你要这么想,ai 是基于人类已有的知识训练的, 所以 ai 能做到的 人一定能做到(生成文本这块),就是人能做到的概率低速度慢, 但是 spec 上不会有任何区别. 给人重写系统的时候,你要先确定好原系统实现的功能, 有什么模块, 每个模块都是干什么的(这个部分不知道了就问 ai), 你打算通过重写改进哪些瓶颈实现哪些模板, 从哪开始, 如何验证重写完成前后系统的一致性. 全定好了 把这些东西再交给 ai 做, 又不能直接 git clone, claude init ,然后说帮我重写.

@YanSeven 地狱笑话 mac 根本塞不下 900g 数据,没那么大硬盘

看你是说横向还是纵向, 横向(单人能掌握多大的任务),那明显是提高了上限. 如果说纵向(单个任务的复杂程度), 那其实提高的有限, 但是也是提高了(可能有些算法靠人实现不了). 下限是很明显绝对提高了的, 首先就是一行代码都不会写的人也能写,其次对以前的程序员来说也再也不用担心不符合命名规范, 拼错, 函数返回值类型搞错这种错误是再也不会犯了.

为什么不直接换成 debian 呢?

@renmu 感觉 qwen 系列最有价值的就是 asr 和 27b 31b 那些多模态,真的大号模型确实挺一般的

@jjx 我用 sonnet 4.6 做 c++转 rust 的代码都顺滑入丝, 翻译编译验证 one shot,而且我真的就只给 claude code 发了个消息说帮我把这个 c++库翻译成 rust 这么一丁点指令. bun 被 a 社收了之后 token 和模型那可以说是无限量, 还有之前 zig 时代留下来的各种测试和边界条件, bun 之类的运行时库本身功能定义又明确, 简直是舒适区中的舒适区

说实话这些东西就和之前的什么 skill mcp 一样, 乱七八糟一大堆只不过是把一个些正常软件工程该有的东西重新发明了一圈罢了. 难道有 ai 之前你就会一口上来就写超级大的任务, 写代码不看上下文, 不提前定义好 api, 找好技术栈就开写? 那你到底在写什么呢? 无非就是 LLM 不会拒绝, 一帮完全无视软件工程实践的哥们拉屎拉太快把屎山拉塌了, 不得不在屎堆里重新发明了软件工程的各个环节, 每次看 harness 的这些概念我都听想笑..

和类型关系不大,和封装关系很大,层数越多代码越绕越写不出来. ai 写 java 特别烂,因为 java 之前的代码之间关联就是少,光用代码跑都跑不起来. 相比之下 go rust ts 这三个属于是天选之子, 语法就那么点功能写了啥就是啥 随便跑. python js 虽然动态类型, 但是现在的 ai 有办法都提前声明上,也没那么难受

@isbase 因为 rust 是真除了逻辑 bug 以外没别的 bug, 不然你编译都过不去. 这样就算 ai 写的是"错的", 人来写也未必就是对的,只是你逻辑目标设置的有问题而已. 当然这不代表用 ai 写 rust 就能很轻松的让程序正确运行, 但是就我的体验来说重写别的库(尤其是和内核,底层操作的库)这块真的是 rust 的舒适区.

这个项目确实可以反映一些流行趋势. 毕竟新项目开的多说明就算不公开的,很多人也会因为想要利用开源生态而采用某些语言(或者加入某些语言).不过这个排名确实是会低估 java c#这种企业喜欢用的

不知道天钡的那些小主机现在多少钱. 我当年买的时候 2 盘位双网口的差不多是 900 多,其实还挺好的.

爱马仕和龙虾之类的东西不在于你的预算有多少,而在于你是否真有很多半自动化的任务需要进一步自动化. 比方说用 linux 下载东西完成后归类刮削, 或者更新日程邮件, 总结复盘交易, 或者是配置智能家居等等. 如果你没有这些半自动化的任务的进一步自动化的需求, 这些 agent 和 chatbot 没有一点区别. 顺便由于 cli 的特性尽量在 macos 和 linux 下玩,别在 windows 上玩.

爱马仕比起龙虾有一点好, 他的响应速度和搜索速度都快多了, 所以哪怕真的是闲着无聊整个玩玩,也算是个自持有 chatbot.而且比起 genmini 和 chatgpt 之类的网页版应用,爱马仕的搜索调用要积极多了, 收集信息不容易出问题.

很简单,买一台 nas 小主机或者服务器, 然后往上面搭服务, 什么 ai 网关/openwebui, 智能家居主控, 流媒体刮削/推送,或者用 ai 手搓什么 epub 阅读器,等你你 api 配多了你就知道怎么写后端了. 不然这东西有啥好学的不就是想出来你要怎么样把各种数据转化成 json/blob/hls 等东西和你的浏览器交互么

@woodfizky 虽然这么说很不政治正确,但是确实是存在很多年纪大了就开始固执的情况.. 我也碰到过几个年纪大了不肯看 ts 代码的

我研究了一圈感觉最合适的就是以比较低的价格买 395max, 然后跑跑简单任务或者整点龙虾 Hermes agent 这种东西,干不来太多超长上下文的重活. 真的干重活老老实实买 api 套餐吧. 而且 395max 可以上 linux, 自己会折腾能释放出比原装更高一点的潜力.

DGX Spark 现在也有一定性价比,但是这机器本身三分之一的价格在网卡上, 只买一台根本用不到. 不过考虑到一张 5090 和 spark(gb10)方案的机器价格都差不多了, 所以真的要上还是值得上的. 这个对商用用户来说其实是更好的选择,因为很容易上集群,上了集群就可以自己训练.本身那个金灿灿的盒子颜值也很高.

然后就是苹果. 讲真苹果目前 m5 max 的性能是完全碾压其 a 和 n 两家的. 如果苹果能出 48G 版本的 m5 pro mac mini, 这个其实是最甜点的,普通人跑跑的模型差不多 48-96 这个版本就够用了. 而 m5 推理层可以用飞快来形容, 苹果的统一内存带宽也高,不训练只推理用苹果其实是最舒服的. 就是现在 studio 和 m5max 的价格太贵了,而且只有 macbook pro 也很难当一个随时待命的服务器.

算力最强的当然是 5090 ,但是功耗和价格摆在那里, 而且还有额外的装机成本. 如果真的手搓,还有个选择就是英特尔 b70 计算卡,但是 b70 也就是 32g,其他内存硬盘最近这价格硬顶到最后也很难比 aimax 便宜.如果硬盘内存价格能再回落一点可能 b70 会是纯推理性价比更好的选择.

@LXchienne 那不然呢? 我会编程我也懒得看

你这个生活费有点太低了...

现在真的应该用 RAG 的是那种超长上下文模型的内部研究. 就目前的个人来说 RAG 确实是上不去下不来,因为 rerank 和嵌入太费劲了,对个人用户来说投入太大.如果公司的文档有个目录,还不如让 ai 直接理解目录层级的语义来 grep 搜索,比 RAG 好用多了.

@ntdll 你这样的最推荐 codex, 20 刀感觉是无穷无尽. 其次是 cursor, 你就想 20 刀你也不好买 kimi 的套餐, 他这个是升级版 kimi 2.5.. 然后才轮到国内那些 glm minimax 这种