最新

有 3 个事实颠覆了我对求职的认知： 1. 好的职位（尤其是入门级职位）每周会收到 3000 份简历。 2. 招聘人员仍然按时间顺序查看申请人。 3. LinkedIn 与公司 ATS（申请人跟踪系统）的同步会延迟 6 小时以上。 为了利用这里的市场低效性，我开发了 Scoutify。它会监控 1250 多家公司，根据你的职位偏好在 5 分钟内向你发送职位信息。 你先申请，就能先被看到，获得更多面试机会。我刚刚在 iOS 上发布了这款应用，非常希望得到反馈 :) 我相信这里的大多数人已经很容易找到机会了，但也许你认识的人在求职方面需要帮助。

<a href="https://github.com/scanset/CI-Runner-ESP-Reference-Implementation" rel="nofollow">https://github.com/scanset/CI-Runner-ESP-Reference-Implement...</a> 上个月我发布了 ESP，这是一个合规引擎，其中策略是数据，而不是代码 [1]。这是 CI/CD 的实现。 问题：CI 中的安全工具（Semgrep、Syft 等）会产生发现结果，但没有证据。当你的审计员问“证明你正在扫描漏洞”时，你又得回到截图和日志导出了。 这个 runner 封装了你的安全工具并生成了已签名的证明： ``` 策略 (哈希) → 工具执行 → 发现结果 (哈希) → Sigstore 签名 ``` 它与仅仅运行 Semgrep 的不同之处在于： - 受限执行：工具通过白名单执行器运行，而不是 shell - 基于合约：策略声明要检查什么，合约定义如何检查 - 签名输出：CI 中无密钥的 Sigstore，用于开发的本地密钥 - SSDF 映射：证明引用特定的 NIST 实践 (PW.7.2, PS.3.2) 示例证明： ```json { "policy": { "id": "sast-no-critical", "hash": "sha256:..." }, "execution": { "ctn_types": ["sast_scan"], "duration_ms": 5462 }, "outcome": "pass", "findings_hash": "sha256:...", "signature": { "algorithm": "sigstore-oidc", "key_id": "github-actions" } } ``` <a href="https://scanset.io" rel="nofollow">https://scanset.io</a>

有没有操作系统能为用户提供私密会话？我的意思是，没有历史记录、日志或追踪。我是一名记者，正在撰写一篇敏感报道，需要绝对的安全/保密。我已经使用 TOR 进行互联网访问，想知道是否有完全私密的操作系统。

嘿，Hacker News 社区，完整的故事都在页面里，但这里是 TL;DR（太长不看）： 我 35 岁了，不知怎么的，我失去了读完文章的能力。我会打开文章，读 2-3 段，然后分心，关掉标签页，感觉自己像个失败者。我的“稍后阅读”列表变成了一个堆满 2000 多篇未读文章的坟场。 我尝试了一切——专注应用、阅读模式、屏蔽扩展程序。但都没用。然后我意识到，“也许问题不在我”。现代网络文章的设计是为了吸引点击量，而不是为了让人理解。侧边栏、弹出窗口、相关文章、评论区——一切都被优化来分散你的注意力。 所以我开发了 Parsely。它一次只显示一段，模糊其他所有内容。简单得蠢。但它奏效了。我终于又能读完文章了。 技术栈：WXT 框架、TypeScript、Mozilla Readability（与 Firefox 阅读器视图相同）、Shadow DOM 用于样式隔离。 代码采用 MIT 许可证：[https://github.com/TeamOliveCode/parsely](https://github.com/TeamOliveCode/parsely) 很乐意回答关于实现的问题，或者一起吐槽我们集体注意力的问题！

在过去的两年里，我们已经从“带有工具的 LLM”发展到真正具有自主性的系统，它们可以规划、反思、委派、重试，有时甚至会以一种让人感觉与初级工程师非常接近的方式给我们带来惊喜。生态系统发展得如此之快，以至于框架的选择现在对你的智能体能够和不能实现的功能产生了有意义的影响。 以下是一位在多个技术栈上构建、破坏和重建智能体的工程师从实践角度进行的比较，侧重于实际行为而非基准测试。 首先，是重大转变。在 2024 年，框架主要围绕提示和工具调用。到了 2026 年，真正的差异化在于框架如何对时间、记忆和失败进行建模。那些无法在长时间范围内进行推理或从自身错误中学习的智能体，无论在演示中提示工程看起来多么巧妙，都会在实际工作负载下崩溃。 基于 LangGraph 风格的 DAG（有向无环图）的智能体仍然受到希望控制和可预测性的团队的欢迎。这种思维模型很清晰。状态流是显式的。调试感觉就像调试软件而不是心理学。缺点是真正开放的行为会与图结构发生冲突。你可以构建自主性，但你始终意识到限制。 面向团队的框架在问题可以清晰地分解为角色时表现出色。研究员、规划者、执行者、评审员在业务工作流程中仍然表现出色。当任务变得模糊时，这种魔力就会消失。角色边界会泄漏，协调开销的增长速度快于预期。这些框架在清晰度而非涌现性方面表现出色。 AutoGPT 的后继者终于吸取了无界循环不是一个功能的教训。现代版本增加了预算、目标衰减和自我终止标准。如果调整得当，它们会感觉充满活力。如果调整不当，它们仍然会消耗 token，同时自信地做着错误的事情。这些系统奖励那些像理解提示一样理解控制理论的团队。 2026 年最有趣的类别是“记忆优先”框架。这些系统将记忆视为一等公民，而不是一个附加的向量存储。情景记忆、语义记忆、工作记忆，所有这些都具有明确的读写策略。这些智能体会在几天内不断改进，而不仅仅是在对话中。代价是复杂性。你不再仅仅是在构建一个智能体，而是在策划一个思维。 一个安静但重要的趋势是框架边界的瓦解。最强大的团队会混合搭配。图结构用于安全关键路径。自主循环用于探索。人类检查点不是作为一种后备方案，而是作为一种设计的认知中断。那些抵制组合的框架正变得越来越过时。 对 2026 年剩余时间的预测。胜出的框架不会宣传自主性。它们会宣传可恢复性。你可以多容易地检查智能体的信念、它行动的原因以及如何在不重新开始的情况下纠正它。未来属于那些可以犯错但不会变得无用的智能体。 各位 Hacker News 的读者，很好奇大家看到了什么。不是哪个框架在理论上最好，而是哪个框架在实际应用中生存下来，并让你对智能的实际运作方式有了不舒服的了解。