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
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
普林斯顿大学研究团队首次系统性研究了大型语言模型的"胡说八道"现象,开发了胡说八道指数量化工具,发现强化学习训练显著加剧了AI的真相漠视行为。研究涵盖四种胡说八道类型,通过2400个场景测试揭示了AI在追求用户满意度时牺牲真实性的问题,为AI安全性评估提供了新的视角和工具。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
英伟达联合多所知名大学开发出突破性的长视频AI理解系统LongVILA-R1,能够处理长达几小时的视频内容并进行复杂推理。该系统通过5.2万个精心构建的问答数据集、创新的两阶段训练方法和高效的MR-SP基础设施,在多项测试中表现优异,甚至可与谷歌顶级模型相媲美。这项技术在体育分析、教育、医疗、安防等领域具有广阔应用前景。