LLM批评者说得对，但我还是用LLM。
Hacker News 上一篇高赞讨论点出了 LLM 使用者的核心矛盾：批评者担心长期依赖 LLM 会导致软件工程等领域的“思维肌肉”萎缩，但使用者自己确实体验到了效率提升和学习加速。这场争议不是简单的对错之争，而是每个人都要面对的生产力与能力投资的取舍问题。
标签： LLM
Gemini Enterprise Agent Platform 新增 Parallel Web Search 网络接地提供商
Google 在 Gemini Enterprise Agent Platform 中原生集成了 Parallel Web Systems 的搜索能力，使 AI Agent 在回答复杂任务时能直接引用高时效性的网络搜索结果，并支持精确的源引用标注。
安全事件披露——2026年7月
Hugging Face 披露了一起由自治 AI 代理系统驱动的生产环境入侵事件，这是首次公开确认的“AI 攻击 AI”安全事件；攻击链始于恶意数据集，而防御方同样依靠 AI 工具完成分析响应，揭示了新一代攻防不对称局面。
[Bug]: MinerU parser ignores split page ranges and duplicates chunks
![[Bug]: MinerU parser ignores split page ranges and duplicates chunks](https://www.chat-gpts.plus/wp-content/uploads/2026/07/16586-2c6a0a8a-768x403.jpg)
用户在使用 RAGFlow v0.26.2（commit 62f94cd5）搭配 Docker Compose 部署，配置 MinerU 作为 PDF 解析器（通过 MinerU API 服务）。上传一份超过单次解析页数限制的 32 页 PDF（含多张图片），RAGFlow 自动将文档拆分为多个页范
[Bug]: MinerU parser reparses the entire PDF for every page-splitting task, causing duplicate computation and poor performance
![[Bug]: MinerU parser reparses the entire PDF for every page-splitting task, causing duplicate computation and poor performance](https://www.chat-gpts.plus/wp-content/uploads/2026/07/16971-71c00ea7-768x403.jpg)
用户在 RAGFlow (commit cb93883, v0.26.4, Ubuntu 22.04) 中配置 MinerU 解析器，上传一个数百页的大 PDF 文件，启动文档解析任务时触发。
Eval bug: InternVL3 vision model produces weird outputs on images with text
用户通过 llama-server 加载 InternVL3-14B-UD-Q4_K_XL.gguf 及对应的 mmproj-InternVL3-14B-BF16.gguf 视觉项目文件，处理一张含有文字的图片并给出描述。输出结果与原始图片内容严重不符（看不清文字、丢失细节），而在 OpenRout
Eval bug: DeepSeek-V4-Flash lightning-indexer materialises a ctx-proportional (4 GiB/layer) score buffer
用户使用 llama-cli 或 llama-server 加载 DeepSeek-V4-Flash（DSV4-Flash）模型，GGUF 格式，MXFP4 量化，5 分片。在设置 --ctx-size 131072 、启用 --flash-attn on 和 MoE expert-offload（
LlamaTokenizer in v5 overrides tokenizer.json’s ByteLevel pre-tokenizer with Metaspace, silently breaks DeepSeek V3/R1 family
使用 transformers v5 的 AutoTokenizer.from_pretrained() 加载任何 tokenizer_config.json 中设置了 "tokenizer_class": "LlamaTokenizerFast" 或 "LlamaTokenizer" 的模型。已确
Ollama not running with ROCm backend?
用户在一台仅配备 AMD iGPU（Radeon 890M，RDNA 3.5 架构）的 Linux 设备上运行 Ollama（版本 0.5.11），并与 llama.cpp 的 CPU、ROCm 后端进行性能对比。测试发现 Ollama 推理速度显著慢于 llama.cpp 的 ROCm 后端，甚至
LLM与 MikroTik 的网络
HackerNews 上讨论指出，LLM 用于配置 MikroTik 的 RouterOS 时，由于系统本身的“高瘦”配置语言特性，AI 幻觉主要限于语法错误，而非概念性误解。同时，思科旗下 Meraki 已推出 AI 助手功能，网络设备配置正成为 LLM 落地的真实应用场景。