最新

我们的覆盖工作流程文档现在包含两项最佳实践：路径过滤器，以便您的测试仅在相关文件更改时运行，以及并发设置，以自动取消过时的运行。这可以节省CI时间，并保持您的队列整洁。

最近关于人工智能代理的讨论很多，我在探索一个不同的限制：完全在设备上（iPhone）运行。我正在开发一个类似 OpenClaw 的应用程序，完全在 iPhone 上使用苹果的基础模型运行。所有数据都不离开设备，注重隐私。 目前还处于早期阶段，但围绕本地执行的设计带来了一些有趣的决策。我最多可以同时在后台运行 3 个代理，这样用户仍然可以继续无目的地滚动屏幕。如果超过这个数量，手机就会过热，使用体验会变得很差。 如果有人感兴趣，我很乐意分享更多细节。计划将其开源到 GitHub 上。

在看到关于15,200个暴露的OpenClaw控制面板的报告后，我们构建了一个NixOS模块，默认情况下进行了加固。该模块需要网关认证，使用Caddy反向代理并自动启用TLS，采用systemd沙箱（包含20多个指令）、工具白名单以及fail2ban。只需一次flake导入和一次重建。

我修改了STB-Image的JPEG编解码器，使其能够直接将JPEG文件渲染为32位浮点像素，从而减少在编辑图像时出现的颜色带状现象。<p>巧合的是，这样可以更一致地对JPEG进行重新压缩，最终在重新压缩时，当图像得到完全相同的压缩文件时，效果会变得更加稳定。

膜是用于自主系统的通用内存基底。 目前大多数自主记忆系统要么是上下文窗口状态，要么是仅支持追加的检索存储。这种方式允许回忆，但不支持学习。事实会变得过时，程序会偏离，而自主体在没有失去来源或可审计性的情况下无法安全地修订知识。 膜将记忆视为可以随时间演变的事物。它吸收原始经验，将其提升为结构化知识，并允许记录被取代、分叉、争议、合并或撤回，并附有证据。其目标是让长期存在的自主体在保持可预测性和可检查性的同时不断改进。 核心理念很简单： - 记忆是有类型的，而不是以平面文本存储 - 知识是可修订的，并保留来源 - 自主体可以学习能力和程序，而不仅仅是事实 - 显著性随时间衰减，因此未使用的知识会逐渐消失 - 检索受到信任和敏感性级别的过滤 - 修订历史保持可审计性 膜可以作为具有 gRPC API 的守护进程运行，也可以作为嵌入式 Go 库运行。存储使用 SQLite，并可选择 SQLCipher 加密。该库包括一个评估套件，涵盖了数据摄取、修订、整合和检索排序。 膜故意不实现向量相似性搜索。检索后端和自主体策略与内存层分离，以便系统保持确定性和可检查性。 我在实验需要更接近学习的长期自主体时构建了这个系统，而当前的 RAG 系统无法满足这一需求。关于架构、边缘案例和实际应用场景的反馈将非常有帮助。 如果您有任何建议或想要贡献，欢迎任何意见 :)