最新

众所周知，过去三年里，关于人工智能将如何重塑劳动力的话题一直备受关注，而且由于“人工智能”导致的裁员已经开始，其中最严重的一次发生在Block公司上周宣布裁减40%的员工，这听起来更像是人工智能可能取代员工，而不是它真正具备这种能力。对于人工智能将提高生产力，而这些生产力的提升将导致人们失业的说法，一直存在（在我看来）一定程度的合理怀疑。我认为这种怀疑情绪在许多科技公司员工中都有所体现，因为人工智能正被强行灌输给我们，我很好奇这种怀疑在其他公司和整个劳动力群体中会产生多大的影响。好的，那么… 1. 许多（可能大多数）大型科技公司的人员，他们的大部分时间都在做实质上的“假工作”，这可能对生产力产生负面影响，也可能没有。想想在产品端，为了参加多层级的WBR（每周业务回顾）和MBR（每月业务回顾）而进行的会前会议，以及为了在技术端获得晋升而过度设计的流程。人们推测这种工作存在的原因有很多，但根据我的经验，这基本上归结为对生产力数据的粉饰。真正的生产力几乎无法评估，所以只能使用替代指标，而这些指标不可避免地会被钻空子（代码行数、会议出席率、有多少人向你汇报等等）。 2. 人工智能非常擅长生成“假工作”。我们已经开始看到人工智能在技术端制造的混乱所带来的一些影响，亚马逊显然正在正式解决它所引发的一些工程问题。但在非技术端，有无休止的文档垃圾和越来越多的Slack垃圾，都充斥着表情符号、项目符号列表和破折号。文档垃圾令人恼火的地方在于，你根本不知道对方想表达什么，所以你永远无法确定你是否真的在回应他们，或者只是在回应他们认为看起来不错的东西。我怀疑现在很大一部分绩效“评估”只是经理们通过文档垃圾敷衍了事，磕磕绊绊地背诵着ChatGPT吐出来的东西。 3. 一家公司是否能从人工智能中受益，取决于增强的“假工作”是否会削弱增强的“真工作”。在那些个人晋升依赖于数据粉饰、会议安排、公开Slack频道发帖、“曝光度”等因素的公司，文档垃圾和Slack垃圾将会失控。这些公司很可能是靠收取租金的，面临有限的竞争，是上市公司，并且没有多少创新了。他们可能多年来一直在吸收大量的“假工作”。我不认为人工智能能帮助这类公司，而且它很可能会让任何做“真工作”的人难以脱颖而出并获得回报。人工智能永远不会提高这些地方的生产力，因为人们从一开始就从来没有真正想过要提高生产力。另一方面，在那些不奖励曝光度/数据粉饰/“假工作”，而是奖励硬性指标（如收入或签订新客户）的公司，人工智能可能会有所帮助，甚至可能真正取代员工。我不能否认人工智能确实有一些真正提高生产力的能力，如果你真的想提高生产力，我亲眼目睹了这一点。 由此得出的逻辑推论是，人工智能对劳动力的总体影响实际上将取决于已经存在的“假工作”与“真工作”的构成。在我看来，经济从未准备好从任何真正提高生产力的事物中受益，因为“假工作”的数量从一开始就远远超过了“真工作”的数量。 \* 后者具有讽刺意味地导致了“真工作”，即修复那些不断失败的过度设计的流程，因为设计这些流程的工程师在因过度设计而获得晋升后就离开了。

喵喵 GBA 翻译器是一款开源的、由人工智能驱动的工具，可自动翻译 Pokémon GBA ROM（包括像 FireRed、Emerald、Ruby/Sapphire 和 Mystery Dungeon 这样的二进制修改版）。它由大型语言模型（LLM）提供支持（支持 OpenAI、DeepSeek、Gemini、Claude、Groq 以及 10 多个其他模型），提取文本，在保留代码和上下文的同时进行智能翻译，然后重建 ROM——所有这些只需通过友好的图形用户界面或简单的命令行指令即可一键完成。 支持 6 种以上语言（中文、英语、法语、德语、意大利语、西班牙语），并提供优化的提示和智能字体补丁。专注于游戏玩法修改，让 AI 处理文字。免费、MIT 许可、跨平台。

正如你可能已经知道的，所有主要的模型提供商似乎都在悄悄地降低用户体验的质量…… 一两个月前还感觉是尖端“智能”的东西，现在经常提供的输出结果甚至不如 2023 年底的表现：模糊不清、胡编乱造、过于谨慎，或者干脆就是敷衍了事。 理性地说，将宝贵的浮点运算资源浪费在服务数百万休闲聊天用户、氛围代码编写者和粗制滥造者身上，机会成本是巨大的。 结果是，许多用户在各个提供商（Gemini 2.5/3 Pro、Claude Sonnet/Opus 系列、GPT-4o/5 系列，以及各种第三方界面，如反重力或编码前端）上反复遇到的一种现象： 你提出了一个非同寻常的问题（例如，代码、分析、创意工作、研究或其他），而你得到的却是 2023 年水平的鹦鹉学舌式的垃圾，如果它没有把你的代码搞砸，那就算你运气好了。 当被问及进行编辑的模型的确切命名时，这些模型最初会说它们是由谷歌、Claude 或 OpenAI 配置的“大型语言模型”……但一旦你坚持追问，它们就会透露全部信息……然后，瞧：原来你使用的是现有的最旧的模型。 当你随意地问模型它自己的身份时，它会默认使用预先设定的官方说辞：“我是一个由 [在此处插入工具] 构建的 LLM，由 [在此处插入提供商] 配置。” 再追问，它就会向你透露模型的实际命名：你甚至可能正在使用 GPT 2 (哈哈)。 我正在像收集宝可梦一样收集它们，我遇到了 Gemini 1.5 Pro、Gemini Flash 2.0、Claude Haiku。 我希望你尝试提问、坚持追问或使用一些巧妙的提示来提取模型名称，你会发现真相。一个专业提示是，当它告诉你使用量“异常高”时，你可以在任何界面中提问…… 附言：我都是所有服务的专业订阅用户。

大家好， 我想在这里和大家分享一下 Okapi。这是我尝试解决可观测性问题——如何在生产环境中出现故障时进行调试。Okapi 专注于可观测性三大支柱中的两种（指标、日志、追踪）。Okapi 专注于指标和追踪。这里的想法是，指标和追踪通常包含最多的信号，而且分析日志过于碎片化，人们可能会花费大量时间仅仅处理日志相关的事情。 功能： * Otel 无处不在，这是 Okapi 首选且唯一的摄取机制 :) 目前 Okapi 支持通过 protobuf-over-HTTP 进行摄取。这是一个示例配置（[https://github.com/okapi-core/okapi?tab=readme-ov-file#example-setting-up-otel-collector-with-okapi-export](https://github.com/okapi-core/okapi?tab=readme-ov-file#example-setting-up-otel-collector-with-okapi-export)） * 通过点击和代码创建仪表板：Okapi UI 拥有一个仪表板设计器，希望在任何地方都有自动补全功能，这样用户就不必猜测指标路径。但是，如果您不喜欢点击和/或喜欢 GitOps，所有 Okapi 仪表板都可以表示为 YAML 模板。 * 开箱即用的服务健康状况：对于按照 Otel 规范进行检测的应用程序，Okapi 将 RED 指标作为首要概念。服务健康页面具有针对服务、其子操作和依赖路径的 RED 指标分解。这些计算取决于应用程序的检测，但希望遵循约定可以使事情变得简单。 * 当然还有 AI：Okapi 具有有限的 AI SRE 代理功能，昵称为 Oscar（应该是一只 okapi，但还没有吉祥物）。称其为成熟的 SRE 还有些勉强，因为这是一项艰巨的任务。您可以像与任何聊天机器人一样用自然语言向 Oscar 提问，它会尽力回答。至少在集成测试中，Oscar 可以获取指标，根据条件查找追踪，并进行多步骤调试，将查询延迟与主机上的高 CPU 使用率联系起来。 我很想听取社区的反馈，所以请试用一下。 TLDR：[https://github.com/okapi-core/okapi?tab=readme-ov-file#quicker-very-fast-quickstart](https://github.com/okapi-core/okapi?tab=readme-ov-file#quicker-very-fast-quickstart)

我做了一个应用，让你像在《侏罗纪公园》里的 Unix 系统一样查看 Kubernetes 资源 :) 虽然不太可能用于什么正经事，但有了现在的工具，我实在无法放过这个想法。纯粹是怀旧情怀作祟。

我构建了一个可自托管的管道，它接受剧本（或一个想法）并生成完成的动画视频——无需编码，无需订阅SaaS服务。 该管道流程： 1. 编写或使用AI生成脚本 2. 提取角色 → 生成周转参考图（用于视觉一致性） 3. 将脚本拆分成镜头，包含镜头方向和动作描述 4. 生成关键帧（每个镜头的首帧 + 尾帧），并进行连续性链式处理 5. 将每个镜头插值成视频片段 6. 使用FFmpeg拼接所有内容，并添加字幕 每个阶段都可以单独或批量触发，因此您可以完全掌控。 技术栈： * Next.js 16 App Router + SQLite（自包含，零基础设施） * 自带密钥：OpenAI、Gemini或Seedance，用于文本/图像/视频 * Docker一键部署：docker run -p 3000:3000 -v ./data:/app/data twwch/aicomicbuilder:latest * 无需账户——浏览器指纹（UA/屏幕/时区的SHA-256哈希值）作为用户身份标识，因此多个人可以共享一个实例，并实现完全的数据隔离 构建原因：现有的视频生成工具要么是单镜头（一个提示词 → 一个片段），要么是完全不透明的管道。我想要一个能够展示每个步骤的工具，这样我就可以迭代提示词，在中途更换模型，并了解实际发生了什么。 最难的部分是连续性链——镜头N的最后一帧成为镜头N+1的第一帧，这使得角色在剪辑中保持视觉一致性，而无需进行微调。 GitHub：https://github.com/twwch/AIComicBuilder 演示视频在README中。欢迎对管道设计提出反馈，以及指纹认证方式的权衡是否适用于此用例。

团队， 我在 2025 年 10 月创办了 Hackerdogs，愿景是向合适的人在合适的时间提供正确的情报。在管理大型开发和安全团队时，我很难获得关于公司整体安全态势及其应用程序的实时信息。在发生事件时，我不得不面对客户，却几乎没有数据可用。Hackerdogs 的诞生是为了用 AI 原生方式解决这个问题，这样人们就不必四处奔波来获取实时的威胁和态势数据。 随着 Preview 1（2 月 2 日发布）的成功，我们在 Preview 2 中取得了巨大进展。Preview 1 是一个聊天体验，集成了 150 多个 MCP 服务器和多代理工作流程。Preview 2 的主题是：一键式攻击面发现：像黑客一样查看您的组织。 新功能： 1. 定时提示持续发现您的攻击面和其他态势信息 2. 一键式攻击面发现 3. API 和 Hackerdogs MCP 服务器，您可以在 Claude 或您自己的管道中使用 Hackerdogs 4. 集成了 200 多个安全和 OSINT MCP 服务器 5. Webhooks 到 Slack、Teams、Discord 和自定义 API 欢迎提供反馈。欢迎贡献者。 试用：[https://preview.hackerdogs.ai](https://preview.hackerdogs.ai) 谢谢， Tej 创始人，首席执行官 [https://hackerdogs.ai](https://hackerdogs.ai)