理查德·埃尔曼1959年的传记《詹姆斯·乔伊斯》是一项具有里程碑意义的成就，它使这位爱尔兰作家栩栩如生，并巩固了他在文学经典中的地位。埃尔曼有幸及早接触到未发表的资料，并凭借其个人魅力从乔伊斯的亲密圈子中获得了进一步的见解。他的传记巧妙地结合了历史事实、心理学洞察力和批判性解读，使乔伊斯更容易为广大读者所接受。
扎卡里·利德的埃尔曼传记《埃尔曼笔下的乔伊斯》探讨了这部原版传记的创作和影响。虽然它详细描述了埃尔曼的生活和方法，但缺乏对其动机及其与主题人物的思想联系的更深入探讨。埃尔曼的成功反映了这样一个时代：当时的文学研究还不那么专业化，一部传记既可以具有学术价值，又可以拥有大众的吸引力。在一个理论占据主导地位的时代，埃尔曼以作者生平来理解其作品的传记方法似乎显得有些天真，然而他的传记却比许多理论潮流都更持久。如今，单作者的论文越来越少，文学系也面临着挑战，这使得埃尔曼的成就更加令人瞩目。
每日HackerNews RSS
Hacker News上的一篇文章《是的，我将阅读尤利西斯》引发了一场关于阅读詹姆斯·乔伊斯《尤利西斯》体验的讨论。评论者们分享了他们在阅读这部风格晦涩难懂、充满典故的书籍时遇到的挣扎和收获。一位用户讲述了他意外选修了一门以乔伊斯为中心的课程，发现《尤利西斯》难以理解，但却享受课堂讨论的经历。
其他人推荐乔伊斯较易读的《都柏林人》作为入门读物。许多用户建议使用辅助读物和有声书，包括爱尔兰国家广播电台（RTÉ）的戏剧化朗读版本，以帮助理解。一些人认为，《尤利西斯》更适合大声朗读，或者在第一次探索性阅读之后再读。常见的主题包括该书的难度、对外部资源的需求，以及其声誉受到学校作业的影响——学生们缺乏与作品产生共鸣的生活经验。讨论还涉及人文教育的价值及其与实际应用之间的脱节。
Valve的反作弊系统（VAC）自2002年推出以来，一直以用户模式运行。虽然总体有效，但它也发生过一些失误，导致一些最终被撤销的误封。VAC封禁会带来一些后果，包括个人资料标记和游戏限制。
一些社区成员对VAC进行逆向工程以了解其工作原理，从而导致“VAC绕过”尝试。VAC的模块作为DLL流式传输，并以反射方式加载到内存中或通过LoadLibrary加载。研究人员试图强制使用LoadLibrary，然后挂钩该函数，将模块转储到磁盘进行分析。
通过修补`steamservice.dll`，研究人员可以强制VAC使用`LoadLibrary`加载DLL。然后，通过使用Procmon监控文件活动，可以分析临时目录中创建的.TMP文件。这些文件包含已加载的VAC模块，以及像`_runfunc@20`这样的导出函数。这使得对Valve采用的反作弊措施进行更深入的分析成为可能。
这个Hacker News帖子讨论了游戏作弊，特别是Valve反作弊系统(VAC)及其有效性。一位用户讲述了多年前轻松用JavaScript编写了一个反恐精英作弊程序，这让人对VAC的能力产生了质疑。这引发了关于作弊动机的辩论，从“畸形的竞争欲”和获得成就感，到绕过反作弊系统的智力挑战，不一而足。
几位评论者分享了他们修改游戏的经验，包括良性和恶意的修改，突出了增强游戏体验和破坏他人游戏体验之间的矛盾。讨论涉及作弊者的心理学、作弊开发者和反作弊系统之间的猫鼠游戏，以及基于签名的检测的伦理意义。一些人建议使用统计分析和服务器端作弊检测，而另一些人则指出了其局限性和潜在的滥用可能性。该帖子还提到了作弊软件可能被用作恶意软件和木马的可能性。
谷歌AI摘要的兴起正在导致SEO领域的“大脱钩”，网站的展现量激增，而点击量却骤降，在谷歌搜索控制台(GSC)图表中呈现出“鳄鱼嘴”形状。这是因为AI摘要为网站提供了两次展现机会——一次出现在传统搜索结果中，另一次则作为AI生成的答案中的引用。然而，AI摘要也直接满足了搜索查询，导致访问网站的点击量减少。
这一趋势正在影响整个行业，Ahrefs的数据显示，展现量和点击量之间的相关性已经从正相关转变为负相关。像Ahrefs这样的工具允许用户识别AI摘要突出的关键词，并突出显示被引用的网站。虽然博客流量与业务增长的相关性正在减弱，但潜在客户群体仍然庞大。尽管点击量下降，但早期数据表明，AI驱动的访问转化率明显更高。因此，内容营销需要适应这一新的现实。
Hacker News上的一篇讨论线程围绕文章“大脱钩”展开，该文章探讨了谷歌AI摘要对网站流量和内容创作的影响。用户们哀叹网站访问量和收入下降，认为谷歌AI驱动的搜索结果诱导用户留在搜索引擎内，而不是点击进入外部网站。一些人担心这种趋势会打击内容创作者的积极性。
一位用户屏蔽了SEO工具Ahrefs，原因是担心其不尊重`robots.txt`。关于谷歌AI摘要是否有益，存在争议；一些人欣赏其便捷性，而另一些人则担心其准确性以及独立网络的侵蚀，强调对信息来源进行批判性评估的重要性。一位用户评论说，由于查询的随意性，不正确的AI答案是可以接受的，这引发了关于网络成瘾以及搜索信息背后真正意图的进一步讨论。另一位用户报告说，对于他们的查询，AI的准确率只有大约50%。
2025年，人工智能研究正在重新审视马文·明斯基的《心智社会》（Society of Mind），该理论最初被作者本人否定。随着大型语言模型（LLM）等单体式人工智能模型达到其极限，明斯基将智能视为许多简单相互作用的“智能体”涌现属性的概念正在获得关注。研究人员正越来越多地探索模块化多智能体系统，这反映了明斯基的愿景。 专家混合模型（Mixture-of-Experts），其中专门的子网络处理特定任务，体现了这种转变。多智能体系统，例如HuggingGPT和AutoGen，涉及多个AI智能体协作解决复杂问题，这让人联想起明斯基的“智能体”（agencies）。这些系统通常包含“批判者”（critic）智能体，用于自我反思和校准，这与明斯基的“审查者”（censor）和“B脑”（B-brain）概念相呼应。 这种转向去中心化架构的趋势，即在半智能组件之间进行协调，优先考虑灵活性和专业化而不是纯粹的规模。虽然仍然存在挑战，但明斯基思想的重新发现预示着人工智能的未来：通过多样性和内部监督，实现更强大、更可控、更一致的人工智能。
我们正在建立一个研究实验室，它在一个世界上最复杂、信息最丰富的环境——金融市场中，将理念付诸实践。许多交易仍然依赖手工设计的信号和直觉。我们采用不同的方法——从第一性原理出发。我们设计能够学习、适应和改进数据的系统。我们的基础设施旨在加速研究：快速的迭代循环、实时的反馈以及理念与成果之间的直接联系。我们从股票和期权等流动性市场开始——这是高维动态系统，传统的流程在其中会失效。我们的目标不仅仅是更好地对其进行建模——而是建立一个实验平台，在这个平台上，每一个结果都会加强理论与实践之间的联系。如果您关心学习系统、简洁的抽象以及在实践中应用研究，我们正在招聘。
Hacker News
最新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
Attimet（YC F24）——量化交易研究实验室——招聘创始工程师 (ycombinator.com)
1 天前 | 隐藏
考虑申请 YC 2025 秋季批次！申请截止日期为 8 月 4 日
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系我们
搜索：
作者探索了使用大型语言模型 (LLM) 自动将 C 代码移植到 Rust 的方法，重点是通过严格的模糊测试来保持相同的行为。他们最初尝试在 LLM 的辅助下手动移植，但由于累积的潜在错误而无法持续下去。成功的方法包括按拓扑顺序排序符号，为每个符号生成 Rust 等价物以及模糊测试，并迭代地改进 LLM 的输出，直到测试通过。这种方法独一无二地确保了每一步 C 和 Rust 输出的完全一致。
该过程实现了几乎完全的自动化，只需要少量的人工干预。令人惊讶的是，即使是简单的模糊测试也能有效地验证符号的行为，最大限度地减少了回溯和调试的需要。尽管生成的 Rust 代码类似于 C 代码，但其成功表明 LLM 可以大大降低移植项目的成本。作者设想未来 LLM 将异步处理大部分移植工作，而人类则处理剩余的复杂问题。作者估计这种方法的成本仅为每行代码 0.01 美元。
这篇 Hacker News 帖子讨论了使用大型语言模型 (LLM) 和模糊测试进行程序移植。原帖强调了模糊测试在移植过程中识别和修复错误的有效性，即使是在 LLM 生成代码的情况下。
评论者对 LLM 生成的代码质量表示担忧，一些人认为 LLM 经常生成有错误的代码，需要大量的人工监督。其他人则对模糊测试的实用性进行了辩论，指出“盲目”的模糊测试不如覆盖率引导的模糊测试有效。
几位评论者探讨了替代方法，例如将形式化验证与 LLM 结合使用，以及利用人工生成的属性测试来获得更可靠的结果。一些人建议在 LLM 初始移植之后进行迭代式的“Rust 化”，而另一些人则考虑收集人工使用数据以改进生成输入。
总的来说，这篇帖子强调了 LLM 在代码移植方面的潜力，同时也强调了健壮测试方法（特别是模糊测试）的重要性，以及需要人工监督以确保正确性和质量。
有效的文档对于Kapa这样的RAG系统中的人工智能和人类来说都至关重要，它们形成一个正反馈循环：高质量的内容改进人工智能的响应，而改进的响应反过来又突显出需要进一步改进的领域。人工智能系统会分块处理文档，依赖于显式的内容匹配，难以处理隐式连接。因此，文档应该明确、独立且上下文完整。 通过使用语义化HTML来优化内容，优先使用HTML/Markdown而不是PDF，简化页面结构，确保语义清晰，为视觉内容提供文本等价物，并保持简单的布局。解决常见的文档设计挑战，例如上下文依赖、语义可发现性差距、隐性知识假设、视觉信息依赖和布局依赖信息。使用分层的信息架构，创建独立的部分，并记录错误上下文及其解决方案。优先考虑清晰度、结构和用户焦点，以增强人和人工智能的理解。
这篇 Hacker News 讨论帖探讨了编写既对人友好又对 AI 友好的文档的最佳实践。共识是良好的文档原则具有普遍益处，包括清晰的结构、明确的上下文、准确的错误信息和定义良好的层次结构。这些原则也符合良好的 SEO 实践，甚至编码实践，其中清晰地表达问题有助于解决问题。
几位评论者强调了详细的变量名、清晰的 API 和全面的错误处理对于人和 AI 用户都很重要。一位用户建议将 AI 用作 API 设计中认知复杂性的“冒烟测试”。总体情绪强调文档应该值得信赖、最新且易于浏览，以促进用户采用并促进积极的开发者体验 (DX)。一些用户指出，良好的文档可以使网络抓取更容易。最终，如果 AI 无法理解你的文档，那么人类也无法理解。
利用Flink SQL构建企业级AI Agent，充分利用其访问结构化和非结构化数据的能力。对于客户详细信息等结构化数据，利用SQL连接与数据源连接器或查找连接进行引用数据关联，并利用Flink的缓存机制。对于内部文档等非结构化数据，实现检索增强生成 (RAG)。将文档编码成嵌入向量，并存储在向量数据库中（例如Pinecone、Elasticsearch、Postgres、MongoDB）。Flink SQL原生支持将向量表示为ARRAY<FLOAT>。 实现一个由两个作业组成的Agent系统：一个作业使用`ML_PREDICT()`和嵌入模型在向量存储中创建/更新嵌入向量；第二个作业对新数据进行摘要，生成其嵌入向量，查询向量存储以查找相关文档（使用自定义函数UDF计算余弦相似度），并增强另一个`ML_PREDICT()`调用以建立关系。 对于真正的AI Agent，让大型语言模型 (LLM) 决定使用哪些资源，可以使用Anthropic的MCP。利用过程表函数 (PTF) 集成MCP，允许使用任意的Java逻辑，例如LangChain4j API，来集成外部工具。Flink 2.1中提供的PTF，通过对行组进行操作，可以在Agent内实现内存管理。
请启用JavaScript和Cookie以继续
Hacker News上的一篇帖子讨论了“贝塞斯达宣言”，这是一场针对NIH（美国国立卫生研究院）科学和资金政治化的抗议。评论者们对过去的政治化行为表示担忧，特别是关于跨性别医疗保健研究的政治化。一些人认为，之前的政府压制了与跨性别医学叙事相矛盾的研究，这与目前对特朗普政府的担忧相呼应。
关于英国对未成年人跨性别医疗保健的卡斯审查报告，展开了辩论。一个用户声称该审查发现激素会损害儿童。其他人则对此表示异议，并引用了对该审查方法的批评。
讨论转向了双方是否同样有压制科学的罪责。一些人认为左派压制了对性别问题的异议，而另一些人则认为这与特朗普政府的削减相比微不足道。关于性别肯定疗法的有效性也出现了分歧。一位评论员建议，中间派认为双方都有问题，对此其他人强烈反对。最后，一位评论员反对对批评政府的评论进行标记，说道：“我们不能谈论这个。”
本文介绍了 S-expr，一个为初学者设计的 S-表达式解析库。S-表达式是 Lisp 语言的基础，它使用括号表示嵌套列表和代码。S-expr 在传统的 S-表达式基础上增加了增强可读性的特性： * **字符串:** 单行字符串用 `"` 包裹，多行字符串用 `"""` 包裹，允许 Unicode 表示，多行字符串支持矩形边界。 * **注释:** 与字符串类似，单行注释用 `/` 表示，多行注释用 `///` 表示，方便代码注释。 * **转置块:** 用 `*` 标记，这些块交换行和列，允许垂直缩进并处理括号繁多的表达式。转置行（用单个 `*` 包裹）进一步增强了这些块内的可读性。 S-expr 旨在平衡简洁性和易用性，提供比标准 Lisp 实现更复杂但可能更易读的代码格式。
这个 Hacker News 讨论串讨论了一个关于 S 表达式的新方案，该方案引入了二维结构，旨在提高可读性。原帖建议垂直和水平排列代码元素以视觉化地表示它们之间的关系。
然而，讨论串中经验丰富的 Lisp 程序员强烈批评了这个想法。他们认为，提出的二维语法违反了 S 表达式的核心原则，例如对空格不敏感和线性解析。二维结构引入了复杂性，需要回溯，使得代码更难阅读和解析。
讨论中也提供了其他的格式化建议。一些发帖者指出了 Racket 对自定义 reader 语法的支持，包括二维结构。另一些人则指出 Clojure 已经通过诸如向量、哈希映射和关键字等特性解决了标准 S 表达式的一些限制。总的来说，这个讨论串反映了大家普遍反对原提案的共识。