## Rudel：Claude 代码分析工具 Rudel 提供了一个仪表盘，用于分析你的 Claude 代码编程会话，提供关于 token 使用量、会话时长、模型性能等方面的洞察。它可以通过 CLI 工具轻松集成：使用 `npm install -g rudel` 安装，登录，并使用 `rudel enable` 启用自动上传。 Rudel 捕获详细的会话数据——记录、时间戳、git 上下文和子代理使用情况——并将其安全地存储在 ClickHouse 中进行分析。可以通过仪表盘授予团队访问权限。 过去的会话也可以批量上传。 **重要安全提示：** Rudel 摄取*完整*的会话数据，可能包括敏感信息，例如代码和密钥。仅在上传此数据可接受的项目中使用它。 虽然 Rudel 不会通过托管服务访问记录中的个人数据，但在使用前请查看他们的隐私政策。 在他们的 GitHub 仓库中可以找到 CLI 命令、自托管和安全报告的文档。 在 [app.rudel.ai](https://app.rudel.ai) 免费试用托管版本。
每日HackerNews RSS
## Rudel：分析Claude Code会话
一个团队构建了Rudel (github.com/obsessiondb) 来了解他们对Claude Code的使用情况，通过分析超过1,573个会话，总计1500万+ tokens，发现了其中的规律。他们发现技能使用频率很低（4%的会话），26%的会话很快被放弃（在60秒内），会话成功率因任务而异——文档编写成功率最高，重构最低。早期错误通常预示着会话会被放弃。
这款开源工具允许用户跟踪他们与Claude Code的交互，从而可能提高生产力。用户可以自托管以保护隐私。讨论强调了维护良好的 `CLAUDE.md` 文件和调整技能触发条件以获得最佳性能的重要性，Claude 4.6 表现出改进。
该项目旨在建立“良好”代理性能的基准，并提供关于团队如何使用AI进行编码的见解，包括识别需要改进的领域和调试工作流程。虽然有些人表达了对隐私的担忧，但自托管选项可以解决这个问题。
## 系统编程中的动态类型：摘要
本文探讨了在静态类型系统中表示不同类型数据的技术，并借鉴了GNU Emacs、现代C++和其他实现中的经验。核心挑战是高效处理多态性——当单个变量需要持有不同数据类型时。
详细介绍了三种主要方法：**带标签的联合体**（如`std::variant`），为最大可能的类型分配空间；**胖指针**，在指针旁边添加额外空间来存储类型信息；以及**带标签的指针**，利用指针对齐中未使用的位来存储类型标签。Emacs 独特地使用带标签的指针来处理核心类型，并使用“简陋的继承”（结构体嵌入）来扩展类型表示，超越有限的标签空间，从而在资源受限的环境中优化性能和内存使用。
有趣的是，像LLVM这样的现代系统正在*重新发明*类似的技术，绕过标准的C++ RTTI以实现更快的编译时类型检查。这些标记策略也出现在其他系统，如Linux内核和JavaScript引擎（V8）中，证明了它们持续的相关性。这些方法之间的选择取决于在内存占用、性能和类型层次结构的复杂性之间取得平衡。
## Emacs 内部机制与指针标记：总结
这次Hacker News讨论围绕高效数据表示技术，特别是指针标记，以及Emacs、C++和Rust中如何处理它。原始帖子探讨了Emacs使用位运算操作指针的做法——这种做法依赖于特定的GCC行为，并且可能在标准的C/C++中导致未定义行为。
现代C++更倾向于使用`uintptr_t`或`intptr_t`来进行更安全的指针操作。一个新的C++标准提案(p3125r0)旨在创建一个专门用于指针标记的类型，以保留来源并允许针对特定目标的优化。
Rust提供了一个更强大的解决方案，即`ptr::map_addr`，它能够实现安全的指针修改，同时保持来源跟踪。与C++不同，Rust的设计将此功能集成到基本层面。
对话还涉及LLVM的优化挑战和潜在的不健全性，这会影响所有使用LLVM作为后端的语言。最后，讨论指向LLVM不断发展的RTTI实现，即`CastInfo`。
美国银行对私人信贷提供商的贷款正在显著增加，截至6月已近3000亿美元，对非存款金融机构（NDFI）的总贷款额贡献达到1.2万亿美元。这与十年前相比大幅增长，目前已占美国银行贷款的10%以上。 为了实现收入多元化和降低风险，富国银行、美国银行和摩根大通等银行正在与另类资产管理公司建立合作关系，并积极为非银行贷款机构提供资金——即使他们也在与之竞争。 然而，穆迪评级警告说，这种增长并非没有风险，引用了Tricolor Holdings等最近的破产案例，作为潜在的资产质量挑战的指标。尽管存在这些担忧，私人信贷资产在过去十年中增长了三倍，增速超过了大多数其他信贷领域。
## 美国银行与私募信贷 – 摘要
最近的 Hacker News 讨论强调了人们对美国银行在私募信贷方面敞口的担忧，目前估计为 3000 亿美元。这与惠誉报告的创纪录的私募信贷违约率相吻合，预计 2025 年将达到 9.2%。
对话强调，私募信贷的问题不是隐藏的风险，而是更广泛金融问题的症状。与 2008 年危机中的复杂工具不同，私募信贷代表着*真实*的债务。当违约发生时，股权持有者（如私募股权基金）会在担保债权人遭受损失*之前*被清算。
因此，该行业的困境预示着潜在的系统性风险，表明这是一个“全球金融系统”问题，而不仅仅是孤立事件。由于评论内容高度重叠，讨论线程已被合并。
## zi2zi-JiT：中文字体风格迁移
zi2zi-JiT是一个基于JiT架构的扩散Transformer模型，用于合成中文字体。它将参考字形的风格转移到源字符上，从而实现字体风格的修改。该模型利用内容编码器（来自FontDiffuser）捕捉字符结构，风格编码器提取风格特征，并采用多源上下文混合方法进行条件设置。
JiT-B/16和JiT-L/16两个变体是在包含400多个字体的超过30万个字符图像的大型数据集上训练的（主要为简体和繁体中文，以及少量日语）。评估指标（FID、SSIM、LPIPS、L1）显示出强大的性能。
该项目提供了数据集创建、微调（使用LoRA在单个GPU上 – 约4GB VRAM）和字符生成工具。微调单个字体可以在一小时内完成。 预训练检查点可用，如果分发包含来自该项目派生的超过200个字符的产品，则需要署名。 代码采用MIT许可，并针对字体输出添加了特定条款。
## 使用 zi2zi-JiT 实现高质量中日韩字体合成
开发者 kaonashi-tyc 在 **zi2zi-JiT** 项目上取得了进展，该项目旨在利用字体合成技术创建实用、生产级别的中日韩 (CJK) 字体。作者对现有的字体生成技术不满意，因此在原始 zi2zi 项目的基础上，利用 Transformer 架构来获得更好的结果。
目前，已经从古代中文文本和书法中生成了两个完整的中文字体（每个字体包含 6,763 个字符，基于 GB2312），并且**可免费用于商业用途**。这些字体可在 GitHub 上找到：[https://github.com/kaonashi-tyc/Zi-QuanHengDuLiang](https://github.com/kaonashi-tyc/Zi-QuanHengDuLiang) 和 [https://github.com/kaonashi-tyc/Zi-XuanZongTi](https://github.com/kaonashi-tyc/Zi-XuanZongTi)。
仍然存在挑战，尤其是在重现篆书等古代书写形式时，因为训练数据有限。作者欢迎反馈，以进一步完善该项目及其功能。该项目利用了风格迁移技术，恰如其分地命名为“zi2zi”，在中文中意为“字到字”。
访问被拒绝。您没有权限访问“http://www.marketscreener.com/news/us-private-credit-defaults-hit-record-9-2-in-2025-fitch-says-ce7e5fd8df8fff2d”上的服务器。 参考编号：18.c9a4c117.1773320745.1971e4f8 https://errors.edgesuite.net/18.c9a4c117.1773320745.1971e4f8
## 稀疏化：见证数据的新视角
本文探讨了“稀疏化”，这是一种在依赖类型理论中经常遇到的数学对象，但其应用范围不止于此。稀疏化充当**见证数据**——简化问题解决的信息，通常可以提高效率或清晰度。可以将满足赋值视为 SAT 问题可解性的见证。
具体来说，稀疏化解决了“子列表”问题（在更大的列表中找到一个序列）。它们可以被可视化为元素之间的非重叠路径，表示为位向量，并通过德布鲁因提升/降低等操作生成（类似于置换由交换生成）。至关重要的是，稀疏化可以被*组合*——顺序应用——提供一种强大的视角转变。
作者通过 Python 示例演示了这一点，展示了如何不仅*找到*一个列表是否是子列表，而且*生成一个证书*（稀疏化本身）来证明它。验证此证书通常比找到它更快。
这个概念与 lambda egraphs、并查集，甚至 Prolog 的证明搜索等领域相关联。稀疏化可以被视为一个范畴，继承诸如组合和单位元之类的属性。它们还与德布鲁因索引等概念相关，并可能为自由变量分析和高效数据结构提供一种新颖的方法，从而可能改进诸如哈希常量和名义统一之类的技术。最终，作者认为稀疏化对于良好作用域的项是基础的，超越了 lambda 演算，扩展到其他绑定器，如求和和积分。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
稀疏化：子列表见证和德布鲁因索引移位聚类 (philipzucker.com)
20 分，matt_d 1 天前 | 隐藏 | 过去 | 收藏 | 2 评论 帮助
skybrian 1 天前 [–]
寻找稀疏化似乎像是差异算法的一个受限版本，你只能删除东西？稀疏化是表示为位的差异。这不是很紧凑，但你可以进行行程长度编码。回复
philzook 1 天前 | 父评论 [–]
有趣。我认为如果你试图找到两个其他列表被稀疏化的“最佳”列表，那么相似之处就更多了。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
最近对LLM代码生成的研究，基于“metr”文章的数据，揭示了一个令人担忧的趋势：虽然LLM越来越能*通过测试*，但适合实际合并到项目中的代码质量在过去一年中没有提高。
该研究比较了LLM基于通过测试和维护者批准的性能，发现以合并性作为判断标准时，成功率显著下降——50%成功的所需时间从50分钟减少到仅8分钟。 重要的是，合并率分析显示自2025年初以来没有上升趋势，尽管通过测试的能力有所提高。
统计建模（使用Brier分数）证实了这一点，表明预测*恒定*合并率的模型比预测逐步改进的模型更准确。 这表明LLM并没有真正提高生产就绪代码的生成能力，引发了对以通过测试作为主要进展指标的质疑。
## LLM进展：停滞期？
近期分析质疑大型语言模型（LLM）在编码能力上是否仍在显著提升。该研究表明可能出现停滞期，尤其是在衡量自动合并的拉取请求（无需人工审核的代码更改）的速率时。一些评论员对此表示异议，指出像Opus 4.5/4.6等模型的最新进展，以及改进的工具和“代理”工作流程的影响。
核心争论在于，观察到的改进是由于模型本身变得更智能，还是仅仅更好地利用和整合现有工具。许多人同意，虽然原始的“一次性”性能可能正在趋于平稳，但整体开发者体验*已经*有所改善。
一些评论员强调考虑模型特定数据的重要性（避免混淆不同实验室的结果），并承认LLM仍然需要大量的人工监督。大家普遍认为，未来的进展可能更依赖于生态系统改进和成本优化，而不是模型规模或能力的巨大飞跃。最终，这场讨论强调了客观衡量LLM进展的难度，以及炒作可能掩盖现实评估的潜力。
## MacBook Neo 与大数据：笔记本电脑基准测试
苹果新款入门级 MacBook Neo，定价 700 美元/800 欧元（512GB 存储，8GB 内存，Apple A18 Pro 芯片），经过了数据库工作负载的测试。目标是：看看它是否符合“在笔记本电脑上进行大数据处理”的理念。
使用 DuckDB 进行基准测试时，MacBook Neo 在最初的“冷启动”测试中表现出色，使用 ClickBench 基准测试完成查询的速度快于可比的云实例，这得益于其本地 NVMe SSD。然而，在持续的“热启动”场景中，拥有更多资源的云实例最终表现优于它。
Neo 还处理了更复杂的 TPC-DS 基准测试，成功地在 100 规模因子下完成所有查询，耗时 15.5 分钟，在 300 规模因子下耗时 79 分钟，但内存限制变得明显。
虽然 DuckDB *可以* 通过内存外处理在 Neo 上处理大量数据，但其较慢的磁盘 I/O（1.5 GB/s）和有限的 8GB 内存使其与高端 MacBook 或专用 Linux/Windows 机器相比，不太适合日常繁重的数据处理。然而，它作为云数据库的客户端是一个不错的选择，并且能够处理偶尔的本地数据处理。
## 纽科姆悖论：对Veritasium观点的批判 纽科姆悖论提出一个引人入胜的决策难题：选择一个不透明的盒子（如果只选择它，预测内含100万美元；如果拿两个盒子，则为0），或者拿一个装有1000美元的透明盒子和那个不透明的盒子。Veritasium最近探讨了这个问题，但一位评论员认为他们的框架存在缺陷。 核心问题不在于预测者（无论是超级计算机、外星人还是心理学家）*如何*运作，而在于它是否*总是*正确。如果预测者*曾经*出错，这个悖论就会失去力量。评论员指出，真正随机的选择，比如抛硬币，是不可预测的，而依赖过去行为的预测者无法考虑到这一点。 Veritasium的概率论论证，假设预测准确率一致，也受到了质疑。这依赖于一个假设，即选择*方式*不会影响准确率——如果你故意试图智胜预测者，这是一个不稳定的前提。最初的悖论依赖于一个完美的预测者；引入失误会从根本上改变问题，使其不再那么具有智力刺激性。这场争论似乎远未结束，之前的探讨甚至深入到量子随机性中以尝试寻找解决方案。
## 纽科姆悖论：摘要
纽科姆悖论提出一个决策问题：选择一个盒子，里面有1000美元；或者选择两个盒子——第二个盒子是不透明的，可能包含100万美元，也可能什么都没有。一个超智能预测者已经预见了你的选择，并相应地填充了不透明的盒子。
核心争论在于是“一盒”（只拿不透明的盒子）还是“两盒”（拿两个盒子）。两盒选择者认为预测者*已经*做出了决定，所以拿两个盒子至少保证1000美元。一盒选择者认为预测者的准确性意味着选择一个盒子可以最大化获得一百万的机会，本质上是对预测者正确识别该选择的奖励。
讨论集中在自由意志与决定论之间，以及预测者的能力是否影响因果链。有些人认为这个决定已经被预先确定，使选择成为虚幻。另一些人则提出随机化决策的策略来利用预测者。一个关键点是，是将这种情况视为一个统计问题，还是对预测者能力的信任测试。最终，这个悖论突出了冲突的逻辑框架以及对预测和能动性的假设。
## 海豚模拟器进度报告 - 2026年3月总结
海豚模拟器的最新版本（2603）在多个方面取得了显著进展。最值得注意的是，它**增加了对世嘉、南梦宫和任天堂的Triforce街机系统的模拟支持**——这是18年来支持的首个全新系统！
通过**对MMU模拟的优化**，性能得到了显著提升，使得之前运行困难的游戏，如《星球大战：叛军小队III：反抗打击》，现在可以全速运行。在社区合作和专业的CPU模拟工作下，长期存在的《马里奥冲击力足球》中的物理错误也终于得到解决。
其他主要更新包括**将整个游戏加载到RAM**的功能，以实现从网络存储（NAS）设备更流畅的游戏体验，以及一个**用于调整SDL提示的GUI**，以解决手柄兼容性问题。此外还实施了许多较小的性能补丁和修复，从而提高了整体稳定性和准确性。
本次发布展示了海豚模拟器持续致力于提高模拟准确性、性能，并扩展其兼容性以涵盖新的游戏平台的决心。
## 海豚模拟器进展与社区奉献
最近的Hacker News讨论强调了海豚模拟器令人印象深刻的持续开发，特别是新版本恢复了对Triforce街机柜的支持——这是任天堂、世嘉和南梦宫合作的成果。 这很重要，因为它允许模拟诸如《F-Zero AX》和《马里奥卡丁车街机GP》等游戏。
对话展示了海豚团队及其社区的奉献精神，用户们惊叹于所需的逆向工程深度——甚至发现了原始游戏代码中的怪癖和有意设计选择。 许多人赞扬了海豚进展报告的质量，指出其清晰地解释了复杂的技术挑战。
一个关键点是团队有意识地决定*不*接受捐款，以避免潜在的法律问题（如Yuzu面临的那些），并保持对由热情驱动的开发而非经济激励的关注。 讨论还涉及了恶意ROM的风险，但通常认为风险较低，这得益于模拟器的安全性，以及寻找经过验证的ROM的资源，例如CleanRip和Redump。