## 建筑绘图的未来：格局的转变
建筑界正在讨论一个问题：在日益数字化的今天，学生是否*需要*学习传统的徒手绘图技能？这个问题源于在线工作室学习的挑战，以及人们认识到，现在的学生通常比传统技能更擅长数字工具。
虽然速写和图解仍然至关重要，但焦点在于*技术*绘图——透视、构造细节、手写字——是否仍然是一项必要的技能。许多执业建筑师很少使用这些技术，这引发了关于将大量课程时间投入到这些技术中的价值的质疑。
支持手绘的核心论点集中在“心手连接”上，以及它能培养更深入理解的信念。然而，数字方法的支持者认为，这种优势并不能转化为对数字原住民学生的影响。他们认为，重点应该放在理解诸如线条粗细和清晰度等原则上，无论使用什么工具来实现它们——CAD、BIM，甚至是未来的技术。
归根结底，这场讨论并非关于工具本身，而是关于有效地传达想法。随着技术的不断发展，问题变成了：我们如何在保留基本设计原则的同时，培养学生适应未来2D图纸可能变得过时的能力？
每日HackerNews RSS
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
建筑师还需要手绘吗？ (2020) (lifeofanarchitect.com)
5 分，hbarka 1小时前 | 隐藏 | 过去的 | 收藏 | 1 条评论 帮助
turtleyacht 1小时前 [–]
观察的方式可以被教导，需要纪律，以及执行过程中所有可能失败的方式——需要胶带、剪刀、墨水或 C-z——都证明训练在于（有意的）实践。品味是另一回事。它因人而异，但通常通过学习来提升。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
您未获得有效的 TollBit Token 授权，无法访问此内容。请访问以下网址了解更多信息。 网址：https://tollbit.dev 元数据：ak_ref_id: 0.17eb1cb8.1774503288.86ecaedc
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
在伦敦公园里看到“吸电子烟”的松鼠 (telegraph.co.uk)
11 分，walterbell 发表于 1 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：
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
更精确的GraphHopper路由引擎海拔数据 (graphhopper.com)
3点 由 karussell 1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：
## Lightfeed 提取器：基于 LLM 的强大网页数据提取工具 Lightfeed 提取器是一个 TypeScript 库，用于可靠的网页数据提取，利用 LLM（如 OpenAI、Gemini、Anthropic 和 Ollama）和 Playwright 浏览器自动化。它允许您使用 Zod 模式定义数据结构，并使用自然语言提示提取信息，优化生产流程中的 token 效率。 主要功能包括：隐蔽的浏览器自动化（本地、无服务器或远程）、由 `@lightfeed/browser-agent` 提供支持的 AI 驱动的页面导航、HTML 到 Markdown 转换、强大的 JSON 恢复和 URL 验证。它支持提取图像和清理 URL。 该库提供自定义提示和提取上下文的灵活性，并与 LangChain 模型无缝集成。像 `safeSanitizedParser` 这样的工具可以提高数据可靠性，全面的测试确保质量。 **用例：** 竞争情报、零售数据跟踪和通用的网页数据管道。如需功能齐全的零售跟踪平台，请访问 [app.lightfeed.ai](app.lightfeed.ai)，如需更广泛的 AI 增强数据管道，请访问 [lightfeed.ai](lightfeed.ai)。 **安装：** `npm install @lightfeed/extractor` + 您喜欢的 LLM 提供商（例如 `@langchain/openai`）。
## Lightfeed 提取器：基于 LLM 的强大网页数据提取
Lightfeed 提取器是一个新的 TypeScript 库，旨在简化和稳定使用大型语言模型 (LLM) 进行网页抓取。该库认识到传统 CSS 选择器的挑战以及直接将原始 HTML 馈送给 LLM 的陷阱（噪音、格式错误的 JSON、URL 问题、重复的样板代码），因此提供了一个完整的流程。
它将 HTML 转换为 LLM 可用的 Markdown 格式，清理 URL，并利用 Zod 模式进行类型安全、验证的数据提取。一个关键特性是它即使在 LLM 输出不完美的情况下也能恢复部分数据，从而最大限度地提高产出。
该库与 LangChain 兼容，支持通过 Playwright 进行浏览器自动化（包括反机器人措施），并且已经在 Lightfeed 的生产环境中得到验证。它是开源的（Apache 2.0 许可），并且可在 GitHub 上找到：[https://github.com/lightfeed/extractor](https://github.com/lightfeed/extractor)。
## 冲撞者乐队：29分钟的朋克革命
冲撞者乐队的首张同名专辑于1976年4月23日发行，录制成本仅为6400美元，却产生了巨大的影响力，有效地开启了朋克运动。尽管专辑未能进入排行榜，但其原始的能量和短小、朗朗上口的歌曲——对70年代摇滚过度的一种反动——引起了一代边缘人群的共鸣。
乐队由来自纽约森林山四名高中朋友组成，他们采用了共同的姓氏“冲撞者”，并培养了一种独特的形象：破烂的牛仔裤、皮夹克和故意粗糙的美学。他们在CBGB的早期演出建立了一批忠实的粉丝，他们的音乐提倡“垃圾文化”，歌词反映了日常生活，有时涉及有争议的主题。
至关重要的是，乐队的视觉形象，很大程度上由“第五位冲撞者”阿图罗·维加打造，证明了其更持久的影响力。维加标志性的标志——对总统印章的戏仿——装饰在非常受欢迎的T恤上，成为一种普遍的象征，也是乐队最重要的收入来源。冲撞者乐队的影响不仅仅是音乐上的；他们 democratized 摇滚，证明任何人都可以“发自内心”创作出有影响力的音乐，他们的T恤也成为一种全球时尚宣言，超越了音乐忠诚度。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
萦绕在 Ramones 周围的真相：‘他们卖出的 T 恤比唱片还多’ (elpais.com)
27 分，c420 5 小时前 | 隐藏 | 过去的 | 收藏 | 2 评论 帮助
FerretFred 23 分钟前 | 下一个 [–]
太棒了！总是喜欢这些幕后故事。Ramones 非常出色 - 我没有最喜欢的专辑，但我最常观看的 DVD 是 The Ramones Story 回复
mediumsmart 1 小时前 | 上一个 [–]
让我开心了一天。谢谢你 回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
启用 JavaScript 和 Cookie 以继续。
对不起。
AI 代理经常与 Git 交互，消耗了大量 shell 命令 token，占比高达 7.4%（对于 Codex 超过 10%）。这是因为 Git 的人类可读输出冗长，包含机器不需要的额外信息。为了解决这个问题，作者创建了 **nit**，一个用 Zig 编写的 Git 替代品，它通过 `libgit2` 直接访问 Git 对象数据库。 Nit 优先考虑机器使用，提供显著的 token 节省——`log` 命令最多节省 87%，`diff` 命令最多节省 35%——并提高了速度（`status` 命令最快可提升 1.64 倍）。一个关键的优化是将 diff 上下文减少到一行（U1），出乎意料的是，测试表明这并没有影响 Claude 的理解能力。 Nit 有两种模式：紧凑的、机器优化的默认模式和人类可读模式（`-H`）。它采用直通设计，对于不支持的命令会回退到标准的 Git，从而确保完整的功能并允许逐步优化。可以通过 `brew install fielding/tap/nit` 安装，并可以安全地将其别名为 `git=nit`。
一位开发者在Hacker News上用Zig编程语言重构了Git，名为“Nit”，旨在将AI代理的token使用量减少71%。该项目最初看起来是完全重写，但实际上对于未自定义实现的功能，它作为标准Git命令的包装器，允许代理回退到熟悉的工具。
讨论集中在Git输出是否真的是AI代理的瓶颈，以及重写是否比简单的包装器更有必要。一些评论员指出已经存在类似目标的工具，例如`rtk`。
然而，该项目也受到了批评，一位评论员认为它不太可能被视为一个严肃的项目，并警告不要虚假声称LLM辅助的能力，尤其是在文章自身生成的LLM内容方面。
启用 JavaScript 和 Cookie 以继续。
对不起。
## LLM 中的“忽略！”漏洞
大型语言模型 (LLM) 存在一种名为“忽略！”的安全漏洞——本质上，恶意行为者劫持 LLM 的上下文窗口（其输入），以覆盖指令并获得意想不到的、可能有害的输出。 这是一种“提示注入”的形式。
共享上下文窗口——无论是合并外部数据（如搜索结果）还是允许用户输入——都会带来风险。 试图使用“AI 护栏”来防御此漏洞是无效的，这导致了与攻击者之间的军备竞赛。 核心问题不是不受信任的*用户*，而是任何类型的不受信任的*材料*——API、搜索结果，甚至共享的网络文件。
解决方案有限。 完全避免不受信任的输入会严重限制 LLM 的实用性。 人工审查会增加成本并破坏自动化目标。 将 LLM 输出转换为传统代码以供执行可以提供一些安全性，因为代码解释器不受提示操作的影响。
最终，接受开放式输入的便利性与安全性相冲突。 正如无人看管的“键盘”容易招致麻烦一样，与不受信任的来源共享上下文窗口也会招致利用。 OpenAI 等公司 постоянно 面临这一挑战，而真正可靠的解决方案仍然难以捉摸。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
“忽略它”攻击 (calpaterson.com)
13 分，由 leontrolski 3 小时前发布 | 隐藏 | 过去的 | 收藏 | 2 条评论 帮助
lmm 23 分钟前 [–]
今天互联网的净化持续让我感到恼火。 明确地说，这个笑话传统上是“哈哈 忽略它，我喜欢阴茎”。 回复
stavros 18 分钟前 | 父评论 [–]
但那样有脏话！ 编辑：https://web.archive.org/web/20080702204110/http://bash.org/?... 回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
## LLVM 优化：深度剖析摘要
本文深入探讨了 LLVM 编译器的优化过程，展示了看似微小的代码改动如何对性能产生巨大影响。文章强调，虽然现代编译器功能强大，但理解其内部机制对于编写真正高效的代码至关重要。
作者使用了两个案例研究：模数递增优化和字节序转换。第一个案例展示了如何通过 `[[assume]]` 属性或断言向编译器提供信息，从而用更廉价的条件移动指令替换昂贵的除法运算，利用 `InstCombine` 优化通道。第二个案例展示了如何将处理不同字节序数据的通用函数优化到与专用函数相同的水平，但需要理解优化通道的顺序，例如 `AggressiveInstCombine` 和 `CodeGenPrepare`。
关键要点包括：早期优化的重要性、利用语言特性（如模板）来引导编译器、坚持常见的代码模式，以及认识到优化通常是一种权衡。文章强调使用 Compiler Explorer 等工具来检查优化流水线，并理解特定转换发生（或不发生）的原因。最终，实现最佳性能需要结合编码技巧和编译器意识，将优化视为一门科学和艺术。
文章还为希望亲身体验 LLVM 优化的读者提供了大量的练习。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
编译器优化的两项研究 (hmpcabral.com)
7 分，由 hmpc 发表于 1 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：