最新

嗨，HN， 我开发这个工具是因为我经常在共享办公空间工作或进行屏幕共享，我一直担心不小心将包含生产机密的 .env 文件展示给整个房间（或录制下来的内容）。 这是一个简单的 VS Code 插件，可以在自定义网格编辑器中打开 .env 文件。它会自动隐藏任何超过 6 个字符的值，这样我就可以安全地打开文件检查密钥，而不暴露实际的机密信息。 它完全在本地运行，没有任何依赖（我知道这些文件有多敏感）。它只会读取文件，渲染网格，并将其作为标准文本保存回去。 这个项目是开源的（MIT 许可证），我非常欢迎大家对遮罩逻辑或其他可以提高安全性的功能提出反馈。 市场链接： [https://marketplace.visualstudio.com/items?itemName=xinbenlv.dotenv-mask-editor](https://marketplace.visualstudio.com/items?itemName=xinbenlv.dotenv-mask-editor) GitHub 链接： [https://github.com/xinbenlv/dotenv-mask-editor](https://github.com/xinbenlv/dotenv-mask-editor)

我查阅了美国在向明尼苏达州派遣移民和海关执法局（ICE）之前的数据： 在美国生活的每35,385名移民中，大约有1名是生活在明尼苏达州的无证移民，并且有犯罪记录。 换句话说：明尼苏达州的犯罪无证移民人口占美国所有外籍居民的0.0028%。 第一步：从明尼苏达州的无证移民人口开始 • 明尼苏达州有130,000名无证移民（皮尤研究中心，2023年） 第二步：应用犯罪定罪率 • 使用1%的犯罪率：130,000 × 0.01 = 1,300人 第三步：与美国总移民人口进行比较 • 美国总外籍居民为46,000,000人。 • 1,300 ÷ 46,000,000 = 0.0028% = 1 in 35,385 估计范围 • 保守估计：1 in 45,365 (0.0022%) 使用来自经过同行评审的CATO研究所关于德克萨斯州无证移民的实证测量的0.78%定罪率。 ~1,014名犯罪无证移民在明尼苏达州 • 中等估计：1 in 35,385 (0.0028%) 使用1%的犯罪率，与边境逮捕数据一致。 ~1,300名犯罪无证移民在明尼苏达州 • 自由派估计：1 in 32,168 (0.0031%) 使用2024年对于有前科者的边境逮捕率1.1%。 ~1,430名犯罪无证移民在明尼苏达州 来源参考 皮尤研究中心 - 全国无证移民人口（1400万）： https://www.pewresearch.org/race-and-ethnicity/2025/08/21/u-s-unauthorized-immigrant-population-reached-a-record-14-million-in-2023 皮尤/Axios - 明尼苏达州无证移民人口（130,000）： https://www.axios.com/local/twin-cities/2025/08/25/minnesota-unauthorized-immigrant-population-pew USAFacts - 边境犯罪定罪率（约1%）： https://usafacts.org/answers/how-many-people-apprehended-at-us-borders-have-a-prior-criminal-conviction/country/united-states/ CATO研究所 - 定罪率研究（0.78%）： https://www.cato.org/sites/cato.org/files/2020-10/working-paper-60.pdf 移民政策研究所 - 美国总外籍人口（4600万）： https://www.migrationpolicy.org/content/immigrants-and-crime USAFacts - 明尼苏达州移民数据： https://usafacts.org/answers/how-many-immigrants-are-in-the-us/state/minnesota/ 结论：根据使用的犯罪率不同，明尼苏达州的犯罪无证移民人口占美国所有移民的比例在1 in 32,000到1 in 45,000之间。

嗨，HN——我是PolyMCP（MIT）的作者。 PolyMCP是一个用于模型上下文协议（MCP）的工具包/运行时：它帮助您构建MCP工具服务器（通过HTTP/标准输入输出将Python函数暴露为工具），连接多个MCP服务器，并运行能够协调它们的代理，提供便于部署的保护措施。 最新的更新主要集中在可靠性方面： - OAuth2（RFC 6749）：客户端凭据 + 授权码流程，刷新处理，基本重试 - Docker执行器清理修复（Windows + Unix） - 更好的技能/工具匹配 + 标准输入输出服务器支持 - CodeAgent异步处理 + 错误恢复 - 健康检查、结构化日志记录和速率限制 代码库：https://github.com/poly-mcp/Polymcp 如果您已经部署了MCP/代理系统：最常遇到的问题是什么（认证、速率限制、可观察性、沙箱）？ 我特别感兴趣的是OAuth2的边缘案例和容器生命周期问题。

嗨，HN，我们训练并开源了一个15亿参数的模型，能够预测你的下一个编辑，类似于Cursor。你可以在这里下载模型权重（<a href="https:&#x2F;&#x2F;huggingface.co&#x2F;sweepai&#x2F;sweep-next-edit-1.5b" rel="nofollow">https:&#x2F;&#x2F;huggingface.co&#x2F;sweepai&#x2F;sweep-next-edit-1.5b</a>），或者在我们的JetBrains插件中试用（<a href="https:&#x2F;&#x2F;plugins.jetbrains.com&#x2F;plugin&#x2F;26860-sweep-ai-autocomplete--coding-agent" rel="nofollow">https:&#x2F;&#x2F;plugins.jetbrains.com&#x2F;plugin&#x2F;26860-sweep-ai-autocomp...</a>）。 <p>下一个编辑的自动补全与标准的自动补全不同，它在预测补全时使用你最近的编辑作为上下文。这个模型足够小，可以在本地运行，同时在速度和准确性上超越了四倍于它大小的模型。 <p>我们在五个基准测试中对比了Mercury（Inception）、Zeta（Zed）和Instinct（Continue）：光标上方/下方的下一个编辑、跳转到远程更改的制表符、标准FIM和噪声度。我们发现精确匹配的准确性与实际可用性相关性最好，因为代码相对精确，解决方案空间较小。 <p>提示格式的影响超出了我们的预期。我们对30多种差异格式进行了遗传算法测试，发现简单的`original`/`updated`块优于统一差异格式。冗长的格式对于较小的模型来说更容易理解。 <p>训练使用了来自宽松许可库的约10万个示例进行SFT（4小时在8个H100上），然后进行了2000步的强化学习，结合tree-sitter解析检查和大小正则化。强化学习步骤修复了SFT无法处理的边缘情况，例如生成无法解析的代码或过于冗长的输出。 <p>我们开源了模型权重，以便社区能够为任何编辑器构建快速、保护隐私的自动补全。如果你正在为VSCode、Neovim或其他工具开发，我们非常期待看到你用它制作的作品！

你知道有什么库或工具可以用来检测运动模糊的照片吗？