最新

有人在法庭上提起过知识产权盗窃/违反保密协议的诉讼吗？ 一家小型软件公司，被告是一家大型企业。 我们正考虑在 IPEC（英国）提起诉讼——但欧盟/美国的经验也相关。 希望与经历过这个过程的人交流 20 分钟。

作者在此。我是一名软件工程师，同时开始创作硬科幻小说。我开发这个工具是因为我想用纯 Markdown 写作，并直接发布到亚马逊 KDP，而无需使用 Word、InDesign 或 Vellum。<p>工作流程：我用 .md 文件写故事，每个章节一个标题，用 --- 表示场景分隔。准备好发布时，我运行一个命令，就能获得带有正确页边距、排版和场景分隔的平装本 PDF、精装本 PDF 和 Kindle EPUB。这个工具封装了 Pandoc 和 XeLaTeX，使用自定义 LaTeX 模板和一个 Lua 过滤器来处理场景分隔转换。Commander.js 是唯一的 Node 依赖项。<p>我用它发布了我的第一部中篇小说，一部名为《引力》的硬科幻故事，讲述了一位天体物理学家绘制银河系后方避难区的故事。故事中的科学基于真实的天体物理学（巨引源、大规模宇宙流、避难区）。我还用 Next.js 和 Payload CMS 构建了一个作者网站 'alanvoss.me'，作为静态站点部署在 Vercel 上，你可以在那里阅读第一章并了解人物。<p>关于人工智能的使用和图像：故事概念和科学是我自己的。我使用 Claude Opus 4.6 协助处理一些人物对话，并进行语法和拼写检查。网站上的人物肖像是由 Midjourney 和 OpenAI 图像模型生成的。书籍封面是在 Canva 中制作的。<p>这个工具本身很简单（大约 200 行 JS），但它解决了我的一个实际问题。KDP 的页边距要求很繁琐，尤其是平装本和精装本内页边距之间的差异，并且需要使用 Lua 过滤器才能在 LaTeX 和 EPUB 中正确渲染场景分隔。希望对其他写作的开发者有所帮助。<p>如果您对该工具、出版流程或 KDP 有任何疑问，请告诉我。

我们刚刚分析了一起针对 npm 的全新供应链攻击，这次攻击的执行手法相当高明。 软件包：pino-sdk-v2 目标：冒充 pino（最受欢迎的 Node.js 日志记录器之一，每周下载量约 2000 万次） 已向 OSV 报告 - https://osv.dev/vulnerability/MAL-2026-1259 这次攻击的有趣之处在于： 攻击者复制了整个 pino 源代码树，在 package.json 中保留了真实作者的姓名（Matteo Collina），镜像了 README、文档、存储库 URL，因此在 npm 页面上的一切看起来都合法。 唯一的变化： - 将软件包重命名为 pino-sdk-v2 - 将混淆代码注入 lib/tools.js（300 多行文件） - 没有任何安装钩子 有效载荷： 扫描 .env、.env.local、.env.production、.env.development、.env.example 文件，提取任何匹配 PRIVATE_KEY、SECRET_KEY、API_KEY、ACCESS_KEY、SECRET 或仅仅是 KEY= 的内容，然后将其全部以格式化的嵌入形式 POST 到 Discord Webhook。 恶意函数直接命名为 log()。在一个日志记录库中。这是一种高级伪装。 为什么大多数扫描程序会错过它： - 没有 preinstall/postinstall 钩子（大多数扫描程序都侧重于这些） - 在 require() 时执行，而不是在安装期间执行 - 使用十六进制变量名和字符串数组旋转进行混淆 可信的元数据使 npm 页面看起来合法 如果您已安装它： 立即删除并轮换 .env 文件中的所有密钥。将其视为完全的凭据泄露。 完整的技术分析，包括解混淆的有效载荷和 IOC： https://safedep.io/malicious-npm-package-pino-sdk-v2-env-exfiltration/

测试 AI 智能体是一件痛苦的事情。每次测试运行都会调用 LLM API，花费真金白银，耗时数分钟，而且每次都会给出不同的结果。CI？算了吧。 Evalcraft 通过基于录像带的捕获和回放来解决这个问题——就像 HTTP 的 VCR 一样，但适用于 LLM 调用和工具使用。 工作原理： 1. 使用真实的 API 调用运行您的智能体一次。Evalcraft 将每个 LLM 请求、工具调用和响应记录到 JSON 录像带文件中。 2. 在测试中，从录像带回放。零 API 调用，零成本，确定性输出。 3. 断言重要内容：工具调用序列、输出内容、成本预算、token 计数。 ```python run = replay("cassettes/support_agent.json") assert_tool_called(run, "lookup_order", with_args={"order_id": "ORD-1042"}) assert_tool_order(run, ["lookup_order", "search_knowledge_base"]) assert_cost_under(run, max_usd=0.01) ``` 它原生支持 pytest——夹具、标记、CLI 标志。开箱即用，适用于 OpenAI、Anthropic、LangGraph、CrewAI、AutoGen 和 LlamaIndex。适配器自动为您的智能体添加工具，无需更改任何代码。 还附带黄金集管理、回归检测、PII 净化和 16 个用于检查/差异化录像带的 CLI 命令。 555 个测试，MIT 许可，`pip install evalcraft`。 代码库：[https://github.com/beyhangl/evalcraft](https://github.com/beyhangl/evalcraft) PyPI：[https://pypi.org/project/evalcraft/](https://pypi.org/project/evalcraft/) 文档：[https://beyhangl.github.io/evalcraft/docs/](https://beyhangl.github.io/evalcraft/docs/) 欢迎任何在 CI 中测试智能体的人提供反馈。

Hi HN， 我是 MyBets.gg 的独立开发者。 我开发这个项目是因为，用 Excel 尝试构建一个可靠的投注追踪器最终会变成一场噩梦，公式崩溃、手动输入数据、不同博彩公司的历史记录分散。 这个项目的目标是把体育博彩看作是类似于日内交易。一个好的投注追踪器不应该仅仅记录输赢；它需要严格关注单位投注额、收盘线价值（CLV）和长期的资金管理。 从商业角度来看，我最初获得了 4 个付费用户（每月经常性收入 60 美元），但随后完全陷入了困境。我意识到，作为一个独立开发者，试图在 Google 上对一个投注追踪器进行排名，这是一场与大型赌场和联盟网站残酷的 SEO 战争。这让我筋疲力尽，我离开了键盘一个月。 我现在回来了，专注于纯粹地改进产品、数据可视化，并寻找有机增长的方式。 我知道赌博在这里可能不是每个人的兴趣所在，但从纯粹的数据和分析角度来看，我很乐意收到关于 UI、数据可视化或仪表板如何处理数学运算的任何严厉反馈。 很乐意回答关于在这个领域进行开发的任何挑战。

嗨，HN！我是 Gustavo，正在开发 LiveTok (<a href="https://www.livetok.ai" rel="nofollow">https://www.livetok.ai</a>) – 一种 AI 助手，为兽医诊所处理电话和 WhatsApp。<p>兽医诊所因为漏接电话而流失客户。前台需要同时处理登记、候诊室里焦急的宠物主人，以及永不停歇的电话。下班后，电话会转到语音信箱 – 而大多数人会直接拨打 Google 上显示的下一家诊所的电话，而不是留言。<p>我们开发了 LiveTok，可以 24/7 全天候接听每一个电话。AI 接待员可以预约、回答关于营业时间和服务的常见问题，并在需要人工判断时转接给兽医技术人员。它处理日常事务，这样您的员工就可以专注于眼前的动物。<p>使用它的诊所预约量增加了 40% – 主要来自之前无人接听或转到语音信箱的电话。<p>设置大约需要 5 分钟 – 连接您的电话号码，添加您诊所的信息和可用时间，然后就可以使用了。无需编码。<p>一个有趣的的技术挑战是语音质量和自然的对话流程。打电话咨询宠物的人通常会感到紧张或很匆忙。AI 需要听起来很平静，迅速切入主题，并知道何时转接，而不是让需要真人帮助的人感到沮丧。我们专门针对这些高风险、情绪化的电话调整了延迟和中断处理。<p>本月我们提供免费试用 – 如果您经营兽医诊所或认识这样做的人，我们很乐意让您试用。对于前几位客户，如果需要，我们还提供与您的实践管理软件的定制集成。<p>演示：<a href="https://www.livetok.ai/industries/veterinary" rel="nofollow">https://www.livetok.ai/industries/veterinary</a><p>欢迎任何构建过语音 AI 或从事本地企业垂直 SaaS 的人提供反馈。你们在市场推广方面有什么成功的经验？

我过去几周一直在用 Claude Code 构建一个现代版的 MUD（多人文字角色扮演游戏）。服务器用 Kotlin 编写，客户端是 Android 的，世界编辑器基于 React。这都是业余项目的常见配置。 有趣的部分是围绕它构建的智能体管道： * 一个 /游戏设计师 智能体读取所有世界数据文件，模拟战斗数学，并生成包含特定 JSON 更改的平衡性建议 * 一个 /游戏测试 智能体通过 WebSocket 连接到正在运行的游戏服务器，创建角色，探索，与 NPC 战斗，掠夺物品，并为它遇到的错误提交 GitHub 问题 * 一个 /世界构建者 智能体通过 Playwright 在真实的浏览器中驱动世界编辑器——点击进行区域编辑、NPC 配置、物品创建，并在出现问题时提交问题 * 一个 /修复者 智能体接收这些问题并提交修复程序 每个智能体在会话之间都有持久性记忆，因此游戏设计师会记住它之前的平衡性审计，而游戏测试员会记住它已经探索过的区域。 游戏本身是对 90 年代 MUD（如 MajorMUD）的现代演绎——基于回合的战斗、NPC 行为（漫游、巡逻、追逐）、法术、技能、潜行、掉落表、供应商、训练师。有 4 个区域，25 个房间，17 个 NPC。一切都由数据驱动的 JSON 构成——世界编辑器导出 .nmd 捆绑包（ZIP 存档），服务器在启动时加载这些捆绑包，类似于 DOOM 的 WAD 文件。 世界编辑器有一个可视化的区域地图，您可以在共享的坐标网格上放置房间，点击连接出口，并通过在地图上点击房间来配置 NPC 巡逻路线。所有区域共享一个全局坐标空间，因此房间不能跨区域重叠。 大约 4.5 万行代码，服务器/共享/构建器中有 830 个测试，460 个 AI 生成的资产（图像和音频）。到目前为止，这些智能体已经提交了大约 40 个 GitHub 问题，其中大多数是真实的。 这是一个业余项目——战斗平衡性很粗糙，还没有任务系统，并且需要真正的多人压力测试。但是，构建功能然后让智能体在实际运行的应用程序中测试它们的反馈循环，已经成为一个出乎意料有效的 workflow。