260421｜Anthropic 放开 Claude CLI, Roblox 作弊致 Vercel 崩溃 - Hacker News

软件工程定律合集

团队协定律

康威定律：组织的沟通结构会映射到系统设计中。

布鲁克斯定律：为落后的项目加人会让它更晚。

邓巴数：一个人能维持的稳定关系大约是 150。

价格定律：参与者的平方根贡献了约 50% 的工作量。

计划与估算

帕金森定律：工作会填满可用的时间。

霍夫斯塔德定律：任务总是比预期更久，即使已考虑此定律。

古德哈特定律：当衡量标准成为目标时，它就失效了。

架构权衡

希伦姆定律：足够多的 API 用户会依赖系统的所有可观行为。

加尔定律：能工作的复杂系统必然源于能工作的简单系统。

CAP 定理：分布式系统最多只能同时满足一致性、可用性、分区容忍中的两项。

质量与技术债务

童子军原则：离开时让代码比你发现时更好。

林纳斯定律：足够多的 eyeballs 能让所有 Bug 变得浅显。

测试金字塔：应有很多快速单元测试、较少的集成测试、极少的 UI 测试。

设计原则

YAGNI：只有在真正需要时才添加功能。

DRY：每项知识应有唯一明确的表示。

迪米特法则：对象只应与其直接朋友交互。

Anthropic Claude CLI 在 OpenClaw 中再次获准使用

使用方式恢复

Anthropic 确认 OpenClaw 风格的 Claude CLI（包括 claude -p）在此次集成中是被允许的，除非 Anthropic 发布新政策。长期运行的网关仍建议使用 Anthropic API Key 作为最清晰的生产路径。

配置要点

思考默认：Claude 4.6 模型在未显式设定时使用自适应思考；可通过 /think: 或模型参数覆盖。

快速模式：/fast on 对应 service_tier: "auto"，/fast off 对应 service_tier: "standard_only"。

提示缓存：cacheRetention 参数控制缓存时长，默认 short（5 分钟），可设 long（1 小时）或 none。

1M 上下文窗口：在支持的 Opus/Sonnet 模型上启用 params.context1m: true，对应 Anthropic beta context-1m-2025-08-07。

Claude CLI 后端：OpenClaw 已内置 Anthropic claude-cli 后端，可直接复用已有登录。

Mediator.ai：基于纳什博弈和 LLM 的公平谈判工具

产品定位

Mediator.ai 利用大语言模型将双方的自然语言陈述转化为可量化的需求，再运用 1950 年约翰·纳什的合作博弈理论寻找双方都能接受的协议。

核心能力

自动起草：系统生成多份候选协议，根据双方评分迭代优化，直至无更好方案。

结构化结果：在案例中，不仅调整股权比例，还提供管理薪金、临时回归路径、共同豁免和买卖 shotgun 条款。

可扩展场景：适用于创始人股权、共同居住、承包商纠纷等任何双方希望达成协议且不想被压制的情境。

实际影响

用户只需分别描述自己的立场，AI 完成谈判模拟，输出可直接使用的协议草案。演示显示，传统僵局可以转变为双赢的安排，而无需律师参与。

动态语言解释器的逐步加速之路

性能瓶颈

最初的 Zef 解释器采用 64 位带标签值、频繁 std::string 查找和递归 AST 遍历，基准慢于 CPython 35 倍、Lua 80 倍、QuickJS 23 倍。

关键优化

直接操作符节点：为每个运算符生成独立 AST，省去字符串比较。

符号替代字符串：全局哈希 consed Symbol，变量/属性查找变为指针比较。

内联缓存与观察点：在属性访问点缓存接收者类型和偏移，运行时检测可能被重写的名字以保证正确性。

参数传递自定义类型：零、一、二参数专用路径，消除堆分配。

Getter/Setter 特化：检测纯字段读写，生成直接偏移加载/存储函数。

全局方法哈希表：以 (接收者类, 符号) 为键，一次查找定位目标函数。

值慢路径改造：按值传递，避免临时 Value 分配。

结果

经过 21 步优化后，Zef 解释器仅比 CPython 慢 2.1 倍，比 Lua 慢 4.8 倍，比 QuickJS 慢 1.35 倍；相当于比基线快 16.6 倍。使用普通 GCC（Yolo‑C++）进一步提升至比 CPython 快 1.9 倍，但该版本无法释放内存，仅适合短时基准。

Ternary Bonsai：1.58‑bit 语言模型

模型定位

Ternary Bonsai 采用三元权重 {-1, 0, +1}，每 128 权重共享一个 FP16 放大因子，实际等效为 1.58 bit/weight。该方案嵌入嵌入、注意力、MLP 和语言模型头部，没有更高精度的逃 hatch。

规模与资源

三种规模：1.7B、4B、8B 参数。

8B 版约占 1.75 GB 内存，比同等 16‑bit 模型小约 9 倍。

在 MMLU、GSM8K、HumanEval+ 等基准上平均得分 75.5，比 1‑bit Bonsai 8B 高 5 分，仅多占 600 MB。

性能表现

在 Apple M4 Pro 上，8B 版吞吐约 82 token/s，能耗 0.105 mWh/token；相比同规模 16‑bit 模型快约 5 倍。

在 iPhone 17 Pro Max 上吞吐约 27 token/s，能耗 0.132 mWh/token，能效比全精度模型高 3‑4 倍。

模型可在 Mac、iPhone、iPad 上通过 MLX 原生运行，权重采用 Apache 2.0 许可证。

定位与权衡

当绝对最小占用是首要时，1‑bit 仍是最优；当允许适度增加内存以获得显著性能提升时，Ternary Bonsai 在 1.7B‑8B 区间提供了有吸引力的折中方案。

基于 CRDT 的实时类型安全图数据库

项目定位

@codemix/graph 是一个使用 TypeScript 构建的图数据库，内部借助 Yjs（一个 CRDT 库）实现离线优先、多协同编辑。支持 Zod、Valibot、ArkType 等 Schema 库进行类型声明，提供类 Gremlin 和类 Cypher 查询 API。

核心能力

Schema 驱动：顶点、边、索引通过普通对象声明，属性在每次变更时会在编译期和运行期进行校验。

类型安全遍历：基于 Gremlin 风格的遍历 API，每一步都由 TypeScript 检查标签、属性键和跳数。

Cypher 兼容：可将 Cypher-like 字符串解析为相同的遍历步骤，便于暴露给 LLM 或外部客户端。

Yjs 后端：只需把存储层换为 YGraph，整图即成为 Yjs 文档的一部份，实现免冲突的实时同步。

协作属性：通过 ZodYText、ZodYArray 等包装，标题、标签等字段可在所有副本间无冲突地更新。

使用场景

需要实时协作的图式知识库（例如航空路线图）。

将图数据作为 LLM 上下文来源，通过自然语言查询获取结构化答案。

作为离线优先的本地先行数据库，网络恢复后自动合并更改。

以上内容均摘自今日 Hacker News 热议，供技术爱好者快速捕捉要点。

相关链接：