与「空閑時評」相关的搜索结果

TBSラジオ #こねくと954# 今週もありがとうございました☔️ 先週の代打回と #ダレハナ# の蓮華さんの感想の違いが蓮華さんらしかった〜！すっかりお元気そうで何より！元気が1番！ #空閑時評# は就活解禁について！でか美ちゃんと3人交互に面接官役やるのかと思ってたら蓮華さんが面接官の面接官でした👓

AX：谷歌开源的Agent调度系统 专门用来管理和运行“AI 智能体”的调度系统。现在的 AI 不仅能回答问题，还能像真人助理一样，自主使用各种工具、查阅资料甚至编写运行代码来完成复杂任务。但当海量的 AI 助理同时运转时，后台就需要一个强有力的“交通指挥中心”来统一分配计算资源并确保安全。AX 承担的就是这个指挥官的角色。 它主要解决了普通服务器难以应对的几个实际难题： 1）提供安全的独立运行空间：AI 可能会在后台运行各种代码，AX 会给每个 AI 分配独立的虚拟沙盒，限制好内存和算力，防止程序失控或相互干扰。 2）提前准备好工作环境：在 AI 开始工作前，系统会自动把代码库、工具接口和依赖文件准备妥当，让 AI 可以随时投入工作。 3）随时暂停与恢复：当 AI 暂时空闲时，系统能保存当前进度并休眠，等需要时再从原进度继续，以此节省大量的运行成本。 4）支持实时排查：管理者能够随时进入 AI 当前工作的后台环境，像站在 AI 身后一样观察具体进度并排查问题。 Github：

这个人开发了一款完全在终端运行的 Chromium 浏览器。 它叫 Carbonyl，能够在你的命令行中渲染真实的网页。最棒的一点是，它在空闲时的 CPU 占用率为 0%。 100% 开源。

Google 开源了 "Agent 工作负载的 Kubernetes"「AX」 AX 是为 Agent 设计的声明式编排运行时，你用 YAML 声明一个 Agent 任务，AX 负责在集群中沙箱化、配置环境、管控网络并大规模运行它。 开源地址： 它解决什么问题 项目的立论很清晰：Agent 是一种既有的编排体系都不匹配的新型工作负载。 · 它不像微服务(无状态、常驻)，Agent 会持续积累状态(对话记忆、工作区文件、工具会话); · 它不像批处理作业(跑完即弃)，Agent 大部分时间在等待，等模型响应、等工具返回、等人类审批，期间沙箱空转烧钱; · 它运行的是不可信代码，需要严格隔离；它还调用外部模型 API 和 MCP 工具服务器，需要网络与凭据管控。 架构：四个二进制 + Redis 四个二进制分工：ax(开发者 CLI)、ax-server(无状态 gRPC API)、ax-controller(调和循环)、ax-task-runner(每个任务容器内的 PID 1)。 核心原语：Task / Workspace / Model (+ Gateway) Task 是最小执行单元：带 CPU/内存限制的隔离沙箱。AX 刻意把它做得细粒度、可自由组合：一个任务可以是全部工作,也可以是任务树的根节点。生命周期用 status.phase + Conditions 表达,支持挂起(检查点保存状态)与恢复。 Workspace 是最有产品想象力的一层。它把“环境准备”声明化:列出需要的 Git 仓库、MCP 服务器、技能包,runner 在命令启动前物化好。更激进的是 generative workspace:你可以只写一句自然语言目标("搭一个 Python 3 开发环境"),首次启动时 runner 会派一个引导 Agent(Antigravity,需 GEMINI_API_KEY,默认限时 10 分钟)去实际安装工具链并验证依赖。声明一次,任意任务复用。 Model 把“用哪个模型、什么参数、密钥在哪”抽成命名资源,密钥引用 K8s Secret。轮换密钥、锁版本、调温度只需一次 ax apply。 沙箱与运行时细节 每个任务容器以 ax-task-runner 为 PID 1：启动元数据服务(端口 80,HTTP/1.1+h2c,暴露 /healthz、/readyz 和任务/工作区自省端点——Agent 不需要 SDK 就能读到自己的配置)、按绑定顺序初始化工作区、然后 fork 出 spec.command 并持续监管。命令退出后 runner 仍驻留,所以 ax ssh 和元数据服务在命令结束后依然可用。停机采用 SIGTERM + 10 秒宽限 + 强杀的两级策略。 安全模型有几处值得注意的门控：guest 服务(任意进程执行与文件读写,ax ssh 的底层)默认关闭,只在 debug: true 时开启——ax ssh 连不上未开启的任务是刻意的安全设计,不是故障;Gateway 用显式 allowlist 管控出站流量,并可向入站请求注入凭据,避免把 API key 直接塞进 Agent 环境。 路线图透露的方向 五大方向：Actor 架构深化、空闲检测自动挂起、有状态任务 fork、任务级 SPIFFE 身份做零信任 mTLS、runner 层自动采集 OpenTelemetry 遥测与结构化 Agent 轨迹。

洋文书堆满御案，光绪掀起英文热 光绪帝一度非常热衷学习英文，皇帝的书桌上堆满了外文书籍。 被派去教授英文的，是出身京师同文馆的张德彝与沈铎。据总教习丁韪良披露，之所以要配备两名英语教师，是因为这项工作非常累人。 “每天半小时的英语课程是在清晨四点钟左右，老师们必须在半夜刚过就起身入宫，然后等上好几个小时”。 光绪很尊重自己的英文教师，“允许他们在自己在场时落座，而王爷和大臣都只能跪拜”。 光绪帝学英文这件事受到了中外媒体的热烈报道，阅读光绪帝所读的英文书籍成为一时风尚。上海的书店正版书售罄，出现了盗版。全国上下成千上万的青年学者都在跟着光绪研读西学。 1892年2月《纽约时报》刊登了特写文章《光绪皇帝学英语》，文章写道： “在数万万清国人中，有一个人思想的改变将直接影响国家的每一个人，这个人就是大清国皇帝陛下。” 光绪皇帝引领的这场英语学习热，持续了约三年时间。直到1894年底慈禧传令中止了皇帝的正规英语课程。 德龄公主在回忆录中说： “他常常趁我空的时候，问我些英文字……我们常常谈到西方文明，我很惊异他的对于每一事物懂得那样透彻。他屡次告诉我他对于自己国家的抱负，希望中国幸福。 夏天我比较空闲，每天能有一个钟头的时间替皇帝补习英文。他很聪明，记忆力又惊人的强，所以进步很快，然而他的发音不很正确，不久他就能够阅读一般学校英文课本中的短篇故事了，而且能够默写得很好，他的英文字写得非常美丽。”

发现一个能赚点外快的任务平台！ 字节旗下的模兜，是为豆包大模型采集训练数据的众包平台。 可以在上面找适合的任务去做，包含方言对谈、行业访谈等，时薪几十至数千元不等。 有空闲时间、感兴趣的朋友可以了解试试！

腾讯面临最大的问题，就是大多玩家的空闲时间，被隔壁字节跳动抢走了。 24 年手游玩家日均时长是 87 分钟，而 25 年下降到了 78 分钟，但这期间抖音用户日均 118 – 133 分钟，红果短剧日均 120 分钟，此外还有番茄小说、今日头条、西瓜视频、皮皮虾这些大矩阵，它们所有的产品，目的都是要你的时间。

Vercel 开源了 Open Agents，一个用来搭建企业自有编程 Agent 平台的参考实现。 CEO Guillermo Rauch 说：现成的编程 Agent 在大型代码仓库上表现不行，也不了解你公司的知识体系和内部流程，所以 Stripe、Spotify、Block 这些公司都在造自己的 AI 软件工厂。 Open Agents 绑定了 Vercel 自家的 Fluid、Workflow、Sandbox 和 AI Gateway 这套底座。但不管怎么说，Open Agents 给了一个可以直接 fork 的起点。 架构分三层：前端负责会话和认证，Agent 作为持久化工作流运行在 Vercel 上，沙箱提供隔离的代码执行环境。一个关键设计是 Agent 不跑在沙箱里面，而是从外部通过工具调用（文件读写、Shell 命令、搜索等）操作沙箱。这样 Agent 的生命周期、沙箱的生命周期、模型的选择，三件事互不绑定，各自演进。 功能上已经比较完整：支持对话驱动的编程 Agent、沙箱快照恢复、仓库克隆和分支操作、自动提交和发 PR、会话分享，甚至还有语音输入。 对于正在考虑自建编程 Agent 的技术团队，这省了从零搭架子的功夫。对于没有这个需求的开发者，这个项目的架构设计本身也值得看看，尤其是 Agent 和执行环境分离这个思路，几乎是当前所有 Agent 框架都在趋同的方向。 对比下 Anthropic 的 Managed Agents。 Vercel 的 Open Agents 是开源参考实现，给你一套可以 fork 的代码，自己部署、自己改。Anthropic 的 Managed Agents 是全托管服务，你通过 API 定义 Agent 的行为，基础设施全部由 Anthropic 运行，连沙箱、状态管理、错误恢复都不用操心。 有意思的是，两者在架构核心上达成了同一个共识：Agent 和执行环境必须分离。Vercel 的文档里专门强调"the agent is not the sandbox"，Agent 从外部通过工具调用操作沙箱。Anthropic 的工程博客用了一个更形象的说法，把 Agent 拆成"大脑"和"手"，大脑（模型和调度循环）不住在容器里，通过接口远程操控沙箱。 Anthropic 的工程博客还解释了为什么要这么做：早期他们把所有东西塞进一个容器，结果容器变成了"宠物"（Pet），挂了就什么都丢了，调试还得钻进去看，而容器里又有用户数据，安全上也过不去。拆开之后，容器变成了"牲口"（Cattle），坏了就换一个，会话日志（Session）独立存储在外面，随时可以恢复。 除了架构哲学，两者的差异很明显： 模型锁定方面，Open Agents 不绑定模型，你可以接任何 LLM。Managed Agents 只能用 Claude 系列模型，但换来的是 Anthropic 在 harness 层面做的 prompt caching、上下文压缩、自动恢复这些优化，这些东西自己搭很难做好。 成本结构方面，Open Agents 的成本是你自己的基础设施费用加上模型 API 调用费。Managed Agents 是三层计费：模型 token 费 + 每小时 0.08 美元的运行时费（按毫秒计，空闲不收费）+ 网页搜索每千次 10 美元。 控制权方面，Open Agents 给你完整源码，怎么改都行，但搭建和维护是你的事。Managed Agents 上手快（有人说 30 分钟就能跑起来），但你被限制在 Anthropic 提供的 API 能力范围内。

分享一个实用工具的更新。PPIO推出的 PPClaw ，最近推出了 On-Demand 模式，主要解决了开发环境闲置时的成本问题。 简单来说就是：沙箱在空闲时会自动暂停，暂停期间零计费，当有请求进来时，大约 1 秒就能自动恢复。 另外它也兼容 Cron 定时任务，有预唤醒机制。对于平时低频使用小龙虾的人来说，能省下不少资源。 官方还有7天免费试用，有需要的朋友可以了解一下：