大多数关于PowerSchool事件的讨论将其描述为一个支持账户的泄露。
如果我们查看系统内部的操作链，情况大致如下：
入口：被泄露的支持凭证
执行：通过PowerSource支持门户进行维护远程支持操作
记录系统：学生信息系统（SIS）数据库
该支持账户并未直接访问客户数据。
相反，操作是通过PowerSource支持界面执行的，这可能会对客户数据库触发操作。
实际上，支持门户充当了对生产数据库进行操作的执行机制。
这使得该事件更侧重于支持界面中嵌入的执行权限，而不是直接的数据库访问。
返回首页
最新
你好，HN。我制作了一个每日游戏，你需要将三个城市连接成一个三角形。无需登录。希望你喜欢。
嗨，HN，我是一名来自尼泊尔的本科生。
在过去的35年里，计算化学和人工智能药物发现一直依赖SMILES来表示分子。这在1980年代是很好的，但在今天却成为了一个巨大的瓶颈。它是非规范的，立体化学解析脆弱，并且在尝试表示有机金属化合物、合金或聚合物时完全失效。要可靠地解析它，基本上需要一个300MB的C++依赖库（RDKit），依赖于几十年的硬编码启发式算法。
我感到沮丧，并意识到表示物质并不是一个图论问题——而是一个语言学问题。
为了解决这个问题，我构建了SCRIPT（结构化化学文本表示）。我将核心解析器基于帕尼尼的梵语语法的生成语言学。SCRIPT并不是将分子视为一串无意义的节点，而是将其视为一个由根、状态（Vibhakti）和关系（Sandhi）组成的语言。
我今天为π日发布了V3版本。
它的工作原理及修复内容：
• 无混乱的芳香性：SMILES使用小写字母（c1ccccc1），这导致了无尽的解析歧义。SCRIPT在环闭合上使用Anubandha（治理标记）。C1CCCCC&6：明确告诉解析器，DFS路径中的最后6个原子是共振的。
• Vāk顺序立体化学：在SCRIPT中，手性通过深度优先搜索序列顺序作为本地坐标框架内在地得到解决，使其在数学上具有顺序不变性。
• 有机金属化合物与材料：由于语法设计，SCRIPT原生支持触觉键（*5）、分数合金（Ti<~0.9>N<~0.1>）、晶相（[[Rutile]] Ti(O)2）和随机聚合物（{[CC]}n）。
• 独立于RDKit：核心引擎使用纯Python的Lark语法。它在解析过程中捕捉六价碳，生成100%原生的双向转换，并在不依赖RDKit的C++后端的情况下实现95.9%的RDKit InChI一致性。
示例：
阿司匹林（SMILES）：CC(=O)Oc1ccccc1C(=O)O（或许多其他有效字符串）
阿司匹林（SCRIPT）：CC(=O)OC1=CC=CC=C1C(=O)O（确定性规范化）
顺铂：Pt<sqp>(Cl)2(NH3)2@（保持平面正方形几何形状和顺式构型）
我只是一个在代码中像小孩一样嬉戏的愚蠢本科生（我的湿实验滴定一团糟，没错，我用嘴巴来吸取液体）。我非常希望能收到你们最严厉的技术反馈，特别是来自解析器爱好者、化学信息学家或任何从事人工智能药物发现的人。很乐意回答关于语法或解析器架构的任何问题！
和2025年其他人一样，我曾以为“只需在其上加一个向量数据库”就能创建一个连贯的长期智能体，但我看到我的Python助手慢慢变成了一个健忘的金鱼，甚至还有囤积癖。
经典的失败模式：
用户（第1天）：“我最喜欢的编辑器是VSCode”
用户（第47天）：“其实我换成了Cursor”
智能体（第92天）：“你喜欢VSCode，对吧？”
或者，记忆索引慢慢变成这样：
用户偏好Python
用户真的非常偏好Python
Python基本上就是用户的个性
所有这些权重相同，永远如此。
向量搜索在相似性方面表现出色，但在当前真相方面却很糟糕。
人类的记忆会淡化旧观点并覆盖错误看法。
而我的智能体？是我所说过的一切的永久档案。
因此，我构建了MemX作为一个小实验：如果智能体的记忆实际上有生命周期，会发生什么？
诸如：
重要性信号
频率强化
重复压缩
显式更新/替代
过时事实的温和衰减
技术栈故意简单：
SQLite
FAISS
一些伪装成“记忆操作系统”的评分逻辑
小示例：
```python
from memx import MemX
m = MemX()
m.add("用户的最爱编辑器：VSCode")
m.add("用户切换到Cursor")
m.compress()
m.rag("我应该使用什么编辑器？")
```
快速基准测试（50个噪声 + 5个真实记忆）：
向量RAG召回@3: ~0.75
MemX召回@3: ~1.0
更长的模拟：
10,000次交互 → ~9,000个记忆
在我的笔记本上的延迟：
10,000个记忆 → ~0.3毫秒
100,000 → ~3毫秒
1,000,000 → ~30毫秒
这并不是想要取代向量搜索或成为下一个智能体框架。它只是一个实验，看看如果记忆有生命周期而不是永久文档档案，智能体的表现是否会更好。
我很好奇其他人在长期运行的智能体中如何处理矛盾或不断发展的记忆。
代码库：
https://github.com/mohitkumarrajbadi/memx
（是的，关于辣椒的事情是真的。智能体仍然对此争论不休。）
Fortress是一种专为开源情报（OSINT）、侦察、报告和网络而设计的领域特定语言（DSL）。该语言使用Go语言编写，易于使用。您可以创建自己的库，并尝试更多酷炫的功能。
<p>为什么选择Fortress？</p>
<p>简单、快速和强大</p>
<p>= Fortress</p>
<p>您可以在这里了解更多信息 --></p>
<p><a href="https://github.com/CzaxStudio/Fortress" rel="nofollow">https://github.com/CzaxStudio/Fortress</a></p>
<p>或者访问官方网站 --></p>
<p><a href="https://fortresslang.pages.dev/" rel="nofollow">https://fortresslang.pages.dev/</a></p>
<p># 尝试一次，您会在几分钟内爱上它。</p>
展示HN：PDR AI – 面向非技术混乱的开源创业加速器引擎（市场营销、产品需求文档、入职培训）
几周前，我分享了PDR AI作为一个开源工具，用于解决创业文档混乱的问题。自那时起，我更加坚定了核心愿景：这不仅仅是另一个RAG聊天工具——它是一个由人工智能驱动的加速器引擎，帮助技术创始人跳过非技术性的陷阱，更快地前进。
作为一名独立的技术创始人，我在零散的市场营销计划、不完整的产品需求文档、入职文档和法律模板上浪费了太多时间。PDR AI将所有内容集中在一个可自托管的知识库中，并通过以下方式积极加速进展：
- 文档有效性检查器（验证文档内容的有效性和一致性，提取关键信息）
- 市场营销管道：针对Reddit/X/LinkedIn/Bluesky的内容创意/趋势，提供可选的网络增强分析。
- 团队加速层：基于角色的访问权限、邀请、审批、审计记录——非常适合小团队或加速器小组审核文档。
- 实时仪表板：跟踪使用情况、准确性（样本约99%）、合规差距和生产力。
- RAG基础功能做得很好：上传PDF/Notion/Slack/GitHub导出，支持OCR，pgvector语义搜索，页面级引用，快速响应。
完全开源（MIT许可证），通过Docker/Vercel自托管，支持自带LLM密钥（目前支持OpenAI/LangChain，Ollama/本地版本即将推出）。没有锁定，完全隐私。
网站： [https://pdrai.online](https://pdrai.online)
代码库： [https://github.com/Deodat-Lawson/LaunchStack](https://github.com/Deodat-Lawson/LaunchStack)
（原名PDR_AI_v2；已有788+颗星，持续增长）
寻找：
- 独立创始人/小团队使用它来“加速”他们的非技术部分
- 加速器项目/导师测试其用于小组文档审核
- 反馈：加速器框架是否有效？哪些市场营销/产品工作流程最痛苦？
- 贡献者：欢迎提交PR/问题，特别是代理改进或集成。