本参考资料最初是一份长文档，现已划分为六个重点卷以方便阅读和导航。每个卷都可以独立阅读，但后续所有内容的基础都建立在第一卷（1541驱动器）的技术基础上。该资料涵盖了1982年至1990年代初在C64上商业使用的所有主要磁盘保护技术、磁盘母带制作背后的工业机械，以及复制场景开发出的工具。
每日HackerNews RSS
C64 复制保护
C64 Copy Protection
11 分钟前
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
C64 复制保护 (commodoregames.net)
16 分，由 snvzz 2小时前发布 | 隐藏 | 过去 | 收藏 | 1 条评论 帮助
classichasclass 7分钟前 [–]
啊，重复扇区ID。不久前遇到过：https://oldvcr.blogspot.com/2023/08/cracking-designwares-gra... V-MAX! 和 Rapidlok 就像深奥的魔法，但我自己从未成功手动破解过带有它们的标题。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## Logira：自动化运行时审计
Logira 是一款仅用于观察的 Linux 命令行工具，旨在审计自动化的运行时行为，特别是 AI 代理。它利用 eBPF 记录系统事件——进程执行、文件活动和网络连接——提供详细、可信的执行轨迹，*无需*干扰自动化流程。
主要功能包括：为方便审查、搜索和检测分类，提供每次运行的本地存储（JSONL 和 SQLite）。Logira 提供内置检测规则，用于识别有风险的模式，例如凭据访问、破坏性命令和可疑网络活动，并允许添加自定义规则。
它非常适合了解 AI 代理*实际*执行的操作，超越其报告的操作，并且可以轻松集成到本地自动化或 CI 任务中。安装通过脚本或 tarball 简单直接，需要较新的 Linux 内核（5.8+）和 systemd。Logira 不会阻止操作，仅记录和检测，使其成为有价值的安全和调试工具。
更多信息和示例请访问：[https://github.com/melonattacker/logira](https://github.com/melonattacker/logira)。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
Show HN: Logira – AI 代理运行的 eBPF 运行时审计 (github.com/melonattacker)
6 分，由 melonattacker 4 小时前发布 | 隐藏 | 过去 | 收藏 | 讨论
我开始使用 Claude Code (claude --dangerously-skip-permissions) 和 Codex (codex --yolo)，并意识到我没有可靠的方法来知道它们实际做了什么。代理自身的输出会告诉你一个故事，但那是代理的故事。
logira 通过 eBPF 在 OS 级别记录 exec、文件和网络事件，范围限定于每次运行。事件以 JSONL 和 SQLite 格式保存到本地。它附带默认的检测规则，用于检测凭证访问、持久性更改、可疑 exec 模式等。仅观察 – 它从不阻止。
https://github.com/melonattacker/logira 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系方式
搜索：
我们检测到您的浏览器已禁用 JavaScript。请启用 JavaScript 或切换到受支持的浏览器以继续使用 x.com。您可以在我们的帮助中心查看受支持的浏览器列表。帮助中心 服务条款 隐私政策 Cookie 政策 版权信息 广告信息 © 2026 X Corp.
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
我们将牺牲质量来换取便利 (twitter.com/backnotprop)
8 分，作者 ramoz 1小时前 | 隐藏 | 过去 | 收藏 | 2 条评论 帮助
wilkystyle 14分钟前 | 下一个 [–]
有趣的事实：图片中直线的泥土小路被称为“愿望路径”：https://en.wikipedia.org/wiki/Desire_path 回复
happytoexplain 6分钟前 | 上一个 [–]
类比通常很糟糕，但这个真的令人印象深刻。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## LLMfit：为你的硬件找到合适的LLM
LLMfit是一个终端工具，旨在帮助你发现能在你的系统上*良好运行*的大型语言模型（LLM）。它会分析你的硬件（内存、CPU、GPU），并根据质量、速度、适配性和上下文能力对数百个模型进行评分。
**主要特性：**
* **硬件检测：** 自动识别你的系统规格。可以通过`--memory`手动覆盖。
* **模型评分：** 综合考虑性能和资源需求，对模型进行排名。
* **运行时支持：** 集成Ollama、llama.cpp和MLX，方便模型管理和下载。
* **多GPU和MoE支持：** 处理多GPU设置，并高效管理具有混合专家架构的模型。
* **动态量化：** 选择最佳量化级别，在硬件限制内实现最佳性能。
* **交互式TUI和CLI：** 提供用户友好的终端界面和命令行界面，方便脚本编写。
* **规划模式：** 估算特定模型配置的硬件需求。
**安装：** 提供适用于macOS、Linux和Windows（通过Cargo）的简单脚本。
LLMfit非常适合希望在本地运行LLM，无需猜测，确保兼容性并最大限度地利用现有硬件的用户。它还包含一个OpenClaw技能，用于基于代理的推荐和配置。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
根据你的系统内存、CPU和GPU调整LLM模型大小 (github.com/alexsjones)
15 分，来自 bilsbie 4小时前 | 隐藏 | 过去 | 收藏 | 讨论 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
人工智能聊天机器人正在占据美国应用商店的主导地位，Anthropic的Claude目前排名第一——仅在两个月前还位居第42名，这是一个显著的飞跃。OpenAI的ChatGPT和Google的Gemini紧随其后，分别位列第二和第三。
Claude人气飙升并非由于新功能，而是源于最近与美国政府的公开争端。在特朗普总统的批评以及战争部将其列为国家安全风险（原因是担心自主武器和国内监控）之后，Anthropic公开捍卫了自己的原则。
该公司表示，反对使用当前人工智能模型开发自主武器，担心对军方人员和平民都构成危险，并认为大规模监控侵犯了基本权利。尽管存在争议，或者说正是因为争议，Anthropic在iPhone用户中的应用下载量正在增加，并获得了大量的公众关注。
## Claude Amidst Controversy Surges to #1 on App Store
Claude，Anthropic 的 AI 聊天机器人，最近在 App Store 上升至榜首，这波势头与据称大量用户取消 ChatGPT 订阅有关。这一转变似乎与对 OpenAI 愿意与美国军方合作的担忧有关，特别是关于潜在用于大规模监控和自主武器的可能性。
尽管 OpenAI 和 Anthropic 最初都对这些应用有限制，但用户正专注于 Anthropic 坚决拒绝特朗普政府提出的数据筛选请求。一些评论员怀疑存在协调行动（“人为制造声势”），但另一些人则指出更广泛的政治动机。
值得注意的是，OpenAI 据称同意美国国防部“所有合法用途”，实际上允许他们绕过既定红线，而 Anthropic 则坚持将这些限制写入其服务条款。OpenAI 过去与军方的合同以及美国政府据称使用 Claude 的情况此前鲜有关注，引发了对当前反弹时机的质疑。人们也正在对模型本身可能存在的操纵提出担忧。
神经放大器建模 (NAM) 正在扩展到桌面之外，应用于嵌入式系统，如吉他效果器和单板计算机。为了准备下一代架构 (A2)，开发者研究了在资源受限硬件上运行 NAM 的挑战，使用了 Electrosmith Daisy Seed 平台。 初步测试显示出显著的性能问题——处理 2 秒的音频需要超过 5 秒。核心问题是模型大小、低效的线性代数（使用 Eigen）以及在没有操作系统的情况下难以加载标准的 NAM 文件 (.nam)。 为了解决这些问题，他们针对 NAM 使用的小矩阵大小优化了 Eigen，开发了一种紧凑的二进制模型格式 (.namb) 以方便加载（通过配套应用程序转换），并利用了更小的模型变体 (A1-nano) 以及 ReLU 激活函数。 这些改进将处理时间减少到大约 1.5 秒，为额外的效果留出了空间。这次实践经验直接影响了 A2 的设计，特别是他们的“可瘦身 NAM”方法，允许模型适应不同的硬件能力。该项目的全部源代码正在公开发布。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
神经吉他效果器 – 为雏菊种子 Arm Cortex-M7 优化 NAM (tone3000.com)
8 分， woodybury 2 小时前 | 隐藏 | 过去的 | 收藏 | 2 条评论 帮助
woodybury 2 小时前 | 下一个 [–]
我们经历了将神经放大器建模 DSP 优化为在微小的雏菊种子 Arm Cortex-M7 上实时运行推理的激动人心的过程。想想为小矩阵手动编写 GEMM 内核和其他有趣的东西 :D 回复
wedemboys 1 小时前 | 上一个 [–]
凝视汇编输出的乐趣 回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
## SynapsCAD：AI驱动的3D建模
SynapsCAD 是一款桌面应用程序，结合了 OpenSCAD 代码编辑器、实时 3D 视口和集成的 AI 助手。用户编写 OpenSCAD 代码创建 3D 模型，立即可视化，然后利用自然语言修改设计——甚至可以直接与 3D 视图交互来指导更改。
目前 SynapsCAD 仍处于早期原型阶段，支持 Linux、macOS 和 Windows。它完全使用 Rust 构建，并利用 Anthropic、OpenAI 和 Gemini 等 AI 提供商（或通过 Ollama 使用本地模型进行离线使用，需要云服务的 API 密钥）。
该应用程序具有用于编码和 AI 聊天的侧边栏，并采用响应式系统，后台任务（如编译和 AI 请求）不会冻结视口。主要功能包括网格拾取、Blender 风格的相机控制以及 3MF、STL 和 OBJ 格式的导出选项。 欢迎提交错误报告，因为该项目正在积极开发中。
## SynapsCAD：基于AI的OpenSCAD 3D建模
一款名为SynapsCAD的新开源桌面应用程序，允许用户使用OpenSCAD编写3D模型，并借助AI辅助功能。SynapsCAD使用Rust构建，UI采用Bevy和egui，具有实时3D视口，并允许用户通过自然语言提示（使用OpenAI或Gemini等LLM）修改代码。
该项目拥有纯Rust编译流程，避免了外部依赖。目前仍为原型，OpenSCAD兼容性存在限制，开发者正在寻求反馈，特别是关于编译器的问题。
一位评论员指出OpenSCAD在专业用途上的局限性，建议专注于生成STEP和Brep等行业标准格式将是一个重要的进步。他还思考了AI在重建Open Cascade等CAD内核方面的潜力。
项目和下载地址在GitHub上：[https://github.com/ierror/synaps-cad](https://github.com/ierror/synaps-cad)
## Git-Memento：Git 的 AI 会话跟踪 Git-Memento 是一个 Git 扩展，旨在记录并附加 AI 编码会话到提交。它将 AI 对话的清理后的 Markdown 表示形式存储为 Git 提交上的 Git 注释，提供有价值的溯源信息。 **主要特性：** * **会话记录：** 捕获编码过程中的 AI 交互（目前支持 Codex 和 Claude）。 * **Git 集成：** 使用标准的 Git 工作流程（`git commit`，`git amend`）并将数据存储在 Git 注释中。 * **配置：** 每个仓库初始化一次（`git memento init`），设置存储在 `.git/config` 中。 * **共享与同步：** 启用与远程仓库共享注释（`git memento share-notes`，`git memento push`，`git memento notes-sync`）。 * **注释管理：** 支持在重写时携带注释（`git memento notes-rewrite-setup`，`git memento notes-carry`）。 * **审计：** 允许审计注释覆盖范围并验证元数据（`git memento audit`，`git memento doctor`）。 * **安装：** 通过安装脚本、针对各种平台的 NativeAOT 构建以及作为 GitHub Action 用于 CI 集成（评论和门控）提供。 Git-Memento 通过保留每个提交背后的上下文，增强了代码理解和协作。它通过环境变量和 Git 配置进行配置，确保灵活性和可扩展性。
## AI 生成代码提交是否应包含会话数据？
Hacker News 上正在讨论是否应该将 AI 会话记录包含在代码提交中。核心论点由构建 “git-memento” 的 mandel_x 提出，认为保存 AI 会话可以为调试和历史审查提供有价值的上下文，而不仅仅是最终的代码差异。
许多评论者表示同意，认为会话在新的范式中*是*源代码。一个原型工具 (eqtylab/y) 探索通过 Git notes 附加会话，但存在大小、合并工作流和存储等挑战。另一些人建议对会话进行 AI 总结，以便更轻松地审查。
然而，也存在怀疑论。一些人指出，开发者不太可能阅读代码*或*冗长的 AI 会话，并质疑 Git 是否是适合这种跟踪的工具，建议使用专门的“半人类智能跟踪”系统可能更好。这场辩论凸显了对 AI 辅助代码开发更好理解和可追溯性的需求。
## Timber：快速、原生推理，用于传统机器学习
Timber 是一种用于编译和部署传统机器学习模型（XGBoost、LightGBM、scikit-learn、CatBoost、ONNX）到优化的原生 C 二进制文件的工具。 这消除了推理期间的 Python 运行时开销，实现了**微秒级延迟**——比基于 Python 的部署**快高达 336 倍**。
它采用类似于 Ollama 的简单工作流程：使用一条命令加载模型，并通过本地 HTTP API 提供服务。 Timber 非常适合需要速度、可预测性和可移植性的应用，例如欺诈检测、边缘/物联网部署和受监管行业。
主要特性包括：推理路径中无 Python 依赖项、小型工件尺寸（~48KB 示例）以及对各种模型格式的支持。 基准测试表明，与 Python 和其他运行时（如 ONNX Runtime 和 Treelite）相比，性能提升显著。
Timber 是开源的（Apache-2.0），并包含示例和技术论文以供进一步研究。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
Show HN: Timber – Ollama 用于经典机器学习模型，比 Python 快 336 倍 (github.com/kossisoroyce)
9 分，由 kossisoroyce 1 小时前发布 | 隐藏 | 过去 | 收藏 | 讨论 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系方式
搜索：
请启用 JavaScript 并禁用任何广告拦截器。
一篇最近的《纽约时报》文章在Hacker News上引发了关于DNA揭示的尼安德特人交配习惯的讨论。虽然引人入胜，但评论员警告不要仅根据基因发现就对尼安德特人的社会动态妄下结论。
一位用户“Terr”强调了“幸存者偏差”的风险，并指出基因不对称并不自动表明特定的交配模式。他们以人类的Rh不相容性为例，说明基因组合如何影响生殖成功率，无论性别角色如何。
另一位评论员“marojejian”承认构建叙事的诱惑（“即成故事”），但对可能无法确定真相表示沮丧。尽管存在不确定性，他们都认为这项研究仍然“很酷”。