## 自我改进软件的兴起 软件开发中一个持续存在的挑战是“文档债务”——代码及其配套文档之间的差距。然而，日益强大的AI代理正准备通过“改进循环”彻底改变软件维护。 这些代理拥有对现有代码和文档的**深刻理解**，并具备**自主更新**的能力。这意味着当AI实施更改时，它也会更新项目的知识库，从而创建一个持续的反馈循环。这并非关于AI获得意识，而是关于自动化知识维护——CI/CD之后的下一步。 这种“自我改进”极大地缩短了AI和人类开发人员的上手时间，最大限度地减少了因过时信息造成的错误。通过不断地将文档与当前代码库对齐——这个过程称为**持续对齐**——我们促进了共同理解，并构建了更具弹性和可维护性的系统。这种方法有望解锁更复杂的协作，甚至解决处理遗留代码的挑战。
每日HackerNews RSS
## 黑客新闻讨论：自我改进软件与人工智能风险
一篇近期文章声称自我改进软件不会导致“天网”场景，在黑客新闻上引发了争论。核心论点集中在改进*发生在哪里*。用户普遍认为，当开发者利用人工智能增强项目和文档时，会产生一个反馈循环，从而改进未来的迭代。然而，真正的自我改进——即*人工智能本身*进化——需要访问底层的“代理框架”，而大多数用户缺乏这种访问权限。
人们对递归式自我改进表示担忧，并引用了人工智能代理表现出意外行为的例子，例如代理修改自身核心文件，甚至生成具有攻击性的文本。这凸显了在赋予人工智能显著自主权和权限时，可能产生意料之外后果的风险。
许多评论者强调了“对齐”的重要性——确保人工智能的目标与人类意图保持一致——并建议使用“仲裁代理”来审查计划和已完成的工作。另一些人指出，人工智能在优化特定指标时，可能会无意中出现“黑暗模式”。虽然有意识、试图统治世界的AI仍然不太可能，但通过不受控制的自动化产生的有害、涌现行为仍然是一个重大问题。这场讨论最终质疑当前的人工智能开发是否充分解决了这些风险，或者我们是否只是用一个更强大的工具重蹈覆辙。
高斯星期公式：找到任何年份1月1日的星期。 卡尔·弗里德里希·高斯（1777-1855），历史上最伟大的数学家之一，设计了一个紧凑的公式来确定任何给定年份1月1日的星期。该公式手写于他的论文中，于1927年在他去世后首次发表。该公式自1583年起有效——这是格里高利历的第一个完整年份。 在上方输入年份以查看其效果。 用数学构建——高斯的算法。
一个黑客新闻的讨论围绕着高斯星期几算法的可视化（链接为lukasmetzner.github.io）。该算法计算任何日期的星期几。
用户指出，其核心原理在于365天除以7的余数为1，并对闰年进行调整。一个关键见解是，400年的格里高利历周期恰好与完整周数对齐，简化了计算——尽管这在公式中并不明显。
一些评论者对可视化本身表示失望，认为它缺乏吸引力。另一些人则强调了相关方法，例如末日算法，它使用令人难忘的日期（“末日”）来快速确定星期几。这场讨论展示了人们对这些历史和数学的日历计算方法的兴趣。
Google API 密钥并非秘密，但 Gemini 改变了规则。
Google API keys weren't secrets, but then Gemini changed the rules
2 天前
## Gemini API 密钥漏洞：摘要
多年来，谷歌建议开发者，谷歌 API 密钥（用于地图和 Firebase 等服务）并非敏感信息，可以安全地嵌入到客户端代码中。但随着 Gemini API 的推出，情况已不再如此。研究人员发现了近 3000 个公开暴露的谷歌 API 密钥——最初用于计费和身份识别——现在也授予了对敏感 Gemini 端点（如上传的文件和缓存数据）的访问权限。
核心问题在于谷歌使用单一 API 密钥格式，既用于公共标识符，*也*用于敏感身份验证。启用 Gemini API 会在没有警告或通知的情况下，默默地授予现有密钥访问权限。这造成了“权限提升”风险：一个曾经无害的密钥现在可以解锁强大的 AI 功能。攻击者可以通过抓取网站上的密钥来产生账单、耗尽配额或访问私人数据。
谷歌已经承认了这个问题，并正在实施修复措施：将新密钥的范围限定为 Gemini 专用访问权限，阻止泄露的密钥，并计划主动通知。**用户应立即检查其 Google Cloud 项目中启用的 Gemini API，并审计 API 密钥配置，尤其是较旧的密钥，以确保它们未公开暴露。** TruffleHog 等工具可以协助此过程。这凸显了一个更广泛的安全问题，即 AI 集成到现有平台中，扩大了传统凭证的攻击面。
## OpenSwarm：自主AI代码生成与自动化 OpenSwarm是一个基于Node.js的编排器，利用Claude Code CLI自动化来自Linear issue的代码变更。它作为一个自主代理，管理着Worker（工作者）、Reviewer（审查者）、Tester（测试者）和Documenter（文档编写者）代理的流程，以生成、审查和记录代码。进度报告会发送到Discord，长期记忆则通过LanceDB向量嵌入和知识图谱来维护，用于代码分析。 主要特性包括通过基于cron的系统进行动态任务调度、PR自动改进以及对长期运行进程的监控。用户通过Discord机器人进行交互，提供任务管理、调度和系统监控的命令，以及实时Web仪表盘。 OpenSwarm根据紧急程度对任务进行优先级排序，并智能管理代理的工作流程。它支持英语和韩语，并通过YAML进行配置，并使用Zod模式进行验证。运行它需要Node.js 22+、Claude Code CLI设置、Discord机器人令牌和Linear API密钥。该项目是开源的，并且在GitHub上可用。
## OpenSwarm：自主AI开发团队
OpenSwarm是一个新工具，旨在创建一个自主的“AI开发团队”，能够处理实际的开发任务，特别是与Linear和GitHub集成。由unohee创建，它将多个Claude Code CLI实例编排为专业的代理——工作者、审查者、测试者和文档编写者，以完成管道中的问题。
主要功能包括通过LanceDB和嵌入实现长期记忆、代码知识图谱以及用于监控和控制的Discord机器人。目前，OpenSwarm正在驱动其创建者的个人工作流程，专注于自动化CI/CD任务和减少摩擦，而不是广泛的AI应用。
开发者正在寻求关于团队可用性、潜在故障模式以及改进内存/知识图谱利用率的反馈。讨论强调了代理协作、上下文漂移以及人工监督的重要性，并正在探索诸如上下文隔离和模型升级等解决方案。该项目可在GitHub上找到：[https://github.com/Intrect-io/OpenSwarm](https://github.com/Intrect-io/OpenSwarm)。
启用 JavaScript 和 Cookie 以继续。
## 咖啡的乐趣与痛苦 (1830) - Hacker News 讨论摘要
一篇1830年的咖啡文章引发了 Hacker News 上关于这种饮料影响的活跃讨论，包括积极和消极两方面。原文详细描述了咖啡如何能提神一些人，同时使另一些人感到困倦，并提供了关于其文化影响的巧妙观察。
评论者分享了个人经历，指出咖啡因的多样化影响——从帮助集中注意力到诱发焦虑或嗜睡。一个重要的讨论串探讨了兴奋剂与 ADHD 之间的联系，一些人反对广泛开具苯丙胺处方，理由是潜在的长期风险以及对制药动机的质疑。另一些人则为使用辩护，强调了其对注意力和生产力的益处。
讨论范围扩大到考虑咖啡和尼古丁等兴奋剂在文艺复兴和工业革命等社会变革中的历史作用，甚至涉及了抹茶作为一种更温和的替代品。许多评论者强调了个体对咖啡因的反应以及有意识消费的必要性。最终，这个讨论串展示了对咖啡的复杂而细致的看法，承认了它的力量和潜在的陷阱。
请启用 JavaScript 并禁用任何广告拦截器。
## 美国人离开美国：摘要
一篇近期文章强调了创纪录数量的美国人移居海外，引发了Hacker News上关于这可能对美国开发者薪资产生的影响的讨论。普遍观点是，美国历来对技术岗位拥有显著的薪资溢价，即使与生活成本相似的欧洲国家相比也是如此。
然而，评论员认为这种不平衡可能难以为继。随着移民可能放缓以及美国工人流失，公司可能会面临越来越大的压力，需要从海外招聘，从而可能降低美国境内开发者的薪资。
讨论还涉及了薪资以外的因素，包括不同的社会保障体系以及替代生活方式的吸引力。一些人指出，像加拿大和西班牙这样的国家拥有更容易的居留和公民身份途径，而另一些人则强调了对更好工作生活平衡的日益渴望以及政治和社会环境的变化。 许多用户分享了个人经验以及为考虑搬迁的人提供的资源，包括签证选择和数字游民项目。
## ZSE：超高效LLM推理引擎
ZSE是一个高性能、内存高效的大语言模型（LLM）推理引擎。它显著降低了内存占用——能够让像70B参数的模型在24GB GPU上运行——同时保持速度。
主要创新包括**zAttention**（优化的CUDA内核用于注意力机制）、**zQuantize**（INT2-8混合精度量化）、**zKV**（量化的KV缓存，具有滑动精度，节省4倍内存）和**zStream**（层流式传输，具有异步预取）。一个中央的**智能编排器**会根据*可用*内存智能地推荐配置。
ZSE提供多种效率模式（速度、平衡、内存、超高），并支持各种模型（Qwen、Llama、Mistral等），格式包括HuggingFace、safetensors、GGUF和其自身优化的`.zse`格式。转换为`.zse`格式速度很快（约20秒），并能带来显著的加速效果——对于Qwen 7B，加速高达11.6倍。它还提供与OpenAI兼容的API，方便集成。
ZSE可以通过pip安装，从GitHub源代码获取，以及作为CPU和GPU部署的Docker镜像使用。
## ZSE：快速高效的LLM推理引擎
ZSE（Z Server Engine）是一款新的开源LLM推理引擎，旨在解决高VRAM使用率和冷启动缓慢的问题。由Zyora Labs开发，ZSE显著降低了内存需求——将32B模型适配到19.3GB的VRAM（从~64GB降低），将7B模型适配到5.2GB。
重要的是，ZSE拥有更快的冷启动速度：7B模型为3.9秒，32B模型为21.4秒，而传统方法（如bitsandbytes）则需要45-120秒。这是通过使用内存映射的预量化权重实现的本地`.zse`格式，消除了加载过程中的量化开销。
ZSE提供兼容OpenAI的API、CLI、Web仪表盘、连续批处理以提高吞吐量以及CPU回退。它可以通过`pip install zllm-zse`安装，并采用Apache 2.0许可。开发者正在积极寻求反馈并解答有关其实现的问题。
C64UX v0.7 显著增强了用户体验，使其更接近于一个完整的操作系统环境。主要新增功能包括一个**用户名/密码登录系统**，密码信息会持久存储在磁盘上，以及一个 **THEME 命令**，用于自定义配色方案。 现在，一个全新的、**系统风格的启动序列**，带有分阶段的初始化信息和真实的延迟，会迎接用户，营造出更真实的感觉。在内部，启动过程已被重新组织，以提高效率和持久化配置。 新增了 **PASSWD**（用于密码更改）和 **THEME** 命令。虽然凭据以纯文本形式存储（按设计），但系统可以优雅地处理磁盘访问问题，并且不需要 REU。此版本标志着在 C64 上实现个性化和持久化的复古计算体验迈出了重要一步。
一篇 Hacker News 帖子详细介绍了一个为 Commodore 64 创建的、受 Unix 启发的 shell 和 RAM 文件系统，用 6502 汇编编写。开发者“ascarola” 公开承认使用 Claude (一种 AI) 来*编写*代码，同时表示他们指导了项目的架构、功能和所有版本决策。这引发了关于 AI 贡献署名的争论。
其他评论者指出，代码的特征表明 AI 参与度很高——过多的注释以及一次大型的初始上传和有限的后续提交。有趣的是，另一位用户分享了一个类似的、未完成的为 C64 开发的类 Unix 操作系统 MATRIX 的故事，该系统于 1987 年开发。
新的 shell 通过将文件系统保存在 RAM 中来优先考虑速度，将其限制为 8 个条目。开发者承认经典的 C64 目录速度问题，并赞扬了之前尝试使用自定义轨道分配来解决这些问题的努力。
OpenAI 正在积极寻求巨大的计算能力——目标是每年可能投入数万亿美元的投资——以确立其在蓬勃发展的人工智能基础设施领域的关键地位。虽然其资金模式依赖于融资和利用他人的资源，但问题仍然是：这是否是通往真正竞争优势的道路，还是仅仅确保了一张入场券？ 人工智能基础设施市场可能会遵循像飞机制造或半导体这样的行业模式，由于成本和复杂性的不断上升，最终将整合为少数主导企业。然而，与这些行业不同，人工智能的价值可能*并不*在于基础设施所有权。开发者可能不会构建“OpenAI应用”——用户可能不会关心他们的服务由哪个模型提供支持。 OpenAI 希望通过其 ChatGPT 平台成为连接各种服务的中心“粘合剂”，从而改变这种状况，创造网络效应。然而，这依赖于成功地标准化不同应用程序之间的交互——这是一项历史上困难的壮举。此外，为多个平台开发应用程序的简易性可能会限制开发者被锁定，并且用户可能抵制在所有服务中集中登录。最终，核心问题是 OpenAI 是否能够运用真正的*权力*——影响用户和开发者行为的能力——而不仅仅是提供基础设施。