`jev-leftpad` 是一个幽默且刻意为之的低效工具包,旨在通过 TypeSafe SDK 调用 AI 模型(Jev)为字符串进行左填充。 与标准且高效的 `padStart()` 方法不同,该工具包需要 `TYPESAFE_API_KEY` 和 Node.js 20+ 环境,并依赖 AI 模型来选择填充空格的数量(0 到 10 个)。每次调用都会发起实时 API 请求,不具备重试机制,且极易出错或输出错误结果。 作为一个讽刺性项目,它不仅低效、昂贵,而且不可靠。作者明确建议不要将其用于生产环境或任何严肃任务。该代码库采用 MIT 许可协议,并包含不会消耗 API 点数的模拟测试。
Lunduke Journal @LundukeJournal
Linux AI 开发又迎来了一个破纪录的周。上周共有 1,634 份由 AI 编写的代码提交到了 Linux 内核。截至目前,9 月份 Linux 内核的所有补丁中,有 17.25% 是由 AI 生成的。
2026年9月21日凌晨 1:09 · 2,642 次浏览
**mini-AGI** 是一款实验性的字节级语言模型,专为在普通消费级硬件(8 GB 显存)上进行持续学习而设计。与训练后即固化的标准大语言模型不同,mini-AGI 能从数据流中持续学习,且不会出现“灾难性遗忘”。
**核心技术创新包括:**
* **基于磁盘的扩展:** 权重存储在磁盘上并动态分页加载至显存。这使得参数容量与 GPU 内存解耦,允许模型随着磁盘空间的增加而无限扩展。
* **动态架构:** 模型能够自我构建,在需要容量时增加新的“专家”,并剪枝不常用的部分。它使用了一种循环且自适应深度的模块(灵感源自 PonderNet),可根据输入的复杂度调整计算量。
* **持续学习:** 通过维护一个学习率显著低于专家池的“主干”(嵌入和路由),模型在吸收新信息的同时能够保留先前的知识。
* **字节级处理:** 直接在 256 个字节值上运行,无需分词器,能够原生处理任何文本格式。
mini-AGI 目前是一个小规模研究项目,它证明了在本地硬件上实现个性化、进化式人工智能是可行的,从而有效地将静态模型转变为一种能从每次交互中学习的系统。
Gary Bernhardt 提出的“函数式核心,命令式外壳”(Functional Core, Imperative Shell)架构通过将业务逻辑(纯粹的、确定性的函数)与副作用繁多的 I/O(命令式外壳)分离开来,从而提升了代码的可测试性。
本文建议将这一概念扩展为“**确定性核心,非确定性外壳**”。虽然函数式纯度是实现确定性的理想方案,但状态机在命令式环境中也能达到同样的可重复行为。确定性意味着在给定相同输入的情况下,系统会产生相同的结果。非确定性的来源——例如网络调用、系统时钟和数据库交互——应被隔离在“外壳”中,由“核心”负责处理逻辑。
对于处理遗留代码库的开发者,作者建议采用“**碎片整理**”的过程。开发者不应追求单一、完美的架构,而应逐步识别并隔离现有代码中隐藏的确定性逻辑片段(如状态机)。通过将这些确定性片段归拢在一起,开发者可以缩小“难以测试”的范围。即使是在混乱的系统中,将这些确定性核心显现出来,也能使软件更易于测试、修改和维护,从而随着时间的推移逐步提高可靠性。