``` sigabrt 只读 · 进行中 状态 名称 最后一次心跳 ● 正常 nightly-backup 1天6小时前 ● 正常 db-dump 1小时12分钟前 ● 缓冲 invoice-sync 15分钟 17分钟前 ● 宕机 cert-renew 1天 2天前 ↑↓ 选择 · 回车 事件 · q 退出 ```
每日HackerNews RSS
Show HN: Sigabrt.dev – 带 SSH TUI 的定时任务监控器 Show HN: Sigabrt.dev – cronjob monitor with an SSH TUI
26 天前
用户“4815162342”分享了 **Sigabrt.dev**，这是一款极简主义监控工具，旨在追踪定时任务（cron jobs）和脚本。用户可以创建一个端点并在任务完成时对其进行“ping”操作；如果系统未能在预期时间内收到信号，它会通过电子邮件或 ntfy 发送警报。该项目还具备一个实验性的只读 SSH TUI（终端用户界面）。
Hacker News 上的讨论焦点在于，在“Show HN”帖子中分享竞争产品（如 Healthchecks.io）是有帮助的还是无礼的。大多数参与者认为，对比替代方案有助于开发者完善项目，也能让用户做出更明智的决策。
给开发者的技术反馈包括：
* **功能需求：** 增加日志支持，并处理长时间运行的任务（例如使用“开始”和“完成”信号）。
* **替代方案：** 建议使用现有的工具（如 `cronic` 来捕获错误日志）、systemd 定时器进行原生监控，或使用 Prometheus/Grafana 技术栈进行更复杂的报警。
该帖子的讨论凸显了一点：尽管外部心跳监控器很有价值（因为即使源机器宕机也能发出警报），但关于这类工具的必要性与更强大的原生系统监控方案相比，仍存在很大争议。
正在检查您的浏览器...需要启用 Javascript
关于人工智能时代人类数学家未来的 Hacker News 讨论，主要突显了以下几个核心主题：
**向可访问性转变**
许多贡献者认为，数学应该从目前“封闭的”、高度技术化的体制，转向侧重直觉和普及的方向。参与者指出，数学教学往往通过死记硬背，造成了一种代际幸存者偏差的环境。大语言模型（LLM）被视为一种变革性工具，它允许人们以更轻松的方式学习，从而绕过传统且往往教导不善的学术门槛。
**人类与人工智能的角色对比**
关于人类监督是否仍然必要，存在着核心争议。虽然人工智能可以“暴力破解”现有问题，但怀疑论者和支持者都指出，人类擅长提出正确的问题、定义新的框架，并判断哪些问题值得解决。许多人认为，数学不仅是关于证明求解，更是关于从现实中开辟“封闭系统”，这是一种目前人工智能尚无法执行的创造性行为。
**怀疑与功利**
对于“支持人工智能”的叙事存在明显的抵制声音。一些用户批评该领域存在精英主义，并认为企业部署人工智能是将利润置于人类之上。最终，共识倾向于认为，虽然人工智能可以作为发现真理的强大“手电筒”，但人类元素在目标设定、验证和道德导向方面仍然是必不可少的。
尽管有些人担心 AI 编程代理会以牺牲质量为代价换取速度，但采取分层防御的方法实际上可以将开发者的产出提高 2-3 倍，同时减少错误。关键在于将 AI 融入开发生命周期的每一个阶段： * **规范驱动开发：** 在开始编码之前，利用 AI 主动识别边缘情况和需求差距。 * **测试驱动开发 (TDD)：** 利用代理在实现功能前编写全面的测试套件，以确保高覆盖率。 * **自动化审查流程：** 利用 AI 进行安全性检查、代码规范检查 (linting) 和重构，以保持代码标准并消除“AI 味”。 * **分层验证：** 在自动化 PR 审查的基础上，辅以针对复杂逻辑的人工抽查。 * **可观测性：** 使用 AI 驱动的日志和错误跟踪工具，自动诊断并修复生产环境中的错误。 通过将 AI 视为质量控制的引擎而不仅仅是代码生成器，团队可以实施比以往更深入、更频繁的检查。这种策略确保了更快的交付不会损害可靠性，使开发者能够在保持高标准的同时显著加快工作流程。
这篇来自 Hacker News 的讨论探讨了围绕 AI 辅助编程及其对软件质量影响的争议。
核心争论在于：是 AI 降低了质量，还是用户未能正确使用它。AI 的支持者认为，它是一种强大的工具，而非工程的替代品；如果开发者实施严格的护栏措施（如广泛的测试、模块化架构设计和彻底的人工代码审查），就能产出高质量的代码。
然而，批评者认为，AI 生成的代码往往会引入“垃圾内容”，且 AI 产生的大量代码使得有效的审查变得不可能，从而导致系统脆弱且难以维护。许多参与者强调，无论使用何种工具，代码的责任始终在于开发者。一些人指出，所谓的“AI 编程危机”实际上是管理上的失败，即公司将速度置于工艺之上。
最终，大家的共识倾向于：AI 有效地放大了开发者现有的习惯。那些重视质量和严格标准的人利用 AI 来扩展其专业能力，而那些追求速度或缺乏自律的人则利用 AI 更快地生产出有缺陷的代码。
作者批评了互联网上日益泛滥的一种通用的“AI 生成”写作风格。这种语调——以过多的破折号、诸如“切入点（wedge）”和“解锁（unlock）”之类的企业流行语，以及绝对对称、可预测的结构为特征——虽然看起来精致，却空洞无物。 尽管人工智能是提升清晰度的强大工具，但作者认为，它对技术完美的追求抹去了定义人类表达的怪癖、不连贯和凌乱的脆弱感。通过对中立、“通用”语气的优化，我们正趋向于一种乏味、千篇一律且缺乏个性的交流方式。 作者并未建议放弃人工智能，而是主张将其作为起点，然后在写作中夺回主导权。要在自动化内容的时代脱颖而出，我们必须剥离机械的人造感，剔除企业黑话，并重新注入独特的个人声音。归根结底，这篇文章提醒我们：随着机器听起来越来越聪明，真正的竞争优势——以及优秀写作的标志——在于展现出人性。
抱歉。
立方体 Cube
26 天前
**Cube-motion** 是一款为现代 JavaScript 框架（包括 React、Vue、Solid 和 Svelte）设计的通用动画库。它通过提供一套一致的声明式组件和指令——特别是 `Rise`、`Morph`、`Reveal` 和 `Leave`，简化了复杂的 UI 过渡效果。 主要功能包括： * **交错动画：** 通过内置的编排功能，轻松为元素组（如列表或首屏区域）添加动画。 * **动态状态：** 无缝处理内容变形（例如切换按钮文本），以及支持生命周期的过渡效果，确保元素在卸载前完成动画。 * **框架无关：** 该库在不同的生态系统中保持统一的 API，在 React、Vue 和 Solid 中使用组件，在 Svelte 中使用自定义动作。 通过对常见的入场和过渡效果逻辑进行抽象，Cube-motion 使开发者能够以极少的样板代码实现专业级的动效设计。
抱歉。
几十年来，软件世界一直依赖于版权与开源协作之间的平衡，这种模式构建了现代互联网，并赋能了一代又一代开发者。然而，生成式人工智能的兴起打破了这一社会契约。 大型语言模型正在抓取网络数据，在无视许可或署名的情况下消耗代码。这使得分享行为从一种创造性的慷慨变成了一种职业责任风险。开发者如今面临的环境是：他们的开源代码被利用来训练专有模型，充斥着人工智能生成的“垃圾内容”，或被用于识别安全漏洞。因此，创作者有充分的理由去囤积自己的作品，因为他们担心公开贡献只会助长企业的整合与知识产权盗窃。 作者警告称，我们正在进入一个“数字黑暗时代”。通过破坏使现代网络成为可能的开放基石，人工智能正威胁着扼杀创新并摧毁科技界的协作精神。为了防止知识不再被分享的反乌托邦未来，创作者们必须联合起来，建立一个新的数字文艺复兴，在开源时代的遗产永久消失之前，确保人类作者的劳动成果得到尊重与保护。
抱歉。
微软以 12 万美元将 Copilot 运行时代理式迁移至 Rust Microsoft agentically ports Copilot runtime to Rust for $120K
26 天前
请提供您想要翻译的内容。
Show HN：与人类偏好对齐的 AI 面部吸引力模型 Show HN: AI Facial Attractiveness Model Aligned with Human Preferences
26 天前
我们的模型基于 60 位真实人士对数千张人脸照片的评分进行训练。它学习的是人类对这些照片的评价方式，而非仅仅通过面部特征点来计算分数。 为了减少单张照片（如光线或临时身体状态）的影响，我们建议上传同一人的 3–5 张照片。我们会结合这些结果，以得出更稳定、更客观的评估。 01 8.0/ 10 模型评估 基于真实的人类偏好 该模型借鉴了 60 人对数千张人脸照片的评分，因此分数反映了人类共同的评价模式。 02 使用清晰、未编辑的照片 请使用光线均匀的正面照片。该模型仅在自然的素颜照片上进行过训练，因此影棚人像、滤镜和修图可能会影响评分。添加 3–5 张相似的照片以获得更稳定的评估。 03 ✓选择你最好的头像 上传 3–5 张照片，比较它们的评分，并选择最适合你个人资料的那一张。
抱歉。
为了探索《幸存者》背后的策略，作者开发了一个机器学习模型，用于预测哪些选手最有可能在下一次部落议会中幸存并最终赢得比赛。作者利用 *survivoR* 存储库中的数据，基于投票历史、免疫挑战和编辑“采访”次数等因素，训练了两个逻辑回归模型。
虽然该模型无法量化社交化学反应或纯粹的运气，但其表现明显优于随机猜测，识别最终赢家的准确率是基准预测的两倍。它还提供了关于“赢家套路”的见解，例如获得选票的负面影响，以及出镜时长与获胜之间的正相关性。
作者指出，尽管该模型并非完美的预测工具，但它对于超级粉丝验证理论和追踪选手表现轨迹来说，是一个极佳的辅助工具。通过分析历史数据和“统治力评分”，该模型成功捕捉到了长久以来的粉丝叙事，包括识别出节目史上最具统治力的胜利和最令人惊讶的爆冷。该项目强调，赢得《幸存者》需要社交机动性与风险管理的独特平衡，即使是数据驱动的方法也能帮助阐明这一点。
抱歉。
David Lattimore 调查了为何最近的基准测试显示“Wild”链接器的性能明显慢于“Mold”。他得出的结论是，性能差距主要源于测试环境和方法的差异，而非内在设计缺陷。
已确定的关键因素包括：
* **基准测试配置：** Mold 的测试使用了 ext4 文件系统，在每次运行间删除了输出文件，并禁用了分叉（forking）。相比之下，Wild 过去常采用 `tmpfs` 并保留现有文件，这掩盖了 Wild 在标准文件系统下存在的性能问题。
* **近期改进：** Mold 在 2.42.0 和 2.42.1 版本中获得了显著的性能提升，而这些改进并未体现在 Wild 的旧基准测试数据中。
* **优化：** Wild 缺乏 Mold 用来加速文件操作的特定操作系统级优化，例如 `fallocate` 和大页映射（hugepage mapping）。Lattimore 确认这些功能目前正在加入 Wild 中。
在消除这些变量后，Lattimore 在类似硬件上成功复现了 Mold 的测试结果。他指出，虽然由于硬件差异（例如 Threadripper 的高线程数）仍存在一些出入，但性能差距主要可以归因于不同的测试条件以及 Mold 近期的快速发展。
抱歉。