返回首页
一周热榜
有人知道为什么 archive.is 中的 inject.js/heuristic.js 会寻找 bitwarden 和 datalane 的内容吗？如果在 Chrome 中启用缓存保留功能，你会发现这些文件随着时间的推移“消失”了，但它们仍在进行多个请求。有人知道这是为什么吗？
实际上，这个实现并没有什么特别之处。只是用Rust编写的另一个事件循环，旨在用于教育和乐趣。
在测试中，它显示出我的爬虫框架与uvloop的无缝迁移，相关链接为：<a href="https://github.com/BitingSnakes/silkworm" rel="nofollow">https://github.com/BitingSnakes/silkworm</a>。
在使用API（fastapi）时，它显示出唯一的优势：更好的p99性能，而uvloop在合成运行中速度快约10-20%。
目前，我正在win分支上进行分叉，以为uvloop缺乏的Windows支持提供支持。
我正在发布三款我私下开发的庞大软件系统，这些系统是我多年来独立努力的成果，没有任何机构支持、企业赞助或正式的工程团队。这些不是概念或模型，而是真正可部署的系统。它们可以通过 Docker、Helm 或 Kubernetes 安装，成功启动并产生可观察的结果。目前，它们正在云基础设施上运行。需要说明的是，它们应被视为未完成的基础，而非打磨精致的产品。
整个生态系统大约包含 150 万行代码。
**平台**
**ASE — 自主软件工程系统**
ASE 是一个闭环平台，用于代码创建、监控、评估和迭代自我改进。其目的是通过从高层任务生成工件、监控结果、将修正反馈到流程中并随着时间推移进行自我优化，来自动化软件生命周期的部分环节。它目前可以运行，但代理调优不均匀，某些功能尚未完成，输出质量因配置而异。
**VulcanAMI — 变换器/神经符号混合人工智能平台**
VulcanAMI 是一个围绕混合架构构建的人工智能系统，结合了基于变换器的语言建模与结构化推理、编排和治理。其目标是通过整合符号和系统级控制来解决纯统计模型的弱点。它可以部署和运行，但可靠的变换器集成仍然是一个主要挑战。
**FEMS — 有限庞大引擎**
FEMS 是一个实用的多元宇宙模拟平台，用于大规模场景探索、反事实分析和因果建模。它旨在应用通常局限于研究环境的技术。它可以运行并产生结果，但其模型需要专家级的数学调优，不应被视为科学验证的结果。
**当前状态**
这三个系统都是：
- 可部署的
- 可操作的
- 复杂的
- 不完整的
已知的局限性包括用户体验粗糙、部分文档不完整、与生产软件相比正式测试有限、以可行性为驱动的架构、安全性加固不完整以及存在缺陷。
**为什么现在发布**
进一步的进展将受益于外部的专业知识和视角。作为一个独立开发者，我缺乏完全成熟这种规模项目的资源。这次发布与资金、产品发布或机构项目无关。它只是对现有、可运行且仍未完成的工作的开放。
**关于我**
我叫布赖恩·D·安德森。我的主要职业是奇幻小说作家，而不是传统的软件工程师。我是自学成才，较晚才开始学习软件系统，并在消费级硬件上独立构建这些平台。
这样的背景可能会引发怀疑。但这也解释了工作的特性：在范围上雄心勃勃，打磨程度不均，更多是由坚持驱动而非正式流程。这些系统的构建是因为我希望它们能够存在。
**这是什么 — 以及不是**
这是一套可部署的基础，是正在进行的独立工作的快照，是对探索、批评和改进的邀请，是迄今为止所构建内容的记录。
这不是：
- 完成的产品套件
- 一体化解决方案
- 突破性性能的声明
- 支持或路线图的承诺
如果你探索代码，请假设某些部分过度设计，其他部分开发不足，命名可能不一致，许多内部知识尚未外部化。如果任何部分对你有用或有趣，你可以根据许可条款自由构建。
这些系统存在。它们可以运行。它们尚未完成。如果它们对其他人有用，那就足够了。
—— 布赖恩·D·安德森
**代码库：**
代码工厂：[https://github.com/musicmonk42/The_Code_Factory_Working_V2.git](https://github.com/musicmonk42/The_Code_Factory_Working_V2.git)
VulcanAMI：[https://github.com/musicmonk42/VulcanAMI_LLM.git](https://github.com/musicmonk42/VulcanAMI_LLM.git)
FEMS：[https://github.com/musicmonk42/FEMS.git](https://github.com/musicmonk42/FEMS.git)
简短回答：是的。<p>Emotion Engine 总共有 32 MB 的 RAM，因此关键在于在前向传播过程中一次从 CD-ROM 流式传输一个矩阵的权重——只有激活值、KV 缓存和嵌入存储在 RAM 中。这意味着比 RAM 大的模型仍然可以运行，只是需要从磁盘读取更多数据。<p>我不得不构建一个自定义的量化格式（PSNT），修改字节序，编写一个分词器管道，以及从头开始编写大部分 PS2 SDK（将单独发布）。模型本身也是自定义的——我专门为此训练了一个 1000 万参数的 Llama 风格架构。<p>而且它在真实硬件上运行良好。
我构建了一个大小为6832字节的AI代理。整个运行时（包括二进制文件、桥接、工具和配置）大约为23KB。
PlanckClaw是用x86-64汇编语言编写的（显然是通过AI辅助代码生成的），仅使用了7个Linux系统调用。没有libc，没有分配器，没有运行时。这个二进制文件是一个纯路由器：它从命名管道读取消息，询问另一个管道有哪些工具，构建一个JSON提示，将其写入第三个管道，解析响应，调度工具调用，并转发答案。它从不接触网络或直接执行工具。
其他所有部分都通过shell脚本组合在一起（总共约460行）：
- bridge_brain.sh：调用Anthropic API（约90行）
- bridge_discord.sh：通过WebSocket连接Discord网关（约180行）
- bridge_cli.sh：终端接口（约40行）
- bridge_claw.sh：工具发现和调度（约50行）
四个进程，六个命名FIFO，零共享状态。添加一个工具意味着只需将一个shell脚本放入claws/目录中。无需重启、重新编译或更改配置。
它可以执行真实的操作：使用工具（通过Claude的tool_use协议）、以追加模式存储的持久对话历史（JSONL格式）、当历史记录过长时自动进行内存压缩，以及可更换的个性文件（soul.md）。
这一切始于一个思想实验：现代代理框架拉取超过400个传递依赖，并在生成一个令牌之前就需要发送超过100MB的运行时。我发现了多个极简主义的项目，如picoclaw、nanoclaw或zeroclaw。我想找到最小可行的代理（AI代理的普朗克长度），看看仅用管道和系统调用能构建出什么。
这不是生产软件。缓冲区是固定大小的（大于4KB的消息会被截断），它仅在Linux x86-64上运行，错误处理也很基础。但它运行得非常完美，整个代码库（包括汇编语言约2800行）也很容易审核。
如果你想编写自己的桥接，所有三个扩展点（交互、脑、爪）的线级协议规范都记录在PROTOCOL.md中。
作为一个实验，我开始让Claude用虚构故事来向我解释事物，结果效果非常好。因此，我开始探索这个方法的极限，以及需要什么才能将其打磨到足以公开分享的程度。<p>在过去的几个月里，我为这个项目构建了世界观手册、撰写了视觉风格指南以及其他相关文档……可以把它们想象成我们现在用于代理开发的所有Markdown文件的虚构等价物。在此之后，我又花了大约两周的时间进行额外的打磨工作，以去除许多冗余内容和LLM特有的表达方式。如果有人对此过程感兴趣，我也很乐意回答任何问题。
我对在大型语言模型（LLM）时代，科技行业的人们是如何避免技能退化的很感兴趣。
我们都看到了这个争论的两种观点，一方面是“让他们退化，LLM是未来，看看算盘就知道了！”另一方面是“我不使用LLM，它们会出错并且妨碍工作”。但对许多人来说，现实是LLM确实提供了真正的性能提升，并承担了许多任务，即使它们会出错并需要人们的监督。
我倾向于谨慎对待技能的退化，因为在中长期内，LLM将如何影响工作场所以及哪些技能会被使用仍有太多未知。因此，我想知道你们是如何在面对“让它实现”的诱惑时，保持现有技能不退化的？