返回首页
最新
（原文链接为 <a href="https://www.theinformation.com/articles/deepseek-using-banned-nvidia-chips-race-build-next-model" rel="nofollow">https://www.theinformation.com/articles/deepseek-using-banne...</a>，但已被封锁）
嗨，HN，我们是 InspectMind 的 Aakash 和 Shuangling（<a href="https://www.inspectmind.ai">https://www.inspectmind.ai</a>），我们是一款 AI “计划检查器”，可以发现建筑图纸、细节和规范中的问题。
建筑图纸常常存在许多错误：尺寸冲突、协调缺口、材料不匹配、缺失细节等等。这些错误在施工过程中会导致延误和数十万美元的返工。InspectMind 可以在几分钟内审核一个建筑项目的完整图纸集。它交叉检查建筑、工程和规范，以在施工开始前捕捉可能导致返工的问题。
这里有一个包含一些示例的视频：<a href="https://www.youtube.com/watch?v=Mvn1FyHRlLQ" rel="nofollow">https://www.youtube.com/watch?v=Mvn1FyHRlLQ</a>。
在此之前，我（Aakash）创建了一家工程公司，参与了大约 10,000 幢建筑的项目。我们一直感到沮丧的一件事是：许多设计协调问题在施工开始之前并不会显现出来。到那时，错误的成本可能高达 10 到 100 倍，所有人都在忙着修复本可以更早发现的问题。
我们尝试了各种方法，包括检查清单、叠加审查、同行检查，但在 500 到 2000 页 PDF 文档中滚动并记住每个细节与其他页面的连接是一项脆弱的过程。城市审查员和总承包商的预施工团队也在努力捕捉问题，但仍然会有问题漏网。
我们想：如果模型可以解析代码并生成可运行的软件，也许它们也可以帮助我们在纸面上推理建筑环境。因此，我们构建了我们希望拥有的工具！
您只需上传图纸和规范（PDF 格式）。系统会将它们拆分为不同学科和细节层次，解析几何和文本，并寻找不一致之处：- 各页之间不一致的尺寸；- 被机械/建筑元素阻挡的间隙；- 缺失或不匹配的消防/安全细节；- 从未出现在图纸中的规范要求；- 引用不存在细节的标注。
输出结果是一个潜在问题的列表，包含页面引用和位置，供人工审核。我们并不期望自动化取代设计判断，只是希望帮助建筑、土木工程和电气专业人士不遗漏明显的问题。当前的 AI 在处理明显问题方面表现良好，并且可以处理超出人类准确处理能力的数据量，因此这是一个很好的应用场景。
建筑图纸并没有标准化，每个公司对事物的命名方式也不同。早期的“自动检查”工具在很大程度上依赖于客户手动编写的规则，当命名约定发生变化时就会失效。相反，我们使用多模态模型进行 OCR + 向量几何、跨整个图纸集的标注图、基于约束的空间检查和增强检索的代码解释。再也不需要硬编码规则了！
我们目前正在处理住宅、商业和工业项目。延迟时间从几分钟到几个小时不等，具体取决于图纸数量。无需任何入门培训，只需上传 PDF 文件。仍然存在许多边缘案例（PDF 提取异常、不一致的图层、行业术语），因此我们从失败中学到了很多，或许比成功学到的还要多。但这项技术已经能够提供以前工具无法实现的结果。
定价采用按需付费的方式：在您上传项目图纸后，我们会立即提供每个项目的在线报价。由于一个项目可能是家庭改造，而另一个可能是高层建筑，因此很难采用常规的 SaaS 定价。我们也欢迎对此的反馈，我们仍在摸索中。
如果您作为建筑师、工程师、机电工程师、总承包商预施工人员、房地产开发商或图纸审查员与图纸打交道，我们非常希望有机会运行一组样本，并听取您的反馈，了解哪些地方出现问题，哪些功能有用，以及哪些功能缺失！
我们将全天候在这里讨论几何解析、聚类失败、代码推理尝试或关于施工过程中如何出错的真实故事。感谢您的阅读！我们乐意回答任何问题，并期待您的评论！
这最初是我个人的一个烦恼。<p>我在Instagram和TikTok上保存了很多健身视频，但当我在健身房时，它们基本上毫无用处——因为它们都混在一个杂乱的“已保存”文件夹里，根本无法再次找到。<p>我想要一种方法，将这些短视频转化为我可以跟随的实际锻炼。<p>于是我开发了一个应用程序：
这是该应用程序的快速MVP演示：
<a href="https://vimeo.com/1144764933?fl=pl&fe=sh" rel="nofollow">https://vimeo.com/1144764933?fl=pl&fe=sh</a><p>粘贴一个Instagram或TikTok视频链接
提取锻炼动作 + 组数/次数
自动创建结构化的锻炼卡片
允许你保存、标记、组织，甚至从你最喜欢的创作者那里构建完整的锻炼计划
可以按“胸部”、“臀部”、“推举日”等进行分类<p>这就像拥有一个你曾经保存过的每个锻炼的个人图书馆。<p>如果有人感兴趣：<a href="https://lavender-staple-090021.framer.app/" rel="nofollow">https://lavender-staple-090021.framer.app/</a><p>我真心觉得这有点像是Z世代的健身应用。
大家好，HN！我们是来自DeepSource（YC W20）的Jai和Sanket，今天我们推出了Autofix Bot，这是一款结合静态分析和人工智能的混合代理，专为与AI编码代理协同使用而设计。
AI编码代理使得代码生成几乎变得免费，但这也将瓶颈转移到了代码审查上。仅依靠固定检查器的静态分析已经不够。仅依赖大型语言模型（LLM）的审查存在几个局限性：运行之间的非确定性、对安全问题的低召回率、在大规模应用时的高成本，以及容易“分心”的倾向。
在过去的六年里，我们一直在构建一个确定性的、仅基于静态分析的代码审查产品。今年早些时候，我们从头开始思考这个问题，并意识到静态分析能够解决LLM审查中的关键盲点。在过去的六个月中，我们构建了一个新的“混合”代理循环，结合静态分析和前沿的AI代理，以超越仅依赖静态分析和仅依赖LLM的工具，在发现和修复代码质量及安全问题方面表现更佳。今天，我们将其公开发布。
以下是混合架构的工作原理：
```
- 静态检查：5000多个确定性检查器（代码质量、安全性、性能）建立了一个高精度的基线。子代理抑制上下文特定的误报。
- AI审查：代理使用静态发现作为锚点来审查代码。它可以访问抽象语法树（AST）、数据流图、控制流图和导入图等工具，而不仅仅是grep和常规的shell命令。
- 修复：子代理生成修复建议。静态工具验证所有编辑，然后生成干净的git补丁。
```
静态分析解决了LLM的一些关键问题：运行之间的非确定性、对安全问题的低召回率（LLM容易被风格分散注意力）以及成本（静态分析缩小了提示大小和工具调用）。
在OpenSSF CVE基准测试中（200多个真实的JS/TS漏洞），我们的准确率达到了81.2%，F1值为80.0%；相比之下，Cursor Bugbot的准确率为74.5%（F1值77.42%），Claude Code的准确率为71.5%（F1值62.99%），CodeRabbit的准确率为59.4%（F1值36.19%），Semgrep CE的准确率为56.9%（F1值38.26%）。在秘密检测方面，我们的F1值为92.8%；相比之下，Gitleaks为75.6%，detect-secrets为64.1%，TruffleHog为41.2%。我们在这方面使用了我们的开源分类模型。
完整的方法论以及我们如何评估每个工具的详细信息，请访问： [https://autofix.bot/benchmarks](https://autofix.bot/benchmarks)
您可以通过我们的终端用户界面（TUI）在任何代码库上交互式使用Autofix Bot，或作为Claude Code的插件，或者通过我们的MCP在任何兼容的AI客户端（如OpenAI Codex）上使用。我们特别为AI编码代理优先的工作流程进行构建，因此您可以要求您的代理在每个检查点自动运行Autofix Bot。
今天就来试试吧：[https://autofix.bot](https://autofix.bot)。我们期待您的反馈！
---
[1] [https://github.com/ossf-cve-benchmark/ossf-cve-benchmark](https://github.com/ossf-cve-benchmark/ossf-cve-benchmark)
[2] [https://huggingface.co/deepsource/Narada-3.2-3B-v1](https://huggingface.co/deepsource/Narada-3.2-3B-v1)
[3] [https://autofix.bot/manual/#terminal-ui](https://autofix.bot/manual/#terminal-ui)
YouTube上，Steve Yegge和Gene Kim讨论了人工智能编码工具如何可能取代当前的集成开发环境（IDE），成为主要的编程环境，以及人工智能工作流程。
<p>网址：https://www.youtube.com/watch?v=7Dtu2bilcFs
<p>在我从事未来编码工具领域的工作时，你们怎么看：
<p>– 在接下来的几年里，IDE究竟会发生多大的变化
<p>– 我们在日常工作中是否仍会阅读和推理代码，还是几乎完全依赖更高级的构造
<p>– 这对资深开发者意味着什么？
<p>– 这对现在刚入门的学生意味着什么？
我们正在发布关于编码代理治理的早期尝试，名为 Cupcake [1] - 这是一个开源的政策执行层，具有原生集成。您可以使用政策即代码（OPA/Rego）编写规则，Cupcake 通过 Hooks 将这些规则集成到代理运行时中。
<p>查看实际演示（仅限桌面）：<a href="https://cupcake-policy-studio.vercel.app/example-policies/security/protecting-paths?harness=claude-code&format=rego" rel="nofollow">https://cupcake-policy-studio.vercel.app/example-policies/security/protecting-paths?harness=claude-code&format=rego</a></p>
<p>帮助我们构建：<a href="https://github.com/eqtylab/cupcake" rel="nofollow">https://github.com/eqtylab/cupcake</a></p>
<p>我们是 EQTY Lab，我们的使命是可验证的人工智能（身份、来源和治理）。随着像 Claude Code 这样的强大代理的崛起，部署这些代理的人员需要能够进行自己的对齐和安全控制，这一点变得非常明显。我们不能仅仅依赖前沿实验室。</p>
<p>这就是为什么我们为 Claude Code [2] 创建了 Hooks 的功能请求，并在这些 Hooks 实现后转向不再依赖文件系统和操作系统级别的监控。Hooks 提供了我们所需的关键点：</p>
* 评估：检查代理的意图和行为。
* 预防：阻止不安全或不希望的行为。
* 修改：在执行之前调整代理的输出。
<p>使用 OPA/Rego 的政策即代码 - 尽管许多代理安全论文建议使用自创的领域特定语言（DSL）来构建类似的政策架构，但 Cupcake 基本上是建立在开放政策代理（OPA）及其政策语言 Rego [3] 之上的。</p>
<p>我们选择 Rego 是因为它：</p>
* 行业稳健：在企业 DevSecOps 和云原生环境中被广泛采用。
* 专门构建：为定义、管理和执行政策即代码提供独特且成熟的优势。
* 企业导向：这使得 Cupcake 与现有的企业治理框架兼容。
<p>Cupcake 采用 Apache-2.0 许可发布。我们将在 2026 年第一季度正式制定通往 v1.0.0 的路径。这是一个早期预览版本。Cupcake 的目标不是压制，而是确保代理能够快速运行而不崩溃。若要合作或联合，请联系 ramos@eqtylab.io。</p>
<p>[1] <a href="https://github.com/eqtylab/cupcake" rel="nofollow">https://github.com/eqtylab/cupcake</a></p>
<p>[2] <a href="https://github.com/anthropics/claude-code/issues/712" rel="nofollow">https://github.com/anthropics/claude-code/issues/712</a></p>
<p>[3] <a href="https://www.openpolicyagent.org/" rel="nofollow">https://www.openpolicyagent.org/</a></p>