返回首页
24小时热榜
人们通常相信这些理论，因为他们只挑选出少数符合的周期，而忽视了大量不符合的周期。Gartner的炒作周期并不描述每一个炒作周期，而是描述了极少数的那些，实际上确实取得了一些成果的周期。但像往常一样，给一个概念起个花哨的名字，人们就会开始相信它，仿佛这是一种自然法则。实际上，它描述的是自然法则的一个例外。能够真正跨越“失望低谷”的技术屈指可数。
你是支持人工智能还是反对人工智能？
目前，我正在开发一个用于管理文档、数据库和白板的网络应用程序——这是一款典型的应用，旨在像 Notion 一样。<p>然而，现在我面临着制定一个有 AI 使用限制的计划的困境，因为我的想法是让它更具自主性：能够在整个工作区内编辑和查询上下文，并将其转移到文档中，例如，可能在白板上绘制一些东西等。不过，我感觉消费可能会很快失控。我计划使用 DeepSeek 进行 AI 聊天，但使用 Gemini 3 Flash 进行自主使用和编辑，因为它更智能。最近，我注意到许多核心 AI 应用程序已经将定价模式从按请求计费转变为固定使用限制，但我不确定这是否会受到批评，是否会导致用户体验不佳，或者甚至让人觉得没有得到所支付的价值。因此，我希望听听大家对我应该做出什么决策的看法。
我正在研究基础设施，以解决重试风暴和故障问题。在深入之前，我想了解一下人们今天实际在做什么。比较不同的解决方案，也许能帮助某些人发现潜在的解决办法。
问题：
- 重试风暴 - API 失败，整个系统的实例独立重试，造成“雷鸣般的群体效应”，使情况更糟。
- 部分故障 - API 虽然“在线”，但性能下降（响应慢，间歇性500错误）。健康检查通过，但请求却受到影响。
我想了解的是：
- 你们目前的解决方案是什么？（熔断器、队列、自定义协调、服务网格，还是其他？）
- 效果如何？存在哪些不足之处？
- 你们的规模有多大？（公司规模、实例数量、请求数/秒）
我很想听听哪些方法有效，哪些无效，以及你们希望存在的解决方案。
在<a href="https://kagapa.com/" rel="nofollow">https://kagapa.com/</a>的指导下，将Kannada Nudi编辑器的桌面版本移植到网页端。
我一直在思考为什么在Python中，死代码检测（以及静态分析一般）相比其他语言感觉如此不可靠。我明白Python本质上是动态的。
理论上，这应该是简单的（再次强调，理论上）：解析抽象语法树（AST），构建调用图，找到引用为零的符号。但在实践中，由于许多因素，这一过程很快就会失效，例如：
1. 动态调度（getattr、注册表、插件系统）
2. 框架入口点（Flask/FastAPI路由、Django视图、pytest夹具）
3. 装饰器和隐式命名约定
4. 仅通过测试或运行时配置调用的代码
大多数工具似乎在两种糟糕的权衡中选择其一：
1. 保守处理，错过大量真正的死代码
2. 激进处理，标记假阳性，导致人们失去信任
到目前为止，对我来说最有效的方法是将代码视为一种置信度评分，并结合一些有限的运行时信息（例如，测试期间实际执行的内容），而不是完全依赖静态分析。
我很好奇其他人在实际代码库中是如何处理这个问题的……你们是接受假阳性吗？还是完全忽视死代码检测？有没有人见过实际可扩展的方法？我知道SonarQube的噪音很大。
我构建了一个带有vsce扩展的库，主要是为了探索这些权衡（如果相关，链接在下面），但我更感兴趣的是其他人是如何看待这个问题的。希望我在正确的频道。
上下文的代码库： https://github.com/duriantaco/skylos
是我一个人这样觉得，还是HN似乎正面临大量机器人提交、评论甚至完整对话的泛滥？