Agili 的 Hacker Podcast

Hacker News 每日播报 2025-11-08

Listen Later

Hacker News 每日播报为您带来 Snapchat 开源的“真原生”UI 框架 Valdi、成为编译器工程师的职业路径、预防心脏病的实用指南，以及 AI 评估、理想客户定义等一系列深度技术与行业洞察。

Valdi：Snapchat 开源的“真原生”跨平台 UI 框架

Snapchat 开源了一个重磅项目：Valdi，一个致力于在不牺牲开发者效率的前提下，提供原生应用性能的跨平台 UI 框架。Valdi 的最大亮点在于它不依赖于 WebView 或 JavaScript 桥接。开发者使用声明式 TypeScript 编写 UI，Valdi 会将其直接编译成 iOS、Android 和 macOS 平台上的原生视图。这个框架已在 Snapchat 的生产环境中稳定运行八年，足见其成熟度。

Valdi 的核心优势
  • 真正的原生性能：通过编译到原生视图，Valdi 避免了 WebView 和 JS 桥接的性能开销。它还引入了自动视图回收、优化的增量渲染和 C++ 布局引擎等技术，确保了应用的流畅体验。
  • 极致的开发者体验：Valdi 提供毫秒级的即时热重载和完整的 VSCode 调试支持，让开发者摆脱传统原生开发中缓慢的“编译-测试”循环。
  • 灵活的集成模式：无论是将 Valdi 组件嵌入现有原生应用，还是在 Valdi 中使用原生视图，都非常轻松。它还支持多语言模块，允许开发者用 C++、Swift 等语言编写性能关键代码。
    • 社区视角：一场关于跨平台开发的哲学思辨

    Valdi 的发布引发了关于跨平台开发的激烈讨论，尤其是围绕 WebView 应用的体验之争。

    一部分开发者认为，对于某些业务场景，WebView 应用是极佳选择，通过精心优化可以提供“足够好”的用户体验，同时大幅节省开发成本和加快迭代速度。Lichess、Obsidian 等应用被视为成功案例。

    另一部分开发者则坚决反对，认为 WebView 应用的体验永远无法与原生应用媲美，那种“鞋里有颗小石子”般的不适感始终存在，即便是苹果自家的 App Store 也因疑似使用 WebView 而体验不佳。

    更深入的探讨则触及了跨平台开发的根本权衡。有人认为，追求极致原生体验的最佳方式是为每个平台独立编写 UI。但对于复杂应用，维护三套独立代码库将是管理上的噩梦。一个被认为是更理想的方案是，将核心业务逻辑用 C++ 等通用语言编写，然后在各平台上使用原生 UI 框架（如 SwiftUI, Jetpack Compose）构建界面。

    总而言之，Valdi 的出现为高性能跨平台开发提供了新选择。它背靠 Snapchat 八年的生产实践，其无 WebView 的编译模型极具吸引力。然而，跨平台开发从来都是一门权衡的艺术，Valdi 能否在众多框架中脱颖而出，还有待其社区生态和工具链的成熟。

    如何成为一名编译器工程师？

    编译器工程是一个既古老又前沿的领域。一篇名为《成为一名编译器工程师》的文章，分享了作者 Rona Wang 从 MIT 毕业后，如何在这个小众且充满挑战的领域找到一份工作的个人旅程。文章坦诚地分享了求职过程中的信息空白，并为有志于此的开发者提供了实用建议。

    编译器工程师的世界
    • 工作内容：编译器工程师主要负责实现和优化编程语言，让它们运行得更快，而非从零开始设计新语言。
    • 就业市场：这是一个非常小众的领域，需求有限，门槛较高。招聘方主要是大型科技公司（如苹果、谷歌、英伟达）、硬件公司、量化金融公司以及一些初创企业。
    • 面试准备：面试内容涵盖广泛，从 Leetcode 风格的算法题（通常要求 C++），到语言设计、中间表示（IR）优化、图论、垃圾回收等底层系统知识。核心问题是：“你为什么想做编译器？”
    • 学习路径：作者推荐了 MIT 的相关课程，如《计算结构》和《性能工程》，并反思自己应更早参与开源项目。
      • 业界人士的补充与不同看法

      这篇文章引发了业内人士的广泛讨论和补充。

      • 开源贡献是关键：许多经验丰富的工程师强烈建议，进入该领域的最佳途径是为 LLVM、GCC 或 Rust 等大型开源编译器项目做出贡献。这比自己写一个玩具编译器更能证明你的能力，也是简历上最有分量的亮点。
      • LLVM 的复杂性与实用性：对于初学者是否应该直接上手 LLVM，存在不同看法。有人认为 LLVM 过于复杂，建议从更简单的编译器项目开始。但也有人反驳说，LLVM 的 API 设计良好且文档完善，直接学习它才是通往实际工作的最直接路径。
      • LLM 的影响：大型语言模型（LLM）是否会改变编译器工程？这是一个热门话题。怀疑论者认为，编译器最关注的是“正确性”，而这恰恰是 LLM 的弱点，它们无法进行逻辑推理，只能预测可能性。而乐观者则认为，LLM 可以作为强大的辅助工具，帮助发现代码错误，让专家更专注于高层次的设计。
      • 背景与机遇：也有观点认为，作者的成功很大程度上得益于其 MIT 的精英背景和人脉资源。这反映了一个现实：在竞争激烈的就业市场中，个人努力与外部因素（如学校、人脉、运气）同样重要。

        • 总的来说，编译器工程是一个充满挑战但也极具吸引力的领域。进入这个领域需要扎实的理论基础、对底层系统的热情，以及通过参与开源项目来证明自己的决心。

        FreeBSD 的硬核玩法：ZFS Jails 实现不可变软件部署

        一篇文章详细展示了如何在 FreeBSD 上利用其原生支持的 ZFS 文件系统和 Jails 容器化技术，构建一个零停机、可即时回滚的不可变软件部署流程。

        核心思路是：每当发布新版本时，都从一个干净的 ZFS 快照克隆出一个全新的 Jail（容器）。应用部署在新 Jail 中，并通过 Caddy 反向代理的健康检查。一旦检查通过，Caddy 会自动将流量无缝切换到新的 Jail。旧的 Jail 可以随时保留用于快速回滚，或在确认新版本稳定后销毁。这种方法利用了操作系统底层的原生工具，构建了一个极其坚固、可预测且易于管理的部署系统。

        这不就是 Docker 吗？一场关于容器化理念的辩论

        这种看似复古的方法，自然引发了与现代容器技术 Docker 的比较，并迅速演变成一场关于容器化理念的深度辩论。

        • 历史与技术根源：许多人明确指出，这个方案并非“带有额外步骤的 Docker”。FreeBSD Jails 的历史长达近 25 年，而 ZFS 在 FreeBSD 上的稳定运行也超过 17 年，它们都远早于 Docker。这代表了一种直接利用操作系统原生能力的哲学，而非依赖于 Docker 提供的抽象层和庞大生态。
        • 开发者体验与生态：支持 Docker 的观点认为，尽管 Docker 在技术上可能不是最优的，但它之所以成功，是因为它极大地简化了跨平台（尤其是在 Linux 和 macOS 上）的开发和部署体验。其易用性和庞大的生态系统是 FreeBSD Jails 难以比拟的。
        • Linux 的替代方案：讨论也提及了 Linux 世界中类似的底层技术，如 systemd-nspawn 结合 btrfs 快照，同样可以实现轻量级、不可变的容器部署，被一些人誉为“隐藏的瑰宝”。
        • Docker 成功的秘密：有观点认为，Docker 的成功主要归功于其出色的“打包与营销”以及解决了普遍的“开发者痛点”，而非纯粹的技术创新。它通过巨额风险投资，将一个原本小众的技术推广到了全球。
          • 未来展望：OCI 容器登陆 FreeBSD

          令人兴奋的是，FreeBSD 社区正在积极拥抱现代容器标准。FreeBSD Jail 支持已被合并到 OCI (Open Container Initiative) 运行时规范中，并且已有 runj 这个实现。这意味着，未来 FreeBSD 有望在保持其核心优势的同时，融入更标准化的容器生态，甚至可能与 Nomad、Podman 等编排工具结合，管理 FreeBSD 容器集群。

          让民主发挥作用：修复并简化 Egalitarian Paxos 协议

          一篇来自 arXiv 的计算机科学论文，深入探讨了分布式共识协议的经典难题。论文针对 Egalitarian Paxos (EPaxos) 协议的复杂性和已知缺陷，提出了一种名为 EPaxos* 的新协议。

          经典的 Paxos 协议依赖单一领导者（leader）来排序指令，这带来了单点故障和延迟瓶颈。EPaxos 采用无领导者（leaderless）架构，让副本进程协作排序，提高了容错性和性能，尤其是在处理可交换操作时能实现快速执行。然而，EPaxos 因其极度复杂、规范模糊和存在错误而难以在实践中应用。

          这篇论文的贡献在于：

          1. 简化设计：提出了一个更简单、更易于理解和实现的 EPaxos 变体 EPaxos*。
          2. 纠正错误：修复了原始协议中的 bug，确保了其正确性。
          3. 优化恢复算法：设计了更简单的故障恢复算法，并提供了严谨的证明。
          4. 提升泛化能力：将协议泛化到更广泛的故障阈值范围，使其适应性更强。

            5. 对于这类深度技术论文，通常会引发以下几个维度的探讨：

            • 实用性与复杂性：理论上的“简化”能否转化为代码层面的易用性？在生产环境中部署和维护的成本是否真的降低了？
            • 性能对比：与 Raft、Zab 等流行协议相比，EPaxos* 在不同网络条件和负载下的实际吞吐量和延迟表现如何？
            • 理论与实践的鸿沟：将严谨的数学证明转化为无 bug 的代码实现，是巨大的挑战。社区会关注是否有高质量的开源实现可供验证。
            • 应用场景：EPaxos* 最适合哪些应用场景？它是否能在需要低延迟和高并发的事务系统中展现出独特的价值？
              • Mullvad 关闭搜索代理 Leta，引发搜索引擎现状大讨论

              以隐私保护著称的 VPN 服务商 Mullvad，宣布关闭其搜索代理服务 Leta。Leta 的初衷是通过代理用户查询到其他搜索引擎（主要是谷歌），并在此过程中剥离所有可追踪信息，提供匿名搜索体验。

              Leta 关闭的直接原因可能与谷歌 API 的服务条款有关，Mullvad 缓存搜索结果的做法可能违反了相关规定。然而，这一事件如同一颗石子投入湖中，激起了关于当前搜索引擎现状、隐私保护以及 AI 对搜索影响的广泛而深刻的讨论。

              搜索引擎的“战国时代”
              • DuckDuckGo (DDG) 的挣扎：许多用户反馈 DDG 的搜索质量下降，甚至变得“不可用”。尽管其 CEO 亲自出面澄清并鼓励用户提供反馈，但关于其内容审查和结果质量的担忧依然存在。
              • Kagi 的崛起与争议：付费搜索引擎 Kagi 因其高质量结果被誉为“15年前的谷歌”，备受推崇。但其使用俄罗斯搜索引擎 Yandex 作为数据源之一的做法，引发了关于隐私和地缘政治的担忧。
              • SearXNG 的自托管之道：作为开源元搜索引擎，SearXNG 备受隐私爱好者推荐。但公共实例普遍存在速率限制和稳定性问题，最佳体验往往需要用户自行托管。
              • Brave Search 的好评：Brave Search 因其独立的索引和对隐私的承诺，获得了不少好评，被认为是 DDG 的有力替代品。
                • AI 正在重塑（或摧毁）搜索
                • 流量之争：AI 摘要让用户无需访问原始网站即可获得答案，这是否在“扼杀”内容创作者？一些人认为这会导致优质内容减少，形成恶性循环；另一些人则认为这是用户体验的进步，淘汰了低质量的 SEO 垃圾网站。
                • AI 摘要的可靠性危机：AI 的“幻觉”和“谄媚性”（sycophancy）问题严重。它会根据用户的提问方式给出截然相反却都“肯定”的答案，这种“确认偏见”可能导致严重后果。
                • 互联网内容的衰退：一个更令人悲观的观点是，问题可能不在于搜索引擎，而在于互联网本身。网络上充斥着 AI 生成的垃圾内容、社交媒体的“信息孤岛”和无休止的广告，真正有价值、可被索引的原创内容正变得越来越稀缺。

                  • Mullvad Leta 的关闭，成为了一个缩影，反映出在 AI 浪潮和商业利益的裹挟下，用户在寻求高质量信息和保护数字隐私方面所面临的前所未有的挑战。

                  牛津大学研究：AI 系统的评估方法存在严重缺陷

                  牛津大学互联网研究所的一项新研究，对 445 个人工智能基准（benchmarks）进行了系统性审查，揭示了当前 AI 系统评估方法中存在的显著弱点。研究指出，许多用于衡量大型语言模型（LLM）能力和安全性的测试，都缺乏足够的科学严谨性。

                  评估中的核心问题
                  1. 缺乏统计严谨性：仅有 16% 的报告使用了统计方法来比较模型性能。这意味着许多声称的性能提升，很可能只是随机波动，而非真正的进步。
                  2. 定义模糊不清：近一半的基准旨在衡量“推理”或“无害性”等抽象概念，却未能清晰地定义这些术语。没有共同的理解，评估就失去了意义。
                  3. 评估与能力的混淆：模型可能只是记住了特定格式或题型，而非真正掌握了背后的能力。例如，模型在多项选择题上得高分，不代表它就具备了“医生水平的专业知识”。

                    4. 为了解决这些问题，研究者们借鉴心理测量学等领域的成熟方法，提出了改进 AI 基准有效性的建议，并提供了一份“结构效度检查清单”。

                    社区共鸣：“这简直是西部荒野”

                    这项研究在开发者社区中引发了强烈共鸣。

                    一位在研究实验室从事 LLM 基准测试的从业者直言不讳地表示：“这简直就是西部荒野，一场彻底的灾难。”他认为，目前没有好的解决方案，研究人员也急于求成，导致基准测试一团糟。在他看来，直接进行产品 A/B 测试可能是目前最好的选择，因为可以大规模测量真实的用户数据。

                    然而，A/B 测试也受到了质疑。有人认为，它间接优化了用户反馈，而人类评估者很容易被模型奉承或过度自信的错误答案所误导，这同样很危险。OpenAI 的 GPT-4o 就被认为可能受到了这种影响。

                    许多开发者表示，他们早就意识到 LLM 基准测试是“明显的胡扯”，但这些声音往往被 AI 的狂热浪潮所淹没。当前 AI 领域的模型比较被形容为“一个伪科学的烂摊子”，不同模型之间，甚至同一模型的不同版本之间，都存在无法解释的性能差异。

                    总而言之，AI 技术发展迅猛，但其评估方法却严重滞后。行业亟需一个更严谨、更科学的框架，来确保我们能真正理解这些系统的能力边界和潜在风险。

                    Ruby 的“友好属性模式”：为人类编写优雅代码

                    在 Ruby on Rails 应用中，创建和查找具有多个属性的对象时，代码往往会变得冗长、重复。一篇名为《Friendly Attributes Pattern》的文章提出了一种优雅的解决方案，旨在让代码更简洁、更直观，更接近人类的思维模式。

                    例如，创建多个订阅计划的传统代码可能如下：

                    Billing::Plan::Factory.find_or_create_by!(name: :standard, interval: 1.month, amount: 10)
                    Billing::Plan::Factory.find_or_create_by!(name: :pro, interval: 1.month, amount: 50)
                    # ...

                    而使用“友好属性模式”后，可以简化为：

                    Billing::Plan.find_or_create_all_by_attrs!(
                    1.month => {standard: 10, pro: 50, enterprise: 100},
                    1.year => {standard: 100, pro: 500, enterprise: 1000}
                    )

                    这段代码不仅实现了相同的功能，而且可读性、简洁性大幅提升，清晰地模拟了定价页面的布局。

                    魔法背后的原理

                    这个模式的核心在于“类型转换”。它通过识别值的类型来推断其含义，从而省略了冗余的属性键名：

                    • 整数被识别为金额（amount）。
                    • Symbol 或字符串被识别为名称（name）。
                    • ActiveSupport::Duration 对象被识别为时间间隔（interval）。

                      • 为了处理嵌套结构，该模式还将哈希视为一个“对象树”，从叶子节点向根节点追溯，收集沿途的值来构建完整的属性集合。

                      优雅与争议

                      虽然这篇文章暂时没有引发广泛讨论，但我们可以预见，这种模式可能会在 Ruby 社区中激起两种截然不同的声音。

                      一方面，许多 Ruby 开发者会赞扬它的简洁性和表达力，认为这正是 Ruby 语言“为程序员带来快乐”精神的体现，尤其适合构建 DSL 或进行数据种子操作。

                      另一方面，也有开发者可能会对其隐式性提出担忧。省略键名依赖于类型推断，这可能会增加新团队成员的学习曲线，或在调试时带来困惑。这种在“明确性”与“简洁性”之间的权衡，是 Ruby 社区中一个永恒的争议话题。

                      作者也明确指出，该模式不适合用于构建 API 或数据存储，因为它专为人类的编写和阅读体验而设计。它最闪耀的地方，是那些需要手动输入属性，并希望代码简洁美观的场景。

                      每秒千 token：Cerebras Code 高速支持 GLM 4.6 引发“速度 vs. 质量”之辩

                      AI 代码平台 Cerebras Code 宣布，现已全面集成顶尖的开源编码模型 GLM 4.6，并能以超过 1000 tokens/秒的惊人速度运行，号称是“用 AI 编写代码最快的方式”。这一速度旨在帮助开发者在编码时保持“心流”状态，避免因等待 AI 响应而打断思路。

                      Cerebras Code 提供灵活的 API 集成，支持多种编辑器和代理，并推出了分级定价模型，从免费版到每月 200 美元的 Max 版不等。其高速推理能力主要源于其独特的晶圆级集成（Wafer-Scale Engine）硬件。

                      这一消息在开发者社区中引发了多维度的讨论，主要观点可以分为以下几派：

                      观点一：速度就是质量

                      许多开发者对这种前所未有的速度感到震撼，认为速度本身就是一种质量。快速的反馈循环能显著提升生产力，尤其是在前端开发等需要快速迭代 UI 的场景中。这种体验被比作从拨号上网升级到千兆光纤，彻底改变了与 AI 协作的方式，让 AI 真正成为提升个人能力的“加速器”。

                      观点二：质量与领域才是关键

                      另一部分开发者则强调，模型本身的智能水平和应用场景才是核心。尽管 GLM 4.6 速度很快，但如果模型需要多次迭代才能生成可用代码，那么速度的优势就会被削弱。在嵌入式开发、底层驱动等非主流或专业领域，LLM 仍然容易产生“幻觉”，需要开发者逐行审查，有时甚至会浪费更多时间。对于那些需要创造独特知识产权的开发者来说，他们宁愿等待更聪明但更慢的模型。

                      观点三：价格与可持续性

                      每月 50 美元或 200 美元的订阅费用，让一些开发者觉得价格偏高。有人猜测，Cerebras 提供的这项云服务，可能更多是为其核心硬件业务做宣传，展示其晶圆级芯片的强大推理能力。

                      总的来说，Cerebras Code 以其极致的速度为 AI 辅助编程带来了新的可能性，尤其适合重复性高、需要快速迭代的任务。然而，模型本身的智能水平、在专业领域的准确性以及订阅费用，仍然是开发者在选择时需要权衡的重要因素。未来的 AI 编码工具，需要在“速度”与“智能”之间找到更优的平衡点。

                      别死于心脏病：一篇个人经历引发的健康管理大讨论

                      心脏病是全球头号杀手，且并非“老年病”。一篇名为“Ticker: Don’t Die of Heart Disease”的文章，作者 Jared Hecht 分享了自己通过高端私人医疗服务，发现自己患有早期心脏病的亲身经历，而此前他的初级保健医生根据标准检测却告诉他一切正常。

                      文章的核心观点是，美国的医疗系统本质上是“病症护理”而非“预防保健”，且标准的医疗指南往往滞后于最新科学研究 10-20 年。作者提供了一份详细的“行动手册”，旨在让普通人也能主动掌握先进的心脏病预防知识和工具，成为自己健康的“倡导者”。

                      预防心脏病的行动手册
                      • 关键生物标志物检测：强烈建议进行比常规血脂更全面的检测，核心是 ApoB，它被认为是比传统 LDL-C 更好的心血管疾病风险预测指标。此外还包括 Lp(a)、hsCRP 等指标。
                      • 影像诊断：通过 CT 扫描获取“钙化积分”，或通过更先进的 CTA 扫描结合 Cleerly 等分析，可以直接观察动脉斑块的状况。
                      • 药物与行为：介绍了预防和治疗心脏病的“三驾马车”（他汀类药物、ACE 抑制剂、小剂量阿司匹林），并强调了地中海饮食、规律运动（力量+有氧）、充足睡眠、压力管理等健康生活方式的重要性。
                        • 社区多角度探讨

                        这篇文章引发了关于健康管理的广泛而深刻的讨论。

                        • 医疗体系的滞后性：许多人对传统医疗为何不广泛采用 ApoB 等更先进的指标感到困惑。有观点解释称，这源于医疗体系的保守性、指南更新缓慢以及医疗事故保险的“标准护理”规定，医生们往往不敢轻易采纳超前于指南的技术。
                        • 对过度筛查的警惕：一部分人对这种“超优化”的健康管理方式表示担忧，认为频繁检测可能导致不必要的焦虑、资源浪费，甚至过度诊断和过度治疗。特别是 CT/CTA 扫描的辐射暴露风险，以及可能发现“附带发现”（incidentalomas），都值得警惕。
                        • 他汀类药物的争议：关于他汀类药物的真实效益和副作用，存在激烈争论。一些观点认为其对延长寿命的贡献被夸大，且可能降低生活质量；而另一些观点则认为其降低风险的效果是显著且必要的。
                        • 个人倡导 vs. 系统承载力：如果所有人都像作者一样积极争取额外的检测，本已不堪重负的医疗系统将如何应对？这提出了一个深刻的系统性问题。
                        • AI 的辅助作用：作者建议将检测结果输入 ChatGPT 获取初步分析，这一做法引发了两极分化的看法。有人强烈警告其风险，也有人分享了通过 AI 获得有益“第二意见”的正面经历，前提是最终由专业医生确认。

                          • 总的来说，这篇文章不仅是一份实用的健康指南，更揭示了现代医疗体系的复杂性。它鼓励我们主动为健康负责，同时也提醒我们在追求健康的路上，需要智慧、毅力，并警惕潜在的风险。

                          初创公司指南：如何定义你的第一个理想客户？

                          对于初创企业而言，在资源有限的初期，专注于一个明确的客户群体至关重要。一篇文章《初始理想客户画像工作表》提供了一个结构化的评估框架，帮助创始人从众多可能性中，选出那唯一一个“初始理想客户”（Initial Ideal Customer Profile, IICP）。

                          文章建议通过三个核心标准来评估潜在的客户画像：

                          1. 产品实力：你的产品在这个客户群体眼中有多好？能否真正解决他们的痛点？
                          2. 市场规模：这个客户群体是否足够大以支撑业务，但又足够小以让你能够专注？
                          3. 分销策略：你将如何触达他们，并与他们进行真诚的沟通？

                            4. 文章的核心建议是：选择你最了解的那个客户群体。 深入的了解能让你更有效地制定产品和市场策略。

                            理论框架与现实世界的碰撞

                            这篇文章的框架引发了经验丰富的创业者和产品经理的热烈讨论，揭示了理论与现实之间的差距。

                            • 警惕“想象中的客户”：许多人警告说，在没有实际客户之前，不应在想象中的“理想客户”身上投入过多精力。因为想象往往与现实不符。一家公司曾因过度迎合第一个看似理想的客户，导致产品高度定制化，最终不适用于更广泛的市场。
                            • 从自身问题出发：一个被反复提及的成功模式是“狗食文化”（dogfooding）——创始人首先解决自己的问题，创造自己热爱并会使用的产品。如果连自己都无法受益，产品的基础可能就不稳固。
                            • 支付意愿是最终检验标准：有观点提出，与其进行复杂的画像分析，不如直接测试客户的“支付意愿”。这能将所有假设拉回现实，检验产品是否真的创造了客户愿意为之付费的价值。
                            • 宽泛与聚焦的平衡：一家空气质量监测公司的创始人分享了他们的教训。他们最初聚焦于学校市场，看似符合所有“理想客户”的标准，但实际销售却异常困难，因为决策者与受益者分离。这表明，有时成功的客户群体可能在你最初的设想之外，因此保持一定的灵活性和探索精神很重要。

                              • 总而言之，虽然一个清晰的客户画像对于初创公司至关重要，但社区的讨论提醒我们，这个画像应该是动态的、经过现实检验的，而非闭门造车的结果。从解决一个你深度理解的问题开始，并不断通过与真实客户的互动来验证和调整，可能是一条更稳健的路径。

                              相关链接：

                              • Valdi – A cross-platform UI framework that delivers native performance
                              • Becoming a compiler engineer
                              • Immutable Software Deploys Using ZFS Jails on FreeBSD
                              • Making Democracy Work: Fixing and Simplifying Egalitarian Paxos
                              • Mullvad: Shutting down our search proxy Leta
                              • Study identifies weaknesses in how AI systems are evaluated
                              • Friendly attributes pattern in Ruby
                              • Cerebras Code now supports GLM 4.6 at 1000 tokens/sec
                              • Ticker: Don't die of heart disease
                              • The Initial Ideal Customer Profile Worksheet
                              ...more
                              View all episodesView all episodes
                              Download on the App Store
                              Agili 的 Hacker PodcastBy Agili 的 Hacker Podcast