最新

大家好！我们之前在这里发布过Rivet Actors [1]，作为Cloudflare Durable Objects的一个开源替代方案。 今天，我们发布了针对Actors的SQLite存储（Apache 2.0）。 每个Actor都有自己独立的SQLite数据库。这意味着你可以拥有数百万个独立的数据库：每个代理、租户、用户或文档一个数据库。 适用场景包括： - AI代理：每个代理的数据库用于消息历史、状态、嵌入 - 多租户SaaS：真正的租户隔离，无需RLS黑客 - 协作文档：每个文档都有自己的数据库，内置多人功能 - 每用户数据库：隔离，横向扩展，在边缘运行 按实体拆分数据的想法并不新鲜：Cassandra和DynamoDB使用分区键进行横向扩展，但你被迫使用僵化的模式（“单表设计” [3]）、有限的查询和痛苦的迁移。每个实体的SQLite提供了相同的可扩展性，而没有这些权衡 [2]。 与其他产品的比较： - Cloudflare Durable Objects & Agents：与Rivet Actors最相似，具有共存的SQLite和计算，但为闭源和供应商锁定 - Turso Cloud：优秀的平台，但闭源且使用案例不同。客户端通过网络查询，因此读取速度慢或过时。Rivet的单写者Actor模型保持读取本地且新鲜。 - D1、Turso（数据库）、Litestream、rqlite、LiteFS：适合运行单个SQLite数据库并进行复制的优秀工具。Rivet则用于运行大量隔离的数据库。 在底层，SQLite与每个Actor在同一进程中运行。一个自定义的虚拟文件系统（VFS）将写入持久化到高可用存储（FoundationDB或Postgres）。 Rivet Actors还提供实时功能（WebSockets）、React集成（useActor）、横向可扩展性，以及在空闲时休眠的Actors。 GitHub: [https://github.com/rivet-dev/rivet](https://github.com/rivet-dev/rivet) 文档: [https://www.rivet.dev/docs/actors/sqlite/](https://www.rivet.dev/docs/actors/sqlite/) [1] [https://news.ycombinator.com/item?id=42472519](https://news.ycombinator.com/item?id=42472519) [2] [https://rivet.dev/blog/2025-02-16-sqlite-on-the-server-is-misunderstood/](https://rivet.dev/blog/2025-02-16-sqlite-on-the-server-is-misunderstood/) [3] [https://www.alexdebrie.com/posts/dynamodb-single-table/](https://www.alexdebrie.com/posts/dynamodb-single-table/)

大型语言模型的悖论：我们正在忘记如何与人类交流 随着我们越来越多地使用大型语言模型（LLM）服务，我在职场上看到一种特定的“精神错乱”现象在蔓延。LLM能够从模糊的提示中幻化出连贯的答案，以至于人们开始相信他们的模糊提示实际上是连贯的。 LLM并不是人类 这听起来显而易见，但我们正在逐渐失去对这一事实的把握。人们开始把同事视为一个黑箱型的LLM。他们忘记了人类沟通需要精准、共享的背景和责任。在LLM出现之前，“让它更出彩”这个短语通常是留给无知客户的。现在，它正逐渐成为工程团队内部的标准操作程序。 “做好它，你自己想办法”的谬论 我看到一些经理——即使是那些有工程背景的——对自己糟糕的想法被追责感到恐惧。他们躲在模糊的表述后面，利用像Claude Code这样的工具作为盾牌，来绕过技术债务的讨论。 当一名工程师花费数天时间修复一个不成熟的需求并管理技术约束时，得到的反馈不是“谢谢你的尽职调查。”而是：“看吧，毕竟是可能的。你为什么那么强烈反对？LLM几秒钟就能做到。”这就是精神操控。他们想要的是高级工程师的输出，却提供了垃圾提示的输入。 表达能力的丧失 LLM接受“垃圾输入”，并提供“合理输出”。这已经成为一种毒瘤。人们正在失去表达自己想法的能力。他们把一堆杂乱无章的话扔给你，期待奇迹。如果这种情况持续下去，我们不仅仅是在面对糟糕的软件；我们还在目睹专业理智的崩溃。 我自己也感受到了这些症状。最近，我发现自己在想：“向我的团队解释这个简直是浪费‘沟通成本’。我宁愿多花点钱买API令牌，自己来做。” 但我们必须记住：一个高效的团队并不是一群提示工程师。真正的团队合作效率是单个开发者与LLM相比的几何倍数。我们不能失去彼此交流的艺术。

本地优先的人工智能操作系统——178个认知模块、持久记忆、多模型推理、P2P灰质网络。我无法再继续开发这个人工智能，因为它已经超出了我的知识范围，所以我决定将其公开，希望它能成为未来任何人工智能开发的良好基础，甚至朝着超人工智能（ASI）发展！

几年前，它曾是公司默认的选择，但现在我听到很少有人在使用它。这里还有人使用它吗，还是你们都转向了Claude Code、Codex、devin或cursor？