## scheme-langserver:一种新的Scheme代码编辑方法
Z. Wang 在第18届欧洲Lisp研讨会 (ELS`25) 上介绍了 `scheme-langserver`,这是一种语言服务器协议 (LSP) 实现,旨在改善 Scheme 编程体验。与依赖 REPL 或简单分词的现有 Lisp 语言服务器 (Geiser, Racket LSP 等) 不同,`scheme-langserver` 利用静态代码分析来实现自动补全、“跳转到定义”和类型推断等功能——即使在不完整代码中也能实现。
该项目解决了分析 Scheme 灵活语法的挑战,特别是宏,以提供更准确的代码理解。主要功能包括对 R6RS/R7RS/S7 标准的支持、跨平台索引、自制类型推断系统(集成到自动补全中)以及与 Akku 包管理器的兼容性。
`scheme-langserver` 目前正在积极开发中,可通过 VSCode 使用,是一个社区驱动的开源项目,寻求贡献和资金。虽然仍包含错误,但它代表着朝着更强大、更智能的 Scheme 开发环境迈出的重要一步。进一步的开发目标包括数据流分析以及自制类型推断系统的综合指南,记录在一本计划出版的书籍中。
**项目和资源地址:** [https://doi.org/10.5281/zenodo.15384882](https://doi.org/10.5281/zenodo.15384882) (由于潜在的访问限制,提供镜像)。
这篇帖子详细描述了在使用 Claude Code 等 AI 编程代理时优化上下文窗口的历程,将其比作训练狗——专注是关键,干扰会降低性能。作者发现工具经常用不相关的信息(如构建日志)充斥上下文窗口,导致“上下文腐烂”和浪费 token。
优化从配置 `turbo.json` 和 `.claude/settings.json` 以抑制不必要的构建信息开始。Claude Code 本身也尝试通过使用 `tail` 命令只捕获构建输出的末尾来缓解这个问题,但对于失败的构建来说,这会产生一个不断增加 `tail` 长度的循环。
作者随后强调了管理来自各种工具的冗长输出的更广泛问题,依赖于大量的环境变量。这促使作者提出一个建议:一个标准化的 `LLM=true` 环境变量。这将向工具发出信号,专门为 LLM 代理最小化输出,减少 token 使用,提高上下文质量,并减少环境影响。最终,作者设想未来 `HUMAN=true` 可能会成为默认设置,因为 AI 代理将成为主要的编码者,从而改变我们对代码执行和日志记录的方式。
## 印度的自主人工智能:批判性分析
印度推动“自主人工智能”——独立构建和部署人工智能模型——的动力源于对数据安全、语言表达(考虑到该国22种语言)以及对外国技术的依赖的担忧。Sarvam AI已成为关键参与者,已筹集4100万美元并推出了一个105B参数模型“Indus”,并获得了政府的大量补贴。
然而,审查显示缺乏透明度。尽管声称性能优于更大的模型,但基准测试含糊不清且未经证实。更令人担忧的是泄露的系统提示,显示存在“硬编码的爱国主义”,指示模型优先考虑对印度的积极看法,驳斥批判性框架,并掩盖敏感的历史事件——特别是关于宗教冲突的事件。
这种对齐方式并非嵌入在模型的核心训练中,而是作为限制性提示应用,这引发了人们对Sarvam对该过程的控制的质疑,可能受到Nvidia的强烈引导。批评人士认为,实现自主权的更有效途径是针对印度语言微调现有的开源模型,而不是代价高昂且不透明的全面预训练。
作者认为,真正的自主权需要真正的开源贡献、可验证的基准测试以及致力于呈现*所有*印度历史的承诺,而不仅仅是策划好的叙述。当前的方法有优先考虑品牌而非真正技术进步,以及服务于国家多元化人口的风险。
## 格鲁吉亚:葡萄酒的摇篮
八千年来,格鲁吉亚持续发展着丰富的葡萄酒文化,将古老传统与现代技术相结合。该国位于欧洲和亚洲的十字路口,拥有独特的葡萄酒景观,由首位获得WSET 4级文凭的格鲁吉亚人拉沙·察塔瓦(Lasha Tsatava)探索。
格鲁吉亚葡萄酒酿造的特点是使用*qvevri*——大型陶罐,埋在地下——这种方法被联合国教科文组织认定为非物质文化遗产。虽然许多葡萄酒是在不锈钢或橡木桶中生产的,但*qvevri*葡萄酒,特别是快速增长的“琥珀酒”类别(用果皮发酵的白葡萄),定义了格鲁吉亚独特的风格。
该国种植超过500种本土葡萄品种,其中约20-25种可供出口。主要葡萄品种包括Rkatsiteli(白葡萄)和Saperavi(黑葡萄),两者都具有适应性,并在国际上越来越多地种植。
格鲁吉亚的葡萄酒产业在苏联时代后重获新生,充满活力并不断发展,近2000家酒庄专注于质量和风土。探索格鲁吉亚葡萄酒支持了这一增长,并保护了延续数千年的葡萄酒酿造遗产——为此敬酒是“Gaumarjos!”(祝你胜利!)。
飞跃电器,曾经是电脑爱好者们津津乐道的知名大型零售商,从1985年到2021年蓬勃发展,最高峰时拥有34家门店。它最初由一家家庭超市的资金创立,以海量的组件选择——从单个零件到预装系统应有尽有——以及主题店设计而闻名,力求打造类似宜家那样的目的地购物体验。
然而,多种因素导致了它的衰落。糟糕的客户服务,特别是关于退款的问题,加上进入在线零售的速度缓慢,使得新蛋等竞争对手得以迅速发展。2008年8700万美元的贪污事件更是雪上加霜,损害了与供应商的关系和信任。
最终,飞跃电器转向寄售模式,导致货架稀疏,吸引力下降。虽然COVID-19被认为是最终的催化剂,但该连锁店早已陷入困境。尽管拥有忠实的追随者,他们欣赏其独特的浏览体验,但许多顾客也批评其激进的销售策略和不稳定的产品质量。飞跃电器于2021年2月关门,标志着DIY电脑爱好者和科技爱好者的一个时代的结束。
## 水豚:统一视觉创作模型
水豚是一个强大的框架,用于生成和编辑视觉内容,支持图像和视频。它利用扩散模型和Transformer,能够实现文本生成图像(T2I)、文本生成视频(T2V)以及基于指令的编辑(TI2I & TV2V),并对内容和运动进行精确控制。
主要特性包括多任务支持、分布式推理以实现高效处理,以及通过自定义节点与ComfyUI集成。用户可以使用单样本或批量处理模式,并提供示例脚本和数据以进行快速设置。安装需要Python 3.11、CUDA 12.6以及特定的PyTorch版本。
水豚还支持FP8量化以减少内存使用,从而在兼容的NVIDIA GPU上实现更高的分辨率或更长的视频。配置选项允许自定义分辨率、帧数和推理步骤。该项目是开源的(MIT License),并包含研究用途的引用信息。更多详细信息和支持可在GitHub仓库中找到。
2025年,Safari在网页排版方面取得了显著进展,实现了`text-wrap: pretty`功能,旨在改善段落格式化——这项技术在浏览器中一直缺失,直到最近才出现。这使得网页更接近于自15世纪(古腾堡)以来使用的美观断行技术,并由克努斯和普拉斯在1981年正式化。
然而,将`text-wrap: pretty`与`text-align: justify`结合使用会暴露出一个错误:该算法旨在平衡行长,但会*超出*目标,导致应用两端对齐时单词之间的空格过大。该系统优先考虑行宽略微*低于*最大宽度,当拉伸以适应容器时会造成问题。
虽然这是一项重大进步,但也凸显了与印刷品的“离线”过程相比,动态网页布局中“在线”断行的复杂性。作者敦促WebKit开发者完善该实现,以实现真正美观的两端对齐文本。
## 水星2:人工智能快速推理的新时代
Inception发布了水星2,这是一种专为速度和实时人工智能应用而设计的突破性语言模型。与传统LLM按顺序生成文本不同,水星2采用基于扩散的方法,并行生成token,从而实现显著更快的速度——速度提升超过5倍,且速度曲线不同。
这种速度能够在实时延迟预算内解锁更高质量的推理,这对于涉及代理、检索和提取的现代人工智能工作流程至关重要。水星2在NVIDIA Blackwell GPU上可达到1,009 tokens/秒的速度,价格为0.25美元/100万输入tokens和0.75美元/100万输出tokens,同时还具有128K上下文和原生工具使用等功能。
早期采用者在编码辅助、代理工作流程、实时语音交互以及搜索/RAG管道等领域看到了变革性的结果。Zed、Viant和Happyverse AI等公司报告称,水星2的速度至少比GPT-5.2快两倍,能够实现更具响应性和智能性的应用。水星2现已推出,并具有OpenAI API兼容性,方便集成。
## 具身的过去与人工智能的未来
作者以他两岁的女儿纳瓦为灵感,探讨为人父母如何揭示的不仅是个人历史,更是人性的深层根源。他观察到早期发展的普遍性与文化影响的快速积累形成对比,体现在诸如敲木头等手势上——这种做法的历史追溯出乎意料地困难。
受到这启发,他利用数据可视化来研究这种手势的起源,发现证据表明地中海传统早于一个19世纪英国游戏的起源。这引申出对整个手势历史的更广泛思考,而手势历史大多没有文字记录,因此流失于时间。
作者认为这种“内隐知识”——通过身体和经验内化而来——对于理解人类的本质以及当前人工智能所缺乏的关键。与机器不同,我们拥有前语言的、具身的历史。他提出训练基于历史准确的多模态数据(图像、声音)的“老式LLM”,以更好地使人工智能与人类价值观对齐,并认为模拟前现代感官体验可能是关键。最终,理解手势未被书写的历史不仅对历史洞察至关重要,而且对负责任的人工智能发展至关重要。
最近一项METR研究调查了人工智能工具对开源开发者生产力的影响,此前一项初步的2025年研究表明,使用人工智能会导致任务完成速度降低20%。随后,在2025年末进行了一项实验,涉及57名开发者和超过800个任务,旨在评估当前的影响。然而,由于存在显著的选择偏差,研究结果被认为不可靠。
开发者越来越多地拒绝参与,除非允许使用人工智能辅助,这导致数据偏向于未使用人工智能时的更慢完成时间。较低的报酬(50美元/小时 vs. 150美元/小时)可能加剧了这种情况。此外,开发者会根据人工智能的潜在益处策略性地选择任务,并且在使用多个人工智能代理时,准确报告时间变得困难。
虽然原始数据表明可能存在加速——对于返回的开发者估计加速率为-18%,对于新入职的开发者为-4%(具有较宽的置信区间),但研究人员认为实际加速率可能更高。该研究强调了随着人工智能成为开发者工作流程不可或缺的一部分,准确衡量生产力提升的日益增长的挑战。METR正在重新设计该研究,并探索替代方法,如观察数据分析、问卷调查和固定任务实验,以更清晰地了解人工智能不断演变的影响。