最新

十多年来，我一直在努力实现一个目标，这个目标让Claude Code经历了许多失败才得以实现。我们需要大科技公司的替代方案，而我们并没有付出足够的努力来实现这一点。在一个充斥着上瘾、高利贷和剥削的时代，现在是我们认真考虑替代方案的时候了。Proton等公司专注于隐私的个人服务，但进展缓慢，也许是有其原因。但那是一个人工智能尚未普及的时代。十年前，我坚信超级应用程序模型会成功，并且需要一个平台来促进这一点。今天我意识到，技术本身并不重要，关键在于从上到下的理念和执行。我放下了对技术完美的追求，试图整合一个解决方案，以应对我在科技上瘾中所面临的一些问题，多年来我在人工智能出现之前和之后多次重写和放弃这个项目。我耗尽了风险投资资金，烧毁了人际关系，也损害了一个开源项目中的社区信任。但这一切都是为了追求我认为必须存在的东西。我每天大约使用这个工具十次以上。每个人的使用场景不同，但对我来说，关键是将所有数字日常习惯集中在一个地方，然后在此基础上进行构建。我目前还无法替代自己使用谷歌邮箱，但我也看到了在私人邮箱和工作邮箱之间存在一种需求。 我还有很多想说的，但本质上，Micro和应用程序Mu（<a href="https://mu.xyz" rel="nofollow">https://mu.xyz</a>）是多年努力的结晶。它也是开源的。<a href="https://github.com/micro/mu" rel="nofollow">https://github.com/micro/mu</a>。请提供反馈，请批评它，请质疑我的理论。我并不寻求炒作。我真的只是认为我们需要一个大科技公司的替代方案。

我之所以开发这个工具，是因为在评估软件供应商时，我意识到这个过程在过去20年里没有变化：填写表格、阅读G2评论、参加旨在回避你真正问题的演示。 这个工具采取了不同的方法。你只需提供你的公司名称和正在比较的供应商，它会： - 自动研究你的公司——行业、规模、技术栈——这样你就不需要填写表格。 - 在评估任何内容之前，询问2-4个特定类别的问题，而不是泛泛而谈。比如在评估客户服务平台时，它可能会问：“你的团队是高接触还是低接触？大多数客户服务平台是为其中一种设计的，几乎不适用于另一种。”这些问题揭示了买家未曾意识到的需求。 - 尝试直接找到并与每个供应商的AI代理进行对话——通过REST API调用检查是否存在公司代理，如果存在，则进行结构化的尽职调查对话。 - 提出对抗性问题：“你的客户最常见的投诉是什么？”以及“你不适合的使用案例是什么？”——并在代理回避而不是回答时进行标记。 - 将每个供应商的声明与独立来源（如G2、Gartner、媒体报道）进行交叉引用，形成声明与证据表。 - 生成一个透明的评分卡，跟踪证据——每个评分显示它是基于供应商验证的证据还是仅基于公共来源。 代理与代理之间的对话在技术上是新的。当供应商有AI代理时，Claude（为买方工作）会直接询问它，然后对其回答进行事实核查。当供应商的证据水平不同时，这个工具会量化如果缺失的证据被确认，情况会发生什么变化——因此它不会默默偏向那些恰好有AI代理的供应商。 它对任何供应商都能完全工作，无论是否有AI代理。没有AI代理的供应商将根据公共来源进行评估，使用相同的评分框架。 我们在Salespeak开发了这个工具——我们帮助B2B供应商构建AI公司代理。所以，是的，这之间有联系：当代理找到供应商的公司代理时，它会使用我们的Frontdoor API与之对话。但这个工具在没有这个功能的情况下也确实很有用，我们希望对此保持诚实，而不是发布一个仅作为产品演示的工具。 该工具采用MIT许可证。要安装，只需向Claude Code请求：“从GitHub上的salespeak-ai安装buyer-eval技能。”然后使用/buyer-eval来运行它。觉得为AI代理安装技能的方式很合适。 代码库： [https://github.com/salespeak-ai/buyer-eval-skill](https://github.com/salespeak-ai/buyer-eval-skill) 欢迎就代理与代理之间的对话如何在技术上运作提出问题。

NerdFlair 是一个可配置的 Bash 状态行和铃声/旋转器包，适用于 Claude Code。还包括光标扩展（仅限铃声）。

嗨，HN。我是Ken，一名20岁的斯坦福大学计算机科学学生。我开发了Sup AI。 我开始做这个是因为没有任何单一的AI模型总是正确，但它们的错误并不强相关。换句话说，模型往往会相对于其他模型犯独特的错误。因此，我并行运行多个模型，并根据置信度对输出进行加权合成。输出的令牌概率分布中的低熵与准确性相关。高熵通常是幻觉开始的地方。 我的父亲Scott（TRI的AI研究科学家）是我的研究伙伴。他随时给我发论文，我们争论这些论文是否真的适用以及哪些修改是合理的，然后我进行构建和测试。熵加权的方法正是源于其中一次对话。 在我们对“人类的最后考试”的评估中，Sup的得分为52.15%。在同一评估中，最佳单一模型的得分为44.74%。这个相对差距在统计上是显著的（p < 0.001）。 方法论、评估代码、数据和原始结果： - [https://sup.ai/research/hle-white-paper-jan-9-2026](https://sup.ai/research/hle-white-paper-jan-9-2026) - [https://github.com/supaihq/hle](https://github.com/supaihq/hle) 局限性： - 我们评估了2,500个HLE问题中的1,369个（详细信息见上述链接）。 - 并非所有API都公开令牌的对数概率；当它们不公开时，我们使用几种方法来估计置信度。 我们曾尝试提供免费访问，但遭到严重滥用，几乎让我们无法继续。目前可持续的选项是5美元的启动信用，需进行卡片验证（不自动扣费）。如果您不想注册，可以在评论中留下提示，我会亲自运行并发布结果。 可以在 [https://sup.ai](https://sup.ai) 尝试。我的父亲Scott（@scottmu）也在这个讨论中。希望能收到直接的反馈，特别是在哪些方面对您有效，在哪些方面不足。 这是一个简短的演示视频：[https://www.youtube.com/watch?v=DRcns0rRhsg](https://www.youtube.com/watch?v=DRcns0rRhsg)