最新

为了更好地说明背景，这个项目最初并不是作为一个大型独立发布来规划的。1月16日，Ollama 增加了对与 Anthropic 兼容的 API 的支持，我很好奇在实际操作中能推向多远。因此，我决定尝试将本地的 Ollama 模型直接接入 Claude Code 风格的工作流程，看看是否能真正实现端到端的功能。 以下是使这一切成为可能的 Ollama 发布说明：<a href="https://ollama.com/blog/claude">https://ollama.com/blog/claude</a> 从技术上讲，我所做的事情相对简单： - 检测 Ollama 中可用的本地模型。 - 当无法访问互联网时，客户端会自动切换到基于 Ollama 的本地模型，而不是远程模型。 - 从用户的角度来看，这与 Claude Code 的工作流程是一样的，只是由本地推理支持。 实际上，到目前为止，表现最佳的模型是 qwen3-coder:30b。我还测试了最近发布的 glm-4.7-flash，但它在可靠地遵循工具调用指令方面存在困难，因此尚不适用于这个工作流程。

基本上就是这个标题。背景是：我需要更换手机，同时也想借此机会思考一下我在手机操作系统中重视的方面（隐私和控制）与我在便利性方面的需求（应用程序可用性、无缝连接等）。<p>我正在收集意见，除了在这里问还有哪里合适呢？<p>你对移动操作系统的选择有什么经验或看法？你会推荐使用非主流操作系统版本的品牌吗（例如Fairphone）？

Three.js 最近推出了 TSL（Three.js 着色语言），这是一种用纯 JavaScript/TypeScript 编写着色器的方法，可以编译为 GLSL 和 WGSL。我构建了这个编辑器，以提供一个可视化界面，供 TSL 生态系统使用。它允许开发者为 WebGPU/WebGL 原型设计着色器，并实时查看结果。这是一个测试版发布，我希望能收到反馈。

嗨，HN！我们是来自星座空间的Kamran、Raaid、Laith和Omeed。我们构建了一个人工智能系统，可以在卫星链路故障发生之前预测其故障（<a href="https://youtu.be/069V9fADAtM" rel="nofollow">https://youtu.be/069V9fADAtM</a>）。 我们四人都在SpaceX、蓝色起源和NASA从事卫星操作工作多年。在SpaceX，我们负责Starlink的星座健康管理；在蓝色起源，我们参与了New Glenn的下一代测试基础设施的开发；在NASA，我们处理深空通信。我们发现同一个问题不断出现：当你注意到链路正在恶化时，往往已经丢失了数据。 核心问题在于卫星射频链路受到数十个相互作用变量的影响。一颗卫星从上方经过时，你需要预测链路在接下来的几分钟内是否会保持稳定。这取决于：轨道几何（仰角不断变化）、对流层衰减（湿度通过ITU-R P.676影响信号损失）、雨衰（通过ITU-R P.618计算，毫米/小时的降雨率直接转化为Ka波段及以上的分贝损失）、电离层闪烁（我们跟踪来自磁力仪网络的KP指数），以及网络拥堵等因素。 传统的方法是反应式的。操作员监控仪表板，当信噪比（SNR）降到阈值以下时，他们会手动重新路由流量或切换到备用链路。如今，轨道上有10,000颗卫星，预计到2030年将超过70,000颗，这种方法无法扩展。 我们的系统每秒接收大约100,000条来自卫星、地面站、气象雷达、物联网湿度传感器和空间天气监测器的遥测数据。我们实时运行基于物理的模型——完整的链路预算方程、ITU大气标准、轨道传播——来计算应该发生的情况。然后，我们在其上叠加机器学习模型，这些模型基于来自实际多轨道操作的数十亿数据点进行训练。 机器学习部分是最有趣的。我们使用联邦学习，因为星座运营商（可以理解）不想共享原始遥测数据。每个星座在自己的数据上训练本地模型，我们只聚合高层次的模式。这使我们能够在不同轨道类型和频段之间进行迁移学习——低轨道Ka波段链路的学习经验有助于优化中轨道或地球静止轨道的操作。 我们可以在3到5分钟内以超过90%的准确率预测大多数链路故障，这为在数据丢失之前重新路由流量提供了足够的时间。该系统完全容器化（Docker/Kubernetes），可以在隔离环境中本地部署，也可以在GovCloud（AWS GovCloud，Azure政府云）或标准商业云上运行。 目前，我们正在与国防和商业合作伙伴进行测试。仪表板显示实时链路健康状况，60/180/300秒的预测，以及根本原因分析（这是雨衰吗？卫星是否在地平线以下？拥堵吗？）。我们通过API公开所有功能——遥测接收、预测、拓扑快照，甚至提供一个大型语言模型聊天接口用于自然语言故障排除。 我们仍在努力解决的难点包括：预测准确性在较长时间范围内（超过5分钟）会下降，我们需要更多稀有边缘案例的标记故障数据，而联邦学习的设置需要在不同运营商的安全边界之间进行仔细协调。 我们非常希望听到任何在卫星操作、射频链路建模或大规模时间序列预测方面有经验的人的反馈。我们还缺少什么？在生产网络运营中心环境中，什么能让这个系统真正有用？ 欢迎提出任何技术问题！

昨天，我和一位朋友进行了长时间的电话交流，她是一位在科技招聘领域工作了十多年的招聘专员。<p>她并不是因为简历或面试而感到疲惫，而是因为工程师们仍然在像2021年那样进行谈判。<p>这就是所谓的“黄金泡沫”。<p>在这个泡沫中，每个前端工程师都是独角兽，每个职位的股权都高达四位数，这种泡沫依然影响着人们的期望。但如今的市场更像是……现实。<p>并不是说人才不被重视，而是价值的形态发生了变化。<p>那些对较低的股票授予或额外的办公室工作日感到不满的工程师们，想要公平并没有错……他们只是在依附于一个已经不存在或可能很快消失的世界。<p>我不相信投降，我相信重新校准。<p>当我们停止假装市场没有变化，开始问自己：我如何创造一个不依赖泡沫的职业？我该建立什么，不与单一的职位或公司的股价挂钩？<p>我今天交谈中最有趣的人，已经在平行思考：指导、写作、咨询、顾问、构建副项目、多元化，这不是出于恐惧，而是因为“一个工作=稳定身份”的旧叙事已经不再成立。<p>我很好奇：作为一名软件工程师，你是否有副收入？如果有，什么对你有效（或无效）？

有没有其他人遇到这个问题？<p>显然，“文件更改”标签现在的工作方式有所不同。我导航到这个标签，现在它不是指向 `/files`，而是指向 `/changes`。看起来非常相似，但有几点不同：<p>它一次只显示一个文件。我无法滚动查看所有内容，甚至无法搜索差异。这真让人抓狂。在较小的PR中，我仍然可以看到所有文件。<p>似乎这可能是由一个 viewcontent.github.com 的 cookie 设置的，但每次我在登录状态下删除它后，它都会重新出现。如果我尝试导航到 `/files`，它会重定向到 `/changes`。这显然与用户账户有关。当我未登录时，我仍然可以看到旧的 `/files` 页面。其他地方找不到关于这个问题的任何信息。

我正在为桌面平台（Windows/macOS/Linux）构建一个完全离线、本地优先的 TOTP 认证器。没有云服务，没有同步，没有遥测，没有外部依赖。所有数据都保留在本地机器上。 我为什么要构建它： 大多数双重身份验证（2FA）应用程序仅限于移动设备、闭源，或依赖于云同步。我希望有一个透明、可审计且原生于桌面的解决方案，特别是对于在多台机器或隔离环境中工作的用户。 主要功能： - 仅本地存储（AES-GCM + Argon2） - 加密保险库，无需外部服务 - 跨平台桌面应用 - 支持加密备份的导入/导出 - 开源，MIT 许可证 - 设计简单、可预测且可审计 最新动态： 该项目最近被纳入 Kilo OSS 赞助计划，这使我能够获得更好的工具用于代码审查和安全分析。这将有助于加速开发并提高代码质量。 链接： GitHub: [https://github.com/wrogistefan/desktop-2fa](https://github.com/wrogistefan/desktop-2fa) 网站: [https://desktop-2fa.org](https://desktop-2fa.org) 我希望获得以下方面的反馈： - 安全模型 - 威胁假设 - 用户体验（UX）在入门阶段 - 代码结构和可维护性 - 可能缺失的功能，以提高实用性 欢迎随时提问。

作为一个英俊的本地AI爱好者™，你可能注意到了大型语言模型（LLMs）的一个重大缺陷：<p>它们会撒谎。自信地撒谎。<i>一直都是。</i><p>我有自闭症，对基于氛围的工具极其过敏，所以……我做了一个东西。也许对你也有用。<p>这个东西：llama-conductor<p>llama-conductor是一个路由器，位于你的<i>前端</i>（例如：OWUI）和<i>后端</i>（llama.cpp + llama-swap）之间。它是本地优先的，但如果你指向OpenAI兼容的任何东西，它也可以进行通信（注意：实验性，所以结果可能会有所不同）。<p>LC是一个透明的盒子，使得整个堆栈表现得像一个<i>确定性系统</i>，而不是一个醉汉在讲述关于逃脱的鱼的故事。<p>简而言之：“我们信仰上帝，其他人必须提供数据。”<p>三个例子：<p>1. 知识库机制（markdown, JSON, 校验和）<p>你将“知识”保存在磁盘上的简单文件夹中。将文档（`.txt`, `.md`, `.pdf`）放入其中。然后：<p>* `>>attach <kb>` — 附加一个知识库文件夹 * `>>summ new` — 生成带有<i>SHA-256来源</i>的`SUMM_<i>.md`文件，并将原始文件移动到子文件夹中<p>现在，当你问类似的问题时：<p>&gt; “嘿，1982年Commodore C64的零售价格是多少？”<p>……它只会从附加的知识库中回答。<p>如果事实不在其中，它会明确告诉你，而不是随便编造。例如：<p>&gt; 提供的事实表明Commodore 64的推出价格为595美元，并降至250美元，但未具体说明1982年的零售价格。Amiga的定价和时间线在提供的事实中也没有详细说明。 &gt; &gt; 缺失的信息包括Commodore产品线在1982年的确切零售价格，以及当时销售的具体型号。 &gt; &gt; 信心：中等 | 来源：混合<p>没有氛围。只有：这里是你文档中的内容，这里是缺失的，不要让自己陷入愚蠢的境地。<p>然后，如果你对摘要满意，你可以：<p>* `>>move to vault`<p>2. Mentats：证明或拒绝模式（仅限Vault）<p>Mentats是针对你的<i>策划</i>来源的“深度思考”管道。<p>* 没有聊天历史 * 没有文件系统知识库 * 没有Vodka * <i>仅限Vault的基础</i>（Qdrant）<p>它运行三次传递（思考者 → 批评者 → 思考者）。故意设计得很慢。你可以审计它。如果Vault中没有相关内容？它会拒绝并告诉你去找别的事做：<p>最终答案： 提供的事实不包含关于Acorn计算机或其1995年售价的信息。<p>来源：Vault 使用的事实：无 [扎尔多兹已发言]<p>此外，是的，它会写一个mentats_debug.log。你可以随时查看。<p>流程基本上是：<p>附加知识库 → 总结 → 移动到Vault → Mentats。<p>没有神秘成分。没有“相信我，兄弟，嵌入。”<p>3. Vodka：在有限预算下的确定性记忆<p>低配电脑有两个经典问题：金鱼记忆 + 上下文膨胀，导致你的显存崩溃。<p>Vodka在不增加额外模型计算的情况下解决了这两个问题。<p>* `!!` 逐字存储事实（磁盘上的JSON） * `??` 逐字回忆它们（TTL + 触碰限制，以免记忆变成垃圾场） * <i>CTC（Cut The Crap）</i> 硬性限制上下文（最后N条消息 + 字符限制），以避免在400条消息后显存激增<p>所以，而不是：<p>&gt; “记住我的服务器是203.0.113.42” → “明白了！” → [100条消息后] → “127.0.0.1 ”<p>你得到的是：<p>&gt; `!! 我的服务器是203.0.113.42` &gt; &gt; `?? 服务器IP` → <i>203.0.113.42</i>（带有TTL/触碰元数据）<p>而且由于上下文保持在边界内：稳定的键值缓存，稳定的速度，你的低配电脑不再哭泣。<p>---<p>在自述文件中还有更多（很多更多），但我已经在这篇帖子中过度自闭了。<p>简而言之：<p>如果你想让你的本地LLM在<i>不知道的时候闭嘴</i>，并在<i>知道的时候出示凭证</i>，来试试它：<p>* <i>主要（Codeberg）：</i> [<a href="https://codeberg.org/BobbyLLM/llama-conductor" rel="nofollow">https://codeberg.org/BobbyLLM/llama-conductor</a>](<a href="https://codeberg.org/BobbyLLM/llama-conductor" rel="nofollow">https://codeberg.org/BobbyLLM/llama-conductor</a>) * <i>镜像（GitHub）：</i> [<a href="https://github.com/BobbyLLM/llama-conductor" rel="nofollow">https://github.com/BobbyLLM/llama-conductor</a>](<a href="https://github.com/BobbyLLM/llama-conductor" rel="nofollow">https://github.com/BobbyLLM/llama-conductor</a>)<p>PS：抱歉关于AI的糟糕图片。我画得很糟糕。<p>PPS：一位有自闭症谱系障碍的人用Notepad++写了这篇文章。如果格式或语言有些奇怪，你现在知道原因了。*