最新

我不是技术专家，也不在科技行业工作，因此这是一个外部观察者的视角。关于通用人工智能（AGI）的市场宣传承诺了斯皮尔曼的g：一种能够适应新问题、未见问题的通用流动智能。然而，工程方面——特别是“专家混合模型”和独立模块——看起来与J.P.吉尔福德的智力结构完全相同。吉尔福德将智力视为大约150种具体的、独立的能力的集合。 问题不仅在于这些部分是如何拼接在一起的。我看到的问题是：当模型面临一个不符合其预定义部分的问题时，会发生什么？他们将如何确保输出不会显得支离破碎，而架构又依赖于在专门“专家”之间切换，而不是使用统一的推理核心？ 具体技能的集合（吉尔福德）与适应任何事物的能力（斯皮尔曼）并不相同。通过优化特定组件，我们正在构建一个在已知任务上表现出色的系统，但可能在真正的通用智能所需的流动推理方面根本缺乏能力。我并不是反对人工智能；我只是觉得我们可能需要重新审视我们的做法。我们不能指望在错误的高速公路上到达正确的目的地。

我已经使用Claude Code运行长时间的编码代理大约六个月了。Steve Yegge在十月份发布了Beads，我发现为Claude提供适当的任务跟踪工具是一个巨大的突破。然而，Beads在短时间内迅速增长，每次发布都使其变得更加缓慢和令人沮丧。我开始每周多次与它斗争，因为它的后台守护进程在错误的时间同步错误的内容。 在假期期间，我终于将其移除，并编写了ticket作为替代。它保留了我真正关心的核心概念（基于图的任务依赖关系），但去掉了其他所有内容。 ticket是一个基于coreutils的单文件bash脚本，用于管理平面文件。当你有awk时，不需要用SQLite对所有内容进行索引。它只是一个小型的管道工具，能够让你专注于工作。 我很想听听大家对不足之处的反馈。我是为自己的代理工作流程构建这个工具的，所以可能还有一些用例我没有考虑到。

这真是一些深刻的内容，我觉得我做得很好。如果你们在Digg上，我想你们知道我对“事情”的看法。宇宙牛仔们，咱们在网络上见！

嗨，HN！我是一名独立开发者。我使用 SvelteKit 和 Cloudflare D1 构建了这个项目。它结合了人工智能回答和社区问答。目标是提供一个无毒、全球可访问的平台。它甚至为私密问题提供了端到端加密。我很想听听大家对边缘数据库性能的看法！

论文（PDF）：<a href="https://github.com/shudv/deltasort/blob/main/paper/main.pdf" rel="nofollow">https://github.com/shudv/deltasort/blob/main/paper/main.pdf</a> <p>我一直在探索一种排序问题的变体，其中排序例程知道自上次排序以来哪些索引已被更新。</p> <p>这种情况在许多实际系统中都会出现：大型排序列表被频繁读取，以小批量更新，并且更新管道已经知道哪些位置发生了变化（例如，用户界面列表、排行榜）。尽管如此，大多数系统要么重新对整个数组进行排序，要么进行独立的二进制插入，或者执行提取-排序-合并。</p> <p>在这篇论文中，我提出了 DeltaSort，这是一种增量修复算法，适用于这种更新感知模型——它能够高效地将多个更新批量处理在一起，避免完全重新排序。初步实验表明，Rust 实现的 DeltaSort 在更新批量大小达到 30% 时，相较于重复的二进制插入和原生排序（sort_by）实现了多倍的速度提升。</p> <p>我主要希望从曾在排序、数据结构或系统方面工作过的人那里获得技术反馈： 1. 我是否遗漏了已经解决该模型或技术的先前工作？ 2. 基准线和比较是否合理？我们是否可以使用更好的（更严格的）基准线来比较 DeltaSort？ 3. 在我使用的基准测试之外，这在实际系统中看起来有多有用？</p> <p>谢谢——很高兴讨论细节！</p>