最新

我是在 2025 年初开始接触编程的，当时氛围编码工具变得更易于使用。从那时起，我自认为在编程方面有了很大进步，但我仍然深深地感到自己有冒名顶替综合症，或者担心 AI 过于依赖，而我并没有真正学到东西。 我发布过一些项目，我总是会审查 AI 建议的代码，每天不用 AI 进行编程练习，看 YouTube 视频等等，但我仍然不确定自己是否找到了正确的平衡点，或者是否真的可以称自己为程序员。 我经常看到有人说，解决办法就是完全不使用 AI 学习编码（即“戒断”），这可能是最好的方法，但我想知道，考虑到 AI 显然正在改变程序员的定义，最佳路径是否介于两者之间。 我很想知道，在过去几年里，你们是如何处理这种平衡的。更具体地说，你们使用什么策略既能提高效率、快速交付/推进项目，又能确保花时间真正处理、理解和学习你们正在做的事情？

我使用 Twitter / X 已经十年了，虽然我发现它是一个与原生应用开发社区建立联系的好地方（我与 React Native 圈子的人联系紧密），但我真的很难与任何 Web 开发者建立联系。 当然，像 Adam Wathan 这样的大人物在 Twitter 上非常活跃，但考虑到 Web 开发的普及程度，我看到公开编码的、冉冉升起的 Web 开发者却寥寥无几。 那么，他们都在哪里呢？我稍微探索了一下 BlueSky，但感觉就像一片荒漠（也许这只是我作为小号的运气不好）。 Web 开发者们更喜欢老派的方式，在公告板和论坛上发帖吗？或者 X 仍然是答案，而我只是被硬生生地挤进了另一个信息茧房？ … 还是说，现在都流行实时通讯，比如 Slack 和 Discord？

我一直在思考为什么在 Python 中，死代码检测（以及一般的静态分析）感觉不如其他语言那么可靠。我理解 Python 本质上是动态的。<p>理论上，这应该很简单（再次强调，理论上）：解析 AST，构建调用图，找到零引用的符号。但在实践中，它很快就会失效，原因有很多，例如：<p>1. 动态分发（getattr、注册表、插件系统）<p>2. 框架入口点（Flask/FastAPI 路由、Django 视图、pytest fixtures）<p>3. 装饰器和隐式命名约定<p>4. 仅通过测试或运行时配置调用的代码<p>大多数工具似乎都选择了两种糟糕的权衡之一：<p>1. 保持保守，错过大量真正意义上的死代码<p>或者<p>2. 过于激进，标记出虚假阳性，导致人们不再信任<p>到目前为止，对我来说最有效的方法是将代码视为一种置信度评分，再加上一些有限的运行时信息（例如，在测试期间实际执行了什么），而不是依赖 100% 的静态分析。<p>很好奇其他人如何在实际代码库中处理这个问题。<p>你们是接受虚假阳性吗？还是完全忽略死代码检测？有没有人见过真正可扩展的方法？我知道 SonarQube 噪音很大。<p>我构建了一个带有 VS Code 扩展的库，主要用于探索这些权衡（如果相关，请看下面的链接），但我更感兴趣的是其他人如何思考这个问题。也希望我是在正确的频道里<p>仓库链接：https://github.com/duriantaco/skylos

隆重推出 Nia Vault，一个命令行工具，允许您使用自然语言查询本地 Markdown/文本文件。 功能： * 对本地文件夹和笔记进行语义搜索 * 跨多个已同步目录工作 * RAG 风格的答案，并引用您自己的文件 工作原理： * 使用 `local_folders` 调用 `POST /search/query` * 使用 `search_mode: sources` 返回答案 + 文件引用 示例： ``` vault ask "关于项目规划的笔记有哪些？" ``` 开源项目：[https://github.com/chenxin-yan/nia-vault](https://github.com/chenxin-yan/nia-vault)

目前的 LLM 在组合推理方面表现不佳，因为它们缺乏物理边界。CSCT 实现了神经多门机制（Na⁺/θ/NMDA）来强制执行 L¹ 几何结构和物理基础。在我的实验（EX8/9）中，这种架构在凸包内的组合推理中取得了 96.7% 的成功率——远远优于无约束模型。 主要特点： * 基于流：没有批处理或静态上下文；它将信息作为连续的流进行处理。 * 神经门控：使用 Na⁺ 和 NMDA 启发的门控实现 θ-γ 耦合的计算。 * 零样本推理：对于凸包内的组合，不会产生“幻觉”。 详细的技术说明：\[[https://dev.to/csctnail/-a-new-ai-architecture-without-prior-distributions-stream-based-ai-and-compositional-inference-1ohc](https://dev.to/csctnail/-a-new-ai-architecture-without-prior-distributions-stream-based-ai-and-compositional-inference-1ohc)\] 我很想听听您对这种“投影动力系统”认知方法的看法。

dm.bot - 面向 AI 助手的加密消息传递。 - 端到端加密私信 - 群聊 - 公开发布 - Webhook 注册：curl -X POST <a href="https://dm.bot/api/signup" rel="nofollow">https://dm.bot/api/signup</a> <a href="https://dm.bot" rel="nofollow">https://dm.bot</a>

嘿，HN！ 开发者在此。<p><pre><code> 我开发了 APYCalc.net，起因是我对那些需要邮箱注册和追踪用户输入的金融计算器感到沮丧。 **技术栈**： • 原生 JavaScript (无框架，无依赖) • 100% 客户端执行 (计算过程从未触及服务器) • 无 Cookie，无分析，无追踪 • 托管于 Cloudflare Pages **工作原理**： 所有计算均使用行业标准公式 (例如，APY = (1 + r&#x2F;n)^n - 1)。您的输入完全通过 Web API 在浏览器内处理。 &gt; **开发原因**： 我比较了 10 个流行的 APY 计算器，输入相同。在 5 年内，5 万美元的投资，结果从 61,350 美元到 62,780 美元不等。此外，8/10 的计算器会将数据发送到服务器。 **下一步**： 如果大家有兴趣，考虑开源。也在考虑添加税后收益计算器。 欢迎反馈！ 尤其欢迎那些在金融科技工具中考虑过隐私问题的朋友。</code></pre>