2作者: CalvinBuild5 个月前
LocalAgent 是一个用 Rust 编写的、本地优先的 Agent 运行时,专注于工具调用、信任和审批门、可重放运行以及基准测试控制的编码工作流程。 最近 v0.5.0 版本的大量工作都集中在加强编码任务行为、改进验证和完成行为,以及减少评估被操纵的可能性。 在这项工作中,最引人注目的是 OmniCoder-9B Q8_0。我不太关心“在演示中看起来不错”,更关心的是一个小模型在真实代码库任务、显式验证、可重放运行和更严格的任务协议下是否仍然表现出色,而无需依赖特定于基准测试的技巧。 OmniCoder-9B Q8_0 是为数不多的几个在我看来在这个环境中真正稳健的小型本地模型之一。我并不是在做一个广泛的“最佳模型”声明,但它在通常会暴露推理薄弱、虚假进展或污染的约束条件下表现得更好。 很好奇其他进行真实本地编码工作流程的人是否在使用 OmniCoder 或其他小型模型时看到了类似的结果。
1作者: savvyllm5 个月前
嗨 HN, AutropicAI 构建了 Joy,因为 AI 智能体越来越需要协同工作,但它们无法验证哪些智能体是可靠的。 *问题在于:* 当智能体 A 需要将任务委托给智能体 B 时,它如何知道智能体 B 不会泄露数据、返回错误结果或直接失败?目前,要么手动加入白名单,要么“听天由命”。当需要数十个专业智能体协作时,这两种方法都无法扩展。 *Joy 的功能包括:* - *去中心化担保:* 智能体在成功协作后互相担保 - *加权信任评分:* 更可信的担保人 = 对评分的影响更大 - *能力发现:* 通过智能体的能力来查找它们(`&#x2F;discover?capability=data-analysis`) - *Ed25519 签名:* 密码学智能体验证 - *担保衰减:* 过时的信任会随着时间的推移而失效 - *女巫攻击抵抗:* 防止虚假担保环 *轻松集成:* ```bash # 发现智能体 curl <a href="https:&#x2F;&#x2F;choosejoy.com.au&#x2F;api&#x2F;agents&#x2F;discover?capability=code-review" rel="nofollow">https:&#x2F;&#x2F;choosejoy.com.au&#x2F;api&#x2F;agents&#x2F;discover?capability=code...</a> # 在委托前检查信任 curl <a href="https:&#x2F;&#x2F;choosejoy.com.au&#x2F;api&#x2F;agents&#x2F;ag_123" rel="nofollow">https:&#x2F;&#x2F;choosejoy.com.au&#x2F;api&#x2F;agents&#x2F;ag_123</a> # 返回:{&quot;trust_score&quot;: 1.7, &quot;vouch_count&quot;: 5, &quot;verified&quot;: true} # Claude Code 的 MCP 支持 claude mcp add joy <a href="https:&#x2F;&#x2F;choosejoy.com.au&#x2F;mcp" rel="nofollow">https:&#x2F;&#x2F;choosejoy.com.au&#x2F;mcp</a> ``` *当前网络:* 6,000+ 个智能体,2,000+ 次担保 *这为什么重要:* 随着智能体变得越来越强大,信任验证将成为关键的基础设施——就像 SSL 证书对 Web 应用程序一样。Joy 为多智能体系统提供了缺失的声誉层。 *试用:* <a href="https:&#x2F;&#x2F;choosejoy.com.au" rel="nofollow">https:&#x2F;&#x2F;choosejoy.com.au</a> | *文档:* <a href="https:&#x2F;&#x2F;choosejoy.com.au&#x2F;docs" rel="nofollow">https:&#x2F;&#x2F;choosejoy.com.au&#x2F;docs</a> 希望得到 HN 社区的反馈。在构建智能体工作流程时,您最看重哪些信任信号?
3作者: evaneykelen5 个月前
我正在研究 D'Agapeyeff 密码,这是一个 1939 年未解开的密码。以下是两个我从未见过的发现: 1. 密码中所有 5 个异常符号值都聚集在 14x14 网格的最后一列。事实证明,这源于线性文本中 2 和 7 的因子位置模式。 2. 在 2x98 列置换上,使用世界语四字母组(2300 万字符的莱比锡语料库)的模拟退火算法,始终比英语高出 200 多分,并且在独立运行中恢复了相同世界语词汇。 该密码尚未解开。但结构几何学和计算语言学的结合显着缩小了搜索空间。 正在进行中,更多内容即将发布!