FOSDEM 2025 参与开源项目是在开发、文档编写、国际化等方面积累经验的绝佳方式,但这并不像看起来那么容易。
去年,我们的 Steven J. Vaughan-Nichols 曾写到开源社区正在老龄化,需要新鲜血液。这促使瑞典开发者 Jesper Olsson 与我们取得联系,我们在布鲁塞尔的 FOSDEM 大会上与他会面。Olsson 是 SchemaSpy 项目复兴团队的成员,该项目此前已沉寂近十年。
对于年轻人来说,参与开源软件开发存在哪些问题?
进入门槛虽然并不总是可见,但确实存在,而且可能相当高。
能举个例子吗?
比如说,如果你要贡献自己的代码,需要达到很高的标准。通常感觉你必须超越现有的功能。仅仅是为了让代码被接受,你就必须提供比某些可能已存在几十年的产品更好的东西。
另外,如果你既是新手又很年轻,让年轻人把自己的代码展示给全世界看是一件非常令人生畏的事情。许多首次贡献者是学生。大学课程很长,深入讲解编程语言和代码编写,但问题是,他们往往不涉及贡献代码所必需的内容。例如,使用 Git 这样的工具,不仅是 Git 本身,还包括 GitHub 等支持基础设施。这同样适用于 GitLab 和其他替代方案。
一些潜在的贡献者可能非常熟悉编程、阅读和编写代码,但他们可能从未提交过 issue 或发送过 pull request。这是一个令人害怕的第一步。还有一些人可能具备必要的技术技能,但缺乏创造力。他们应该从哪里开始?此外,如果someone感到恐惧,可能会导致冒名顶替综合症。害怕全世界都会看到你糟糕的代码,这是阻碍分享的重要因素。
另一个方面是一个不仅限于 IT 或计算机领域的普遍技术问题。比如汽车,在 1980 年代自己修车要比现在容易得多。现在的设备不仅更复杂,而且对业余爱好者来说也更加封闭。你想尝试做什么,从哪里开始?实际上,为什么要开始?我们创造代码和工具,但我们没有创造激励机制来鼓励人们进入并开始探索、研究和改变它。
动机呢?
是的,没错。为什么要参与开源软件开发?为什么要写些东西并开源?为什么不把时间和精力花在创业和致富上?正如大多数贡献者所说,从事开源工作往往会导致糟糕的生活/工作平衡。
这对你有影响吗?
是的,实际上我最近刚结婚。但我在 SchemaSpy 的一个共同维护者有妻子和两个孩子。这会导致冲突的冲动。当你也想花更多时间陪伴家人时,如何找时间编写代码?
众所周知,开源软件的资金支持是一个持续存在的问题。
资金很重要,但这不是唯一的问题。你无法真正用资金来购买时间。
解决这些问题不是技术问题。这些问题更适合通过市场营销、沟通,是的,还有资金支持来解决。沟通在这里是一个重要问题。比如 Linux 内核本身。
我们知道内核开发者倦怠是个问题。
不仅仅是这样。内核很引人注目,但团队很小。但有些事情不仅仅存在于科技领域。例如,有很多人在做视频游戏模组。这可以是一个很有创意的活动,有很大的创新空间,还有流媒体等途径来接触观众。这适用于各种游戏,如《宝可梦》、《上古卷轴》和《我的世界》。游戏模组是一个很好的入门方式。它甚至可能成为创建公司或谋生的途径。但它并不被视为开源软件。对于刚开始感兴趣的新手来说,它甚至可能吸引人们远离开源软件开发。
有太多不同的因素在吸引人们离开,从社交媒体到科技巨头公司吸纳所有人。即使对于大学生来说,也有其他事物在分散他们的注意力。对于那些真正想要参与、想要帮助发现开源软件问题并更重要的是帮助找到解决方案的人来说,这并不容易。
我们想为社会做贡献,但社会并没有告诉我们它需要什么!
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。