## 数字路径：寻路谜题 数字路径是一个使用HTML、CSS和JavaScript构建的单页网页谜题——未使用任何框架或打包工具。目标是在一个正方形网格中绘制一条连续的路径，恰好访问每个单元格一次，并按照数字线索升序排列。 这个谜题基于哈密顿路径问题，寻找一条访问图中每个节点一次的路径。数字线索通过充当固定路标来简化问题。游戏具有拖动或点击界面来创建路径，允许回溯。 谜题使用Warnsdorff启发式随机生成，该启发式优先访问未访问邻居较少的单元格，以避免死胡同。墙壁策略性地仅放置在初始解决方案不包含的边缘上，从而保证可解性。 谜题数据存储在简单的纯文本文件中，使其易于编写和版本控制。游戏将高分存储在本地。包含100个预生成谜题，只需将文本文件添加到谜题目录并更新列表文件，即可添加新的谜题。
每日HackerNews RSS
对不起。
## uutils 审计：从生产环境中的 Rust 经验教训 对 uutils 的一次审计，即 Ubuntu 中 GNU coreutils 的 Rust 重实现，发现了 44 个 CVE – 这对 Rust 系统程序员来说是一个宝贵的学习机会。 尽管拥有一支技术娴熟的团队和 Rust 的安全特性（借用检查器、clippy），这些错误仍然出现，突显了 Rust 安全性的*边界*。 核心问题源于“检查时到使用时” (TOCTOU) 问题，即先检查路径，然后对其进行操作，允许攻击者在两者之间将其替换为符号链接。 Rust 标准库 API 虽然方便，但通常会在每次调用时重新解析路径，从而产生此漏洞。 **审计的关键收获：** * **锚定文件描述符：** 在后续操作中使用文件描述符而不是路径。 * **在创建时设置权限：** 利用 `OpenOptions::mode()` 预先建立权限，避免竞争条件。 * **逐一匹配的 Bug：** 优先匹配 GNU coreutils 的行为，即使存在一些怪癖，也要避免破坏现有的脚本。 * **正确处理错误：** 避免使用 `.ok()` 或 `unwrap()` 丢弃 `Result` 值； 暴露错误而不是 panic。 * **注意字节与字符串：** 对于原始字节数据（如文件名），使用 `OsStr` 和 `&[u8]`，而不是依赖于 UTF-8 转换。 这些漏洞并非传统的内存安全问题，而是系统边界处的逻辑缺陷。 这次审计表明，虽然 Rust 消除了许多常见的 C/C++ 错误，但勤奋的防御性编程对于安全的系统代码仍然至关重要。
对不起。
简单摆的运动方程在 introductory physics 中通常通过用 θ 代替 sin θ 来简化，假设角度很小。这引发了关于*为什么*做出这种近似以及它的*准确性*如何的问题。
核心原因是原始方程由于正弦函数而*非线性*，无法用标准的 introductory calculus 技术求解。近似 sin θ ≈ θ 对于小角度是有效的，但随着角度增大，其准确性会降低。
精确（非线性）和近似（线性）解之间的关键区别在于振荡周期。非线性摆的周期*更长*，并随着初始角度的增大而增加。虽然一个具有调整后的更长周期的线性方程可以近似非线性解，但仍然存在差异——尽管通常很小。例如，在 60° 时，非线性周期比线性近似预测的周期长约 7.32%。
本质上，这种简化允许得到一个可解的方程，但理解其局限性以及对周期的影响对于准确的分析至关重要。
对不起。
启用 JavaScript 和 Cookie 以继续。
对不起。
## 自动架构锦标赛：AI驱动的硬件优化
该项目探索了一个自主研究循环——一个提出、实施、测量和迭代改进的系统——是否能成功优化其专业领域之外的领域：CPU架构。使用SystemVerilog中的5级RV32IM核心，AI代理的任务是提高性能，以CoreMark/MHz为衡量标准。
在超过9.5小时的时间里，该代理生成了73个假设，并采纳了10项改进。这些优化范围从分支预测到ALU设计，最终将性能提升至**2.91 CoreMark/MHz (+92% 相对于基线)** 和 **577次迭代/秒**，甚至超过了人工调优的设计。
然而，关键的收获并非循环本身——后者正变得日益普及——而是**一个强大的*验证器*的关键作用**。 **73个假设中有63个存在缺陷**，凸显了严格检查（形式化验证、协同仿真、FPGA测试、CRC验证）的必要性，以防止回归并确保正确性。
作者认为，未来在于构建这些验证器——定义特定领域内“正确性”的明确规则——而不是仅仅关注改进AI循环。优先考虑强大验证的公司将释放显著的生产力收益，因为循环可以可靠地针对明确定义的约束进行优化。未来的工作包括基于种群的搜索以及使用Embench等不同工作负载进行测试。
足迹：加拿大足迹支持美洲第一批居民沿海岸线迁徙 展览：美国西南部展出新的翼龙展品 恐龙：巴西帆背恐龙早于棘龙生活在海洋中 哺乳动物：生活在海洋中的巨型树懒
一个黑客新闻的讨论围绕着一篇关于有史以来发现的最大昆虫的文章——一种翼展可达72厘米（约28.3英寸）的蜻蜓。用户们争论这种昆虫的体型，有些人觉得“可怕”，而另一些人指出蜻蜓通常不具攻击性。一位评论者分享了自己与大型蜻蜓赛跑的个人经历，并指出它们的行为好奇但无威胁。
对话还涉及到了关于过去高氧气含量能够支持如此巨大的昆虫体型的科学假设，最近的一篇文章对该假设的有效性提出了质疑。有人发现链接网页的规范网址存在技术问题，可能导致HN服务器混淆，并呼吁修复。最后，帖子还提醒了YC 2026年夏季申请的开放时间。
这段文字代表着对人工智能生成音乐的坚定和毫不动摇的反对，体现在“滚出人工智能音乐运动”中。发言者始终拒绝任何与人工智能音乐的接触、考虑，甚至讨论，无论其潜在质量或艺术价值如何。 任何试图探讨细微之处的尝试——无论是关于人工智能的有趣用途、其作为工具的潜力，还是其在艺术表达中的作用——都将遭到同样的坚决拒绝，以其作为该运动成员为理由。发言者承认其回复的重复性，甚至意识到潜在的问题在探究其原因，但仍然坚定地不愿偏离其核心立场。本质上，这是一份原则声明，优先考虑完全拒绝人工智能在音乐中的地位。
对不起。
## LLM驱动的CI日志分析：一种经济高效的方法
最近的实验表明，通过策略性地分层使用LLM进行CI日志分析，可以显著节省成本。与其直接将日志输入到像Opus这样强大（且昂贵）的模型，不如采用“分诊员”模式：一个更便宜的Haiku代理首先确定问题是否为已知的重复问题。 这一简单检查可以阻止80%的失败到达Opus，从而大大降低成本。
Haiku使用精确和语义搜索（利用pgvector）来识别重复项，成本比全面调查低25倍。 当出现新问题时，Haiku会升级到Opus，然后Opus会*规划*调查，生成聚焦的Haiku“子代理”通过SQL接口访问ClickHouse（或GitHub CLI，当数据缺失时）来收集特定数据。
这种方法避免了用无关数据使LLM不堪重负；Opus指导*搜索什么*，而Haiku高效地*找到*它。 该系统优先为每个代理提供干净的上下文，并在使用后丢弃数据，以防止陈旧信息影响决策。 升级到更新的模型（Opus 4.6和Haiku 4.5）实际上*降低了*成本，这归功于效率的提高和分层系统的有效性。 这种模式广泛适用于高容量数据流，例如安全日志和遥测数据。
对不起。
火车
对不起。