一周热榜

“持续学习”被认为是大型语言模型（LLM）的“阻碍因素”之一：它们无法在工作中学习，也不会随着时间的推移而改进等等。特别是，Dwarkesh Patel将其描述为需要解决的一系列问题，才能实现通用人工智能（AGI）。 许多学术文章提出了针对LLM的某种记忆系统，这可以被认为是一种“持续学习”的形式。但大多数评估都侧重于记忆事实，而这并没有什么用处（通过工具使用来获取事实比将其存储在神经记忆中更好），而且这些提议可能不太适合常见的LLM API使用模式。 在本文中，我提出了一种“新”方法，称为“技能胶囊”，它非常实用，易于理解和评估，并且可能很好地集成到现有的工具中。 技能胶囊是一个具体对象——基本上是一堆向量。你可以将其插入到LLM上下文的中间某处，它可以提高特定技能的性能，例如，使工具调用更可靠，使用特定的写作风格、编码风格等。理论上，它可用于修补任何LLM的不足之处。一个胶囊可以包含知识（例如，如何调用特定的API或编写涉及特定库的代码）。 技能胶囊可以使用来自_单个示例_的单次前向传递来生成，不需要梯度或“微调”。因此，它可能允许LLM“在工作中学习”——即，只需一次演示如何正确执行某项操作，就可以用来创建一个胶囊。 你可能会问——为什么是“Show HN”而不是学术文章？因为研究人员已经知道这种方法——它被称为“软提示”、“超网络”、“转向向量”、前缀调优等。所有这些术语都很糟糕，并没有传达这种方法的可能性。我只是希望更多的人知道LLM可以即时改进。而一个更好的术语——“技能胶囊”——可能有助于人们思考如何应用这些技术（我希望如此）。 另一个是“Show HN”的原因是： ``` * 它表明人们可以在几天内使用Claude Code和花费几美元来支付GPU费用来完成一个很酷的ML实验 * 一个关于我如何到达那里的有点有趣的故事 ```

安全产业复合体兜售各种虚假的“氛围”。严重性徽章。仪式性的扫描。然后，在真相大白的那一刻，它拒绝了简单而成熟的问题：你真的能攻破它吗？ Shannon 说了“是”。它做了不合时宜的事情：尝试利用漏洞，提供收据，或者闭嘴。没有漏洞利用，就没有报告。这句话抹杀了仪式感的一半，以及所有的迷信。 Shannon Uncontained 是为那些不需要容器来运行 Node，不总是有源代码，并且不效忠于任何单一 LLM 供应商的人准备的。它原生运行。它支持 Claude、GPT-4.1，支持通过 GitHub 模型连接，以及本地模型（Ollama/llama.cpp/LM Studio）。 当您只有 URL 和权限时，它会爬取、指纹识别并组装伪代码——一个结构化的路由、输入和流程模型——然后将其交给相同的“先利用后报告”的流程。少一些花哨的仪式，多一些实际的影响。 这是一个真正意义上的渗透测试工具： 如果它无法让漏洞奏效——shell，XSS 弹窗，身份验证绕过，SSRF 访问——它就不会将其记录为“真理”。 它将您的混乱映射到 OWASP Top 10，为审计人员输出 SARIF 格式，为人类输出 JSON/HTML 格式，并保留一个实际的证据审计跟踪，而不是一份忏悔。 它无需容器伪装即可融入 CI/CD，因为“便携式”不应该意味着“围绕 JavaScript 封装的假 Linux”。 是的，语气是具有对抗性的。那是因为默认状态是自满。“我们运行了扫描器”是一首摇篮曲。如果您的应用程序可以被攻破，您的流程应该在其他人发现之前就找到它。 如果您对伪代码的想法感到反感，太好了——请告诉我它在哪里失败了。如果您认为它有用，请告诉我您希望在 CI 中设置哪些安全措施（超时、范围限制、身份验证流程）。无论哪种方式，前提都成立：没有概念验证的怀疑，就像用 YAML 编写的占星术。 代码库：[https://github.com/steake/shannon-uncontained](https://github.com/steake/shannon-uncontained)