一周热榜

Wienerdog的想法源于我自己建立一个简单而有效的记忆、自我提升技能和Claude Code与Codex的挂钩系统的经历。在教我的朋友和同事如何建立他们自己的系统时，我发现自己越来越多地自动化了我的系统设置，最终决定将其发布到GitHub上，以帮助他人更好地利用他们的人工智能。 那么，Wienerdog是什么呢？简单来说，它就是一些文件——没有守护进程，没有服务器，没有遥测：一组可以通过粘贴一行代码（npx wienerdog@latest init）来安装的指令和技能，它将为你的Claude Code / Codex提供： - 一个适当的基础信息文件CLAUDE.md / AGENTS.md，通过与你进行简单友好的访谈生成（现有文件会被尊重——Wienerdog只会在其自己明确标记的区域内写入）。 - 一个基于Markdown的持久记忆库，遵循PARA规范，类似于许多人使用的Obsidian库。如果你已经有一个库，没问题，你可以直接指向它。 - 自动化的“挂钩”，将关键信息（例如你是谁，你做什么等）引入每个会话，并检测和保存重要的新信息到你的持久记忆中。 - 自动化的每日“梦境”运行，消化前一天的会话并将其关键信息存储到记忆中。如果你的计算机在那时关闭或处于睡眠状态，梦境运行将在你回来时赶上。 - 识别重复的任务模式并将其转化为可重用的技能，这些技能可以进一步自动改进。 - 如果你同时使用Claude Code和Codex（就像我一样），它们将能够从同一个记忆库中读取和贡献信息。你不会被锁定在任何供应商中。 - 与Google套件的基本（可选）集成，使你的AI可以访问你的Gmail、日历和云端硬盘——默认情况下为只读和草稿模式。 Wienerdog所做的一切都可以在你现有的Anthropic / OpenAI订阅上运行，符合他们的条款。该项目在GitHub上是开源的，并在MIT许可证下永久免费。我这样做是出于兴趣，并想回馈一点东西。 我已经为Wienerdog投入了相当多的工作，并且很高兴自己在其开发中使用它（狗食测试——明白了吗？）。事实上，Wienerdog的大部分代码都是由遵循其自身规范系统的AI代理编写的，使用的是存储在代码库中的记忆库。尽管如此，它仍然处于早期阶段，仍在不断进展中，需要更多的关注。我希望你能试用一下，提出问题，请求添加新功能，或者如果你有时间和能力，甚至在GitHub上贡献。 P.S. 为什么叫Wienerdog？因为我喜欢这些小小的管状鼻子的香肠小丑 :)

大家好， 我注意到这里很多人似乎对首页上大量的人工智能新闻感到疲惫。我在一年前分享过 hcker.news，之后它增加了许多过滤功能，包括一个专门的人工智能过滤器，所以我想告诉更多人关于它的事情。 这个过滤器的工作分为三个步骤： 1. 已知的与人工智能相关的关键词和域名会被自动过滤。 2. 一个代理会审查剩下的文章，并移除那些被识别为与人工智能相关的文章。 3. 对于不确定的案例，我会做出最终决定。 你还可以排除在 HN 上发布的显示人工智能创作迹象的 GitHub 仓库。过滤器会检查： - 提交信息中的代理归属 - 贡献者中是否有已知的编码代理 - 仓库文件中的代理指令和配置 没有任何过滤器是完美的，但这已经是最好的选择了。欢迎告诉我你的想法。谢谢。 更多链接： 原始 Show HN: [https://news.ycombinator.com/item?id=44075353](https://news.ycombinator.com/item?id=44075353) 如果你**只**想要人工智能故事: [https://hcker.news/?view=frontpage&ai=include](https://hcker.news/?view=frontpage&ai=include) RSS: [https://hcker.news/feeds/atom?period=day&ai=exclude](https://hcker.news/feeds/atom?period=day&ai=exclude) 一个仅包含 GitHub 的非人工智能源: [https://hcker.news/?ai=exclude&include_domains=github.com](https://hcker.news/?ai=exclude&include_domains=github.com)

是时候再次开始学习高级主题了，我认为利用大型语言模型（LLM）来帮助我更好或更快地学习至少是个有趣的选择。 我在这里看到你们中的一些人使用“苏格拉底式技能”，即给LLM提供一些内容，然后得到一系列问题以便学习，但我认为这并不是唯一的方法。 我将开始研究《Attention is all you need》这篇论文，然后我想深入探讨。 你们的学习方法是什么？

嗨，HN， 我正在尝试在我大学提供的旧智能手机上刷入一个新的操作系统。我通过adb移除了预装的MDM软件，所以可以开始了，但我遇到了一些问题。 我想使用更高版本的安卓系统（目前是安卓12），我的设备完全符合VNDK标准，并支持Project Treble。由于没有针对我特定设备的实际定制ROM，我需要使用GSI（通用系统映像）。我找到了一款应该完全兼容的GSI（CrDroid GSI）。根据AOSP和Project Treble，任何版本的安卓系统都应该可以在我的设备上运行，即使系统厂商仍停留在安卓12。 但实际上，你只能向前升级两个版本，之后就会出现问题。我想使用安卓15，但这超出了我的能力。我也问过几个AI，它们只是说“忍耐吧”，这虽然没错，但有没有什么解决办法？（如果你想知道GSI是如何做到这一点的，我很乐意在评论中解释） 谢谢！

必须在敏感环境中打开来自不可信来源的媒体文件，作为日常工作流程的一部分 + 担心这些媒体文件中可能存在零日漏洞 + 网络攻击将对业务产生巨大影响

我开始思考为什么火花不支持语音模型。目前有很多优秀的开源模型可用，比如parakeet、kokoro、Qwen ASR等，但如果不自己管理一堆GPU，就无法使用它们。 即使是像Gemma 4这样的LLM（大型语言模型），在语音代理中也不被支持。 然后我意识到，推理平台需要根据你所使用的用例进行不同的优化。以LLM为例，而不仅仅是语音转文本（STT）和文本转语音（TTS）： - 编码代理 -> 需要大量缓存输入，需要针对KV缓存进行优化 - 创建幻灯片/博客 -> 输出量大，需要针对推测解码进行优化 - 语音LLM -> 缓存输入小，输出少，目前还没有找到优化的方法。 因此，TTS和STT是完全不同的领域。 我不知道的是时间问题，大家现在是否真的想使用像kokoro、parakeet、Qwen等开源模型？

十多年前，我放弃了谷歌搜索，因为我的搜索结果变得糟糕且被封闭，引用也不再重要，因此我很难逃离这个信息泡沫。<p>正如俗话所说，这种情况曾经发生过，现在又再次出现：现在轮到DuckDuckGo让我搜索结果变得糟糕，信息也被封闭，忽视了引用。<p>此外，我对人工智能聊天机器人不感兴趣，我更喜欢多种来源的信息，并自己进行交叉验证，谢谢。<p>你们使用或推荐哪些替代方案？

我的问题可能听起来有些愚蠢，但ReAct模式似乎总是有效，并且实际上能带来很好的结果。另一方面，我们有计划模式，老实说，我无法想象它在生产系统中是如何具体使用的。我不确定这样说是否正确，但它的技术实现方式是，你给大型语言模型（LLM）提供上下文，然后告诉它：“嘿，给我一个你将如何解决这个问题的计划。”这样它就会制定一个计划，但在ReAct模式下，它不也会遵循同样的计划来解决那个具体问题吗？我想向那些在生产中使用过计划模式的人学习，你们是如何使用的，为什么使用？你们是如何确保LLM严格遵循这个计划的？