当你的博客文章的作者变成“编辑整理”,你作何感想?

简介:

我在狠多场合都说过:在很大程度我将我的博客当成是一个备忘录。在很多情况下需要使用到某些东西,我会想起我曾经写过相关的文章,于是我会在Google上输入Artech和相关关键字查找我的文章。我发现基本上我的每篇文章都会被很多网站转载,有的会署名Artech,但是很多的作者会写上佚名之类的。

对于这些我也习以为常了,也坦然接受。但是今天发现一个叫做“学IT网”的站点(http://www.xueit.com/),里面转载了博客园几乎所有的技术文章,但是除了表明文章来源于博客园之外,所有文章的作者均被写成“编辑整理”。我不知道该网站是否得到了博客园的授权,即便是得到了授权,有何理由改变博文的署名呢?

我从不认为我的文章有多好,也从来没有想过通过这些文章获取任何经济上的报酬。但是,我的每一篇文章都是个人对技术的感悟、对工作的总结,没有功劳也有苦劳,没有苦劳也有疲劳吧。结果是自己为此敲上1个多小时的键盘写了一篇文章,别人通过Ctrl+C/Ctrl+V(可能什么操作都不需要),照单全收,一下子就成他们编辑的东西了,这也未免太容易了点吧。

上面说的可能绝对了一点,他们的编辑也作了某些方面的整理工作,不过据我看来,它们所作的最大的整理工作就是改变一下文章的标题。比如《我的WCF之旅》改成《WCF体验之旅》),昨天写的一篇文章叫做《Visual Studio对程序集签名时一个很不好用的地方》被他们换成了《详细讲解Visual Studio对程序集签名的几种方法其中有一个很不好用的地方》。我写的标题挺烂,“编辑整理”的标题简直烂透了。

如果这个“学IT网”剽窃个几篇、几十篇文章,我也觉得没有什么大不了的,大家也司空见惯。但是他们的对博客园所有的技术文章照单全收的做法(你也经过筛选一下也好呀),就不能等闲视之了,借用凯歌同志的一句话:“人不能无耻到这种地步”。

下面是该网站上C#板块首页文章列表,大家从标题上就可以看出来源于博客园。

image

这是ASP.NET的文章列表,博客园今天首页比较一下,你也会感到很熟悉。

image 我们随便选择一篇文章,它的开头均是“来源:www.cnblogs.com 作者:编辑整理

image



作者:蒋金楠
微信公众账号:大内老A
微博: www.weibo.com/artech
如果你想及时得到个人撰写文章以及著作的消息推送,或者想看看个人推荐的技术资料,可以扫描左边二维码(或者长按识别二维码)关注个人公众号(原来公众帐号 蒋金楠的自媒体将会停用)。
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。
相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
305 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
318 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
873 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
258 113

热门文章

最新文章