首页 › new-tools › 模型保质期、技能严选铺：HN四件新货

最近一周，Hacker News 的 Show HN 区热闹得有点反常：大厂发模型的新闻刷屏，但真正值得动手党关注的，反而是几个热度中等、实用性极高的新工具。这一批货有个共同点——解决的都是你早就该解决、却一直懒得解决的问题：模型的知识到底有多旧？手头的显卡能不能白嫖跑大模型？Agent 帮你算的数据敢不敢信？Agent 的技能去哪找？ 这四件事，中文圈目前几乎没有像样的讨论。今天挨个拆给你看，每一个都附上手路径。

一、stale.jock.pl：给每个大模型挂一块「保质期」牌子

链接：https://stale.jock.pl 价格：免费网页 + 免费 JSON 接口 背后：波兰开发者 Pawel Jozefiak 的个人项目，数据核对日期为 2026-09-16

先说这个最扎心的。这个网站干的事极简单：把 8 家实验室、20 个主流模型的发布日期和训练截止日期（training cutoff）摆在一起，配两块实时跳动的时钟——模型几岁了，模型的知识几岁了。

它上线三天就拿下 81 分和 49 条评论（截至 10 月 7 日），说明这事戳中了所有人的痛处。随便挑几条它收录的数据感受一下：

这站最狠的设计不是榜单，而是「给你的 Agent 用」那一节：网站提供一份机器可读的 models.json，并给了一段可以直接粘进 AGENTS.md 或 CLAUDE.md 的指令——大意是「你关于模型的知识是过时的，在说出任何模型名、版本号、日期之前，先去拉取这份 JSON 核对，凡带日期的说法一律先当未验证处理」。

为什么是信息差：中文圈的模型讨论 99% 在卷跑分，几乎没人谈知识截止。你花半小时配好这段指令，你的 Claude Code / Cursor Agent 从此不会一本正经地告诉你「最新模型是 XX」然后报出一个停产两年的版本号。

flowchart TD
    A["CLAUDE.md<br/>粘入保鲜指令"] --> B["Agent引用模型前<br/>先取models.json"]
    B --> C["比对发布日期<br/>与训练截止"]
    C --> D["带日期的说法<br/>一律先标未验证"]
    D --> E["要么引用新事实<br/>要么明说过时"]

二、Janus：一个 Go 二进制，把 GGUF 模型架成 OpenAI 兼容接口

链接：https://github.com/Vibra-Ingenn/Janus 价格：MIT 协议，完全免费，发稿时 125 Star 热度：Show HN 105 分、19 条评论（三天前）

本地跑大模型，国内玩家最熟悉的路线是 Ollama。但 Janus 走了一条更极简的路：单个 Go 二进制文件，内置 llama.cpp，推理后端走 Vulkan——这意味着 AMD、Intel、NVIDIA 的显卡通吃，不依赖 CUDA，也完全没有 Python、Docker、Ollama 这些前置依赖。README 里一句话概括：「Windows 上就是一个 .exe」。

几个值得注意的细节（都来自它的 README）：

上手路径就四步：克隆仓库跑 build.ps1（会自动下载预编译的 llama.cpp Vulkan DLL）→ 用 modelget 拉一个模型（比如 Llama-3.2-3B 的 Q8 量化）→ .env 里填好模型路径 → 运行 janus.exe。唯一要有心理预期的是首次回复要等 10–60 秒，那是模型加载进显存的时间，README 明说 Q4 量化加载更快。

为什么是信息差：过去想白嫖本地模型，最省心的组合是 N 卡加 CUDA，A 卡党要么折腾 ROCm 要么退回 CPU。Vulkan 这条统一路线中文圈讨论极少。对想给 Cursor 挂本地模型保隐私、或者公司内网不让连外部 API 的开发者，这是一个十分钟就能跑通的方案。项目还留了个后手：INFERENCE_BACKEND 可以填 openrouter，本地没卡也能切云端路由。

flowchart TD
    A["Hugging Face<br/>选好GGUF模型"] --> B["modelget<br/>拉取到models目录"]
    B --> C["janus.exe<br/>单个Go二进制"]
    C --> D["llama.cpp<br/>Vulkan后端"]
    D --> E["AMD/Intel/NVIDIA<br/>显卡或CPU兜底"]
    C --> F["OpenAI兼容API<br/>127.0.0.1:8990"]
    F --> G["Cursor或Cline<br/>改Base URL即用"]
    F --> H["curl与脚本<br/>接自建应用"]

三、Graphene：给你的编码 Agent 发一张「数据分析师上岗证」

链接：https://github.com/graphene-data/graphene 价格：MIT 协议开源，发稿时 213 Star，TypeScript 编写，10 月 1 日还在更新 热度：Show HN 32 分、9 条评论（昨天）

让 Claude Code 帮你分析销售数据，你大概率遇到过这种事：它写的 SQL 跑得飞快，结果一算就错——join 错了表、用错了字段、甚至干脆编了一个指标。Graphene 的 README 把这个问题说得很透：LLM 生成的分析错得悄无声息，且会层层累积。

它的解法是搬来了 Google 系出身的语义层语言 Malloy（Graphene 就是从 malloydata/malloy fork 出来的），工作流分三步：

  1. 指标只定义一次：你或 Agent 先写一个 Malloy 模型，把指标和维度在唯一的地方正式定义；
  2. Agent 探索、你来验证：Agent 通过模型提出查询，每个数字背后对应的确切查询语句都可审查；
  3. Agent 自审：它迭代查询、检查结果是否真的回答了问题，并在汇报前给自己打分。

更妙的是「项目（Project）」概念：Malloy 模型、数据连接、缓存结果、看板、Agent 积累下来的领域知识，全部打包成一个可复现的单元——下次接着分析，不用从头教。

官方给了三个示例项目可以直接抄作业：FAA 航班数据（2000–2005）、Kaggle 的 NBA 数据集、电商数据集。

为什么是信息差：国内「AI 问数」（ChatBI）是各大厂商的收费卖点，按坐席按年订阅。而 Graphene 的思路是：别买新平台，把分析能力直接焊进你已有的编码 Agent。有一点必须提醒：它 213 Star 的体量还非常早期，接口随时可能变，拿副业项目练手合适，生产数据慎入。

四、skillbay.sh：Agent 技能的「严选超市」

链接：https://skillbay.sh 价格：目前所有条目免费 热度：Show HN 27 分、18 条评论（两天前），提交者就是策展人 @skeptrune

Agent Skills（技能包）生态眼看要起势，但发现机制一团糟：官方仓库鱼龙混杂，X 上的分享帖三天就沉。skillbay 的定位自称是「Agent 技能的 Craigslist」，差异点只有一个字：人——每个上架技能都经过真人审核，并且页面必须展示同一个提示词「不带技能 vs 带技能」的对比回答，效果好坏一眼见分晓。

上架的分类横跨五类：devops & infra、个人生产力、研究分析、设计媒体、编码工具。随便举两个正在架上的例子：「Inference Engineering」教 Agent 设计和调优推理系统；「remove-defensive-fallbacks」专治流水线里那些悄悄吞掉坏数据的防御性兜底代码。条目按日期排，9 月中旬开张，更新频率不高但条条能看。

为什么是信息差：中文圈对 Skills 生态的认知基本还停在「Claude 有个新功能」。而海外已经跑通了一条清晰的分工路径：技能作者做包、策展人做信誉背书、用户按对比效果取用。想入场的技能作者，这里目前是低竞争的展示位；想提效的用户，这是白嫖别人调参成果的地方。

信息差总结

你以为的 实际情况
模型发布越新，知识越新 Gemini 3.1 Pro 发布时知识停在一年多前，先查 stale.jock.pl 再下判断
本地跑模型必须 N 卡 + Ollama Janus 用 Vulkan 后端，A 卡/I 卡/N 卡通吃，一个 exe 搞定
Agent 做数据分析不可靠是常态 Graphene 用语义层 + 自审机制，把「算错数」变成可审查的查询
Agent 技能只能碰运气搜 skillbay 全部经真人审核，强制展示带/不带技能的效果对比

行动指南

  1. 今晚十分钟：打开 stale.jock.pl，把那段「Model freshness」指令粘进你的 CLAUDE.md，这是四件里性价比最高的一件事；
  2. 周末项目：如果你手头有 A 卡或老 N 卡，clone Janus 拉一个 3B 量化的模型，把 Cursor 的 Base URL 指到 127.0.0.1:8990/v1 试试离线工作流；
  3. 有数据分析需求的：照着 Graphene 的 FAA 示例项目抄一遍结构，把你最常被 Agent 算错的那张表做成 Malloy 模型；
  4. 每周五分钟：把 skillbay.sh 加进 RSS 阅读器，它有 Atom 订阅（/blog/feed.xml 同域下提供），新技能上架第一时间知道。

参考来源

  1. Janus 仓库（README 及构建说明）：https://github.com/Vibra-Ingenn/Janus
  2. Graphene 仓库（项目主页）：https://github.com/graphene-data/graphene
  3. How Stale Is Your AI?（20 个模型发布与截止日期）：https://stale.jock.pl
  4. skillbay（Agent 技能严选市场）：https://skillbay.sh
  5. Hacker News Show HN 列表（热度与评论数据，截至 2026-10-07）：https://news.ycombinator.com/show

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

51学通信知识星球海报-扫码加入

📎 本分类最新文章