许多仓库是私有的，这意味着 Claude 的影响范围可能比你在这里看到的更广。但我认为这足以了解其分布情况，并了解一些关于它如何使用的信息。<p>从技术上讲，它是一个非常基础的 Next.js 应用程序，使用 Recharts 进行绘图，使用 PostgreSQL 作为数据库。我最初使用 BigQuery，因为我估计我需要分析规模，但最终转向了 Postgres，因为小规模写入和频繁读取以进行去重变得过于昂贵。<p>数据摄取/回填作业是更有趣的部分，因为我最初严重低估了它（从小处着手），最终得到了一条简陋但功能强大的 ETL 管道。<p>主要需要克服的读取数据的挑战是 GitHub 的速率限制——包括它们的搜索 API 和它们的 GraphQL API。在搜索方面，限制是每分钟 30 次请求，在 GraphQL 方面，限制是每小时 5000 次请求——每个访问令牌。由于这种差异和响应时间差异，我将工作分成了几部分：<p><pre><code> 1. 有一批搜索工作者将基本的提交信息写入一个表——分页和拆分以找到尽可能多的提交。 2. 丰富工作者从该表中读取数据，并填入我们在搜索中看不到的一些信息。添加/删除的行数和仓库信息就是这样添加的。 </code></pre> 目前读取这些提交时存在一些延迟，并且它仍在提取历史提交，这就是为什么最近的日期提交数量略低，以及为什么某些仓库还没有设置语言的原因。<p>我不能说它已经 100% 完成了——我仍然想改进数据摄取，并且我认为我可以从数据中提取更多信息——但我绝对喜欢查看我目前所拥有的内容。<p>如果你对我可以添加到仪表盘的内容有任何想法，或者你能想到我应该阅读的其他内容，请告诉我。<p>有关我的方法和回填作业演变的更多信息，请前往“关于”页面。:-)

有人知道 archive.is 中的 inject.js/heuristic.js 为什么会查找 Bitwarden 和 Datalane 的内容吗？ 如果在 Chrome 中启用“保留缓存”，你会发现这些文件会随着时间的推移而“消失”，但它们一直在进行多次请求。 有人知道这是为什么吗？