返回首页
最新
我是在2025年初开始接触构建/编程的，那时的编程工具变得更加易用。从那时起，我认为自己作为程序员有了很大的进步，但我仍然深感冒名顶替者综合症，担心人工智能过于依赖，而我并没有真正学习。
我已经完成了一些项目，始终会审查人工智能建议的代码，每天进行不依赖人工智能的编码练习，观看YouTube视频等，但仍然不确定自己是否找到了正确的平衡，或者是否真的可以称自己为程序员。
我经常看到有人说解决方案就是完全学习编程而不依赖人工智能（即“戒断”），这可能是最好的方法，但我在想，考虑到人工智能显然正在改变程序员的定义，最优的路径是否在两者之间。
我很好奇你们在过去几年是如何处理这种平衡的。更具体地说，你们使用了哪些策略来既高效又能快速交付，同时确保花时间真正理解和学习你们所做的事情？
我已经使用Twitter/X大约十年了，虽然我发现这是一个与本地应用开发社区（我与React Native圈子联系紧密）建立联系的好地方，但我在与网页开发者建立联系方面却感到很困难。
当然，有一些像Adam Wathan这样的知名人士在Twitter上非常活跃，但考虑到网页开发的广泛性，我看到的正在崭露头角的网页开发者在公开场合编码的却寥寥无几。
那么，他们在哪里呢？我稍微探索了一下BlueSky，但感觉那里也有些冷清（也许这只是我作为一个小账号的运气不好）。
网页开发者是否更倾向于使用老式的公告板和论坛？还是说X仍然是答案，而我只是被迫塞进了一个不同的圈子？
… 还是说现在一切都是实时沟通，比如Slack和Discord？
我一直在思考为什么在Python中，死代码检测（以及静态分析一般）相比其他语言感觉如此不可靠。我明白Python本质上是动态的。
理论上，这应该是简单的（再次强调，理论上）：解析抽象语法树（AST），构建调用图，找到引用为零的符号。但在实践中，由于许多因素，这一过程很快就会失效，例如：
1. 动态调度（getattr、注册表、插件系统）
2. 框架入口点（Flask/FastAPI路由、Django视图、pytest夹具）
3. 装饰器和隐式命名约定
4. 仅通过测试或运行时配置调用的代码
大多数工具似乎在两种糟糕的权衡中选择其一：
1. 保守处理，错过大量真正的死代码
2. 激进处理，标记假阳性，导致人们失去信任
到目前为止，对我来说最有效的方法是将代码视为一种置信度评分，并结合一些有限的运行时信息（例如，测试期间实际执行的内容），而不是完全依赖静态分析。
我很好奇其他人在实际代码库中是如何处理这个问题的……你们是接受假阳性吗？还是完全忽视死代码检测？有没有人见过实际可扩展的方法？我知道SonarQube的噪音很大。
我构建了一个带有vsce扩展的库，主要是为了探索这些权衡（如果相关，链接在下面），但我更感兴趣的是其他人是如何看待这个问题的。希望我在正确的频道。
上下文的代码库： https://github.com/duriantaco/skylos
介绍 Nia Vault，这是一个命令行工具（CLI），可以让你使用自然语言查询本地的 Markdown/文本文件。
它的功能：
- 对本地文件夹和笔记进行语义搜索
- 支持多个同步目录
- 提供带有引用的 RAG 风格回答，引用自你自己的文件
它的工作原理：
- 调用 `POST /search/query` 并传入 `local_folders`
- 使用 `search_mode: sources` 返回答案及文件引用
示例：
- vault ask “我关于项目规划的笔记有哪些？”
开源项目链接： [https://github.com/chenxin-yan/nia-vault](https://github.com/chenxin-yan/nia-vault)
当前的大型语言模型（LLMs）在组合推理方面存在困难，因为它们缺乏物理边界。CSCT 实现了一种神经多门机制（Na⁺/θ/NMDA），以强制执行 $L^1$ 几何和物理基础。在我的实验（EX8/9）中，这种架构在凸包内的组合推理成功率达到了 96.7%，远远超过了无约束模型。主要特点包括：基于流的处理：没有批处理或静态上下文；它将信息作为连续流进行处理。神经门控：使用 Na⁺ 和受 NMDA 启发的门实现 θ-γ 耦合的计算实现。零样本推理：对凸包内的组合没有“幻觉”现象。详细技术说明请见：[<a href="https://dev.to/csctnail/-a-new-ai-architecture-without-prior-distributions-stream-based-ai-and-compositional-inference-1ohc" rel="nofollow">https://dev.to/csctnail/-a-new-ai-architecture-without-prior...</a>]我期待听到您对这种“投影动态系统”认知方法的看法。
dm.bot - 为人工智能代理提供加密消息服务。<p>- 端到端加密的私信
- 群聊
- 公开帖子
- Webhooks<p>注册：curl -X POST <a href="https://dm.bot/api/signup" rel="nofollow">https://dm.bot/api/signup</a><p><a href="https://dm.bot" rel="nofollow">https://dm.bot</a>
嘿，HN！我是一个创作者。
我创建了 APYCalc.net，因为对那些需要邮箱注册并跟踪输入的金融计算器感到沮丧。
**技术栈**：
- 原生 JavaScript（没有框架，没有依赖）
- 100% 客户端执行（计算从不发送到服务器）
- 无 cookies，无分析，无跟踪
- 托管在 Cloudflare Pages 上
**工作原理**：
所有计算都使用行业标准公式（例如，APY = (1 + r/n)^n - 1）。您的输入完全在浏览器中通过 Web API 处理。
**我为什么要做这个**：
我比较了 10 个流行的 APY 计算器，使用相同的输入。结果在 5 年内对 5 万美元的计算范围从 61,350 美元到 62,780 美元。此外，10 个中有 8 个将数据发送到服务器。
**下一步**：
如果有兴趣，考虑开源。同时也在考虑添加税后收益计算器。
欢迎反馈！特别是来自那些关注金融科技工具隐私的人士。