我是 CiderStack 的开发者之一。
CiderStack 是一款针对 Apple 开发者的本地优先 macOS 虚拟机工具，适合需要干净安装、旧版 Xcode 或者安全测试环境的用户，避免对主机造成损坏。
启动 → 快照 → 破坏 → 删除 → 重复。
为什么不订阅？
CiderStack 运行在你的硬件上。它不需要我的服务器，也不需要联网。因此，你为什么每个月都要付费给我呢？
我厌倦了那些可以一次性购买的工具却要支付 SaaS 费用。厌倦了因为信用卡过期而失去软件的访问权限。厌倦了被订阅服务绑架的工作流程。
一次性购买，永久拥有。主要版本免费更新。这就是交易。
适用对象：
- 独立开发者在不同的 macOS 版本上进行测试，而无需购买多台 Mac
- IT 管理员在正式发布前安全测试 beta 版本和 MDM 配置文件
- CI/CD 团队快速启动临时的 macOS 运行环境
- 拥有多台 Mac mini 的家庭实验室用户（我们为像我们这样的人开发了这个工具）
提供 14 天免费试用，无需注册账户。刚刚发布了 v1.0.3（早期发现了一些bug）。
欢迎提问。
返回首页
一周热榜
我想给正在研究小型加密交易平台的朋友们发个安全提醒。
如果你遇到CZR交易所，请务必保持高度警惕。在加密货币领域，一个常见的风险并不是“价格风险”，而是权限风险：一旦你将钱包连接到一个未知的去中心化应用（dApp）或将资产发送到一个未验证的地址，你可能无法找回任何东西。
以下是一些适用于此处（以及任何地方）的基本安全步骤：
- 不要将你的钱包连接到无法独立验证的网站。
- 不要仅仅因为某个页面或支持账号告诉你，就向平台发送USDT/BTC。
- 将“即时提现”、“限时验证”或“紧急存款以解锁资金”视为重大警告信号。
- 在测试任何新服务时，使用一个新的钱包/最少的资金，并撤销你不认识的授权。
- 如果有人有可验证的证据（交易哈希、存档页面、签名消息、带时间戳的清晰截图），请分享。如果没有，请保持客观，避免猜测。
我为智能眼镜开发了一款免提的抬头显示器（HUD），能够运行现实世界的速通计时器，并根据摄像头所见自动进行分段。演示场景：制作寿司。<p>演示视频：<a href="https://www.youtube.com/watch?v=NuOVlyr-e1w" rel="nofollow">https://www.youtube.com/watch?v=NuOVlyr-e1w</a><p>代码库：<a href="https://github.com/RealComputer/GlassKit" rel="nofollow">https://github.com/RealComputer/GlassKit</a><p>我最初尝试使用多模态大语言模型进行场景理解，但由于延迟和一致性不够理想，因此我转向了一个小型物体检测模型（微调的RF-DETR）。该模型仅在摄像头视频流上运行推理循环。这也使得设备本地/离线使用成为可能（目前仍通过本地服务器运行）。
嗨，HN，
我们花了一年时间构建AI代理，但一直遇到同样的问题：提示工程（prompt engineering）并不像软件工程那样。它更像是在猜测。
我们创建了OpenSymbolicAI，旨在将代理开发转变为真正的编程。它是一个开源框架（MIT许可证），允许您使用类型化原语、明确的分解和单元测试来构建代理。
主要问题：上下文窗口的滥用
大多数代理框架（如ReAct）迫使您将工具输出重新放入LLM（大型语言模型）的上下文窗口，以决定下一步。
代理搜索数据库。
代理返回50KB的JSON。
您将这50KB的内容粘贴回提示中，只是为了问“我接下来该做什么？”
这既慢又昂贵，还会让模型感到困惑。
解决方案：将数据作为变量
在OpenSymbolicAI中，LLM生成一个操作变量的计划（代码）。实际的重数据（搜索结果、PDF内容、API负载）存储在Python/运行时变量中，直到某个特定原语真正需要读取它时，才会传递给LLM上下文。
可以将其视为代理的引用传递。LLM操作变量句柄（文档），而Python运行时存储实际数据。
示例：RAG代理
与其让LLM基于一堆文本进行幻觉式的计划，不如直接编写逻辑来操作数据容器。
```python
class ResearchAgent(PlanExecute):
@primitive
def retrieve_documents(self, query: str) -> list[Document]:
"""从向量数据库中获取重文档。"""
# 返回保持在Python内存中的重对象
return vector_store.search(query)
@primitive
def synthesize_answer(self, docs: list[Document]) -> str:
"""利用文档生成答案。"""
# 这是唯一一步实际读取文档文本
context = "\n".join([d.text for d in docs])
return llm.generate(context)
@decomposition(intent="Research quantum computing")
def _example_flow(self):
# LLM生成此执行计划。
# 关键是：LLM管理'docs'变量符号，
# 但在规划过程中从未看到其内部的庞大负载。
docs = self.retrieve_documents("当前量子计算的状态")
return self.synthesize_answer(docs)
```
agent = ResearchAgent()
agent.run("研究固态电池的最新进展")
讨论
我们希望听到社区的反馈：
您在提示工程的脆弱性方面遇到了哪些困难？
什么会让您愿意尝试将提示视为代码？
还有哪些领域可以让这种方法大放异彩？
为了使其适用于您的用例，缺少什么才能使其准备好投入生产？
代码故意保持简单的Python，没有魔法，没有框架锁定。如果这种方法引起共鸣，您可以轻松地根据您的具体需求进行调整或与现有代码库集成。
代码库：
核心（Python）： [https://github.com/OpenSymbolicAI/core-py](https://github.com/OpenSymbolicAI/core-py)
文档： [https://www.opensymbolic.ai/](https://www.opensymbolic.ai/)
博客（技术深入）： [https://www.opensymbolic.ai/blog](https://www.opensymbolic.ai/blog)
有时候我被困在Windows上，只能在WSL中使用Claude Code。一直检查官方应用程序真让人烦。感谢Claude Code。<p>直接在Windows中安装Claude Code是无法使用的。<p>这是macOS应用程序的移植版 <a href="https://github.com/richhickson/claudecodeusage" rel="nofollow">https://github.com/richhickson/claudecodeusage</a>