最新

监控所有代码代理的状态，了解哪些正在等待您的输入。使用 Rust 编写，并依赖 tmux。

过去几年里，我试用了市面上大多数流行的个人理财应用，但最终都放弃了。 对我来说，主要原因有： * 核心功能被隐藏在付费墙之后 * 用户体验臃肿，或者过度优化以推销产品 * 部分应用的年费超过 100 美元 * 需要使用多个独立的工具（预算、追踪、投资），需要手动同步，而且通常没有像样的移动端应用 我正在作为一个副业项目，开始开发一个开源的个人理财工具，因为我想要一个能长期坚持使用的东西。 在确定错误的设计之前，我很乐意听取其他人的意见： * 你为什么停止使用理财应用（如果你使用过的话）？ * 哪些功能是必备的，哪些是锦上添花？ * 是什么让一个工具对你来说“好用”——或者根本不好用？ 如果这感觉是多余的，或者已经有更好的解决方案，也欢迎提出。

我们已在 Google Gemini-3 Flash 上验证了 Sigma Runtime 架构 (v0.4.12)，确认无需重新训练或微调模型即可实现长时程身份控制和稳定性。 该系统在 220 轮对话中保持了两个截然不同的人格（“藤原”，一位冷峻的江户时代浪人，和“詹姆斯”，一位严谨的英国分析师）的稳定平衡。这表明认知一致性和语调一致性可以在运行时控制，而不是在模型权重中控制。 与编排提示的 LangChain 或 RAG 框架不同，Sigma Runtime 将模型视为一个具有可测量漂移和平衡参数的动态场。它应用实时反馈——在需要时注入熵或一致性校正——以维持身份并防止漂移和固化。其效果类似于 RLHF 风格的微调，但它是外部进行的，并且与供应商无关。 这使得应用逻辑与任何特定的 LLM 提供商解耦。相同的运行时行为已在 GPT-5.2 和 Gemini-3 上得到验证，接下来计划进行 Claude 测试。 我们使用“藤原”或“詹姆斯”等叙事身份，因为他们的语言风格使得稳定性易于通过肉眼验证。如果运行时可以保持这些身份 100 轮以上，它就可以维护任何结构化身份或代理语调。 运行时版本 ≥ v0.4 为专有版本，但该架构在 Sigma Runtime 标准 (SRS) 下是开放的： [https://github.com/sigmastratum/documentation/tree/main/srs](https://github.com/sigmastratum/documentation/tree/main/srs) 一个可复现的早期版本 (SR-EI-037) 可以在这里找到： [https://github.com/sigmastratum/documentation/tree/bf473712ada5a9204a65434e46860b03d5fbf8fe/sigma-runtime/SR-EI-037/code](https://github.com/sigmastratum/documentation/tree/bf473712ada5a9204a65434e46860b03d5fbf8fe/sigma-runtime/SR-EI-037/code) 受 DOI: 10.5281/zenodo.18085782 监管——非商业实现完全开放。 HN 讨论重点： – 运行时级别 vs 权重级别控制 – 模型无关的身份稳定性 – 基于反馈的抗固化 – 认知一致性可以标准化吗？

最近，我想看看自己是否能用 C++ 编写一些严肃的代码。<p>结果是，我用 C++ 重新实现了 Andrej Karpathy 的 nanochat 的推理部分（<a href="https://github.com/karpathy/nanochat" rel="nofollow">https://github.com/karpathy/nanochat</a>），基于 ggml 构建。与 llama.cpp 不同，这并不是一个独立的二进制文件；它是一个 C++ 库和 Python 封装器，旨在替换 nanochat 管道中的一些核心类。为了方便使用，我尽量减少了依赖项：只有 ggml、nanobind 和 gtest 用于单元测试。<p>功能和限制：<p>- 可以直接替换 nanochat 的 `GPT` 和 `KVCache` 类。到目前为止，我只用 `chat_web.py` 进行了测试。你可以在这里看到它是如何集成的：<a href="https://github.com/k-ye/nanochat/pull/1" rel="nofollow">https://github.com/k-ye/nanochat/pull/1</a><p>- 支持 CPU 和 GPU（Metal 支持，CUDA 应该也可以）。<p>- 根据需要自动处理 PyTorch 到 GGUF 的转换。<p>- 目前仅支持 float32。<p>基准测试：<p>在 M3 Max (Metal) 上，吞吐量大约是原始 PyTorch 实现的 1/3。我还没有对代码进行性能分析，但我怀疑瓶颈是缺少 bf16 支持。<p>动机：<p>- 再次编写有意义（且有趣）的 C++：我过去在各种科技公司工作时，每天都要花很多时间在 C++ 上。如今，使用它进行个人项目的机会很少，因为很难找到一个能真正发挥 C++ 优势的用例。<p>- 测试“Vibe Coding”能力：我目前的大部分工作都在 UE5 中进行。具有讽刺意味的是，旨在帮助非程序员的蓝图，在 LLM 时代却成为了一个瓶颈…… 诚然，AI 代理让我产生了一些 FOMO，我想看看 AI 是否能从头开始处理一个复杂系统的低级 C++ 实现。<p>- 了解 LLM 的内部结构。<p>为什么选择 nanochat？<p>它恰好处于“金发姑娘”区：足够流行，具有相关性；足够简洁，具有教育意义；足够实用，值得用 C++ 进行认真的实现。<p>如果你像我一样——一个来自旧时代的底层工程师，对 LLM 和/或 AI 编码感到有些威胁——我认为 nanochat 是一个很好的参考。随意地摆弄它是一种很好的方式，可以揭开这项技术的神秘面纱。我在实现过程中严重依赖了 Claude Code (CC)。总的来说，我对这次体验印象深刻，并且感到非常高兴。<p>欢迎提问、提出反馈或进一步讨论 AI 编码！