一周热榜

大多数应用都在囤积你的数据。LastChance 则会删除它。这是一个极简主义的日记，旨在通过损失厌恶来治愈拖延症。你只有 60 秒的时间写下一句话。错过一天？你的整个历史将被永久抹去。无需登录。没有云端。没有“稍后保存”。只有你、一个计时器，以及失去你的故事的风险。别再等待完美的时刻。在这一天消失之前，就将钉子钉入时间的墙壁。

我们一直在使用 AI 工具进行开发，并注意到目前还没有一种好的方法来管理团队中的 MCP 服务器，或者了解实际流向 LLM 提供商的数据。谁在运行什么？哪些工具是经过批准的？什么数据流向何处，或者在 AI 网站上共享了什么？ 因此，我们构建了 CyberCage (<https://cybercage.io>)。 它的功能： MCP 管理 — 自动或手动发现 MCP 服务器，并带有审批工作流程。管理整个组织允许的 MCP 服务器（精确到单个工具）。安全的 MCP 目录（与 GitHub 的 MCP 目录集成）。 运营 — 管理整个组织允许的 AI 应用程序。完整的审计日志（提供 Splunk 集成）。通过 Slack、Teams、Webex、webhook 进行通知。 支持的工具： AI IDE：Claude Code、Cursor、VS Code、Windsurf、Antigravity。低代码平台：n8n（原生集成）。 正在进行内测： 针对已配置 AI 域的设备端网络代理。针对 PII 和敏感内容的内容检查。数据包元数据异常分析。 即将推出： BYOLLM（自带模型进行检查）。浏览器扩展。 观看演示：<https://youtu.be/Zy7XhkQkUlk> 我们构建它的目的是为了在不减慢团队速度的情况下，实现对 AI 工具的可见性和控制。 附：我们计划在 CyberSmol v1.0 准备就绪后将其开源——这是一个为 AI 威胁检测而微调的小型模型。 欢迎提问 ♥

由于对本地图像标记和描述工具的明显缺乏感到沮丧，我构建了一个简陋的小工具。你启动它，同时启动 llama-server，然后指向一个照片目录。它会逐个扫描照片，为它们生成标题，并在一个可编辑的界面中提供标题和标签供你修改。当你满意后，可以保存它们，这会将它们写入图像的 exif 元数据，然后继续处理下一张照片。

我是 Netrinos 的创始人。我构建了一个基于 WireGuard 的网状 VPN，因为远程访问一直是个难题。在经历了多年的 SSH 隧道、IPsec 的头疼问题，以及 SSH 日志的恐怖经历之后，我想要一些更简单的方式：安装、登录、完成工作。<p>Netrinos 在您的设备之间创建一个类似局域网的覆盖网络。连接通过 WireGuard 直接 P2P，没有中央服务器路由流量。每个设备都有一个稳定的 IP 和 DNS 名称 (pc.you.netrinos.com)。当直接连接失败时，它们会回退到中继服务器，该服务器仍然进行端到端加密。我们无法查看您的流量。<p>要解决的最具挑战性的问题是 NAT 穿透。UDP 打孔在大多数情况下都有效。其余的是对称 NAT、CGNAT 和串行 NAT 的混合。我们使用 STUN 风格的发现和中继回退来处理边缘情况。我惊讶于低端 ISP 路由器的不可靠性，以及为了在简洁、简单的用户体验背后隐藏这些问题需要多少技术奇思妙想。<p>我们的技术栈包括用于客户端和服务器的 Go 后端、用于 Linux 和 Windows 的 WireGuard 内核模式（macOS 是用户空间），以及用于跨平台 UI 的 Wails.io。WireGuard 负责所有繁重的工作。Go 将所有内容连接在一起。<p>常见的用例包括：远程桌面到家庭电脑、访问 NAS 而无需暴露它，以及 SSH 到无头 Linux 盒子。一位客户管理着现场的数百个物联网设备，从而无需处理客户的路由器。<p>我们刚刚发布了 Pro 版本，具有多用户、访问控制和远程网关路由功能。Personal 版本是免费的（最多 100 个设备）。<p>我很乐意听取您对简单网状 VPN 的期望，当前工具缺少什么，以及您的远程访问设置中缺少什么。使用代码 HNPRO26 即可免费试用 Pro 版 30 天。<p><a href="https://netrinos.com" rel="nofollow">https://netrinos.com</a>

我一直在开发一个小型工具，旨在减少在氛围编码工作流程中的提示摩擦。<p>实际上，大量的迭代来自于未充分指定的提示：缺少约束、范围不明确、隐含假设或意图混杂。这个工具接受对您想要构建的内容的粗略、自然语言描述，并将其改写成一个更明确、结构化的提示，其中包含更清晰的需求和上下文，然后再将其发送给模型。<p>重点在于：<p>明确意图、约束和假设<p>减少提示流失和微迭代<p>提高首次输出质量，特别是对于非技术构建者<p>它主要围绕氛围编码用例（快速原型设计、AI 辅助构建）设计，并且最适用于 Lovable/Claude 风格的工作流程，尽管在概念上它是与模型无关的。<p>非常感兴趣收到技术反馈：<p>提示规范化/重构是您认为有价值的东西吗？<p>您是通过系统提示、微调还是运行时提示转换来解决这个问题的？<p>对于更复杂或长上下文的任务，它在哪里失效？<p>欢迎提出批判性意见。

我们正在构建万亿参数模型，并通过字符串拼接的方式将上下文信息塞入其中。 我一直很沮丧的是，“上下文工程”这个词到处都是，但没有人明确说明它到底是什么意思。框架定义了工具循环，但留下了未定义的注入点。 这是一个关于上下文工程基础设施应该是什么样子的提案： * 可渲染的上下文组件（工具以不同的方式服务于UI和模型） * 可查询的对话（带有物化视图的事件流） * 反应式注入（基于对话状态触发的规则） * 注入队列（优先级、批量处理、去重） * 可钩挂的架构 博客文章：[https://michaellivs.com/blog/context-engineering-open-call](https://michaellivs.com/blog/context-engineering-open-call) 代码库（早期设计阶段，寻找合作者）：[https://github.com/Michaelliv/context-engine](https://github.com/Michaelliv/context-engine) 对这个方向的反馈很感兴趣，特别是：规则应该如何表达——DSL还是代码？现有框架的正确集成界面是什么？