最新

我是一名受过专业训练的医学博士，目前从事临床遗传学工作。<p>与此同时，我断断续续地编程大约五年，并且曾在一家 IT 公司全职担任前端开发人员两年多。<p>尽管现在重返医学领域，我仍然不断地被编程所吸引。我喜欢构建事物、解决技术问题以及编写代码。<p>我正在努力寻找最佳的发展方向。一个选择是离开医学领域，再次全身心投入软件开发。但如果不能以某种方式将我的医学背景与我的技术技能结合起来，感觉有点浪费。<p>我主要对数据分析师的职业道路不感兴趣——如果可能的话，我更倾向于利用我的前端/全栈开发技能。<p>是否存在医学与软件开发有意义地交叉的职业道路？这里有人走过类似的道路吗？

我构建 µJS 是因为我想要 AJAX 导航，但又不想像 HTMX 那样冗长，也不想像 Turbo 那样有额外的开销。 它会拦截链接和表单提交，通过 AJAX 获取页面，并替换 DOM 的片段。只需一个 &lt;script&gt; 标签，一次调用 `mu.init()`。无需构建步骤，也没有依赖项。 主要功能：补丁模式（在一个请求中更新多个片段）、SSE 支持、通过 idiomorph 进行 DOM 变形、视图过渡、悬停预取、轮询，以及在任何元素上支持完整的 HTTP 动词。 它的大小约为 5KB (gzip 压缩后)，比 HTMX (16KB) 和 Turbo (25KB) 都小，并且可以与任何后端配合使用：PHP、Python、Go、Ruby，等等。 游乐场：<a href="https:&#x2F;&#x2F;mujs.org&#x2F;playground" rel="nofollow">https:&#x2F;&#x2F;mujs.org&#x2F;playground</a> 与 HTMX 和 Turbo 的比较：<a href="https:&#x2F;&#x2F;mujs.org&#x2F;comparison" rel="nofollow">https:&#x2F;&#x2F;mujs.org&#x2F;comparison</a> 关于项目的创建、原因和时间：<a href="https:&#x2F;&#x2F;mujs.org&#x2F;about" rel="nofollow">https:&#x2F;&#x2F;mujs.org&#x2F;about</a> GitHub：<a href="https:&#x2F;&#x2F;github.com&#x2F;Digicreon&#x2F;muJS" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Digicreon&#x2F;muJS</a> 欢迎讨论该项目。

一个用 SvelteKit 制作的优秀应用程序，用于可视化你的电脑内存和其他组件的糟糕状况。<p>它还包含了生产这些组件的公司的相关性图表。<p>我正在寻求反馈 (:

尽管我在LeetCode上表现出色，但在系统设计面试中却屡屡受挫。 问题不在于知识储备……而在于结构。 学习资源散落在各处，没有清晰的学习路径，也无法追踪我是否真正涵盖了所有内容。 因此，我创建了devwithsal.com，一个结构化的学习路线图，包含20个主题，并按正确的学习顺序组织： 基础 → 核心构建模块 → 设计模式 → 完整系统设计 每个主题都有针对面试场景的深入解释、精心挑选的资源，以及一个自我评估问题，用于测试真正的理解，而非被动阅读。 前3个主题免费：https://devwithsal.com 欢迎讨论内容或方法。

嘿，Hacker News，我开发这个工具是因为我一直拖延自己的 IAM 审查。<p>模式总是一成不变：打开 GCP 控制台，盯着 200 多个绑定，感到不知所措，关闭标签页，承诺下个月再做。然后重复。<p>虽然有扫描器，但它们会给你 500 条结果，却没有工作流程。你可以将你的 IAM 配置粘贴到 ChatGPT 中，获得一个不错的分析，但下个月你又得从头开始。你无法记住你做了什么决定，接受了什么，标记了什么。<p>Qarapace 可以做两件事：<p>1. 结构化的审查工作流程。它根据影响范围对身份进行排序，让你逐个进行审查：验证、标记、注释。就像 IAM 风险的收件箱清零。<p>2. AI 辅助分析。就像代码审查一样，但针对权限。它会根据最佳实践标记问题，并解释为什么某些内容存在风险。<p>与一次性 AI 分析的关键区别在于：决策会保留。每个月度审查都会基于差异进行工作。随着时间的推移，你会得到一个安全推理的审计跟踪，而不仅仅是一个快照。<p>技术栈：Angular、Firebase、Cloud Functions。每个客户提供他们自己的只读服务账号密钥（使用 Cloud KMS 加密，从不以纯文本形式存储）。<p>目前还处于早期阶段，我还是唯一的用户。正在寻求反馈，特别是来自任何进行（或避免）定期 IAM 审查的人。

不确定公司是如何应对这种情况的。像 Hackerrank 这样的平台在作弊检测方面做得不错，但仍然存在漏洞，比如使用辅助设备。<p>公司通常对这种作弊行为持容忍态度吗？他们是否选择在后期阶段（例如现场面试）处理这个问题？

一个约 3 MB 的 Rust 单一二进制文件，读取操作系统辅助功能树，并为每个 UI 元素提供 REST 端点。通过 JSON 即可点击按钮、输入文本、切换复选框等。 它也可以作为一个 MCP 服务器运行，因此 Claude/Cursor/Windsurf 可以直接控制任何桌面应用程序。 支持 Windows、Linux 和 macOS 系统。采用 MIT 许可证。

最近我一直在尝试一个小型的人工智能项目，并开始思考围绕提示、响应、模型调用等进行日志记录的问题。<p>对于传统系统，可观测性工具可以处理大部分这类问题，但对于基于大型语言模型（LLM）的应用程序，标准方法似乎不太明确，特别是当你需要适当的审计跟踪来进行调试或合规性检查时。<p>很好奇大家在生产环境中是如何处理这个问题的。<p>大家是主要构建自己的日志记录管道，还是有可靠的工具/平台可以帮助存储和审计 LLM 交互？