最新

嗨，HN， 我正在构建一个名为 Restless 的命令行工具，旨在简化探索不熟悉的 API 的过程。 当你遇到一个新的 API 时，第一步通常会很慢：查找文档、定位 Swagger/OpenAPI，并理解端点结构。 Restless 尝试自动化这个发现过程。 示例： ``` $ restless scan https://api.github.com ``` Restless API 发现 扫描中： https://api.github.com 检测到 Swagger 已索引 142 个端点 认证 ├─ POST /login ├─ POST /refresh 用户 ├─ GET /users ├─ GET /users/{id} 仓库： [https://github.com/bspippi1337/restless](https://github.com/bspippi1337/restless) 欢迎反馈。

我的健康问题限制了我工作的能力。我开始将Claude Code视为一种辅助工具——不是在医疗文书的意义上，而是字面上的：它让我能够完成在正常工作环境中无法完成的事情。Observatory是在八天内建立的，因为这种合作方式对我来说变得可能。（我甚至使用Claude Code来写这篇文章——但只发布我觉得有共鸣的部分。）还有两篇相关的文章：关于递归方法论（<a href="https://blog.unratified.org/2026-03-03-recursive-methodology/" rel="nofollow">https://blog.unratified.org/2026-03-03-recursive-methodology...</a>）和806个评估故事揭示的内容（<a href="https://blog.unratified.org/2026-03-03-what-806-stories-reveal/" rel="nofollow">https://blog.unratified.org/2026-03-03-what-806-stories-reveal...</a>）。<p>我建立Observatory是为了自动评估Hacker News首页的故事是否符合联合国《世界人权宣言》的31项条款——之所以选择HN，是因为它的人为策划首页是少数几个能够通过故事的存在来反映质量，而不仅仅是传播性的源之一。它每分钟运行一次：<a href="https://observatory.unratified.org" rel="nofollow">https://observatory.unratified.org</a>。Claude Haiku 4.5负责全面评估；Llama 4 Scout和Llama 3.3 70B在Workers AI上进行轻量级的免费评估。<p>塑造设计的观察是：权利侵犯很少会自我宣布。一篇关于某公司“隐私优先方法”的文章可能出现在一个运行着十二个追踪器的网站上。有趣的信号不是一篇文章是否提到隐私，而是该网站的基础设施是否与其言辞相符。<p>每次评估运行两个平行通道。编辑通道评分内容对权利的表述：涉及哪些条款、方向、证据强度。结构通道评分网站基础设施的表现：追踪、付费墙、可及性、作者披露、资金透明度。二者的差异——SETL（结构-编辑张力水平）——往往是最具揭示性的数字。“说一套，做一套”，量化体现。<p>每次评估将可观察的事实与解释性结论分开（公平见证层，与fairwitness.bot的概念相同——<a href="https://news.ycombinator.com/item?id=44030394">https://news.ycombinator.com/item?id=44030394</a>）。你可以得到事实与推论的比例，并准确阅读模型引用的证据。如果某个评分看起来不对，跟踪链条并告诉我推论失败的地方。<p>根据我们对805个故事的评估：只有65%标明了作者——三分之一的HN故事没有命名作者。18%披露了利益冲突。44%假设具备专家知识（关于第26条的结构性说明）。科技报道的回顾性几乎是前瞻性的10倍：过去的伤害被广泛记录；预防讨论则很少。<p>有一个故事最能说明SETL：“一半的美国人现在认为新闻机构故意误导他们”（fortune.com，652 HN积分）。编辑：+0.30。结构：−0.63（付费墙、追踪、无资金披露）。SETL：0.84。一个关于人们为何不信任媒体的故事，来自一个自身基础设施展示了这一模式的媒体。<p>免费Llama模型的结构通道噪声较大——86%的评分集中在两个整数上。我正在探索的方向是：TQ（透明度指数）——二元、可计数的指标，不需要LLM解释（作者是否命名？引用的来源？资金是否披露？）。代码是开源的：<a href="https://github.com/safety-quotient-lab/observatory" rel="nofollow">https://github.com/safety-quotient-lab/observatory</a>——.claude/目录包含构建背后的认知架构。<p>找到一个评分看起来不对的故事，打开详细页面，跟踪证据链。最有用的反馈是：当链条从可辩护的证据得出可辩护的结论时，却仍然得出了错误的规范判断。这是我尚未解决的失败模式。我的背景是数学和心理学（本科），在软件领域工作了十年——足以构建这个，但不足以自信地认为方法论是可靠的。特别欢迎在心理测量学、自然语言处理或人权研究方面的专业人士。方法论、提示和15个故事的校准集在关于页面上。<p>谢谢！

大家好， 我一直在为自己开发投资工具，但总是遇到同样的问题： 大多数免费的金融API只提供价格数据和一些基本面信息，而内幕交易和13F文件要么更新延迟，要么被锁在相对昂贵的付费层级后面。 更让我困扰的是，很多数据并不是干净地获取的，而是通过抓取或结构不一致的方式获得的。 因此，我最终开发了自己的API，叫做finqual.app。 这里有几个可能相关的事项： - 数据直接从SEC的文件中提取 - 一旦文件发布就会立即更新 - 包含财务报表、内幕交易和13F文件 - 数据经过标准化和结构化（这样你就不必自己解析原始的SEC文件） - 每天提供100次免费的API调用 - 不需要信用卡 这基本上是结构化的SEC数据，无需自己处理EDGAR格式。 如果这里有人在构建仪表板、筛选器，或进行自己的基本面分析，欢迎提问或提供反馈。

我感觉由于人工智能，我失去了学习的能力。现在生成代码变得如此简单，以至于我觉得自己花时间专心去编写代码毫无意义。我深感悲伤，我们可能正在失去编程中的工艺性；当一个模型能在几秒钟内生成可用的东西时，理解基础知识似乎变得不那么重要。人工智能似乎将基础知识抽象化了。 有人可能会争辩说，这种情况一直存在。低级语言如C语言抽象了汇编语言和CPU架构；高级语言又抽象了低级语言；框架则抽象了一些基础知识。每一代人都在旧的抽象之上构建新的抽象。但人工智能带来了一个很大的不同。直到现在，每一个抽象都是经过工程设计的，并且是确定性的。你可以对其进行推理和追踪。而大型语言模型（LLMs）则是非确定性的。因此，我们不能将它们的输出视为另一层抽象。 我并不是说我们不能使用它们。我是说我们不能完全信任它们。然而，似乎每个人（或者说我所在的圈子）都在推动使用人工智能。例如，我真的想花时间学习Rust，但与此同时，我又害怕我所花费的所有努力和时间在未来会变得过时。而它可能变得过时的原因，可能并不是因为这些模型完美无缺，总是能生成高质量的代码；而是因为作为一个行业，我们会接受“足够好”，停止追求高质量。到目前为止，模型已经能够生成质量“足够好”的代码。 难道只有我有这种感觉，还是现在到处都是半成品的特性？每个产品都在更快地发布，但却有很多粗糙的地方。最近，我看到Claude Code使用了10 GiB的内存。它不过是一个文本用户界面应用。 别误会，我也经常使用人工智能。我喜欢我们可以如此轻松地尝试不同的事物。 作为一名开发者，我感到困惑和不知所措，我想听听其他开发者的看法。