最新

我们是Bailey和Robbie，目前正在开发Klaus（<a href="https://klausai.com" rel="nofollow">https://klausai.com</a>）：一个开箱即用、安全且强大的托管OpenClaw解决方案。 运行OpenClaw需要设置云虚拟机或本地容器（这很麻烦），或者给OpenClaw提供对您机器的根访问权限（这不安全）。许多基本集成（例如Slack、Google Workspace）需要您自己创建OAuth应用。 我们通过为每个用户提供自己的EC2实例，并预先配置OpenRouter、AgentMail和Orthogonal的密钥，使得运行OpenClaw变得简单。同时，我们还提供OAuth应用，方便与Slack和Google Workspace集成。 我们都是HN的读者（Bailey在这里已经快10年了），我们知道OpenClaw存在严重的安全隐患。我们做了很多工作来提高用户实例的安全性：我们在私有子网中运行，自动更新用户运行的OpenClaw版本，并且由于您默认在我们的虚拟机上，唯一可能泄露的密钥属于我们。连接您的电子邮件仍然存在风险。我所知道的最佳防御是Opus 4.6，以抵御提示注入。如果您有更好的解决方案，我们非常乐意听取！ 在过去一个月中，我们学到了很多关于基础设施管理的知识。Kimi K2.5和Mimimax M2.5在想出新方法来破坏openclaw.json以及在EC2实例上造成混乱方面非常出色。在我们发布后的那一周，我们花了20多个小时手动修复故障的机器。 我们在用户的AGENTS.md中写了大量关于在AWS Linux上使用OpenClaw的最佳实践，熟练掌握了通过SSM修复EC2机器的技巧，为每个实例添加了命令与控制服务器以便于热修复和迁移，并设置了一个Klaus实例来回答Discord上的常见问题。 除了这些，我们还构建了ClawBert，这是我们的AI SRE，用于自动热修复OpenClaw实例：<a href="https://www.youtube.com/watch?v=v65F6VBXqKY" rel="nofollow">https://www.youtube.com/watch?v=v65F6VBXqKY</a>。Clawbert是一个Claude Code实例，当健康检查失败或用户在界面中触发时会运行。它可以读取该用户在我们数据库中的条目，并在用户的实例上执行命令。我们向用户公开Clawbert运行的日志。 我们知道，对于大多数HN读者来说，设置OpenClaw是简单的，但我保证对于大多数人来说并不是如此。Klaus还有很长的路要走，但看到从未使用过Claude Code的人首次体验AI代理仍然非常令人振奋。 我们的收费标准是：t4g.small每月19美元，t4g.medium每月49美元，t4g.xlarge每月200美元，并提供优先支持。您将获得一次性15美元的代币和20美元的Orthogonal积分。 我们希望了解您在OpenClaw上构建的内容，以便确保我们能支持它。我们已经与像Orthogonal和Openrouter这样的公司合作，他们正在开发使代理更有用的工具，我们相信还有更多我们尚未了解的工具。如果您构建了代理所需的内容，请告诉我们。欢迎评论！

嗨，HN，我创建了Ink，这是一个全栈部署平台，主要用户是AI代理，而不是人类。 我们都知道AI可以编写代码，但部署这些代码仍然需要人类来进行连接：托管、数据库、DNS和密钥。Ink直接为代理提供这些工具。 代理调用“部署”，平台会自动检测框架，构建它，部署它，并返回一个以*.ml.ink结尾的实时网址。这里有一个使用Claude Code的演示： [https://www.youtube.com/watch?v=F6ZM_RrIaC0](https://www.youtube.com/watch?v=F6ZM_RrIaC0)。 Ink提供了我在其他地方没有见过的功能： - 一个代理技能涵盖计算、数据库、DNS、密钥、域名、使用情况、指标、日志和扩展。代理不需要处理不同的服务提供商——一个账户、一个认证、一套工具。 - DNS区域委派。只需委派一个区域（例如dev.acme.com），代理就可以立即创建任何子域名——无需每次手动添加DNS记录，也不需要等待传播。 - 多个代理和人类共享一个工作空间并协作项目。我设想了一个未来，许多代理可以共同协作。我正在制作一个很酷的演示来分享。 - 内置的Git托管。代理可以推送代码并进行部署，而无需人类先设置GitHub。不需要外部账户。（当然，如果你是开发者，可以将代码存储在GitHub上——这是推荐的模式。） 你还会发现你所期望的功能： - 设计给人类使用的服务可观察性UI（日志、指标、DNS）。 - GitHub集成——推送触发自动重新部署。 - 按分钟计费的CPU、内存和出站流量。没有按席位计费，也没有按代理计费。 - 针对大型语言模型（LLMs）设计的错误响应。结构化的原因代码和建议的后续行动，而不是原始的堆栈跟踪。当部署失败时，代理会读取日志，修复问题，并自主重新部署。 试试吧：[https://ml.ink](https://ml.ink) 免费提供2美元的试用积分，无需信用卡。如果你想进一步尝试，这里有20%的优惠码“GOODFORTUNE”。

Thesys刚刚开源了他们的生成式用户界面渲染引擎。考虑到Google的a2ui和Vercel的json-render的发展方向，这个时机颇为有趣。值得注意的区别在于：a2ui和json-render都将JSONL视为大型语言模型（LLM）与渲染器之间的契约。而Thesys则认为这是错误的基础。他们的引擎使用类似代码的语法（OpenUI Lang）——由LLM编写，渲染器执行。其论点是，LLM在生成代码方面本质上比生成结构化数据更具优势，因此可以获得更干净的输出，并减少约67%的令牌使用量。 更广泛的愿景似乎是建立一个与模型无关、与设计系统无关的层，位于任何LLM与实际用户界面组件之间。用户可以自带组件和设计令牌，而引擎则负责将LLM的输出转换为渲染的界面——如图表、表单、表格和卡片。 作为一个类别，生成式用户界面仍在探索正确的抽象方式。这是对“JSON作为规范”这一观点的一个具体反对。

我本周深入研究了扩散语言模型，我认为这是目前人工智能领域中最被低估的方向。 自回归大型语言模型（LLMs）的核心问题： 如今的每个主要模型（如GPT、Claude、Gemini）都是一次生成一个标记，从左到右。每个标记都依赖于前一个标记。这一单一的架构限制塑造了整个人工智能行业： - 模型无法修改已生成的内容 → 我们构建了思维链、反思和多轮推理，迫使它们在“提交”之前进行思考。 - 每个标记只能进行一次前向传递 → 我们在推测解码、KV缓存和量化方面投入了大量资金，以使生成过程变得可接受。 - 无法在输出过程中进行编辑 → 我们构建了带有重试循环、工具调用和规划层的代理框架来绕过这一限制。 - 无法并行生成 → 我们构建了将多个缓慢调用串联在一起的协调系统。 我们今天所称的“人工智能工程”大部分都是围绕一个问题进行修补：模型无法回顾。 扩散语言模型颠覆了这一范式。它们从一个被遮蔽的标记画布开始，逐步并行地完善整个输出。每个位置同时更新，模型在每一步都能看到并编辑其所有输出。这一原理与图像扩散（如Stable Diffusion、DALL-E）相同，应用于文本。 我认为这一理论确实成立的原因： 1. 并行性是真实的，而非理论上的。Inception Labs的Mercury 2（闭源、基于扩散）已经在MMLU、HumanEval和MATH上的质量与GPT-4o mini相当，达到了约1000个标记每秒。这不是基准测试的技巧，而是因为没有受到顺序生成的瓶颈限制。 2. 复杂性大幅降低。如果模型能够一次性看到并编辑其整个输出，你就不需要我们构建的一半支架：反思提示变得原生（模型已经在自己的输出上进行迭代），重试循环变得不必要（就地编辑），规划代理变得更简单（模型可以重组，而不仅仅是附加）。整个架构变得扁平化。 3. 转换路径是存在的。你可以通过微调将现有的预训练自回归模型转换为扩散模型——无需从头开始预训练。这意味着已经在自回归预训练上投资的数十亿并没有浪费。这是一个升级路径，而不是重启。 目前的主要限制是：固定的输出长度。在生成开始之前，必须预先分配画布大小。块扩散（在顺序块中生成，在每个块内扩散）是一种解决方案。分层生成——先绘制大纲，再并行扩展各部分——是另一种方法。具有讽刺意味的是，协调这一过程需要一个代理，因此扩散并没有消灭代理，而是改变了它们的工作方式。 坦诚地说：开放的扩散语言模型在知识和推理方面仍然落后于同规模的顶级自回归模型。但Mercury 2显示出上限很高，转换结果令人惊讶地好，架构消除了整个类别的工程复杂性。我认为在一年内，我们将看到扩散模型与前沿自回归模型竞争，当那时，许多当前的工具（代理框架、提示工程技术、推理优化堆栈）将变得显著简单或不再必要。 在研究这一切时，我发现了dLLM，这是一个开源库，统一了扩散语言模型的训练、推理和评估。它提供了LLaDA、Dream、块扩散的配方，以及将任何自回归模型转换为扩散模型的工具。如果你想进行实验，这是一个不错的起点。 论文链接：[https://arxiv.org/abs/2602.22661](https://arxiv.org/abs/2602.22661) 代码链接：[https://github.com/ZHZisZZ/dllm](https://github.com/ZHZisZZ/dllm) 模型链接：[https://huggingface.co/dllm-hub](https://huggingface.co/dllm-hub)