最新

在过去的十年里，甚至更长时间，我和朋友们以及我已故的父亲一直在讨论这个话题。我常常对他们说——无论你设定时间线多短或多长，墙上的字迹已经显现，最终我们将几乎自动化所有工作。那么，接下来会怎样？社会将如何运作，政府又将如何应对？当没有工作可做时，大家会做些什么？超富阶层又将如何应对看似不可避免的金钱和财富的终结？ 我认为，某种形式的全民基本收入是必要的，充其量也只是一个短期的权宜之计。虽然我们可能不会很快（或者永远）实现通用人工智能，但这并不意味着大型语言模型不会继续改进并取代/替代某些工作领域——它们已经在软件行业产生了“足够好的”影响。有人可能会认为体力劳动的工作是安全的，但这仅在波士顿动力公司那类机器人仍然太贵而无法被广泛应用的情况下成立。像所有事物一样，机器人技术的成本将继续下降，人工智能与波士顿动力等技术的融合最终将影响非白领工作。同样，无论你如何设定时间线，这并不是“是否会发生”，而是“何时会发生”。 政府对此一切是否有所意识？他们是否在为一种后货币的世界做规划？当所有工作都被自动化，企业获得更高的利润时，会发生什么？对它们征税是有限度的。如果每个人都失业，谁来购买他们的产品？我们是否正在朝着一种类似《星际迷航》的社会结构发展，在那里金钱不再存在？我曾经和父亲得出结论，这些问题是遥远的未来——这可能仍然是事实——但作为两个不到五岁孩子的父母，我感觉这个未来并没有我想象中那么遥远，我真的很想知道，当他们长到我这个年龄时，会生活在怎样的工作/世界中。

我一直在构建人工智能工作流程，但偶尔会出现一些随机的错误，导致我不得不手动检查所有内容，以批准AI生成的内容（消息、电子邮件、发票等），这完全违背了这个流程的初衷。<p>还有其他人有这种情况吗？你们是怎么处理的？

我为自己的使用需求开发了这个小工具，以减少发送给大型语言模型（如Claude Code等）的令牌数量。它只是一个简单的实用程序，用于在命令输出到达上下文之前进行过滤。 以下是我目前得到的结果： rtk gain 总命令数：41 输入令牌：6.8K 输出令牌：1.8K 节省的令牌：6.0K（88.2%） 按命令统计： ──────────────────────────────────────── 命令 计数 节省 平均百分比 rtk git status 11 2.8K 81.2% rtk grep 3 1.5K 31.9% rtk git push 22 1.3K 92.0% rtk ls 5 431 47.1% 我把这个工具分享出来，希望对其他人也有用。它是用Rust编写的。 附言：这只是我为自己的需求开发的工具，决定分享出来。如果你对Rust代码或逻辑有建设性的反馈，我非常乐意听取。如果这对你没有帮助，也完全没问题——不需要“愤怒”的评论，我只是想提供帮助！

我开始使用AI代理进行编码，但很快遇到了一个令人沮丧的限制——没有简单的方法将我的开发环境日志与AI代理共享。这就是Teemux的由来。它是一个简单的命令行程序，可以聚合日志，以便以开发者友好的界面展示给你，并通过MCP将其提供给你的AI编码代理。 有一个实现细节让我特别兴奋： 它是零配置的，并且内置了领导者提名机制，用于运行网络服务器和MCP服务器。当你启动一个`teemux`实例时，它会启动网络服务器……当你启动第二个和第三个实例时，它们会加入第一个服务器并开始合并日志。如果你终止第一个实例，会自动提名一个新的领导者。这个设计允许无缝地添加/移除共享日志的节点（这一过程在历史上通常需要一个中央日志聚合器）。 一个超级快速的演示： npx teemux -- curl -N [https://teemux.com/random-logs](https://teemux.com/random-logs)

LOBSIM — 限价单簿模拟器 我在使用L3数据进行高频交易深度强化学习研究时，需要一个确定性、准确、快速且完全可观察的模拟器（包括成交、事件、诊断）。仅使用Python的工作流程在规模化时太慢且难以正确实现，而其他开源工具则无法满足我对可检查性和人机工程学的需求。因此，我构建了LOBSIM：一个基于C++20的核心，配有Python绑定，支持逐事件重放、模拟交易（包括队列行为和部分成交），以及一个流接口，用于传输结构化数据——旨在处理数千万个事件，同时保持简单易懂。 LOBSIM附带多个示例和简明的文档（请查看README）。我特别推荐尝试三个Streamlit演示——它们是直接构建在引擎之上的小型应用，能够清晰展示灵活性。目标是展示如何轻松地在LOBSIM之上叠加真实的研究工具：重放探索、策略注入、实时指标和可观察性，所有这些都在一个干净的工作流程中实现。 如果您处理L3订单簿数据——微观结构研究、执行建模或RL/HFT原型开发——我希望您能尝试LOBSIM。如果您试用后能提供关于API人机工程学、在真实数据流中遇到的缺失边缘案例，以及任何能让研究工作流程更顺畅的建议，我将非常感激。即使是简单的“这让我困惑/这感觉很好/我期待X”也非常有价值。 演示视频 - [https://github.com/kpetridis24/lobsim/releases](https://github.com/kpetridis24/lobsim/releases) 如果您更愿意亲自尝试，README中提供了快速命令，可以在本地运行Streamlit演示。