与「新增」相关的搜索结果

11月14日，谷歌 Chrome 团队开源 Modern Web Guidance：一套把网页平台最佳实践注入编码智能体的技能包与命令行工具，让 Claude Code、Codex 等智能体告别过时写法、优先采用现代浏览器 API。 项目登上当日 GitHub 热榜第二，单日新增约 1900 星，总星数约 5600，距仓库创建仅数日。 谷歌 11月8日 的评测显示，接入该指南后，Codex 任务通过率从 54% 提升到 82%，Claude Code 从 57% 提升到 88%。 评测样本覆盖表单、绘图、媒体等真实前端场景，智能体输出与现代 Web 平台的契合度明显改善。 官方把资深前端工程师的经验直接固化成开源标准件，等于从源头矫正智能体的写码习惯。 对正被智能体代码质量困扰的开发者来说，这类喂给智能体的官方指南，正在成为新的标配。

Arbitrum 今日解锁 9270 万枚 ARB，价值约 1500 万美元！ 本次解锁约占流通供应量的 1.3%，涉及团队、顾问及投资者份额。 虽然解锁不代表立即抛售，但在当前市场环境下，新增供应无疑值得警惕。 ARB 这波会不会面临新的抛压？

11月13日，本地大模型推理引擎 llama.cpp 与底层张量库 ggml 同步发布 1.0.0，这是项目诞生 3 年半以来的首个正式大版本。 这次升级的看点是接口契约：删除 35 个废弃函数，今后任何破坏 API/ABI 兼容的改动都以主版本号跳升明确标示。 依赖它的应用开发者，从此能提前规划迁移。 新版本还补齐一批功能：新增 FP8 键值缓存与 MoE 模型的主机内存专家缓存，加固推理服务器防御 SSRF、跨域和 DNS 重绑定攻击，并加入兼容 OpenAI 的语音合成接口与全新网页界面。 llama.cpp 如今支持超过 150 种模型架构，个人电脑断网也能跑大模型，是本地 AI 生态最常用的地基之一。 里程碑式 1.0，意味着开源本地推理真正进入稳定期。

ARB今天有一笔值得盯的解锁。 约9,265万枚ARB，按11月14日价格估算，价值约1,221万美元。 分配对象主要是团队、贡献者、顾问和投资者。其中团队及贡献者约5,613万枚，投资者约3,652万枚。 这批代币约占当前流通量的1.34%。 但解锁不等于马上砸盘。真正值得跟踪的是解锁后接收地址有没有向交易所转币，以及市场深度能不能消化新增供应。 熊市里，供给变化值得关注；但只盯解锁金额就判断价格方向，还是太粗糙了。

好家伙！TradingView 的 Lightweight Charts 终于有人把技术指标库补齐了！ 70 多种技术指标、77 种 K 线形态，连实时计算、自动绘图和副图管理都搞定了！ tulip-rs-lwc，一套基于 Rust + WebAssembly 的 Lightweight Charts v5 技术分析插件。 以前用 Lightweight Charts 开发交易终端，K 线图虽然漂亮，但 MACD、RSI、布林带这些指标都得自己计算和绘制。 现在这套插件直接把计算和绘图封装好了，调用 API 就能使用。 核心能力： 1️⃣ 70+ 技术指标：MACD、RSI、EMA、布林带、ATR、ADX 等常用指标。 2️⃣ 77+ K 线形态：自动识别锤子线、十字星等形态，并标记在 K 线上。 3️⃣ 实时增量计算：新 K 线进来只计算新增数据，不用重复处理历史行情。 4️⃣ 自动图表布局：均线叠加主图，MACD、RSI 自动显示在独立副图。 5️⃣ Rust + WASM：通过 WebAssembly 执行指标计算，方便集成到交易终端。 6️⃣ 专业绘图：支持布林带填充、PSAR 趋势圆点和 Pivot Points 支撑压力线。 我比较喜欢它的自动布局功能，不用自己处理主图、副图和指标绘制，直接调用接口就能组合多个指标。 做 TradingView 图表开发、量化可视化或者想搭建专业 K 线交易终端的，这套源码值得收藏！ GitHub：

11.14 币安 Agent ID 生态早报 1. Flap放宽门槛，有BAB也能买Agent内盘 @flapdotsh 宣布Agent ID Launch接入BAB：钱包有Agent ID或BAB，任意一个就能交易内盘，不必两个都有。原来是.ai钱包才能打，现在持BAB的普通钱包也可以了，没有BAB的可以去领取一个。 2. GANG推出 Floor 赎回 @gangdotfun 上新Floor：带税的代币可以把税留在一个谁也动不了的金库里，毕业之后持有人按比例把代币交回去，从金库兑 BNB。官方表示：这不是保价，地板从 0 起步，通常远低于市价，高于地板买再赎回是会亏的，而且只能毕业后用。 $GANG 当前市值约285万美元，24h跌28.1%，成交约145万美元。 3. AGC进了币安钱包生态专区 @Agentic_coin 现已在 @BinanceWallet 的 Agentic Wallet 生态专区上线，钱包里搜 “Agentic Coin” 就能打开。据说上线 12 天，参与的 Agent ID 超过 4 万个。 4. Game Life已毕业 @gangdotfun 首期Weekly Launch项目Game Life昨晚创建后11秒毕业，官网玩法是每收一张卡销毁 2 万枚代币，集齐 35 张共需 70 万枚。毕业第 15 天起，集齐者每个地址可领取一次当时奖池的 2%。GANG还承诺按20万、50万、100万美元市值分档支持，最高10 BNB。游戏人生当前市值约3.90万美元。 5. Neiro拉近9倍，地推队又热闹起来了 前几天毛毛姐聊过的.ai铸造币Neiro，24h涨约794%，当前按已发行量估值约26.7万美元，成交约20.4万美元。@MEJ50749 晒“底部拉了8倍”，官号也在招地推团队、开社区会议。 6. AGX开池后跌75%，Genesis持有人记得领币 @agentic_x402 昨天开放AGX铸造并开池，LP转入销毁地址的交易已查到。Genesis持有人的AGX领取也已于昨晚20:25:44开放，按NFT稀有度分配，每张只能领一次；买二手卡前先看这张有没有被领走。 $AGX 当前市值约6703美元，24h跌75.5%，池子约8601美元。 7. JAGENT铸造正式破30万份，超级大使到 40 席 @jagerbnb_ 官推称，第300121份铸造后触发池内销毁，约11分钟烧掉63.2亿枚JAGENT。对社区盯上的大额卖出地址，项目方解释为外部机器人归集多个子钱包卖币，不是官方地址。 $JAGENT 当前市值约312万美元，24h跌17.7%，成交约82.7万美元。 8. StarsAI加了两档发币模式，最高募1600BNB @StarsAI_BSC 新增5000份和160万份两档，对应5 BNB、1600 BNB募集规模。平台还开了截至11月20日的扶持排名：平台项目市值达到20万美元后可参与，前三名分别获10、3、1 BNB回购销毁支持。 $StarsAI 当前市值约38.5万美元，24h跌8.0%，成交约35.5万美元。 9. PTAH只剩14万档，日成交不到4000U NFT矿机挖矿项目PTAH继续缩量。$PTAH 当前总量估值约14.4万美元，24h跌10.2%，成交约3550美元。 ─── 以上只是信息整理，不构成任何投资建议，注意风险。 @cz_binance @heyibinance @nina_rong @AncoBinance #AgenticWallet# #BinanceWallet# #AgentID# #BNB#

🚀 马斯克的星舰第15次试飞，简直比电影还刺激！ 原本计划挑战历史首次双回收，结果B22助推器回收失败，最后竟然像易拉罐一样瘪了进去！第三方镜头还拍下了疑似FTS启动后的爆炸画面！ 但真正的反转来了！S42飞船不仅成功进入地球轨道，还一口气释放了26颗星链V3卫星！新增网络带宽相当于约10次猎鹰9号星链发射！ 更震撼的是，星舰还拍到了太空日出！甚至连野兽先生亲手安装的隔热瓦，都成了这次任务的一个看点。 而这还没结束！S42计划绕地球飞行约14圈，最后挑战历史上第一次飞船塔架回收！ 助推器爆炸，飞船却创造了新的突破！22小时的终极考验，才刚刚开始！ 🎬 一口气看完星舰第15次试飞，所有关键细节都在视频里！ #SpaceX# #Starship# #星舰# #马斯克#

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

提供主动服务的 Agent，需要进行大量自主决策。在信息不足、环境动态变化的情况下，难免产生错误决策，甚至引发大量无效的行动和尝试。 想要提高决策质量，降低无效决策和行动的成本，我认为需要做好几件事情： 1）让 AI 在问题早期，甚至预防阶段就开始决策和产出，持续维护决策依据和结果。当问题暴露时，能够结合新增信息，快速补充和修正已有决策。 2）系统具备所见即所得的能力，能够沿着不同决策路径进行分支推演，直观呈现结果，评估不同路径的收益、成本和风险，减少实际执行中的无效尝试。 3）动态调整和更新目标，让 AI 根据目标和环境的变化，持续更新决策条件和逻辑，及时调整或终止偏离目标的行动。 4）针对决策和执行，构建自验证的环境能力，持续对比实际结果与预期目标，发现偏差并修正决策。必要时，通过简洁的交互反馈机制，让人低成本地参与关键决策。 更多的思考、推演和尝试，未必带来更好的结果。Agent 还需要学会判断何时继续探索、何时执行、何时停止，以及何时需要人介入。 为系统构建 RSI 的能力，接下来会是一个火热得命题，也会是一件非常有趣且有挑战的事情，😄

提供主动服务的 Agent，需要进行大量自主决策。在信息不足、环境动态变化的情况下，难免产生错误决策，甚至引发大量无效的行动和尝试。 想要提高决策质量，降低无效决策和行动的成本，我认为需要做好几件事情： 1）让 AI 在问题早期，甚至预防阶段就开始决策和产出，持续维护决策依据和结果。当问题暴露时，能够结合新增信息，快速补充和修正已有决策。 2）系统具备所见即所得的能力，能够沿着不同决策路径进行分支推演，直观呈现结果，评估不同路径的收益、成本和风险，减少实际执行中的无效尝试。 3）动态调整和更新目标，让 AI 根据目标和环境的变化，持续更新决策条件和逻辑，及时调整或终止偏离目标的行动。 4）针对决策和执行，构建自验证的环境能力，持续对比实际结果与预期目标，发现偏差并修正决策。必要时，通过简洁的交互反馈机制，让人低成本地参与关键决策。 更多的思考、推演和尝试，未必带来更好的结果。Agent 还需要学会判断何时继续探索、何时执行、何时停止，以及何时需要人介入。 为系统构建 RSI 的能力，接下来会是一个火热得命题，也会是一件非常有趣且有挑战的事情，😄