最新

目前，我正在开发一个用于管理文档、数据库和白板的网络应用程序——这是一款典型的应用，旨在像 Notion 一样。<p>然而，现在我面临着制定一个有 AI 使用限制的计划的困境，因为我的想法是让它更具自主性：能够在整个工作区内编辑和查询上下文，并将其转移到文档中，例如，可能在白板上绘制一些东西等。不过，我感觉消费可能会很快失控。我计划使用 DeepSeek 进行 AI 聊天，但使用 Gemini 3 Flash 进行自主使用和编辑，因为它更智能。最近，我注意到许多核心 AI 应用程序已经将定价模式从按请求计费转变为固定使用限制，但我不确定这是否会受到批评，是否会导致用户体验不佳，或者甚至让人觉得没有得到所支付的价值。因此，我希望听听大家对我应该做出什么决策的看法。

我正在研究基础设施，以解决重试风暴和故障问题。在深入之前，我想了解一下人们今天实际在做什么。比较不同的解决方案，也许能帮助某些人发现潜在的解决办法。 问题： - 重试风暴 - API 失败，整个系统的实例独立重试，造成“雷鸣般的群体效应”，使情况更糟。 - 部分故障 - API 虽然“在线”，但性能下降（响应慢，间歇性500错误）。健康检查通过，但请求却受到影响。 我想了解的是： - 你们目前的解决方案是什么？（熔断器、队列、自定义协调、服务网格，还是其他？） - 效果如何？存在哪些不足之处？ - 你们的规模有多大？（公司规模、实例数量、请求数/秒） 我很想听听哪些方法有效，哪些无效，以及你们希望存在的解决方案。

在<a href="https:&#x2F;&#x2F;kagapa.com&#x2F;" rel="nofollow">https:&#x2F;&#x2F;kagapa.com&#x2F;</a>的指导下，将Kannada Nudi编辑器的桌面版本移植到网页端。

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。