订阅人数
7.8 万
当前公开订阅数
24 小时增长
0
0%
90 天帖子均阅
1,524
309 篇有效帖子样本
阅读率
1.95%
90 天均阅 / 当前订阅数
当前订阅人数
78,000
7 天真实数据 · 更新于 11/8
最近采集的公开帖子 · 北京时间
「把多智能体真正装进树莓派，Nouride想做的是一套能长期在线的边缘AI底座」| home
Nouride主打的是“在小硬件上本地跑多智能体运行时”：面向树莓派、香橙派和各类64位Linux SBC，安装后就是一个独立守护进程，下载体积约40MB，官方给出的实测内存门槛是64MB、空闲时单核CPU占用约0.7%，不依赖GPU，也不需要额外搭Postgres、Redis或向量数据库，目标很明确——让AI代理能在家里、实验室和轻量边缘设备上7×24小时稳定待命。 它的亮点不只是“能跑”，而是把多代理协作做成了日常可用的形态：每个agent都有独立身份、模型配置、工具和记忆，数据用可读的Markdown与TOML保存，彼此之间还能直接交接任务。 交互层也铺得很完整，除了网页控制台和终端CLI，还原生接入Telegram、Discord、WhatsApp，同一个代理、同一份记忆，可以在你本来就常用的聊天入口里工作。安全上也留了克制的一手，涉及删库、停服务、凭证路径之类高风险命令，不会偷偷自动执行，而是先在聊天里征求确认。 对很多折腾Homelab、家庭自动化和私有AI的人来说，这类产品的价值不在“功能堆多满”，而在它把部署门槛、资源占用和长期运行这三件最麻烦的事，一次性压到了足够低。
「神经网络没有退场，但“纯模型信仰”开始松动了」
Michael Black这条推文的分量，不在于他否定深度学习，而在于他点破了一个过去十年默认成立、如今却越来越值得重估的前提：不是所有视觉问题都该继续往“收集数据—训练模型”这条路上挤。 训练数据充足时，神经网络依然强大；但当数据难拿、经典算法本就成熟、优化方法更直接，或者只是想尽快把问题解决时，让前沿模型帮你写代码、测方案，往往比重新训一个模型更快也更省。 于是变化出现了：大模型未必替代软件工程，反而可能把“写代码解决问题”这件事变得更普及，像印刷术放大写作那样放大编程。顺着这个判断，未来更像是混合范式：高层规划交给通用模型，底层任务按场景调用神经网络、经典算法、现成代码库，甚至临时生成的专用代码。 评论区的共识也很有代表性：能用便宜、可验证、确定性强的方法解决，就没必要迷信黑箱；能先用规则和传统方法覆盖大多数样本，再把神经网络留给边角难题，系统反而更稳、更便宜，也更容易落地。真正该被淘汰的，也许从来不是经典方法，而是对单一路线的技术宗教。
「把论文写作从“文件管理”拉回“研究工作”本身」
Lattice 是一个面向 macOS 的本地优先 LaTeX 写作工作台，想解决的不只是写 `.tex`，而是把 live PDF、文献阅读、批注修改、Overleaf 协作和 AI 助手放进同一扇窗口里。它的思路很清楚：项目始终是你磁盘上的普通文件夹，可离线、可进 Git、可用别的编辑器打开，Overleaf 只是双向同步目标，不再是论文唯一“住处”。 产品层面，它一边保留 LaTeX 用户最在意的即时编译、SyncTeX 跳转、模板、arXiv 导出、参考文献校验，一边补上研究流程里常被拆散的环节：按 arXiv ID、DOI 或标题拉取论文，一键插入引用，在源文件或 PDF 上做批注，再交给 agent 逐条提出修改建议。 AI 这部分也比较克制：Lattice 不自带模型，也不卖订阅，而是直接调用你本机已登录的 Claude Code、Codex、Cursor、OpenCode 或 Droid，所有改动都以 diff 展示，可审阅、可撤销。再加上双向 Overleaf 同步、评论、聊天、修订记录，以及 Markdown 笔记、白板、表格、React 幻灯片共存于同一项目，它更像是给科研写作做了一次“工作流重组”。限制也很明确：目前只支持 Apple Silicon 和 macOS 14+，且商用场景还需留意 Trellis 面板组件的单独授权条款。
「你的Mac，可能早就在给你和身边的人“建档”了」| blog
这篇 Eighth Rank 的分析把苹果个人知识图谱拆得很细：从 macOS 13 开始，系统里就有一对守护进程，持续把联系人、日历、照片人脸、消息与邮件元数据、位置轨迹、屏幕使用、Family Sharing、已安装 App 等信息汇进 ~/Library/IntelligencePlatform 下的一组数据库里，其中 graph.db 是核心。 它不是简单索引，而是一个可查询的关系图谱：谁是你、你和谁联系最频繁、谁可能是家人、同事或伴侣、你常去哪里、什么时候在活动，都会被整理成带置信度的“事实”。 更值得警惕的是，它不只记录你，还会把你的家人、朋友、群聊成员和共同出席活动的人一起串起来。文中提到，系统会用规则、嵌入模型、XGBoost 甚至本地 LLM 做关系推断，比如根据通信频率、合照共现、时间段分布去猜亲属关系。 作者还发现，删除联系人不等于彻底消失，部分被撤回的数据会先进入过期表，推断结果也可能比原始证据存活更久。好处是，这套机制主要在本地运行，受 Full Disk Access 保护；问题是，用户几乎没有清晰文档、统一查看入口，也很难纠正错误推断。作者为此开源了本地只读仪表盘 iKnow，用 Python 标准库实现，直接在本机浏览这张“你的人际与生活地图”。 这篇文章真正刺痛人的地方不在“苹果收了什么”，而在“当这些零散信号被自动关联之后，它比单条隐私数据更懂你”。
「通往ROOT的948条路」
OpenAI 披露了一项很有分量的安全研究：他们搭建了一条几乎可自主完成“发现漏洞—动态复现—验证可利用性—生成补丁”的流水线，目标直指 Linux 内核。 一次运行里，这套系统从 2308 个疑似问题中复现出 1724 个漏洞，进一步拿到 291 个信息泄露 PoC 和 948 个可让普通本地用户提权到 root 的有效利用程序，同时为这些漏洞生成补丁候选。 最值得看重的，不只是“找到得多”，而是把过去高度依赖顶级研究员手工推进的工作，压缩成了可重复、可放大的工程流程。它用的不是刻意放弱防护的靶机，而是带 SMEP、SMAP、KASLR 等缓解措施的标准环境；拿公开赏金口径粗算，产出价值已远高于运行成本。 更现实的信号是：Linux 维护者在 10 天内就修掉或推进了大量相关问题，说明攻防节奏正在被 AI 明显加快。 对行业来说，这件事的真正含义不是“AI 会不会找漏洞”，而是补丁生成、变体分析和快速分发，正在成为跟漏洞挖掘同等重要的能力。若修补速度跟不上，未来“拿到一个低权限账户≈迟早摸到 root”，恐怕会从夸张说法变成默认假设。
