JavaScript 当前已禁用 为了在 Stripe 上获得最佳体验，您需要启用 JavaScript。请在浏览器设置中启用它。 了解如何操作 浏览器不兼容 您需要使用现代浏览器才能使用 Stripe 控制面板。请切换到兼容的浏览器以继续。 查看 Stripe 控制面板浏览器兼容性
每日HackerNews RSS
作者讲述了一次令人沮丧的经历：他们的第一份技术草稿，经过LLM辅助润色后，却因为很可能由AI生成而被拒绝。这次拒绝让他们意识到——过度依赖AI工具已经对他们的写作能力产生了负面影响。 过去，即使作为非英语母语者，他们也是一位自信的写作者，但现在，如果没有AI的不断验证，他们很难产出原创作品。这扼杀了他们的创造力，让写作变得平庸，缺乏独特的个人风格。他们惋惜失去了流畅自然的写作状态和真挚的表达，甚至在个人写作，比如诗歌创作中也感受到了这一点。 作者将这次拒绝视为一次警醒，促使他们有意识地夺回自己的写作技能，并拥抱不完美。他们认为，写作的原始和未经编辑的质量——即使包含错误——也蕴含着情感重量和真实性，这是AI难以复制的。他们希望与面临类似挑战的人们建立联系，并重新发现纯粹从自己内心涌现的写作乐趣。
## Ninja：一个快速构建系统 - 摘要 Ninja 是一个轻量级且**快速的构建系统**，专为速度而设计。它是一个单独的可执行文件——无需严格安装，只需下载二进制文件即可！可以通过复制 `misc/` 目录中的文件来获得诸如 shell 补全和编辑器集成等可选功能。 你可以使用 Python 生成器 (`./configure.py --bootstrap`) 或 CMake 构建 Ninja 本身。支持使用 GoogleTest 进行测试；在构建期间指定其位置。 文档使用 AsciiDoc 和 Doxygen 生成。要创建手册，请运行 `./configure.py ninja manual`（需要 AsciiDoc 和 xsltproc）。也可以使用 dblatext 创建 PDF 版本。可以使用 `./configure.py ninja doxygen` 构建 Doxygen 文档。 重要的是，Ninja 是一个独立的*可执行文件*，而不是一个库，并且缺乏公共 API。更多详细信息和贡献指南可在项目的手册和 `CONTRIBUTING.md` 文件中找到。
## Ninja 构建系统：摘要
Ninja 是一个快速的构建系统，正日益流行，尤其是在 Chrome、Postgres 和 Gnome 等项目中。用户称赞它的简单性和速度，通常将其与 Make 和 CMake 相比。一个关键优势是它基于静态构建图高效地并行执行任务。
讨论强调了 Ninja 易于集成——它可以由 Python 等工具生成（使用 `ninja_syntax.py`），也可以作为 CMake 和 Meson 等其他构建系统的后端使用。然而，它依赖于文件修改时间（mtime）来进行增量构建，这是一个已知的限制，当文件被移动或重命名但 mtime 未更新时，可能会导致不必要的重建。Ninja 的作者已经通过一个较新的系统 n2 来解决这个问题，该系统利用内容哈希。
目前的一个问题是 PyPI 上的软件包过时（版本 1.13.0），导致 Windows 上的构建问题，尽管已经有修复程序可用。除了技术方面，用户还欣赏 Ninja 的“做好一件事”的理念，以及人工智能在自动化构建系统配置中日益增长的作用。
我大量使用 Excalidraw 进行头脑风暴、解释概念，现在还用于博客写作。在撰写第一篇文章时，我发现不断地重新导出图表——每次更改都需要耗时 45 秒——严重打断了我的工作流程。为了解决这个问题，我最初创建了一个 GitHub Action，它可以自动将更改的 Excalidraw 文件中的框架元素（名称带有“export_”前缀）导出为明亮和黑暗模式的 SVG。
然而，这个解决方案需要推送到 GitHub 才能进行本地预览，造成了令人沮丧的延迟。然后，我开发了一个 Excalidraw 的 VSCode 扩展，每当 Excalidraw 文件保存时，它都会*自动*将框架元素导出为 SVG。这提供了实时的本地预览，显著改善了写作体验。
该扩展将导出的文件命名为 `${image_name}.light.exp.svg` 和 `${image_name}.dark.exp.svg`，使其易于引用。我已经将该扩展发布到我的 GitHub 分支，希望它能激发对核心 Excalidraw 扩展的改进。
对不起。
## 动态规划：从20世纪50年代的基础到现代机器学习
尽管最近才受到重视，机器学习建立在源于1952年理查德·贝尔曼关于动态规划的数学概念之上。这为最优控制和强化学习奠定了基础，最初是为离散时间提出的，后来扩展到连续系统。值得注意的是，贝尔曼发现这种连续形式与19世纪的物理方程——汉密尔顿-雅可比方程——相对应，从而统一了连续强化学习、随机控制和扩散模型等领域。
这种联系使得我们可以将问题视为优化轨迹。例如，连续时间强化学习利用汉密尔顿-雅可比-贝尔曼方程来寻找最优策略。同样，训练扩散模型（一种强大的生成技术）可以被解释为随机最优控制问题，利用相同的底层数学结构。
最近的研究表明，可以通过使用策略迭代和Q学习数值求解这些方程，并根据既定的控制基准（如线性二次调节器和莫顿投资组合问题）进行验证，从而实现实际应用。这突出了贝尔曼的基础性工作如何继续推动现代机器学习的进步，尤其是在强化学习和生成建模方面。
对不起。
由于2026年的政治预算僵局和随之而来的部分政府停摆，航空旅行变得不可靠，促使作者乘坐Amtrak的Crescent列车从亚特兰大到华盛顿特区，参加NCAA篮球锦标赛。这段650英里、14个半小时的旅程与飞行的便利形成了鲜明对比，凸显了政治冲突如何轻易破坏人们习以为常的基础设施。
火车之旅成为对美国生活的反思，穿越不同的景观和社区。虽然缺乏航空旅行的速度和便利设施，但Amtrak提供了确定性和宽敞、轻松的体验。这段旅程也展现了美国社会的一个缩影，充满了寻找混乱机场可靠替代方案的旅行者。
作者将铁路旅行的历史与更广泛的主题联系起来，包括移民、经济转型以及汽车和航空工业的兴起。最终，这次经历强调了政治对日常生活的影响，以及在一个分裂国家中联系和韧性的持久价值。尽管政治僵局仍在持续，火车仍然继续前进，载着乘客前往他们的目的地。
## Amtrak 与火车旅行的魅力 - Hacker News 讨论摘要
一篇关于乘坐 Amtrak 的文章在 Hacker News 上引发了热烈讨论，突出了美国火车旅行的独特吸引力。虽然通常比飞行更慢且有时更贵，但评论员强调了*体验*——舒适的旅行、美丽的风景、与乘客的偶遇以及便捷的市中心通道。
许多人分享了个人轶事，从美味的餐点和有趣的对话到重大的延误和不太理想的条件。讨论揭示了 Amtrak 的局限性：盈利能力主要集中在东北走廊，而在该区域之外，由于货运列车的优先权，可靠性可能存在问题。
一些评论员将美国铁路系统与日本和中国等国家进行不利对比，认为这是由于资金不足以及历史上对汽车和航空旅行的优先考虑。尽管存在这些缺点，许多人仍然热烈捍卫 Amtrak，认为它是那些将旅程置于速度之上的人的一个有价值的替代方案，也是一种欣赏美国风光的方式。讨论还涉及了火车旅行的怀旧魅力以及对美国改善铁路基础设施的愿望。
## 人工智能现在主导互联网流量 一份来自网络安全公司Human Security的新报告显示，人工智能和机器人已经超过人类用户，成为互联网流量的主导力量——这是我们使用网络方式的一个里程碑式的转变。2025年，自动化流量的增长速度几乎是人类活动的八倍，激增了187%，这得益于ChatGPT、Gemini和Claude等大型语言模型的普及。 这并非一定意味着负面影响；自动化流量包括有用的功能，例如谷歌的AI概览。然而，这标志着一个根本性的变化——每一种互动背后都有一个人类用户的假设正在迅速消失。该报告强调了“代理型”人工智能的大幅增加，这种人工智能能够自主行动。 虽然准确量化机器人流量仍然具有挑战性，但基于超过一万亿次互动的的数据表明，机器正在成为在线的主导力量，这促使我们需要在一个日益由人工智能驱动的世界中建立信任和安全。
对不起。
此档案包含来自 SAIL-DARTS 项目的软件，具体来说是 1975 年 1 月在 PDP-10 机器（SUMEX、KI-10）上使用 Interlisp 语言开发的程序代码。代码源自 Bruce Baumgart 的收藏，并在相关的博士论文（ADA155378.pdf）中有详细说明。 核心文件 – LT、TA、TB 和 CON6 – 旨在按顺序加载，其中 CON6 是较新的补充。该系统利用 256k 核心内存，Interlisp 本身占用 140k，但提供额外的“阴影空间”用于编译后的代码。 由于其 ARPA 资助，并且论文明确鼓励使用、修改和分发，因此认为该软件属于公共领域。更多文档和相关文件可以在 SAILDART 档案中找到（[https://www.saildart.org/[AM,DBL]/](https://www.saildart.org/[AM,DBL]/)），有关 DBL 区域的信息可在 EURISKO 项目 wiki 上找到。Discord 服务器（[https://discord.gg/vhsmVCwgvK](https://discord.gg/vhsmVCwgvK)）可用于讨论。
一篇 Hacker News 帖子介绍了道格拉斯·莱纳特（Douglas Lenat）的“自动数学家”的源代码，该项目是 1970 年代具有历史意义的早期人工智能项目。这个符号人工智能系统是 Cyc 和 Eurisko 等项目的先驱，旨在利用规则和符号来发现和证明数学定理。
尽管在当前性能上已被大型语言模型（LLM）超越，但评论员指出它作为人工智能先驱的重要性，展示了任务之间的早期知识迁移——例如将芯片设计中的策略应用于游戏。该系统甚至在 1980 年代通过 Eurisko 激发了超人游戏能力。
讨论承认符号人工智能在取得突破之前经历了停滞期（“人工智能寒冬”），这与神经网络发展的类似模式相呼应。这次发布提供了一窥现代深度学习之前的早期人工智能工作，其灵感来自雄心勃勃的 Cyc 项目的同一思想。 附加链接分享了相关的 SAIL（斯坦福人工智能实验室）材料，包括一部电影甚至一个 D&D 角色表。
## webminal.org：一个持续15年的Linux学习平台 webminal.org是一个非常坚固的在线平台，自2011年以来一直在浏览器中提供真实的Linux终端，运行在一个单独的8GB CentOS服务器上——没有云服务、微服务或自动扩展。该网站由一位自学Linux的开发者创建，旨在为练习命令和系统管理技能提供一个无风险的环境。 最近，webminal.org经过重新设计，采用了现代、轻量级的前端，现在提供“Root Labs”，利用用户模式Linux实现完全root权限和使用`fdisk`和`systemctl`等工具进行真实练习。一个实时命令滴答器显示匿名化的实时用户活动，由eBPF提供支持。 该平台使用一种故意过时的（但功能完善！）技术栈构建——Python 2.7、Flask 0.12.5和令人惊讶的强大的Shellinabox，已经服务了超过50万用户。完全由创始人的个人储蓄资助，webminal.org仍然是免费的，优先考虑学生的可访问性，并继续运行，只要它能帮助哪怕一个学习者。该项目正在寻求赞助，以升级服务器资源并扩展对其流行的Root Labs的访问权限。
## Webminal：在极简资源下坚持15年
Webminal (webminal.org) 仅用一台服务器、8GB内存，却令人瞩目地运行了15年，目前已服务50万用户。该项目源于资金有限的必要性，优先考虑巧妙的优化而非横向扩展。
其成功的关键在于用户模式Linux (UML)，以及SELinux、XFS等技术，以及细致的资源管理（如MySQL配额）。创始人最初在家中托管服务器，依靠Linux社区的信任，之后迁移到云提供商，利用可用额度。
该服务提供基于浏览器的终端，因其易用性和零配置而备受推崇，尤其吸引初学者。尽管由于服务器位置（新加坡）存在延迟，但该项目仍在蓬勃发展，证明了一个“足够好”的解决方案，加上一个专注的社区，可以胜过资源密集型的替代方案。它证明了足智多谋的工程技术，并提醒人们互联网的 simpler 时代。该项目目前由Github Sponsors支持。
## 演示场景中技艺的演变
演示场景，一种专注于在有限硬件上创作令人印象深刻的视听演示的亚文化，与复制和原创性有着复杂的关系。早期的艺术家经常“借用”图形——特别是来自像鲍里斯·瓦列霍这样的知名创作者的奇幻和科幻艺术——并非为了创新，而是为了展示他们一丝不苟地逐像素重现的*技巧*。扫描仪昂贵，因此手工像素化、抖动和抗锯齿等技艺至关重要，通常甚至比原创想法更重要。
这种最初被接受的做法逐渐演变。随着工具的改进（扫描仪、Photoshop）和普及，直接扫描并将作品冒充原创的行为出现，被认为是一种低地位的“作弊”。大约在2000年左右，人们开始重视原创性，尽管复制仍然存在。
今天，随着生成式人工智能的兴起，这场争论仍在继续。虽然有些人认为人工智能只是另一种工具，但演示场景中的许多人更看重*过程*以及通过专注的技艺赋予的独特“灵魂”。演示场景仍然是一个主要由自我管理的社区，重视技术技能、艺术表达以及对商业压力的抵制——这使得人工智能辅助创作成为一个备受争议的问题，通常被使用者所隐藏。最终，这个场景的蓬勃发展依赖于突破限制，并庆祝纯粹为了创作的乐趣。