请启用 JavaScript 和 Cookie 以继续。
每日HackerNews RSS
抱歉。
作者探讨了高斯近似 $e^{-z^2} \approx \frac{1 + \cos(\sin(z) + z)}{2}$ 的行为，指出该近似在实轴上虽然准确，但在虚轴上会显著发散，表现得如同 $e^{e^y}$。 这引出了对双指数函数 $e^{e^x}$ 幂级数的分析。该级数中第 $n$ 项的系数为 $e \cdot \frac{B_n}{n!}$，其中 $B_n$ 是第 $n$ 个贝尔数（代表标记集合的划分），而 $n!$ 是排列数。由于集合划分数量的增长速度几乎与排列数相当，该级数的收敛速度非常缓慢。作者提供了一个简单的 SymPy 实现来计算这一比值，并以利用 Lambert $W$ 函数进行的渐近分析作为总结，用以描述当 $n$ 增加时 $\frac{B_n}{n!}$ 的增长情况。
这篇文章以工程师的视角，对当前人工智能行业（特别是 Anthropic 和 OpenAI 等公司）进行了尖锐的批判。作者认为，硅谷所谓的“前沿”模型更多是基于企业傲慢和市场营销，而非真正的性能提升。
通过大量数据驱动的测试，作者指出西方“高级”模型已不再具备高昂成本或严格速率限制的合理性。相反，作者强调了像 Qwen 3.7 Max 这类模型的优势，称其在实际软件开发中提供了更高的可靠性、实用性和透明度。
作者将当前市场形容为一种由吹捧者和盲目烧钱的企业构成的“OnlyFans 经济”，指责其在过度炒作的早期技术上挥霍资本。通过对比开源和中国模型在实用性能上的领先，以及西方供应商组成的“卡特尔”垄断，文章警告许多公司正将数百万资金浪费在无效的 AI 集成上。最终，作者呼吁采取更务实的开发方法，敦促同行抛弃对这些平台的个人崇拜，将重心回归到实际的工程价值，而非硅谷营销那套“空洞的福音”。
这篇 Hacker News 讨论聚焦于对美国人工智能产业的批判性审视，特别是关于使用中国 AI 模型这一“禁忌”。
参与者讨论了在企业应用中规避中国模型究竟是针对国家行为体和知识产权盗窃的合理安全预防措施，还是由监管维持的一种保护主义“卡特尔”策略。许多评论者认为，像 DeepSeek 这样的中国模型在处理常规编码任务时，具有极高的成本效益，且在功能上与昂贵的西方替代品不相上下，甚至更胜一筹。
对话凸显了以下几点之间的张力：
* **实用主义与地缘政治：** 用户指出，尽管一些公司担心“回传数据”或安全风险，但许多中国模型可以自托管，从而减轻了这些顾虑。
* **市场动态：** 一些人对美国前沿模型的高昂成本表示不满，并暗示西方科技巨头依赖大规模资本投入，最终可能需要通过“救助”或冒险的金融策略来维持。
* **行业“垃圾内容”：** 该讨论串还触及了 AI 相关言论质量下降的问题，指出日常用户与深陷炒作周期的人群之间存在“难以逾越”的语言鸿沟。
Netlify 首席技术官 Dana Lawson：编写代码已不再是工作核心。 Netlify CTO Dana Lawson: Writing code is no longer the job
25 天前
Netlify 首席技术官 Dana Lawson 认为，代理式人工智能（Agentic AI）的兴起正在重塑软件工程，使工程师的角色从编写代码转向精通“代理体验”（AX）。随着人工智能赋能“平民开发者”通过对话意图构建应用程序，传统工程师的价值已不再体现在语法上，而在于系统架构、商业策略和监督能力。
Lawson 强调，工程如今已演变为“生产的引导者”。在代理驱动的世界中，要获得成功，就需要重新思考系统设计，使其具备可被代理理解、事件驱动的特性，并能够处理意图而非仅仅是 API 请求。通过构建防护栏、确保可审计性并坚持“人在回路”（human-in-the-loop）的原则，工程师能够提供必要的判断力和品味，从而有效引导 AI 代理。
归根结底，Lawson 认为 AX 并非要取代开发人员，而是为了增强他们的能力。通过梳理架构并消除 AI 的阻碍，工程师同时也为人类创造了更好的系统。工程的未来在于设计稳健、可信且可扩展的环境，让机器与人类无缝协作，将意图转化为安全且高价值的成果。
Netlify 首席技术官 Dana Lawson 最近发表评论称“编写代码不再是主要工作”，这在 Hacker News 社区引发了强烈抵制。
批评者认为，Lawson 的论断忽视了软件工程的基本现实：编写代码仅仅是解决业务问题、处理边界情况以及管理系统复杂性的工具。许多开发者对“人工智能驱动”的说法表示怀疑，并指出人工智能往往生成难以维护的代码，需要人工干预来修复或重写。
此次讨论凸显了企业领导层与工程团队之间的脱节。评论者经常将有关人工智能的“思想领导力”描述为脱离生产系统的实际困难。此外，参与者指出，企业利益相关者将 IT 工作视为“机械翻译”的看法，往往会导致工程专业价值的贬低。虽然一些人承认人工智能可以提高生产力，但普遍共识是，该职业的核心仍然在于批判性思维、架构设计和维护——这些任务远不止于生成代码。最终，社区认为此类言论不过是脱离了构建可持续专业软件所需技术严谨性的流行修辞。
作者将他与亚历山德拉的关系描述为一种“包罗万象”的联结，这种满足感使他不再需要公共博客等外部渠道。这种联结的核心在于一种基于相互尊重与共同成长的、以项目为导向的思维模式。 这对伴侣借鉴创业文化，采纳了“周五演示”的习惯，即每周分享彼此在个人创作上的小成就。无论是展示一个新的播放列表、一个着陆页，还是讨论一盆室内植物，这些简短的分享环节都极大地促进了双方的亲密度、创造力和共同进步。通过优先考虑这种内部的“展示与交流”，作者发现自己的重心更加聚焦于真正重要的事情，从而加速了个人发展。 最终，作者认为最好的关系应如同一场相互支持、激进的身份熔炉。这种深度的对齐并非相互依赖，而是让双方都能将自己的想法“交付”给对方，从而创造出一个包容肆意创造与成长的安全空间。通过将欲望的范围缩小到当下和伴侣的支持，作者找到了一种更高效的成长方式，并意识到最深邃、最能拓展视野的体验，恰恰蕴含在与爱人共享的和谐日常之中。
**Lathe** 是一款开源工具，旨在将大语言模型（LLM）的角色从“代你完成工作”转变为“交互式导师”。它允许用户按需生成手把手的多阶段技术教程，专为主动式、手动学习而设计。
**工作原理：**
* **生成与交互：** 利用 LLM 技能（兼容 Claude Code、Cursor 和 Codex），你可以通过指令（例如 `/lathe build a 3D Slicer`）让 Lathe 创建教程。随后，你需要手动完成代码编写，从而在实践中获得“顿悟”时刻。
* **生态系统：** 基于 Go 语言开发的命令行界面（CLI）用于管理你的教程库，而本地网页界面（运行于 `localhost:4242`）则提供无干扰的阅读体验，并包含进度追踪、侧边笔记和练习题等功能。
* **验证：** 你可以使用内置技能来验证教程步骤、扩展课程内容，或者在遇到困难时向 LLM 提问以获取解答。
* **透明度：** 每篇教程都会注明其来源、所使用的 LLM 模型以及撰写时采用的“语调”（角色设定）。
Lathe 专为那些倾向于“在实践中学习”的人而打造。虽然它无法替代人类编写的内容，但在探索传统文档尚不存在的新兴领域时，它是一个非常有效的工具。
**Lathe** 是一个开源项目，旨在将大语言模型（LLM）转变为主动式教学工具，而非单纯的捷径。该工具由 Deven Jarvis 创建，可通过本地网页界面，为任何领域生成基于原始资料的实践性技术教程。
与被动的 AI 生成摘要不同，Lathe 通过要求用户手动输入代码、阅读侧边注释并完成练习，从而促进主动学习。该工具利用 Go 语言编写的命令行界面（CLI）和 LLM 智能体集成（如 Claude Code）来提供互动式指导。其核心功能包括：
* **情境驱动学习：** 教程围绕真实的原始资料构建，以确保技术准确性。
* **主动参与：** 促使用户进行批判性思考，并验证代码是否能成功编译。
* **迭代深度：** 通过 `/lathe-extend` 命令，用户可以分段构建复杂项目，避免了标准 AI 提示词“一键生成”的局限性。
该项目专为那些希望掌握缺乏高质量人工教程领域的好奇开发者而设计。虽然它不能取代传统学习，但旨在利用大语言模型帮助用户通过实践而非单纯获取信息，来提升思考能力并建立专业熟练度。
你可以访问 [github.com/devenjarvis/lathe](https://github.com/devenjarvis/lathe) 了解该项目。
这份摘要基于作者使用 Claude Code 进行数月实验的经验，分析了使用大语言模型（LLM）进行复杂编程的经济可行性。 对于简单且具备容错能力的查询，大语言模型的使用成本几乎可以忽略不计；但作者指出，“代理式”（agentic）编程则完全是另一回事。在复杂的代码库中实现功能，需要递归且高强度的“思考”模型，这会消耗大量不可见的“暗令牌”（dark tokens）。此类任务计算成本高昂，按 API 费率计算，单次查询往往需要 25 至 75 美元。 当前的消费者订阅方案（如每月 100 美元的计划）在很大程度上补贴了这些使用量。作者估算，其实际运营成本的“补贴系数”是订阅费的 2.5 到 12 倍。因此，尽管大语言模型辅助编程是提升生产力的强大工具，但就目前而言，将其作为独立的商业模式并不具备经济可持续性。作者警告称，随着各公司转向 IPO 并优先考虑盈利能力，这种“暴力计算”的盛宴很可能会结束。他还指出，Anthropic 近期的模型迭代似乎正在降低递归强度，以控制不断膨胀的基础设施成本。归根结底，大语言模型在编程领域的成功并非源于真正的智能，而是通过在具有严格逻辑约束的领域内应用了大规模计算。
最近的一场 Hacker News 讨论对“Anthropic 和 OpenAI 等公司每获得 100 美元订阅收入就要亏损超过 1000 美元”的说法提出了质疑。怀疑者认为该数字缺乏事实依据，且忽略了 API 盈利模式与消费者订阅模式之间的细微差别。
辩论的主要议题包括：
* **盈利模式：** 许多参与者认为，人工智能公司将订阅服务作为“亏本引流”或成本价服务，而通过 API 使用获取高额利润。
* **技术通缩：** 评论者认为，随着硬件效率的提高以及模型变得更小且功能更强，人工智能的“真实成本”将不可避免地下降，最终实现成本趋于稳定。
* **硬件演进：** 一些人推测，人工智能的未来可能转向具有“硬编码”权重的专用任务芯片，这可能消除经常性的订阅费用。
* **市场怀疑：** 其他用户则持谨慎态度，认为当前的高额支出反映了一种旨在上市前推高估值的“炒作周期”，并将此与网约车应用曾经的“补贴”时代相提并论。
最终，参与者对于当前的人工智能商业模式能否长期持续，或者行业是否正面临重大市场回调，仍存在分歧。
Anthropic，请发布官方的 Linux 版 Claude 桌面应用。 Anthropic, please ship an official Claude Desktop for Linux
26 天前
此请求旨在倡导官方推出 Linux 版 Claude 桌面应用，并强调目前缺乏官方支持的现状正迫使专业开发者依赖不安全的第三方社区重打包版本。 **Linux 支持的必要性：** * **技术就绪：** Anthropic 已为 Claude Code 维护了 Linux 存储库，并在“Cowork”智能体架构中使用 Linux 环境，原生 Linux 版本的相关基础设施已基本就绪。 * **开发者阻碍：** 插件开发需要在 Claude Desktop 扩展中进行测试。由于缺乏 Linux 图形界面，开发者被迫切换操作系统，这严重降低了生产力。 * **安全隐患：** 目前超过 27% 的专业开发者使用 Linux。由于缺乏官方渠道，用户常将敏感凭据和 API 密钥输入到非官方的社区构建版本中，带来了巨大的安全风险。 **建议：** 作者请求 Anthropic 提供官方签名版 Linux 安装包（如适用于 Ubuntu/Debian 的 `.deb` 文件）。考虑到资源可能有限，作者提出了一种“折中”方案：在产品路线图中发布官方声明、对主流社区项目进行安全审计或认可，并就如何安全处理凭据提供指导。作者敦促维护团队给予合理的回复，而非选择静默关闭请求。
这篇 Hacker News 讨论聚焦于呼吁 Anthropic 发布官方版 Linux 桌面端 Claude 应用。这场辩论凸显了 Linux 用户需求与软件支持现实情况之间的巨大鸿沟。
支持者认为，既然 Anthropic 在人工智能编程领域处于领先地位，他们理应有能力轻松开发并维护一个 Linux 版本。许多开发者表示，被迫依赖非官方、由社区维护的封装程序或命令行工具令他们感到沮丧。
相反，其他人则指出了企业通常避免提供原生 Linux 支持的原因：
* **碎片化：** 庞大的发行版生态系统、窗口管理器（X11 与 Wayland）以及系统配置差异，创造了极其昂贵且难以应对的“兼容性地狱”。
* **支持负担：** 发布官方版本会引来大量使用冷门配置的用户提交工单，这将不成比例地消耗工程资源，而这些用户在市场份额中占比很小。
* **“拒绝”策略：** 许多经验丰富的开发者建议，如果公司要支持 Linux，就应设定严格的“支持矩阵”（例如仅限 Ubuntu LTS），并忽略非受支持环境产生的问题。
尽管有些人提出了使用 Flatpak 或 AppImage 等解决方案，但另一些人则认为这些方法并不能解决系统层面的集成挑战。
Javier 介绍了一种测量 Qt Quick 中从触发项目可见性到其实际显示在屏幕上之间延迟的 C++ 方法。这有助于识别那些组件渲染滞后于预期的“感知”掉帧。 该方法通过子类化 `QQuickItem` 来监控 `visibleChanged` 信号。为了确保准确性并避免因无关动画引发的过早测量，该过程使用了 `ensurePolished` 来标记项目何时准备好进行渲染。通过连接到 `QQuickWindow::afterFrameEnd`，系统能够捕捉到项目被交换至显示器的精确时刻。 由于原始毫秒数可能会产生误导，该方案通过将经过的时间除以显示器的刷新率（例如 60Hz 时约为 16 毫秒）来计算掉帧数。这提供了一种标准化的性能指标。此外，作者强调在 C++ 构造函数中将项目的可见性设置为 `false`，以确保 `visibleChanged` 信号在 QML 实例化期间能够可靠地触发。这一工具为开发者提供了一种衡量 UI 响应速度并优化渲染性能的通用方法。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
QQuickItem 变得可见需要多长时间？(kdab.com)
35 点，由 jandeboevrie 发布于 1 天前 | 隐藏 | 过往 | 收藏 | 1 条评论
帮助
stinos 1 天前 [–]
“掉帧”是延迟的常用术语吗？对我来说，掉帧的意思完全不同。
无论如何：你可以随心所欲地为特定的渲染框架计算相关数值，那只能告诉你软件层面何时认为某物可见，你仍然会忽略掉 GPU 驱动程序或显示器本身可能增加的额外帧。
归根结底，在我看来，只有通过测量发送“显示”命令的时间，以及测量物体实际变得可见的时间（在显示器上使用光电二极管，或者使用那些能在看到特定像素值时输出 TTL 信号的昂贵显示器），才能准确测量总延迟。
回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
Yon —— 一种面向拓扑的语言，具有内容寻址的格堆。 Yon – a topos-oriented language with a content-addressed lattice heap
26 天前
该范式 在拓扑导向编程（Topos-Oriented Programming）中，世界即范畴，场所即其中的对象，而值则是截面（section）：它是不可变的，由其内容标识。所有行为皆存在于态射（arrows）之中。同一性是个例外，仅在你需要时才被要求。逻辑是内禀的：真值是子对象分类器 Ω，而未知数是海廷（Heyting）核心的一员，而非一种错误。根据米田引理（Yoneda lemma），事物由其关系决定；类型检查器、优化器和分配器均基于此运作。阅读《拓扑导向编程》。
Yon 是一个编程语言新项目，声称利用范畴论和 Leech 晶格来实现基于内容的堆内存架构。该项目的开发者用三周时间完成了此项目，并表示使用 Leech 晶格进行内存分配可以实现高效的数据去重，且无需垃圾回收机制。
然而，该项目在 Hacker News 社区遭到了强烈批评。技术评审者指出了以下几个问题：
* **基础不准确：** 类型论和范畴论专家指出，该语言所谓的“依赖类型”和“同伦类型论”（HoTT）特性似乎被错误标记或从根本上是失效的。
* **实现缺陷：** 评审者注意到编译器使用了不安全的做法，例如使用字符串进行变量绑定，而非德布鲁因指标（De Bruijn indices）等标准方法，这可能导致严重的程序错误。
* **“AI 垃圾内容”指控：** 批评者认为，其文档和行文表现出了过度使用 AI 生成的特征，充斥着缺乏技术实质或逻辑支撑的高深术语。
* **实际顾虑：** 观察者质疑了“基于固定大小晶格的堆优于标准哈希表”这一说法，认为这种方法晦涩难懂，且容易导致性能下降。