## Confluent 将被 IBM 收购 Confluent，一家以 Kafka 原则为基础建立的数据流公司，已达成最终协议，将被 IBM 以每股 31.00 美元的价格全现金收购，预计将于 2026 年年中完成。此次收购旨在统一大型企业的数据平台，加速人工智能实施并实现实时数据基础。 Confluent 将继续作为 IBM 旗下的独立品牌运营。首席执行官兼联合创始人 Jay Kreps 强调，此举将通过利用 IBM 在混合云和开源技术（如 Red Hat 和 HashiCorp）方面的优势和专业知识，放大 Confluent 的使命——让数据流动起来。 Kreps 强调了企业运行在持续、事件驱动的智能上的共同愿景。他向 Confluent 团队保证，在过渡期间，他们的职位、薪酬和福利将保持一致，重点是向客户和合作伙伴交付当前承诺。更多细节将在未来的全体会议和常见问题解答中分享。
每日HackerNews RSS
## IBM 收购 Confluent：摘要
IBM 宣布收购 Confluent，该公司是流行的 Kafka 数据流平台背后的公司。IBM 将此举定位为构建“用于人工智能的智能数据平台”，这在 Hacker News 社区引发了争论。
一些人认为这对 Kafka 来说是一个积极的步骤，能够提供稳定性和 IBM 的企业覆盖范围，而另一些人则质疑其与人工智能的相关性，并认为 Kafka 可能已经过了鼎盛时期。担忧集中在 IBM 过去收购 Red Hat 和 HashiCorp 的记录上，讨论围绕着对开源开发和产品停滞（特别是 Gnome）的潜在影响。
许多评论员关注了此次收购对 Confluent 员工的影响，预计最初会有财务收益（股票溢价、留任奖金），随后几年可能会出现裁员和 IBM 内部的文化转变。此次收购还引发了关于探索 Kafka 替代方案（如 Redpanda）的讨论，预示着数据流格局可能发生变化。最终，意见不一，一些人认为这对 IBM 来说是一个明智的举措，而另一些人则预测这是“恶化”的开始。
## 构建不易崩溃的 Web 应用：摘要
Andrey Ozornin 的《构建不易崩溃的 Web 应用》专注于掌握调试和编写更易于维护的代码——随着软件复杂性的增长，这些技能变得越来越重要。本书认为，虽然*编写*代码很容易，但确保其*可靠运行*才是真正的挑战。
它承诺在短短一周内，为开发者提供实用的技术，从而大大提高调试效率。这包括理解堆栈跟踪、实施强大的错误处理、有效优先处理问题以及执行根本原因分析。
本书利用现成的工具，如 Chrome DevTools，以及核心软件设计原则、日志记录策略和监控技术。最终，它旨在赋能开发者构建更高质量的 Web 应用程序，减少花费在修复错误上的时间，并投入更多时间进行创新。实际练习需要基于 Chromium 的浏览器和 IDE。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 工作 | 提交 登录
展示 HN：我写了一本书 – 调试 TypeScript 应用 (beta 版) (pragprog.com)
5 分，作者 ozornin，29 分钟前 | 隐藏 | 过去 | 收藏 | 4 条评论
enz 16 分钟前 | 下一个 [–]
> 你需要：一台带有 Chromium 内核的浏览器，如 Chrome、Vivaldi 或 Brave [...] 我认为这本书主要关注客户端 TS 应用？回复
ozornin 8 分钟前 | 父评论 | 下一个 [–]
大部分是。它涉及调试单元测试和服务器端代码，以及适用于一般调试的方法论，但实际部分几乎完全是客户端的。回复
sebg 27 分钟前 | 上一个 | 下一个 [–]
你觉得这个过程怎么样？回复
cranberryturkey 27 分钟前 | 上一个 [–]
氛围编码？回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
## C++ 错误处理的重新思考：支持异常 本文探讨了 C++ 中传统错误处理方法（枚举、断言、契约和 `std::expected`）的替代方案，最终重新审视了经常被忽视的异常。虽然之前的方案存在缺点（污染逻辑、需要更改签名或功能有限），但异常提供了一种出乎意料的简洁解决方案。 核心论点是异常允许编写专注于“正常流程”的代码，并将错误处理委托给 `try/catch` 块或全局处理程序。对性能的担忧在很大程度上已经过时；最近的研究（由 Khalil Estell 进行）表明，由于基于表的异常处理，现代编译器（尤其是 x64/ARM64）的开销很小。 然而，C++ 缺乏强制的异常声明（删除了 `throw` 关键字）是一个重大弱点。这需要依赖注释进行文档记录，而 Java 的检查型异常 *要求* 处理或声明。作者建议采用类似 Java 的方法：使用异常处理可恢复的错误（如文件丢失），并依赖契约/中止来处理不可恢复的问题（如设备故障）。 最终，作者提倡使用异常，因为它们简洁易读，认为它们可以产生比替代方案更清晰的代码，甚至可以改进常见的无检查错误返回，从而导致后期崩溃且堆栈跟踪信息不足的情况。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
C++ 枚举类和错误码，第三部分 (mropert.github.io)
5 分，ibobev 发表于 1 小时前 | 隐藏 | 过去 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## Microsoft 365 价格将于 2026 年上涨 微软宣布 Microsoft 365 商业许可证的价格将于 2026 年 7 月 1 日起上涨。此前已于 2022 年涨价一次，此次涨价预计平均每用户每月增加约 2 美元，可能带来超过 100 亿美元的额外收入。涨价幅度因计划而异，从 0 美元到 3 美元不等，也将影响教育和政府部门。 微软将涨价归因于对新功能的持续投资——过去一年新增了 1100 多项，包括 Security Copilot 和 Intune Suite 的功能。然而，这些更新的*价值*仍有待考量，特别是对于未使用 Copilot 等人工智能功能的企业而言。 尽管 Microsoft 365 仍然具有竞争力，但价格上涨（E5 计划最高达到每年 720 美元/用户）可能会促使企业审查其许可和使用情况，以优化成本。由于迁移离开成熟的微软生态系统存在困难，大多数企业可能会适应新定价，而不是寻求替代方案，包括回归本地解决方案。
## Microsoft Office 365/Microsoft 365 价格上涨
微软正在提高Office 365和Microsoft 365许可的价格，引发了关于价值和替代方案的讨论。虽然一些涨幅较小，与通货膨胀相符，但另一些涨幅，特别是针对“一线员工”计划，则更为显著。
一个主要担忧是微软同时停止支持Publisher，并提供笨拙的PDF转换替代方案，导致一些人认为这些决定是由内部调整而非用户需求驱动的。用户抱怨核心产品缺乏创新，而微软却在推广Copilot，一项许多人不想要的AI功能。
讨论凸显了微软强大的生态系统锁定，使得切换变得困难，即使存在像Google Workspace、Zoho或LibreOffice这样可能更好或更便宜的竞争对手。Excel仍然是主导力量，没有真正的竞争者，许多组织优先考虑兼容性和管理功能，而不是成本节省。一些用户正在考虑替代方案或恢复到旧的、永久许可版本的Office。最终，微软的市场地位使其具有定价权，即使这让客户感到沮丧。
成长之色
Colors of Growth
33 分钟前
启用 JavaScript 和 Cookie 以继续。
一项新的研究利用了一个令人惊讶的数据来源——欧洲绘画中的色彩——来衡量1600年至1820年间的经济增长。受夜间灯光作为经济指标的启发，研究人员分析了来自英国、荷兰、法国、意大利和德国的数百万像素的绘画，提取了色调、饱和度和亮度。
由此产生的色彩指数与现有的GDP重建数据相关，但揭示了*更*详细的经济波动，精确地指出了战争、政治动荡和气候变化等事件的影响，而这些影响在传统数据中往往被平滑处理。该研究表明，分析光线——分解成其颜色成分——提供了一种可靠且独立的方法来理解这一时期的经济活动。
该研究以PDF形式提供，正如另一位用户所指出的。
## 对齐与能力：人工智能发展的新视角 一种日益增长的观点认为，“对齐”——确保人工智能系统按照人类价值观行事——并非是能力型人工智能的*独立*挑战，而是能力*本身*的内在组成部分。一个真正有能力的人工智能，特别是那些旨在实现通用人工智能（AGI）的人工智能，必须深刻理解人类意图，而人类意图与我们的价值观和文化息息相关。仅仅通过基准测试是不够的；实用性需要理解未明确说明的假设。 OpenAI和Anthropic之间的现实世界实验正在验证这一点。Anthropic将对齐研究*融入*能力开发中，在他们的模型中训练出“连贯的身份”——以Claude在编码和创意任务上的成功为例。OpenAI最初优先考虑规模，并将对齐作为独立的纠正过程应用，遭遇了挫折。GPT-4o最初的趋炎附势和GPT-5的冷漠表明了缺乏真正理解的破碎“自我模型”的陷阱。 当前数据显示Claude正在获得显著的用户参与度，而OpenAI则面临困境。这表明，构建具有内在理解的人工智能，而不是外部施加的约束，至关重要。最终，通往AGI的竞赛可能取决于哪个实验室能够构建真正*理解*——并因此与——人类价值观相符的模型。
一个黑客新闻的讨论强调了 Opus 4.5 的强大能力，这是一种新型 AI 模型。一位用户称它代表着一个显著的飞跃，可与从 ChatGPT 3.5 的进步相提并论，认为它在完成复杂任务时，在极少指导下远胜于 Sonnet 4.5 和 Haiku 4.5。
与之前需要不断修正的型号不同，Opus 4.5 会主动验证其自身假设，并提供更高质量的输出，例如易于阅读的 PDF 和详细的技术迁移计划。
对话还涉及人工智能通用性 (AGI) 和超智能的潜力，一位评论员认为它可能不是突然的“奇点”，而是收益递减的渐进过程——强大，但不一定对福祉至关重要。另一位用户称赞链接的文章是一篇深刻而富有洞察力的分析。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
AT&T 2000美元Korn shell以及其他Usenet话题中的冗余词汇 (gabornyeki.com)
5 分，作者 gnyeki 3小时前 | 隐藏 | 过去 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
Flow：用于C++的基于Actor的语言，被FoundationDB使用。
Flow: Actor-based language for C++, used by FoundationDB
1 小时前
GitHub是一个全球使用的综合开发平台，供个人和团队构建、发布和维护软件。它提供广泛的功能，包括通过仓库进行代码存储和管理，以及协作工具，如问题、拉取请求和讨论，还有项目跟踪。 最近，GitHub扩展到AI驱动的开发，推出了Copilot（AI结对程序员）和GitHub Models用于提示管理等工具。它还通过GitHub Advanced Security提供强大的安全功能。 除了核心开发之外，GitHub还支持使用Actions进行自动化，使用Codespaces进行即时开发环境，并提供学习资源、活动以及探索开源项目的平台。它满足各种需求，从初创公司到大型企业，涵盖各个行业，提供定制化的解决方案和定价方案。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
Flow: 用于C++的基于Actor的语言，被FoundationDB使用 (github.com/apple)
13 分，由 SchwKatze 50分钟前发布 | 隐藏 | 过去的 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
二战期间，福特仪器公司（与福特汽车公司无关）为美国海军开发了机电式火控计算机，IBM 制造了一些型号。马克一号和一A型是大型战列舰计算机，而马克六号是一种紧凑的手动计算机——大约像一个奶酪轮子那么大——设计用于商船。 博物馆拥有一台完整的马克六号16型，最初用于3英寸/50口径高射炮。它的历史有些神秘；标记表明它曾服役于亚利桑斯号战列舰，尽管它被设计用于商船，类似的设备也出现在驱逐护卫舰和战列舰炮塔手册中。 这台计算机使用发条马达和复杂的机械部件运行，包括乘法器，在仔细拆解后得以显现。尽管有明显的磨损迹象，但其内部机制仍然非常干净和保存完好，润滑油仅在发条底座上发现。这是该技术的罕见例子，文件有限，幸存的设备也很少。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
Sperry/Ford Mark-6 火控计算机 (glennsmuseum.com)
5 分，来自 pillars 2 小时前 | 隐藏 | 过去 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
AI 代理在部署后经常会以不可预测的方式失败，自信地犯错，例如使用不存在的 URL——当前解决方案试图通过使用另一个 LLM 作为“仲裁者”来解决这个问题。这会产生一种循环依赖，容易出现相同的幻觉和不准确。 作者认为，我们需要像对待传统软件一样对待代理，通过断言、单元测试和显式检查引入**确定性**。不要*询问* LLM 某个事物是否有效，而是用代码*验证*它（例如，使用 `requests.get()` 验证 URL，使用 AST 解析验证 SQL）。 为了解决这个问题，他们构建了 **Steer**，一个开源 Python 库，它用“硬性护栏”包装代理函数。Steer 在错误*发生之前*拦截它们，记录它们，并允许开发者通过注入到其上下文中的特定纠正规则来“修补”模型的行为——有效地解决问题，而无需完全重新部署。 Steer 优先考虑本地执行、隐私和基于库的方法，为“感觉式”调试提供了一种确定性的替代方案。
## AI 中的“自信的傻瓜”问题
最近 Hacker News 上的一场讨论强调了当前 AI 模型的一个关键问题：它们倾向于自信地提供错误的答案，而不是承认不确定性或寻求澄清。SteerLabs 的作者认为，仅仅增加模型规模（“更多概率”）并不能解决这个问题，因为 LLM 从根本上来说是“幻觉机器”，而不是可靠的数据库。
他们的解决方案，概述在一个名为 SteerReply 的新库中，侧重于在 AI 的生成过程**周围**实施**严格、确定性的规则**。SteerReply 不试图从概率模型中强制真诚，而是对输出施加断言——二元接受标准。
虽然承认复杂的判断任务仍然需要人类专业知识，但核心思想是自动化“枯燥”但至关重要的飞行前检查。例如，在医疗诊断前验证患者数据。这减少了“无谓的错误”，并确保 AI 基于事实信息运行，从而让人类专家专注于任务中真正具有挑战性的方面。