最新

我相信最近有人发布了一种用于在安全沙箱中运行编码代理的安全封装/包装器。我找不到这个项目。<p>当然，我可以使用 systemd-nspawn、kata 或 bspawn 自己制作一个封装器，但我记得不久前看到过一个维护得相当好的项目。有人有建议或链接吗？在 GitHub 上找到东西变得非常困难，因为生成的项目太多了。

我开发了TraceAIO，这是一个开源工具，可以代表您向大型语言模型（LLM）发起请求，并告诉您ChatGPT、Perplexity和Gemini是否提到了您的品牌，以及哪些竞争对手和来源出现了。<p>是的，这个领域有点像早期的搜索引擎优化（SEO），有些投机的味道。我认为随着时间的推移，它将再次变成SEO，最终关注的还是优质内容。这个工具只是帮助您随时间监控。<p>它通过真实的浏览器会话查询浏览器产品，而不是通过API，运行在Docker上，并配有MCP服务器，以便您可以通过LLM查询自己的数据。<p>没有商业模式，采用Apache 2.0协议，自托管。如果您使用住宅代理而不是在本地运行浏览器，我会通过推荐获得几美分，甚至不足以覆盖我的令牌成本。<p>演示（无需注册）：<a href="https://demo.traceaio.org" rel="nofollow">https://demo.traceaio.org</a> — admin@example.com / adminadmin<p>代码：<a href="https://traceaio.org" rel="nofollow">https://traceaio.org</a><p>这是一个长时间间歇的项目，终于很高兴能展示出来。欢迎反馈。

多年来，我一直在处理许多复杂、难以记忆或输入繁琐的 shell 命令。我通过 shell 别名、笔记和谷歌搜索来管理这些命令，但别名对参数的支持不佳，笔记难以搜索和组织，而不断地搜索命令也让人感到疲惫。我希望能有一个工具，能够轻松回忆起不常用的命令，并快速输入繁琐的命令。 CmdBox 允许你使用尖括号语法（如 <host> 或 <port>）存储带有命名变量的命令，并在运行时提示你输入值，或者让你存储值以便在多个命令中重复使用。它还支持在其他命令中嵌套命令，使用 <cmd:command-name> 的形式，这样你可以构建可重用的模块，而不是重复逻辑。 它还支持一些其他功能：每个命令的存储执行上下文（工作目录、shell、环境变量和超时）以及运行时重写，作为脚本执行的多行命令模板，基于标签的组织和过滤，跨命令的基于字段搜索，命令共享的导入和导出，以及可配置的全局设置（包括 shell、输出捕获、颜色等）。 该工具是用 Python 编写的，可以通过 pip 安装为 cmdbox-cli，并且支持 Linux、macOS 和 Windows。 我非常希望能得到关于这个概念、设计、功能或其他任何方面的反馈，也乐意回答任何问题。

简而言之：我创建了一个Python包，使得运行自主的自动定理证明器（例如，Aristotle、Numina-Lean-Agent、Claude Code等）变得简单，只需执行以下命令：<p>open-atp prove Lemma.lean result/claude<p>我在2022年作为本科生时上过一门形式验证的课程。构建Coq中的证明并知道我的陈述得到了形式验证，这种感觉令人非常满意。然而，形式方法耗时过长，在大多数工业环境中并不实用。人工智能的兴起改变了这一局面：<a href="https://blog.janestreet.com/formal-methods-at-jane-street-index" rel="nofollow">https://blog.janestreet.com/formal-methods-at-jane-street-in...</a>。<p>人工智能生成算法和数学证明的速度远远超过人类的审查能力，而形式方法提供了解决方案。自动定理证明器将用证明助手（如Lean）形式化的陈述进行处理，并尝试提供证明。与自然语言证明不同，这些证明可以被机器检查，从而减轻人类的审查负担。<p>AI代理是强大的自动定理证明器。即使是像Claude Code这样的通用编码代理，只要具备合适的技能和工具，也可以成为有效的证明者。然而，目前这些方法的运行仍然具有挑战性。它们需要配置带有适当Lean环境和代理工具（技能、插件、MCP、凭证）的Docker容器。此外，现有证明器之间并没有统一的接口。<p>OpenATP旨在解决这两个挑战！它使得在Docker中本地运行方法或在Modal中远程运行变得简单。目前支持以下证明器：<a href="https://open-atp.henryrobbins.com/en/latest/provers/index.html" rel="nofollow">https://open-atp.henryrobbins.com/en/latest/provers/index.ht...</a>。

我想了解一个26B混合专家模型在没有GPU的桌面CPU上运行的速度。单流（无损）大约为每秒40个标记，批处理大约为124个标记。令人惊讶的是字节预算：对于这个模型，你需要压缩输出头（占每个标记字节的32%），而不是专家（占16%）。文档中有带宽上限和瓶颈的详细说明；代码库中有可复现的配方。欢迎提问。 代码库链接： [https://github.com/arun-prasath2005/gemma4-cpu-moe](https://github.com/arun-prasath2005/gemma4-cpu-moe)

我对哪个模型制作的音乐“最好”并不太感兴趣，更关注的是整体工作流程——编辑、导出音轨、进行修改等。<p>到目前为止，你最喜欢哪个，为什么？