一周热榜

我是一个创始人/开发者，正在寻找更好的技术面试方式，因为目前的状态简直是一场噩梦。 现在，每个标准的带回家作业或HackerRank/LeetCode测试都很容易被大型语言模型（LLMs）解决。因此，公司不小心雇佣了我们称之为“氛围编码者”的候选人，他们在引导AI生成模板代码方面表现出色，但在架构复杂、出现故障或AI微妙地产生幻觉时完全失去反应。 我们正在研究一种新方法，我想与实际进行这些面试的人验证一下工程逻辑。 我们不想试图禁止AI（这是一场注定要失败的战斗），而是希望测试“AI引导”。 我们的想法是： 1. 将候选人放入一个真实且稍显混乱的沙盒代码库中。 2. 让他们使用任何他们想要的AI。 3. 注入一个微妙的架构变化、一个破坏性的依赖关系或一个AI幻觉。 4. 通过遥测（Git差异、CI/CD运行、调试路径）纯粹测量他们如何恢复并修复混乱。 基本上：停止测试语法，开始在AI时代测试架构和调试技能。 在我们花几个月时间构建这个模拟的后端之前，我需要来自经验丰富的领导者的现实检查： 1. 测试候选人“引导”和调试AI生成代码的能力，对你来说是否比传统算法更有意义？ 2. 你目前是如何防止这些“仅会提示”的开发者在自己的面试环节中溜走的？ （这里不链接任何内容，因为还没有东西可以出售，只是希望得到对方法论的严厉反馈。）

我喜欢阅读计算机早期发展的历史，但在原始历史档案中寻找相关信息往往很困难。为了改善这一点，我在周末构建了 f0lkl0r3.dev。 这个网站整合了来自计算机历史博物馆的近1000个口述历史，使其可以被探索、搜索、互联和多模态访问。为了构建这个平台，我使用了 Gemini API（通过 ai.dev）来处理大量非结构化的访谈文本，从中提取出时间线、机器和人物，以便进行交叉引用。这个应用本身是用 Antigravity 构建的，接下来的步骤将是添加图片和视频。 你可以按特定的主机搜索，按时间线浏览不同的时代，或者直接阅读伪经部分，了解一些奇特的历史轶事。希望你能享受这个探索的过程！我希望今天能吸引并启发比我更多的人。 :)

嗨，HN， 我开发了 hanoi-cli，这是一个小型命令行工具，用于分析 Kubernetes 节点上 Pod 的分布情况，并建议更好的放置方案。 这个想法来源于一个反复出现的问题：即使请求/限制设置得当，集群往往还是会出现不平衡的情况。有些节点负载过重，而其他节点则未得到充分利用。 期待大家的反馈。

这是一个小型社交实验：每个用户一生只能发布一条帖子（永久，不可删除或重发）。发布后，你将解锁动态，查看其他人选择了什么。

我很好奇你们团队是如何与Claude Code和Codex合作的？你们是否在使用Linear和JIRA，并进行MCP管理？你们是将内容从Markdown转移到Google文档或Notion进行协作，然后再回到Markdown吗？还是说你们只是通过GitHub进行所有的协作？

大多数抵押贷款处理延迟并不是由于风险造成的，而是由于手动工作流程造成的。 我们一直在开发SimplAI，这是一个专为银行和金融服务设计的人工智能驱动系统，首先应用于抵押贷款操作。 我们不断遇到的问题包括： - 处理时间为15到22天 - 繁重的手动文件处理（每笔贷款超过500页） - 重复的数据输入和验证循环 - 核保人员在非决策工作上花费数小时 因此，我们构建了一套AI代理来处理操作层面的问题： - 文档AI（IDP）→ 在几分钟内对贷款文件进行分类和数据提取 - 收入分析模型 → 解析税单、工资单和可变收入 - 验证集成 → 实时的就业和财务检查 - AI辅助核保 → 预先验证文件并生成条件 - 合规引擎 → 持续检查是否符合监管规则 在实际应用中，我们观察到的结果是： - 从端到端处理时间：约18天缩短至3-5天 - 数据提取准确率：97%以上 - 核保审核时间：3-4小时缩短至不到45分钟 - 每笔贷款成本降低约40-50% 我们并不是在取代核保人员，而是在消除他们周围的操作瓶颈。 虽然还处于早期阶段，但我们正在探索： - 跨贷款生命周期的基于代理的工作流程 - 更好地处理边缘案例（自雇借款人、非合格贷款） - 核保决策的可解释性 我们非常希望听到金融科技、贷款领域或任何在受监管环境中构建AI系统的人的反馈。