一周热榜

我找不到一个广泛适用的群体智能基准，能够与大型语言模型（LLMs）相媲美。背景：我们一直在构建一种群体智能，并希望衡量其结果与单一模型结果的准确性。欢迎提供建议。

我看到了一些文章讨论AI公司赚钱的更大机会。结果发现，如果我是创始人或运营者，基本上有六种不同的赚钱方式。我不确定风险投资界的共识是否完全滞后于实际情况，所以我才提出这个问题。 以下是我最近看到的几个想法： 1. **AI收购**：这是一个非常热门，有时被过度炒作的话题。它涉及收购那些与AI整合程度较低但急需人力服务的公司。例子包括小城镇的会计事务所、IT托管服务（有时外包）、法律服务（不一定是顶尖律师事务所，而是帮助现有客户的地方性事务所）以及保险。之所以这个话题引起关注，是因为有人可能会发现收购和精简公司比出售软件更具优势。如今的软件可能需要重新定位以建立护城河，而许多可以自动化的任务集中在服务行业，尤其是在价值链的低端。风险投资公司也在寻找新的资产，因为传统的SaaS模型不再提供高回报。 表面上，这似乎是有道理的。但我想，如果是这样，那我们为什么还需要风险投资？风险投资公司的存在似乎有些滞后于当前的情况，而且商业模式可能并不那么有效。风险投资的最佳时期是在移动和云计算时代。 2. **AI自动驾驶/原生AI服务公司**：这涉及到开发AI自动驾驶技术，大家都知道服务即软件，或者建立原生AI服务公司。公司正在关注保险经纪、会计或税务审计等领域，基于“行动系统”构建公司。这意味着整合SAP、Salesforce或ServiceNow等产品，以便用户不需要使用20个不同的页面来管理采购、入职、期末结算、工单升级等。 3. **公司大脑**：这条路径涉及将Slack、电子邮件、工单、会议和数据库整合成一个可以成为我们公司大脑的代理。这可能是组织重组的一种方式，因为代理将更好地理解公司。 4. **可验证的工作**：大家都知道在做可验证工作的公司，而编码是第一个用例。但自2024年我第一次尝试使用Cursor以来，我还没有看到其他用例像编码那样流行。这让我觉得公司和投资者正在努力寻找下一个编码用例，但我们还没有找到。我们看到在合同红线、支持解决方案、质量保证或IT事件摘要等领域的尝试，许多公司已经在这些方面开展工作。 我的问题是，自2022年以来投资于AI的数万亿美元是否旨在改善效率和节省成本这一更大主题？我知道公司有很多问题需要解决，但如果这是最大的用例，风险投资的回报在哪里？在我看来，许多事情可以由私募股权公司来完成。增长股权或私募股权公司可以利用杠杆收购并投资于这些用例。私募股权公司可以利用其投资组合公司收购大量旨在简化工作流程的AI企业。与目前被炒作的估值相比，回报可能会慢得多，也许3倍或4倍的回报将是非常好的消息。 我是否遗漏了什么重要的内容？这就是我在这里提问的原因。 顺便说一下，我不是专业人士，也不住在湾区；我目前在上海，所以可能有我没有掌握的信息。谢谢。

我们（Nebula Security）刚刚发布了一个nginx远程代码执行的零日漏洞。该漏洞影响了数十家财富500强公司，我们已立即向nginx团队披露了这一信息。自2014年以来，这是第三个被评为“重大”的nginx漏洞。（<a href="https://x.com/nebusecurity/status/2067623683427045541" rel="nofollow">https://x.com/nebusecurity/status/2067623683427045541</a>） 要检查您的服务器是否受到影响： ``` 1. 您正在运行NGINX开源版本v1.31.0或v1.31.1 2. 您的NGINX配置启用了HTTP/3 / QUIC ``` 立即采取行动： ``` 1. 将NGINX升级到v1.31.2或更高版本 2. 如果您无法立即升级，请禁用QUIC / HTTP/3，直到您可以修补 ``` 顺便提一下：这是我们在一个月内发现的第二个nginx远程代码执行零日漏洞，使用的是我们的安全代理VEGA。（请查看我们的第一个nginx RCE：<a href="https://x.com/nebusecurity/status/2057071579876753643" rel="nofollow">https://x.com/nebusecurity/status/2057071579876753643</a>）。我们将进行HN发布，但希望尽早传播关于这个RCE的信息。 同时，如果您有兴趣在您的代码库上尝试VEGA，请联系 etenz@nebusec.ai。

我开始意识到，在工作中很难找到那些说话有用或者表达简洁的人。（我在这方面也有责任）。我部分归咎于裁员，因为人们感到需要不断展现出很高的工作效率。 我该如何改善我的表达方式，使我的言辞简洁且有意图？我希望在发言时能够吸引大家的注意。我想做一个寡言的人，但即便沉默也能让人感受到我的参与感。

神经元细胞自动机（Neural CAs）模型能够自组织形成图案。<p>现在，它们可以实时生成高清分辨率的图案，这得益于将每个细胞自动机单元转变为神经场。<p>尝试三个演示：从种子生长图案（并且可以损坏它，随后会自我修复）、合成可以再生的物理基础渲染（PBR）纹理，或者创建像云一样的3D纹理。

如果你有一台时间机器，而你唯一能用它的目的就是去看未来的自己死去，你会使用它吗？为什么会或为什么不呢？

嗨，HN！我对像 TikTok 和微信这样的应用程序限制我保存或下载动画 GIF 感到非常沮丧，因此我制作了一个小工具，可以将屏幕录制转换为适合 Slack 的表情符号。希望你能从中获得一些价值！

我越多地使用Claude Code生成大量系统，就越觉得我们缺少许多实践和工具。 首先让我感到烦恼的是缺乏对提示的跟踪。系统应该执行的操作有很多小输入，但这些输入似乎非常短暂。因此，我开始在代码库中跟踪这些提示。 另一个观察是，如果想要获得良好的代理输出，就需要在上下文窗口中提供大量信号。对上下文窗口中输入内容的严格把控似乎是关键。使用人工智能生成输入文件可能是危险的，因为这会为人类信号增加熵/噪声。 我开始采取的一种做法是以特定方式组织我的项目： - /specs - 纯人类信号，例如产品愿景、需求、设计等。 - /prompts - 代理配方，例如技能、职位、AI模式。 - /references - 可以在上下文窗口中使用的参考资料（品牌资产、文档、Figma导出、数据集等）。 - /plans - 项目的代理计划。通常这些计划会有多个迭代。 - /build - 从计划和提示交互中构建的代码库和传统单一代码库。 （我在GitHub上有一个公共的AGENTS.md，地址是rekallai/craft） 我对这个结构还不完全满意。随着使用的增加，我觉得/plans这个名称有些不准确（例如，我经常有想要在代码库或其他数据集上生成的报告）。 我非常好奇其他开发者（那些接受代理编码的人）是如何组织他们的项目的。我的目标是将这在我的团队中标准化。

我一直在开发一个名为Deconvolution的全面Rust图像去卷积和恢复库。Deconvolution实现了28种不同的图像去卷积/恢复方法，涵盖了从实用的模糊去除技术到研究级科学成像算法。 功能特点： - 顶层函数使用image::DynamicImage并返回图像 - 逆滤波器、维纳滤波、理查森-卢西、约束、近端、克里洛夫、最大似然估计恢复 - 盲理查森-卢西、盲最大似然、参数化点扩散函数（PSF）估计 - 2D卷积核、3D卷积核、2D传递函数、3D传递函数、2D/3D模糊 - 高斯、运动、失焦、显微镜模型，支持工具，PSF/OTF转换 - 边缘渐变、窗函数、范围归一化、噪声信噪比（NSR）估计 - 确定性模糊、噪声、合成夹具生成 - 支持2D图像数组和3D体积的ndarray 当然，这个项目仍在进行中 :)

嗨，HN， 我们是 MyDecisive.ai 的团队，今天我们向开发者展示 Octant —— 为您的 OpenTelemetry 提供点对点控制和可视化。 您可能已经感受到“可观察性税”的痛苦，尤其是当您管理 K8S 集群时。现代标准是使用 OpenTelemetry 对所有内容进行监控，但将所有这些丰富的 OTLP 日志、指标和追踪信息直接传输到 SaaS 供应商（如 Datadog、Splunk、Honeycomb）会迅速变得昂贵。您最终需要为嘈杂、低价值的数据支付巨额的摄取和存储费用，仅仅是为了在出现故障时能够进行搜索。使用 Octant，您可以在几分钟内启动并运行 OTel。 我们构建 Octant 是为了颠覆这一模式。Octant 不再盲目地将所有遥测数据发送到集群外，而是配置并帮助管理 OTEL 集群。它为管理 K8s 对象提供了可视化界面，更重要的是，它充当 OTLP 网关，在数据离开您的 VPC 之前对其进行源头过滤。 由于它原生支持 OpenTelemetry，您可以直接将现有的 OTel SDK 或采集器指向它，而无需修改应用程序代码。以下是它在后台的工作原理： - OTel 原生追踪和日志采样：它使得摄取 OTLP 流量变得简单，并实时检查网络上的日志和追踪信息。通过在确定保留哪些信息之前等待追踪的完整上下文，它兑现了编织的承诺，保留 100% 的可操作信号（如错误和高延迟的跨度），但在数据到达您的 SaaS 账单之前就丢弃了无用信息。 - 实时状态警报：Octant 可以在数据被批处理、发送和由外部提供商索引之前，实时处理遥测流。这缩短了检测间隔，并减少了对 SaaS 供应商的需求。 - 网络上个人信息去标识化：它可以实时检测并剔除日志和追踪中的敏感信息，确保在数据通过互联网传输之前去除“后摄取”清理成本和合规风险。 - K8s 上下文注入：由于它与您的集群深度集成，它可以将您的 OTel 流直接映射到 K8s 资源（部署、Pod、CRD）中，提供统一的用户界面。 该 API 是用 Go 构建的（[github.com/mydecisive/octant](https://github.com/mydecisive/octant)），整个堆栈可以通过我们的 Helm 图表直接部署到您的集群中。 我们希望您能在开发集群上启动它并进行深入探索。我们最近合并了来自我们第一位社区贡献者的 PR，这对我们来说是一个巨大的里程碑！我们希望保持这种势头。如果您对 K8s 可观察性和自主性、OpenTelemetry 管道或 Go/React 感兴趣，我们标记了一些“适合新手的问题”，非常欢迎您加入这个项目。 GitHub: [https://github.com/MyDecisive/octant](https://github.com/MyDecisive/octant) 网站: [https://www.mydecisive.ai/](https://www.mydecisive.ai/) 今天我会在这个讨论串中待着，乐意回答任何问题或深入探讨架构！

你好，HN 在对SQL产生过敏后，我在Dgraph、Typedb和SurrealDB中打开了120多个问题，寻找完美的图数据库。然而，它们都不是为代理（agents）构建的，也无法完全满足我们想要实现的目标：彻底摆脱SQL的遗留，正确地建模现实。因此，我们决定构建BlitzGraph。 在BlitzGraph中，记录（单位）可以属于多种类型（种类），并随着时间的推移而演变。此外，多态关系是第一类公民，多个种类可以扮演相同的角色。这种设计有助于摆脱旧的表格范式，并在整个生命周期中跟踪实体，而无需通过不同表中不同ID的自连接来连接实体。 一个例子： ```json { "$id": "amazn", "$kinds": ["Company", "Prospect"], deal: ... } // 第一天 { "$id": "amazn", "$kinds": ["Company", "Customer"], contract: .. } // 第七天 { "$id": "amazn", "$kinds": ["Company", "Churned"], churnCause: "..." }, ... // 第八十六天 ``` BlitzGraph的不同之处： - 类似GraphQL的嵌套查询和变更 https://blitzgraph.com/docs - 多态记录和关系 - 双向O(1)关系 - 具有原生基数验证的引用完整性 - 设计用于AI代理可以程序化构建的JSON查询/变更语言 - 批量查询/变更，无N+1问题 - 内置前端引擎，快速创建仪表板和MVP - 原生全文搜索、文件存储、计算字段、短暂子空间、单位历史记录... 诚实的比较： - 与Typedb相比：很棒的数据库，但不适合应用开发。另一方面，我们喜欢并引入了他们的推理理念，以及变更如何智能地执行，而不是逐行执行。 - 与SurrealDB相比：有几个核心差异，一个关键点是我们以拓扑顺序运行验证和转换，而我们的边是第一类公民。 - 与Dgraph相比：他们的一些酷功能，如提交后钩子，附属于GraphQL层，而在BG中它是基础性的。 - Neo4j：如果你尝试过，你就知道了。 - 与Supabase/PG相比：BG在平面查询上较慢，但在嵌套查询上更快。但使用BG，主要是摆脱了表格范式，跳入图形世界，同时能够构建应用。 尚未准备好： - 虽然BlitzGraph已经是AI代理的优秀内存后端，但我们仍需完成语义搜索引擎。 - 查询规划器尚未优化。 - 云前端尚未具备原生认证引擎。 Beta版本已上线，请尽情测试！ - 公共游乐场：[https://blitzgraph.com/#playground](https://blitzgraph.com/#playground) - MCP：[https://blitzgraph.com/mcp](https://blitzgraph.com/mcp)

您好，我创建了 nanogram，这是一个以隐私为中心的社交媒体平台，旨在让用户完全控制自己的数据。 nanogram 使用纯粹的开源替代方案，提供了一种强大且简洁的方式，重现了 Instagram 的早期时代，在那里朋友们可以分享彼此的瞬间，而没有多余的内容。 平台还包括与朋友一起玩拼字游戏、四连棋和国际象棋的功能。 该平台为邀请制，意味着服务器管理员必须生成邀请令牌以允许新用户加入。 由于 Tor 的全球性，托管完全免费，并且作为洋葱服务运行，提供端到端加密。 您可以在这里找到它：https://gitlab.com/here_gorawhile/nanogram-pi