Skip to main content

黑洞资源笔记

  1. Caveman,一个 Claude Code 技能/插件和 Codex 插件,让Agent说话像原始人人——在保持完全技术准确性的同时,减少约 75% 的 token。

    Caveman 仅影响输出 token——思考/推理 token 不受影响。Caveman 不会让大脑变小。Caveman 只会让嘴巴变小。最大收益是可读性和速度,成本节省只是附加优势。

    2026 年 3 月发表的论文《Brevity Constraints Reverse Performance Hierarchies in Language Models》发现,将大型模型限制为简短回复在某些基准测试上的准确率提高了 26 个百分点,并完全颠倒了性能层级。冗长并不总是更好,有时少说话 = 更正确。| #插件
  2. xicilion 响马大佬的新项目boxsh,一个受限的 POSIX shell,支持并发 JSON 行 RPC 模式,基于 dash 0.5.12 构建。

    boxsh 被设计为可编程执行底层——一个可以通过简单 JSON 协议驱动的后端,适用于 AI 代理、构建系统或编排层,同时内置 Linux 命名空间隔离。其核心使用场景:

    AI 代理命令沙箱——为代理提供一个可以执行任意 shell 命令的工作环境,同时严格控制其可见和可修改的内容:仅挂载所需目录,阻止外发网络,隔离 PID 树。

    零成本目录分叉——将任何目录覆盖为写时复制工作区。代理可以自由读写;会话结束时检查上层差异,决定提交或丢弃——无需 git 索引,适用于任意目录。

    会话检查点与分支——冻结当前会话的上层,在其上叠加新覆盖层,从同一点向两个方向分支,并比较结果。也可以将上层归档以便长期存储。

    并行隔离工作者——在多个工作者间共享一个大型只读基础(如 node_modules 树、Python venv、编译后的 sysroot),每个工作者拥有独立可写上层,并发运行互不干扰。

    部署/迁移演练——在覆盖层上运行 make install、数据库迁移或包升级,精确检查上层文件变化,再决定是否真正应用更改。
  3. Hermes Agent 从入门到精通 | #电子书

    Hermes Agent 是 Nous Research 在 2026 年 2 月发布的开源 AI Agent 框架。它和 OpenClaw、Claude Code 走的路线不同:内建了自改进学习循环、三层记忆系统、Skill 自动创建和进化机制。

    如果你读过《Harness Engineering》橙皮书, Hermes 是那本书讲的五个组件(指令/约束/反馈/记忆/编排)的第一次产品化实现。
  4. 广告内容

    原价$20/月(≈140元)的ChatGPT Plus,现在超值 通道只要7元

    官方直充,自己账号绑定,享GPT-5.4全功能+联 网搜索+AI绘图+更多高级特性像比官网便宜一大截,但100%正版、非共享、非镜

    上千用户已稳稳用着,续费方便

    最后名额!即买即用

    https://shop.86gamestore.com/item/59
  5. 把参数丢进硬盘:Gemma 4 的轻量化魔法 | 帖子

    提要:Gemma 4 E 系列模型通过 Per-Layer Embeddings 技术,将大量静态 Embedding 参数从显存移至磁盘。这种设计在不增加推理计算负担的前提下,极大地扩展了模型的知识容量。

    Gemma 4 的 E2B 和 E4B 模型里,那个“E”指代 Embedding,与 MoE 模型里的 Experts 完全是两码事。这套架构玩了个很聪明的“移花接木”。

    传统的 Transformer 在入口处用一个巨大的查找表。现在的 PLE 技术在每一层都塞进了更小的嵌入矩阵。这些参数虽然撑大了总参数量,却没增加计算成本。Embedding 本质上就是个查表过程,不需要 CUDA 内核去算矩阵乘法。

    既然是查表,那就没必要非得挤在 VRAM 里。Token ID 一定,直接从磁盘或 CPU 内存里把对应的向量捞出来就行。有网友通过 llama.cpp 的参数配置,成功把 Embedding 权重丢到了 CPU,让显存占用瞬间降了下来。

    这就像是给操作系统挂载了一个极其庞大的只读文件系统,虽然体积大,但它不参与指令流水线的实时运算,只有在需要时才触发一次磁盘 IO。

    这种“静态知识”的容量上限在哪?如果把所有智力都塞进查表里,模型会不会变成一个只会背书的死记硬背机器?
  6. 程序员的肌肉萎缩:我们是在利用工具,还是在丧失直觉? | 帖子

    提要:本文探讨了开发者在使用 AI 工具时面临的一种隐形危机:随着习惯性将问题描述给 AI 并等待指令,人类在不确定性下自主构建假设、进行逻辑推演的“思维肌肉”正在发生萎缩。这种依赖并非单纯的效率提升,而是一种心智地图的模糊过程。

    上个月,面对一个运行了两年的服务中出现的偶发网络超时问题,我发现自己竟然无法在没有 AI 协助的情况下完成调试。这种感觉很陌生,甚至有些惊悚。

    这不像是在讨论某种技术瓶颈,更像是在描述一种肌肉萎缩。原本我能坐下来、通过观察日志、分析连接池、推演负载均衡逻辑来建立假设,但现在,我的第一反应是打开 Claude,把症状喂给它,然后机械地跟随它的建议走向死胡同。

    这种现象很像 GPS 导航。你可以靠着它到达任何地方,但如果你长期依赖它,你就会失去对城市街道的记忆。当你突然失去信号时,你缺少的不仅仅是信息,而是那张通过亲自探索才建立起来的“心智地图”。

    有网友提到,这其实是一种“认知债”或“理解债”的积累。当我们在代码库中不再进行深度的逻辑巡检,而是直接让 AI 寻找路径时,我们正在从“问题的解决者”退化为“指令的路由转发器”。这种转变是极其隐蔽且渐进的。

    不过,也有人持有不同意见。有人认为这并非技能流失,而是一种抽象层级的跃迁,就像编译器取代了汇编语言一样,我们将精力转向了更高阶的系统设计。更有经验的开发者指出,关键在于你如何使用它:是把它当作“副驾驶”来验证你的假设,还是把它当作“司机”让你盲目跟随?

    最值得警惕的不是工具本身,而是这种依赖性的发生往往没有预兆。当你在面对错误堆栈时,不再先思考 5 分钟,而是本能地按下复制粘贴键的那一刻,那个负责在不确定性中寻找规律的思维引擎,就已经开始停转了。

    如果一个人从职业生涯的第一天起就习惯于这种“外包式思考”,当 AI 给出错误方向时,他还有能力识别出那是一堆毫无逻辑的幻觉吗?