观海听涛

个人开发者的软件革命

Fri, 07 Aug 2026 17:25:23 +0800

类别	原来	更先进
容器（macOS）	Docker Desktop	OrbStack
容器（Linux）	docker.io	Podman
终端	iTerm2	Ghostty
图形协议	OpenGL	WebGPU: wgpu(Rust), Dawn(C++)
终端编辑器	neovim	Helix
图形编辑器	VSCode	Zed
TUI 库	ncurses	ratatui(Rust)
Shell	Bash, Zsh	Fish、Nushell
命令	grep, ls, cat	rg(ripgrep), eza, bat
Python 包管理器	pip, conda	uv
Node.js 包管理器	npm, yarn	pnpm, bun

「什麼」为什么会变成「什幺」

Tue, 04 Aug 2026 19:54:20 +0800

给自 FORK 的简繁转换浏览器扩展 opencc-extension 升级 opencc-js 之后，我发现繁体页面自动转换后出现了「什幺」这种字。我第一反应是不信——「什麼」转简体怎么会变成「什幺」？「幺」和「么」明明是两个字。

复现

直接调转换函数，单次转换是对的：

「什麼」→ tw2cn →「什么」  ✓

但再转一次就坏了：

「什么」→ tw2cn →「什幺」  ✗

也就是说转换不幂等。

为什么会有第二次转换？ 扩展的 auto 模式实现很简单：监听 DOM 变化，一有动静就把整页所有文本节点重新转一遍。现代网页几乎必然有动态内容（懒加载、广告、交互渲染），所以第二次转换几乎必然发生——第一次把页面变成简体，第二次又把简体文本喂进同一条链，「什么」就变成了「什幺」。浏览器里看着就像页面被转坏了。

不过这里得说清楚，这不完全是重复转换的问题。就算只转一次，「什么」也会变成「什幺」——在 popup 的文本框里输入简体选 tw2cn，或者打开一个简体页面（lang=zh-CN）第一次转换，都是一次就坏。重复转换只是把「偶尔错」放大成「必然错」，根子还是转换链对简体输入不设防。

定位

opencc-js 的 tw2cn 走的是官方 tw2s 配置：

TWVariantsRevPhrases → TWVariantsRev → TSPhrases → TSCharacters

分阶段跑一遍，破坏发生在第二步 TWVariantsRev。这个词典只有 42 条，作用是把台湾标准字形归一到 OpenCC 标准字形，里面赫然躺着一条：

么  幺

简体的「么」恰好命中了这条台湾字形归一规则。更麻烦的是它不可逆：后续的 TS 阶段里「幺」没有反向条目（「幺」在繁简里字形相同），所以「什幺」一旦产生就回不去。对比一下其他条目，「才→纔」转错之后 TS 阶段有「纔→才」能纠正回来，唯独「么」这条没有后路。

再挖一层

TWVariantsRev.txt 文件头写着一行注释：Generated from TWVariants.txt。也就是说这个反向词典是构建脚本从正向词典自动反转出来的，TWVariants.txt 里对应的是「幺→么」。

这条目本身有没有道理？「幺」和「么」在古籍和现代规范中存在复杂的正异体关系，台湾实际用字也会用「么」表示 yāo。因此「幺→么」作为台湾区域转换有其依据；问题在于它反转成「么→幺」之后，被用在了 tw2s 这条链上，而链上的词典对输入形态完全不设防。具体的读音、地区和字形关系见文末表格。

顺带发现：TWVariantsRevPhrases 里其实已经有大量自映射保护条目，比如「人才人才」「顯著顯著」，就是为了防止字符级词典误转高频词。但「什么」「怎么」「这么」「那么」「多么」这些最高频的简体词全都不在保护名单里。

词典是怎么组织的

查到这里，我把 opencc 的词典体系整个捋了一遍，后面修复的时候这些关系都用得上。

命名规则

opencc-data 的 data/ 目录下有一堆 txt，按两个维度切分，命名很直白：

白噪音视频压缩：保留片头字幕，静态背景降帧

Tue, 04 Aug 2026 00:00:00 +0800

我有一段四十二分钟的白噪音视频。声音是下雨的现场录音，画面是一张静态背景图；只有片头十几秒的字幕会动，后面基本就是同一张图。

目标很简单：片头字幕要保留，后面的背景没必要每秒存 16 张；音频也不能为了省空间转成低码率 AAC。 于是做了一个小工具，用来找出字幕在哪一段，再分别处理字幕和背景。

先看原文件

动手前先确认原视频到底有多大、帧率和音频是什么。

$ soundscape-video-compressor analysis ~/录音/2026-05-21雨声/公园雨夜.mov
0.000s ~ 2509.562s: 16.000 FPS, 14.983 Mbps
TOTAL: 40153 frames, 16.000 FPS, 14.983 Mbps
AUDIO: pcm_s24le/s32, 48000 Hz, stereo, 24-bit, 2.304 Mbps, 722.754 MB, 13.321% of file

画面全程 16 FPS，使用 HEVC（H.265）视频编码，平均码率接近 15 Mbps，一共有 40,153 帧。音频是 48kHz、双声道、24-bit PCM，也就是没有压缩过的采样数据，单独就有 722.754 MB；只是原视频更大，所以它在文件里只占 13%。

这也说明不能只把 HEVC 的质量参数调低。那样编码器还是会反复编码同一张背景图，音频的体积也完全没动。

只找片头字幕

我并不需要识别“这是不是雨”或“这是不是字幕”。 这张背景图不动，只要找出哪些帧明显不同于背景噪点，就能大致框出字幕出现和消失的时间。

检测时，视频先缩到默认宽度 320，转成灰度，再以默认 4 FPS 读取。相邻两帧逐像素比较：亮度差超过 3 的像素算作变化；用平均亮度差和变化像素比例计算一个分数。

阈值是动态的，先取所有分数的中位数，再计算 MAD（中位数绝对偏差，可以理解成背景噪点通常有多大），最后用下面的值判断是否发生变化：

中位数 + sensitivity × max(MAD, 0.02)

默认 sensitivity 为 6。这样背景里的压缩噪点不容易被误当成字幕。检测出的短片段会跳过，相隔很近的片段会合并，也可以在边界前后补一点时间。

Iosevka 字体定制全流程

Sun, 02 Aug 2026 21:30:00 +0800

缘起：typeof.net 的三篇数学文章

一切始于 typeof.net，Iosevka 作者李仁智（be5invis）的个人博客。三篇文章满屏公式，足以劝退点进来的普通读者，但拆开看，它们其实都在讲同一件事：可变字体（Variable Fonts，OpenType Font Variations）。

传统字体：细体、常规体、粗体要画三套完全不同的字形文件（ttf/otf）；
可变字体：只画一套基础字形，再指定几个"轴"（字重轴、字宽轴、倾斜轴），拖动滑块字体就像橡皮泥一样平滑变形。

官方标准（微软、Adobe 等）用的是线性插值——字体的变化"直来直去"，中间状态会扭曲难看。作者用三篇文章一步步挑战这个现状：

Analyzing Variation Models（2019）：先把问题说清楚——把官方线性模型的局限用代数公式精确建模。好比让一个圆变成方，官方做法是直接把边缘直线拉伸，中间状态必然歪七扭八。作者把这种"不自然"写成公式，为后面的改进铺路；
On High-order Interpolation and Non-linear Interpolation（2021）：看清问题后开始动手改造：官方标准只允许乘法运算（轴与轴的乘积）、不允许平方，作者就"骗"一下电脑——建立两个数值同步的轴（v₀ = v₁ = t），v₀ × v₁ 在数学上悄悄实现了 t²。不用改任何渲染引擎，字体就能沿着二次曲线平滑过渡，从"直来直去"升级成"会拐弯"；
Integrals of variable values（2022）：字体终于能"拐弯"之后，作者继续追问：任意瞬间它的面积（“墨水消耗量”）和边界怎么算？这直接决定了字体变粗变细时视觉重量是否均匀，也让文字沿曲线排版的动画严丝合缝。

这些研究最终落到了 Iosevka 身上：它的字形是从代码生成的——GitHub 主页那句 “Versatile typeface for code, from code.” 说的就是这个意思。

Iosevka 是什么

极致的瘦：等宽家族默认字符宽度只有 1/2 em，同屏能塞下比其他编程字体多约 20% 的代码列数；
消灭混淆：1、I、l、0、O 等盲区字符全部通过字形变体拉开差距（名字首字母是 I 不是 l，本身就是个活招牌）；
任意定制：144 个可配置字符 × 19 种样式集（Stylistic Sets，可一键"高仿" Consolas / Menlo / Source Code Pro / JetBrains Mono 等）。不想手写 TOML 的话，官网有网页定制器，挑选字形变体后生成对应的 private-build-plans.toml 配置；
活跃维护：2026 年 8 月已发布到 v34.8.0，累计 425 次 Releases，GitHub 22.6k+ stars；
衍生生态：与思源黑体融合出 更纱黑体（Sarasa Gothic） 解决中英文混排对齐；Nerd Fonts 官方仓库长期维护打好图标补丁的版本。

家族有 6 个等宽子系列 + 2 个比例系列：默认版、Term（终端）、Fixed（无连字）各带一个粗衬线的 Slab 版（如 Iosevka Slab），外加 Iosevka Aile / Etoile 两个网页正文用的准比例字体。顺带一提，Iosevka 这个名字取自《血源诅咒》的 NPC 约瑟夫卡（Iosefka）——斯拉夫语里给"约瑟夫"加上昵称后缀 -ka，作者起名时显然没走严肃路线。

魔法、高山与电场控场：一文读懂半导体核心元件的“改命”史

Sun, 02 Aug 2026 16:48:43 +0800

如果把现代科技比作一座摩天大楼，那“半导体”就是砌成这座大楼的每一块砖。

你手里的手机、电脑，甚至路边的充电桩，之所以能进行复杂的计算、发出无线信号，本质上都依赖于三种微观的“控电魔法”：PN 结、晶体管（BJT）和场效应管（MOSFET）。

今天，我们脱离晦涩的课本公式，用最直观、最硬核的微观视角，一口气看懂这三代核心元件是如何一步步颠覆世界的。

🔑 预备课：五个关键词，把"看不懂"拦在门外

1. 价电子——决定元素导电性的角色

原子由原子核与绕核的电子构成，其中最外层、参与原子间结合的电子称为价电子，元素的化学与导电特性主要由它决定。

硅是元素周期表第 14 号元素，有 4 个价电子。纯硅晶格中，每个硅原子与周围 4 个硅原子各共享 1 个价电子，形成稳定的共价键。每个价电子都被共价键"锁定"，几乎没有可以自由移动的载流子，所以纯净的硅导电性很差——这正是"半导体"名称的由来。

2. 掺杂——往晶格里掺入"多一个"或"少一个"电子

为了改变硅的导电性，工业上会人为掺入少量特定杂质原子，这个过程叫掺杂：

掺磷（第 15 号元素，5 个价电子）：磷原子顶替硅原子的位置，4 个价电子参与共价键，多出的 1 个电子没有键可成，成为自由移动的载流子 → 电子富余的 N 型半导体
掺硼（第 5 号元素，3 个价电子）：共价键缺 1 个电子，留下一个空位 → 空穴富余的 P 型半导体

后文的所有元件，都是在 N 型、P 型这两种"改性"硅的基础上做文章。

3. 空穴——共价键上的空位，等效的正电荷载流子

电子离开价键后留下的空位称为空穴。相邻键上的电子跃迁过来补位，空位便随之"移动"——宏观上，空穴可以当作一个带正电的载流子（物理上称准粒子）。P 型半导体的导电，就是空穴在晶格中接力迁移的结果。需要注意的是，空穴的迁移率低于电子，因此依赖电子导电的 N 型器件通常比 P 型更快。

4. 电压与电场——载流子的驱动力

电压是两点间的电势差，是电荷运动的驱动力。电场是电势在空间中的梯度，对电荷施力：正电荷沿电场方向受力，电子（负电荷）受力方向与之相反。掌握这一条，后文"内建电场从 N 区指向 P 区"这类表述就有了统一的解读工具。

5. 电流——载流子的定向输运

载流子（电子或空穴）的定向移动即电流。约定俗成上，电流方向与电子移动方向相反（与空穴移动方向一致），但这不影响理解——只需记住：有电流，就有载流子在流动。

🚀 序章：两层物质的世纪握手 —— PN结

一切故事的起点，源于两种被“动了手脚”的纯净硅晶体：

P 型半导体：掺了杂质，里面空位极多，这些空位叫空穴（带正电倾向）。
N 型半导体：掺了杂质，里面自由飞翔的电子极多（带负电倾向）。

当这两种半导体紧紧粘在一起的瞬间，微观世界的奇迹发生了：

哥德尔编码与自指：从数学的不可证明到 Python 的死循环

Sun, 02 Aug 2026 03:30:59 +0800

在数学与逻辑学界，曾有过一次毁灭性的灾难：希尔伯特想用纯粹的机械算术统治宇宙，而哥德尔与图灵用一个“发身份证号”与“纯函数取反”的魔术，彻底炸毁了完美数学大厦的梦想。

今天，我们不用枯燥的经院哲学，直接用现代程序员最熟悉的“代码即数据”视角，将这场科技史上最惊艳的逻辑大解密层层拆解。

一、降维打击：给公式发身份证号

在现代计算机里，视频、文本、代码，在底层都是一串 0 和 1 的数字。这种“万物皆数字”的极客思想，其实是 1931 年数学家哥德尔玩剩下的。当时的数学系统非常单纯，只懂加减乘除，根本不懂什么是“逻辑”，什么是“对错”。为了让数学系统能够“评论自己”，哥德尔发明了哥德尔编码（Gödel numbering）。这就像是给数学公式发“身份证号”：

符号变数字：规定 0 对应 1，S 对应 2，= 对应 3……
公式变序列：任何复杂的公式，都变成了一串数字序列。
质数大融合：利用“算术基本定理”，用质数（2, 3, 5, 7…）做底数，公式序列做指数，全部乘起来。

$$\text{G}(\text{“0=0”}) = 2^1 \times 3^3 \times 5^1 = 270$$

核心唯一性：因为质因数分解的唯一性，这个身份证号绝对不会撞号，而且完美可逆。拿着这个唯一的数字，你就能毫无差错地还原出原本的公式文本。

二、核心矛盾：循环代入的“体积爆炸”

有了身份证号，数学系统就可以通过谈论“数字”，来间接谈论“公式”了。如果我们想在系统里构造一个自指悖论（说谎者悖论）——“我这个公式，是无法被证明的。” 你可能会想，我们先写一个带自变量 $x$ 的定理图纸 $P(x)$，它的意思是：“编号为 $x$ 的公式无法被证明”。然后我们把这张图纸送去编码，得到它的身份证号，假设是 $d = \text{G}(P(x))$。接着，如果我们试图把这个号填回它自己里面，去计算 $\text{G}(P(d))$…… 危机发生了：这个 $P(d)$ 因为在文本里包含了一个巨大的数字 $d$，导致它本身的哥德尔编码变成了另一个大得多的数字 $n_1$。如果你试图把 $n_1$ 再带入，文本会变成 $P(n_1)$，编码会变成更大的 $n_2$…… 这是一个永远在膨胀的递归深渊：

$$d \rightarrow P(d) \rightarrow n_1 \rightarrow P(n_1) \rightarrow n_2 \rightarrow \dots$$

扒了 590 个模型的公开数据，挑出真正值得用的几个

Sat, 01 Aug 2026 22:40:00 +0800

想找个便宜又能打的模型跑日常脚本，发现各家定价和 benchmark 散在十几个页面，没法横向比。Artificial Analysis 有免费 API，注册拿 key 就能整包拉数据。我拉了 590 条，写脚本按需求重排了一遍。

一句话结论

全能性价比之王：DeepSeek V4 Flash 0731。编程 69.1、智能 49.9、自动化 82.0，价格 $0.17/M。日常高频任务直接用它。
顶级编程力、不想花旗舰的钱：GPT-5.6 Terra (max)，编程 76.7，$4.5/M，旗舰的一半。
便宜的大批量编码：GPT-5.6 Luna (max)，编程 71.4，$0.45/M。
关键 agent 任务：GLM-5.2 (max)，自动化 84.6，$2.15/M。

数据口径

接口：GET https://artificialanalysis.ai/api/v2/data/llms/models，请求头带 x-api-key，免费额度每天 1000 次。
590 条记录里同一底模有多个配置。我按「模型名 + 厂商」去重，每组只留智能指数最高的一条。
同时有智能、编程、价格的有 160 条，去重后 123 个。下面的榜基于这 123 个。

三点口径，先说清楚：

价格是混合价（$/M token，3:1 输入输出折算），不是真实账单。真实账单还看缓存、batch 折扣、代理商。
intelligence_index、coding_index 是 Artificial Analysis 的自研综合分。比趋势可以，别把 1~2 分当严格胜负。
自动化分是我自己拼的，见下文。

编程

纯编程力榜（coding_index）：

模型	厂商	智能	编程	价$/M	输出tps
Claude Opus 5 (Adaptive, Max)	Anthropic	60.7	78.0	10	57
GPT-5.6 Sol (max)	OpenAI	58.9	77.4	11.25	68
GPT-5.6 Terra (max)	OpenAI	55.0	76.7	4.50	132
Claude Fable 5 (Adaptive, Max)	Anthropic	59.9	76.5	20	63
Kimi K3 (max)	Kimi	57.1	76.2	6	34
Grok 4.5 (high)	SpaceXAI	53.8	72.4	3	54
GPT-5.6 Luna (max)	OpenAI	51.2	71.4	0.45	172
Gemini 3.5 Flash (high)	Google	50.2	70.1	3.38	220
DeepSeek V4 Flash 0731 (Reasoning, Max)	DeepSeek	49.9	69.1	0.17	-

编程力和价格基本正交。前两名的 Claude Opus 5、GPT-5.6 Sol 强，但 $10~11/M。难的重构、架构、跨仓库调试，这钱该花。

摩托车事故归因分析报告

Mon, 20 Jul 2026 12:32:45 +0800

本报告基于孟加拉摩托车事故严重程度数据（15,102 条）、孟加拉多源交通事故数据（47,681 条，2007–2021）和美国 FARS 致命事故数据（45,286 条），从骑手特征、行为模式、道路环境、时间趋势、碰撞类型等维度分析摩托车事故的关键归因因素。

⚠️ 方法说明：本文核心严重程度数据来自孟加拉警方警务记录，这意味着数据集存在选择性偏差——未造成人员受伤或财产损失的轻微擦碰通常私了解决，不会进入官方记录。因此，数据集的"未受伤"组本质上是"达到报案门槛但人未受伤"的子集，而非全部未受伤事故。模型预测的严重程度适用于"已报警事故"，在泛化到所有事故时需注意此边界。

一、数据源介绍

1.1 孟加拉摩托车事故严重程度数据集（核心数据）

记录数：15,102 条，21 个字段
年份范围：数据集中无年份字段，无法确定具体时间范围
事故严重程度分布：严重 4650 例（30.8%）、中度 5350 例（35.4%）、未受伤 5100 例（33.8%）
数值字段概览：

字段	含义	范围（均值）
骑手年龄	年龄（岁）	15–70（36）
驾驶经验	骑行年数	0–30（7）
日均里程	每日骑行距离（km）	0–150（41）
骑行速度	事故时速度（km/h）	20–120（83）
限速	道路限速（km/h）	40–80（67）
交通密度	1（稀疏）–8（拥堵）	1–8（4）
涉事车辆数	事故中车辆数量	1–8（3）
饮酒比例	是否饮酒	17% 饮酒

1.2 FARS 美国致命事故系统

美国国家公路交通安全管理局（NHTSA）的致命事故报告系统（Fatality Analysis Reporting System，FARS），收录全美所有涉及人员死亡的交通事故记录。

记录数：45,286 条，39 个字段
年份范围：数据集中无事故发生年份字段，无法确定具体时间范围
摩托车相关：4865 条（10.7%）
驾驶员因素：超速 1198 例、酒驾 1748 例、其他 1919 例

1.3 孟加拉多源交通事故集（时间趋势 + 碰撞类型）

记录数：47,681 条，其中摩托车相关 46031 条（96.5%）
时间跨度：2007–2021 年（15 年连续数据）
碰撞类型：含涉事车辆信息（卡车-摩托车碰撞占 99%）
事故严重度：死亡 / 重伤 / 轻伤 / 财产损失四级

说明：所有数据集均不包含摩托车排量（cc）和车型分类（仿赛/街车/ADV）字段，分析中以速度、车辆状况等字段间接推断。

清泉古寺和包禾塘彩色屋

Thu, 09 Jul 2026 18:54:38 +0800

清泉古寺

包禾塘

用例子告诉你为什么要拥抱 HDR 照片

Fri, 12 Jun 2026 00:44:44 +0800

以下照片均使用我开发的 RawKit.app 处理后导出，格式是 AVIF。 导出质量选择 70% 绰绰有余。

AVIF（AV1 Image File Format）是一种由开放媒体联盟（AOM）开发的开源新一代图像格式。它基于先进的 AV1 视频编码技术，凭借超高压缩率、卓越的画质细节、广泛的特性支持，正逐渐成为替代 JPEG、PNG 甚至 GIF 的理想选择。

劣势是在苹果相册解析有点延迟，不如 HEIC；优点是用作网络分发比较适合。RawKit 支持这两种格式，和其他更多格式。

AVIF 核心优势

体积更小：在同等画质下，文件体积比 JPEG 小 50% 左右，比 WebP 也更轻量。
画质更优：高压缩比下画面细节保留更完整，噪点和压缩痕迹更少。
全功能支持
- 支持透明度通道（替代 PNG）
- 支持动画（替代 GIF / WebP 动图）
- 支持 HDR（高动态范围）与 10/12 位色彩
完全免费：开源免版税，无专利授权费用。

提醒 ⚠️

要查看 HDR 照片达到最好的效果，请把设备亮度拉高或拉到最亮，同时关闭护眼模式（iPhone上是「夜览」）。对于 iPhone，还要关闭“降低白点值”开关。

电脑CG

晴天

阴天

夜晚

AI裁员潮背后的问题

Wed, 10 Jun 2026 02:40:20 +0800

问题所在

2026 年的 AI 裁员潮，真正值得注意的不是“AI 会不会替代人”这个老问题，而是越来越多企业一边利润很好，一边裁人；一边说 AI 会提高效率，一边把省下来的工资预算投向 GPU、数据中心和模型系统。

这件事不能简单理解成“AI 已经把人替代完了”。 更准确的说法是：真实替代、资本市场叙事、普通成本削减，这三件事拧在了一起。AI 确实吃掉了一部分初级和重复性工作；但也有不少公司只是把本来就想做的裁员，包装成“AI 转型”。

最麻烦的是，企业需要员工拥抱 AI，员工却越来越觉得自己在训练取代自己的人。 这个信任裂缝，可能比模型能力本身更影响 AI 在公司里的落地。

这轮裁员为什么不一样

先看几组数据。单个数字可能说明不了太多，但放在一起看，会发现这轮裁员不是普通的周期性收缩，而是企业在重新分配“人”和“算力”的预算。

时间	指标	数据	来源
2026年3月	Meta 单次裁员	约 8000 人，占员工总数 10%，并关闭约 6000 个空缺岗位	Reuters / Forbes
2026年3月	主要科技公司 AI 资本开支	2026 年约 7000 亿美元，同比接近翻倍	一季度财报披露
2026年3月	Meta AI 基建预算与人力薪酬对比	约为人力薪酬成本的 4 到 5 倍	Meta 一季度财报
2026年5月	2026 年前 5 个月科技行业裁员	超过 14.2 万人，同比增加约 33%	TrueUp / Challenger
2026年6月	2026 年全年科技裁员预测	可能接近 37 万人	TechTimes
2026年6月	被归因到 AI 的裁员占比	约 17% 到 25%	Challenger / CFO Dive
2026年6月	Intuit 裁员	约 3000 人，占员工总数 17%	CBS News
2026年6月	Block / Square 裁员	约 40%，约 4000 人，转向 AI 相关投入	CIO
2026年6月	Oracle 裁员	约 3 万人	TechTimes
2026年6月	22 到 25 岁开发者就业变化	自 2024 年以来下降约 20%	Stanford HAI 2026

数字本身已经很大，但更重要的是背景变了。过去裁员常见于收入下滑、融资困难、利润承压。现在很多公司不是活不下去，而是在赚钱的时候裁人。

我的代码项目汇总

Tue, 09 Jun 2026 17:05:45 +0800

这里简洁列出我在 GitHub 上托管的开源和闭源项目。全部使用 AI 编写。采用语言为 Go、Python、Typescript、Swift、OCaml。

AI 相关

AI Box：私人 AI 助手，通过 Telegram Bot 交互，支持 MCP 协议扩展工具集。可用于私人助理、投资资讯或建议。
- 目前接入了高德地图、12306车票查询、长桥证券新闻、长桥官方MCP、金十数据快讯、苹果日历、苹果笔记、CDP工具、AKShare 数据。
AI Chats Manager：本地 AI 对话管理工具，用于管理、查看、编辑和分享对话记录，数据完全本地私有，一键导入 Gemini 对话内容。打开 AI Chats 即可使用。
Claude Plugins Unofficial：Claude Code 非官方插件市场，用于在 Telegram 上管理多个 Claude 会话，可以切换会话并对话。
markdir：Markdown 目录服务器，浏览文件目录时自动将 Markdown 文件渲染为 HTML。支持 llms.txt 协议，对 AI 更友好。

新闻来源

google-news：Google 新闻搜索 API 服务，支持关键词、语言、地区、数量、时间范围、HTML 和 Markdown 内容参数。付费服务，可免费试用 -> news.bitsflow.org
tg-reader：Telegram 频道读取工具，支持历史消息分页拉取、实时监听和 JSONL 结构化输出。

运维和消息处理

tmux-tasks：tmux 后台任务管理 CLI，支持本地或远程机器，用配置文件管理长期运行任务。
webhook：配置驱动的消息转发网络，可生成、查看和运行多端点路由。
tg-bot-cli：Telegram Bot API 命令行工具，支持发送、编辑、删除、转发、复制、置顶消息和 Markdown 转 Telegram HTML。

投资量化相关

Pine Script v6 VS Code Extension：Pine Script v6 的 VS Code 语言扩展，支持语法高亮、智能补全、函数签名、悬停文档、转到定义、查找引用、重命名、嵌入提示、颜色预览和实时校验。
Dashboard：投资仓位监控工具，支持盈亏分析（累计/今日/平仓/日均盈亏（率））、历史订单分析，数据实时刷新。OCaml 语言开发，这是一次新语言的尝试。

图像处理

RawKit：Swift / SwiftUI 本地图像处理工具。现在已经是我处理图片的主要工具了。
- 支持导入主流相机 RAW、Sigma X3F、JPG、HEIF、DNG 等
- 支持导出 HEIF/AVIF/Ultra HDR JPEG x sRGB/P3/Rec.2020 x SDR/HDR(HLG/PQ)
- 支持套用各种输入输出色域和曲线的 LUT（一般用作视频领域），比如富士官方的LUT
x3f-go：用 Go 重写 C 语言版本的适马 X3 传感器的 RAW 文件(.X3F格式)解析程序。

游戏

GT7 Go：PS5 GT7赛车模拟游戏实时遥测看板，支持圈速分析、回放录制、赛车线可视化、轮胎滑移、燃油策略和弯道分析。

财富、婚姻与生娃：利用“非对称风险”思维，避开人生的翻车点

Sun, 07 Jun 2026 17:36:52 +0800

买理财时听销售讲预期收益，投资时看大V喊单，到了结婚生娃，又有人把人生关系算成一张 ROI 表。问题不一定是这些建议全错，而是它们常常漏掉了最关键的一句：坏结果由谁承担？

塔勒布在《非对称风险》里反复讲的就是这个问题：不要只看收益，也要看风险怎么分配；不要只听观点，也要看说话的人是否和结果绑定。

什么是 Skin in the Game？

Skin in the Game 常译作“风险共担”或“切身利益”。它问的不是一个人态度是否真诚，而是他会不会被结果影响。

做对了有好处，做错了也承担损失，这叫有 Skin in the Game。说错、判错、建议错，代价都由别人承担，就没有。

所以听任何建议前，先问两句：成功了谁获益？失败了谁买单？如果不是同一批人，就要小心。

先分清几种非对称

非对称风险不是“风险很大”的同义词。它看的是收益、损失、概率和责任是否错配。

负向非对称：收益有限，损失巨大

高息理财最好的结果只是多赚几个点，最坏的结果是本金拿不回来。高杠杆交易也是这样：连续做对很多次，不如一次爆仓来得彻底。

上行有限、下行能让你出局，就是负向非对称。

正向非对称：损失有限，上行很大

用少量闲钱试一个副业，学一项可迁移技能，投一个能承受归零的小项目。失败了损失有限，成功后可能打开新的收入或职业空间。

能提前锁定最大损失，同时保留较大上行，才算正向非对称。

代理人非对称：决策者获益，承受者买单

基金经理按规模收管理费，自媒体带单赚流量和返佣，咨询顾问按项目收费。结果好坏主要由客户承担，但代理人的收入先被锁定。

建议者、操盘者、收费者和最终损失承担者不是同一批人，就要提高警惕。

遍历性非对称：平均收益好看，但个人会先出局

一个策略 99 次小赚，1 次亏光。从样本平均看可能不错，但对个人来说，只要碰上那 1 次，就没有下一轮了。

平均值不会替你活下去。只要某个风险会让你失去继续参与的资格，就不能只看胜率。

什么是遍历性？

教科书里，遍历性大致说的是“时间平均”和“空间平均”是否一致。听起来抽象，换成塔勒布喜欢的俄罗斯轮盘就很直观。

更准确地说，遍历性不是要求“空间”和“时间”分别成立，而是要求两种观察方式得到的结果能对得上：看很多人同时经历一次，和看一个人连续经历很多次，长期结果应该接近。如果两者差很远，这个系统就缺乏遍历性。

一把左轮手枪有 6 个弹巢，只放 1 颗子弹。扣动扳机，没死就拿 1 个亿。

如果 100 个人各玩一次，这是空间平均。大约 83 个人活下来，17 个人死亡。站在统计表上看，活下来的概率是 83.3%，回报也很诱人。

但如果是你一个人连续玩 100 次，这是时间平均。每一次看起来都有 83.3% 的生还率，可只要某一次中弹，你就彻底出局。连续 100 次都活下来的概率只有 $(5/6)^{100}$，已经接近于 0。前面赚到的钱，后面可能出现的好运，都和你无关了。

所以这个例子里，空间平均和时间平均明显对不上：空间平均看起来是“多数人发财，少数人死亡”；时间平均对单个玩家来说，则是“玩得越久，越接近出局”。它就是一个典型的非遍历系统。

这就是缺乏遍历性的世界：群体平均看起来不错，不代表个人沿着时间活下去也不错。现实里很多事都如此。高杠杆投资、长期违法套利、高频高危行为，单次看翻车概率不高；只要重复得够久，归零事件就会变成迟早的问题。

所以塔勒布式的问题不是“胜率有多高”，而是：如果那个低概率坏结果发生，我会不会被清出牌桌？ 如果答案是会，就不能全仓押注。

清迈旅行后记

Tue, 19 May 2026 17:24:37 +0800

整体感受

清迈面积不大，机场就在城市旁边，周围被山包围，知名的有素贴山、因他暖山
咖啡店、马杀鸡随处可见
1. 饭虽然便宜，但没有中国的那么多分量，只够吃个8分饱。可能因为天气炎热，不过8分饱也更健康。
2. 一小片区域可能有很多家咖啡店。
中国人很多，毕竟免签，门槛低。其次是欧美人、印度人。
清迈生活节奏很慢，我碰到的普通商家、咖啡店、酒店都是起得晚、下班早。我起早了想去喝咖啡还得等。
交通比较文明
1. 十字路口会等待让行主干道车辆直到有足够的空间，刚到时在我看来都替他们着急；不会像我们一样冲过去或者慢慢挪过去，逼主干道的踩刹车
2. 但是感觉行人没什么优先级，没红绿灯的路口我都是等没车了才敢走，他们不会说看到有行人就停车礼让的
3. 摩托车也比较快，必须要达到和四轮车接近的速度才可能不影响四轮；但因为清迈路况路窄、行人多，整体车速都比较慢，只有在去因他暖山的郊区大直道上，司机才会在80限速开100速度

清迈之小

对来旅游或旅居的人来说，大家口中的清迈，其实指的是核心的城市核心区（古城 + 宁曼路 + 屏河两岸）。

古城（Old City）： 是一个标准的正方形，面积只有 1.5 x 1.5 = 2.25 平方公里。用双脚步行，半小时就能从东边的塔佩门走到西边的帕辛寺。
核心核心市区： 狭义的清迈市政管辖区只有 40 平方公里 左右（仅相当于北京朝阳区的十分之一，或上海静安区的不到三分之二）。

在这里生活，核心活动半径基本在 5 公里 以内。骑摩托车，从最西边的素贴山脚下，穿过宁曼路和古城，一路开到最东边的中央商场（Central Festival），在不堵车的情况下只需要 15 到 20 分钟。

城市扩张的清迈

一个由三条环路构成的“洋葱圈”

如果加上近些年外延发展的城市圈（Urban Area），清迈的面积大约在 405 平方公里，大约和厦门岛（约 158 平方公里）加上周边的集美海沧核心区差不多，或者相当于半个香港土地面积。它的骨架非常清晰，就像一个切开的洋葱，由古城护城河以及外围的三条环路（内环、中环、外环）层层包裹。

地图上的“清迈府”

一个比海南岛还要大的山林巨无霸

在官方资料或地理层面上看，清迈叫做“清迈府”（Chiang Mai Province），面积高达 20,107 平方公里。它是泰国北部政治经济中心，也是泰国面积第二大的省级行政区。

这个数字，比半个台湾岛还要大，相当于 3 个上海、或者 12 个深圳 那么大。

清迈府 70% 以上的面积都是连绵的山脉和原始森林（包括泰国最高峰因他暖山），除了中部滨河流域的一块狭长平原住人，其余广袤的面积全是不住人的国家公园和山区。

吃在清迈

上次来泰国，在曼谷尝到这个饮料，感觉很好喝，哈密瓜的香甜！这次再尝，不知道为什么感觉没有那么好喝。国内有长得像的，但不是一个牌子，也不是一个味道。

起床后来杯咖啡

在清迈大晴天出门拍摄，发现A7R4直出的照片竟然有了德味

Sun, 17 May 2026 22:57:26 +0800

明天就要从清迈经香港回到惠州，今天最后一天，大晴天，中午在住处避暑，等到五点左右，就出门拍点氛围感的照片，日后也好勾起这种炎热的感觉。

目的地是古城内，因为之前搜到有周日古城内有集市，走过去顺便吃个「凤飞飞猪脚饭」。有点远，2.8公里，快3公里。

我使用 Sony A7R4A + Sony 40mm 固定镜头拍摄的 RAW+JPG 格式。

取景器里还挺有味道的，暗部或天空是类似德味或者 gr3 的那种蓝色。

回来后用我用 AI 开发的 RAW Kit.app 来处理照片，发现使用 RAW 转化后的效果竟然失去了这种有味道的蓝色，色温也不对，比 JPG 偏黄很多，调白平衡也调不回 JPG 的那种感觉。

放弃挣扎，直接用 JPG 加上 HDR 效果后导出。使用支持 HDR 的手机或电脑应该能看到很真实的临场感，配合这种青蓝调很有感觉。

拍摄时候，我就在默默感叹，还是得太阳斜射时分的光线能让照片更上一层楼！天空有明暗渐变，同时也带来了色彩渐变，由深蓝到浅青色。

⬆️ 老甲克虫油润的漆面和金属质感。另外黑白车牌就是比较百搭，国内蓝色绿色都太突兀。

景观时代的价值变现与抵抗：顺势获客，逆势交付

Fri, 15 May 2026 13:24:16 +0800

如果把景观与算法当作不可逆的时代背景，个体策略不该是“要不要参与”，而是“以什么位置参与”。

更现实的答案通常不是二选一，而是双轨运行：利用裹挟获客，用自由变现。

上一篇背景文：从景观社会到算法统治：一场关于「显现」的异化之旅

这篇文章尝试回答四个问题：

为什么只选“利用”或只选“抵抗”都不够。
如何把“价值变现”和“主体性”做成同一个系统。
有哪些值得读的作者和书，能把这套判断拉得更深。
在 AI 时代，个体和小团队应如何建立可执行的应对策略。

先回答核心问题：利用裹挟，还是做平衡

答案是：先利用，再平衡，最终重构。

先利用：流量入口在平台侧，必须借势。
做平衡：不能把全部价值定义权交给平台。
再重构：把真正的收入与关系迁移到你可控的结构里。

只利用裹挟，短期增长快，但长期问题明显：

护城河弱，容易陷入同质化和价格战。
过度依赖平台分发，规则变化会直接打断收入。
持续迎合注意力机制，最终连自己的判断也被反向塑形。

只谈抵抗，价值很高，但也有现实约束：

冷启动慢，缺乏流量入口。
传播效率低，难以形成稳定现金流。
很容易把“姿态”误当成“产品”。

所以更有效的路径不是道德站位，而是系统设计。

价值变现与抵抗可以共存的经济逻辑

这个模型能成立，不靠情怀，靠的是交易结构：

注意力是低成本流量：平台帮你完成第一层触达。
信任是稀缺资产：可复访、可深聊、可共同完成任务的关系更稀缺。
改变是高溢价交付：真正能卖出高价的不是信息，而是结果。

把这三件事串起来，才会形成可持续收入：

低成本触达 -> 高质量关系 -> 高单价结果

可执行的双轨模型

把业务拆成三个层次：

入口层（顺势）：在平台发布短内容，获取注意力。
关系层（去平台）：把流量导向邮件列表、博客、社群，沉淀长期关系。
变现层（逆势）：交付无法被短视频替代的深度价值。

对应公式：

景观流量 -> 私域信任 -> 自由溢价

入口层怎么做，才不会被平台吞掉

入口内容可以“平台化”，但主题必须“方法论化”。

每条短内容只解决一个高频痛点。
所有内容最终指向同一套核心框架。
不追所有热点，只追与你产品有关的热点。

判断入口内容是否健康，有三个简单标准：

看完后，用户知道你解决什么问题。
用户愿意留下可重复触达的联系方式。
内容可复用，不是一次性情绪消耗。

关系层怎么做，才有沉淀

关系层的本质是“从围观到协作”。

用周更长文建立稳定预期。
用固定栏目建立认知锚点。
用结构化互动筛选真正的目标用户。

你要避免“社群热闹，业务空心”。关系层只做三种互动：

问题收集：发现真实需求。
小任务共创：验证方法有效性。
小样本复盘：生成下一轮内容与产品素材。

变现层怎么做，才有“自由溢价”

真正能对冲裹挟的产品，通常满足三个条件：高参与、高延迟回报、难复制。

一对一咨询：决策、职业、创作系统。
小班工作坊：专注力、写作力、方法论训练。
长周期会员：读书会、共学、项目陪跑。
离线体验：无设备干扰的深度讨论和实践。

这类产品的核心不是“信息量”，而是“结构化陪伴”和“行为改变”。

从景观社会到算法统治：一场关于「显现」的异化之旅

Fri, 15 May 2026 12:52:59 +0800

居伊·德波（Guy Debord）在 1967 年出版的《景观社会》是一本常读常新的批判之作。它的文风晦涩，充满了黑格尔和马克思式的辩证法，但核心逻辑可以用一个词概括：媒介化的异化。

从「生存」到「占有」再到「显现」

德波认为，人类社会的发展经历了三个阶段：

生存：人类关注的是吃饱穿暖。
占有：随着资本主义发展，关注点转向了我有多少钱、多少房。
显现（景观社会）：现在的关注点变成了看起来像什么。

真实的活生生的生活，被「图像」和「表象」所取代。你不再是为了生活而生活，而是为了「展示生活」而生活。

为什么会演变成景观社会

景观社会不是某个阴谋瞬间造成的，而是经济、技术、社会结构和心理机制叠加后的结果：

生产过剩与消费强制：当基本需求被满足，资本需要持续扩张，就必须把更多「并非必需」的东西包装成「必须拥有」。
技术中介替代直接经验：从电视到智能手机，我们越来越依赖屏幕理解世界，亲身经验被影像经验替代。
社会关系原子化：传统共同体关系减弱后，个体更孤立，更容易用可传播的符号来寻求身份确认。
主体性退化：长期处在被动观看与即时反馈中，人会逐步把判断权外包给流行叙事和平台指标。

最终形成一个闭环：资本制造符号，技术放大符号，孤立个体消费符号，再反过来强化资本与技术的统治。

什么是「景观」？

德波给出的定义至今仍具穿透力：

「景观不是图像的堆积，而是以图像为中介的人与人之间的社会关系。」

简单来说，当人与人之间的交流必须通过某种「滤镜」或「中介」（比如朋友圈的点赞、网红打卡、消费符号）来实现时，景观就形成了。它像一层透明的薄膜，隔绝了人与世界的直接体验。

两种景观形式

德波区分了两种景观：

集中的景观：极权体制下，通过暴力和崇拜强迫人们接受的单一形象。
弥散的景观：西方消费社会，通过琳琅满目的商品和娱乐选择，让人在「自由选择」的假象中陷入被动。

后来德波又补充了第三种：「综合的景观」——两者的融合。

景观的封闭逻辑

德波最精彩的推理是景观的自我循环证明：

景观控制了所有的表达渠道。
任何想要反对景观的行为，如果想获得影响力，就必须进入景观（拍成电影、做短视频）。
一旦进入景观，这种反对行为本身就变成了「可供消费的影像」，被景观吸收和瓦解。

景观社会是一个自我修复、自我证明的闭环。它不是外部的谎言，而是一种让真相变得无效的社会环境。

德波如何论述与推理

《景观社会》并不是经验研究报告，而是一套批判理论写作。德波采用了 221 条断章式文本，通过辩证法推进论证。

可以把他的推理概括为四步：

观察现象：生活越来越被影像组织，经验被表象替换。
追溯根源：从马克思异化理论出发，指出商品逻辑从占有扩展到了显现。
分析机制：景观以单向传播制造「虚假统一」，掩盖真实的分离和冲突。
推到后果：反对景观必须借助景观传播，结果被再次景观化和消解。

他还大量使用「挪用/改写」（détournement）策略，把经典理论语言转接到影像社会，强调旧批判工具必须升级。

演进：从景观到拟像

如果德波认为景观是「对现实的扭曲」，那么波德里亚（Jean Baudrillard）在 1980 年代提出的「拟像」(Simulacra) 理论则更进一步：现实已经消失了。

在拟像阶段，图像已经比现实更真实，即「超现实」(Hyperreality)。迪士尼乐园就是典型——它不是为了模仿现实，它本身就是一个被创造出来的、比现实更完美的现实。当下的网红景点，其存在的唯一意义就是为了那张照片（拟像）。如果没有滤镜和构图，那个地方本身可能毫无意义。

演进：功绩社会与透明社会

韩炳哲（Byung-Chul Han）在《精神政治学》和《倦怠社会》中描述了景观在数字时代的变体：

从「他者剥削」到「自我剥削」：德波时代的景观由外在力量强加给你；而现在人通过社交媒体主动展示自己、包装自己。
透明社会：德波的景观是让人「看」，而现在的社会是让人「裸露」——我们主动交出隐私、数据和情绪。
数字全景监狱：我们不再是被迫观看，而是数字景观的志愿者。点赞、收藏、转发，不仅是消费，更是景观的生产过程。

演进：算法社会

这是当下最显著的特征。景观不再仅仅是「图像的中介」，而是「数据的中介」：

颗粒化：德波时代的景观是宏大的、大众传播的（大家看同一个新闻）；现在的景观是千人千面的（算法推荐）。
反馈回路：算法不仅在观察你，还在预测并塑造你。景观不再是挂在墙上的画，而是根据你的每一次心跳、每一次滑动而实时生成的动态环境。
结论：景观从「视觉统治」变成了「预测统治」。

阶段	核心逻辑	人的角色	权力媒介
景观社会 (1960s)	图像中介社会关系	观众	电视、广告、大众媒体
拟像社会 (1980s)	超现实取代现实	符号的消费者	品牌、主题公园、电子媒介
功绩/透明社会 (2010s)	主动展示与自我剥削	自我经营者	社交媒体、智能手机
算法社会 (现在)	数据驱动的预测与控制	数据库的养分	算法、AI、大数据

被裹挟的自由

最让人不安的不是景观的存在，而是失去的那种「被裹挟的自由」——表现为三个层次的侵蚀：

分享几张照片

Sun, 26 Apr 2026 19:53:22 +0800

作为博客分享照片的一次尝试，分享几张照片。照片也不全是今天拍的。

闲逛

又去了这里，满京华艺象国际艺术区。

为什么说是又去，因为几年前去过。

闲来无事想出门逛逛，又不想跑太绕，刷地图刷到这里，就去了。

对镜自拍一张。

美食

闲来无事想出门找找美食，是真饿了，才点这么多……

熬夜之后，还有精力就趁上班高峰前出门吃个早餐。为什么熬夜，想睡实在睡不着。

泉州

之前3月份从上海回广东，路过泉州拍的。Sigma DP3Q 拍的2张拼接，再用 Raw Kit 导出 HDR。

周记总结26年至今的成果

Sat, 25 Apr 2026 11:43:46 +0800

Raw Kit

用 GPT-5.4 把之前 claude 挖的坑填了，是一个图像处理的 macOS 应用。最新版 2.1 支持各种输入/输出的 gamut & gamma，以及 HDR 格式导出。

其他

更好的代理协议：更流畅稳定
- wireproxy：Cloudflare IP，claude 可用日本 IP
重新注册 claude：新 gmail、新的美区苹果 id，订阅成功
tmux多机器任务管理：很方便
谷歌新闻 api：稳定使用，已发布服务
~~openclaw流畅运行~~：但是定时任务不稳定，不再使用，改成维护自己的 AI BOX
- 容器部署，配置路径自定义
- agent2agent
远程桌面 rustdesk
程序化读取 tg 第三方公共频道消息
写技能
- url2md
- clawhub：从腾讯接口搜索，从官方下载
替代 docker：苹果 orb，服务器 podman
CDP 控制浏览器
重新启用本博客。

CDP

其中 CDP 使用了与标准端口(9222)不一样的 9223 端口，需要修改 chrome 配置。

金斯瑞 (1548.HK) DNA存储合作深度研究

Tue, 21 Apr 2026 23:46:32 +0800

研究日期: 2026-04-10 股票代码: 1548.HK 当前股价: HKD 12.84

一、核心事件：与Mimulus达成DNA数据存储战略合作

合作概况

公布时间: 2026年4月9日
合作方: Mimulus（分子档案技术先驱）
合作性质: 多年、里程碑式战略合作
目标: 实现DNA数据存储工业化，目标2030年末实现完全超大规模生产

双方角色

角色	Mimulus	GenScript (金斯瑞)
定位	分子档案技术先驱	全球领先CMOS DNA合成技术提供商
提供	Glacier数据存储卡™及架构	大规模高吞吐量DNA合成能力
职责	技术授权 + 架构设计	批量生产 + 制造工艺开发

核心技术：Glacier数据存储卡™

形态: 信用卡大小设备
能耗: 零瓦特 — 无需电力
冷却: 无需冷却系统
维护: 免维护
数据保存: 永不降解，号称"永久档案"
接口: 兼容S3 API

商业逻辑

电力瓶颈: AI扩张导致数据中心电力需求激增，传统存储面临能耗瓶颈
冷存储释放: DNA存储可释放被传统冷存储占用的电网电力
密度优势: 1克DNA可存储215PB数据（是硬盘的100万倍，2025年白皮书数据）

二、股价技术面分析

近期走势

日期	收盘价	成交量	备注
2026-03-22	10.60	12.4M	近期低点
2026-03-31	11.85	17.6M	突破前
2026-04-01	12.36	14.0M	放量大涨
2026-04-07	12.88	21.3M	合作公布前
2026-04-09	12.84	3.4M	合作公布日

均线状态（参考TOPICS记录）

金斯瑞+3.1%（均线多头排列）

GPT-5.4 xhigh、Qwen3.6-Plus、Claude Opus 4.6、Claude Opus 4.7 对比

Tue, 21 Apr 2026 23:28:06 +0800

GPT-5.4 xhigh 指的是：GPT-5.4 + reasoning.effort=xhigh。xhigh 是推理档位，不是单独的底模。
Claude Opus 4.6 截至 2026-04-20 已不是最新 Opus。Anthropic 已在 2026-04-16 发布 Claude Opus 4.7。

一句话结论

要终端式 coding、复杂多步执行、跨工具稳定性：优先看 GPT-5.4 xhigh。
要 GitHub issue 修复、仓库级 bugfix、Claude 生态里的最新主力模型：优先看 Claude Opus 4.7。
要性价比、1M 长上下文、阿里云接入、中文开发环境：优先看 Qwen3.6-Plus。
Claude Opus 4.6 仍然强，尤其在长上下文一致性上有代表性成绩，但从官方定位到最新公开 benchmark，Opus 4.7 已经是 4.6 的直接升级版。

核心规格

维度	GPT-5.4 xhigh	Qwen3.6-Plus	Claude Opus 4.6	Claude Opus 4.7
官方定位	复杂专业工作、agent、coding	通用推理 + agent + 多模态	复杂 agent、coding、长周期任务	Claude 当前最强通用可用模型，主打复杂推理与 agentic coding
推理模式	`none/low/medium/high/xhigh`	默认开启思考模式	`adaptive thinking` / extended thinking	`adaptive thinking` + `effort`，新增 `xhigh`
上下文窗口	1,050,000	1,000,000	1M	1M
最大输出	128,000	65,536	128k	128k
公开价格	$2.50 输入 / $15 输出	阿里云国际区：0-256K 为 3.7471 元输入 / 22.4826 元输出；256K-1M 为 14.9884 元输入 / 44.965 元输出	$5 输入 / $25 输出	$5 输入 / $25 输出
长上下文定价备注	超过标准 272K 窗口后，按更高倍率计费	256K 以上进入更高阶梯	1M 窗口按标准价	1M 窗口按标准价
额外特点	OpenAI 终端 agent 指标强	国内接入和性价比优势明显	长上下文一致性强，4.7 的直接前代	更高分辨率视觉、更长任务预算、直接升级 4.6

Benchmark 速览

注意：下面分数都来自厂商官方，但不完全是同一套 harness、同一套 prompt、同一套推理预算，适合看趋势，不适合把 1 到 2 分的差距当成严格胜负。为便于横向比较，下面统一写成纯数字；若无额外说明，可按百分比口径理解。

JavaScript 模块系统

Tue, 21 Apr 2026 10:00:00 +0800

JavaScript 现在并不缺模块系统，真正的问题是你同时会遇到三层东西：

语言标准里的 ESM: import / export
Node.js 历史遗留的 CommonJS: require / module.exports
浏览器和包管理层的解析规则: type="module"、import map、package.json 的 "exports" / "imports"

如果只记一个结论：

新项目默认优先写 ESM
遇到旧 Node.js 工程、老工具链、历史包袱时才继续用 CommonJS
给 npm 包设计入口时，优先把公开接口写清楚，不要再依赖“随便从包内部路径 import”

1. 先把几个名词分清

CommonJS

Node.js 最早用的是 CommonJS。典型写法如下：

const fs = require('node:fs')

function add(a, b) {
  return a + b
}

module.exports = {add}

它的特点是：

运行时加载
入口 API 是 require
导出核心是 module.exports
对旧 Node.js 生态兼容最好

如果你是这种写法，不要写 exports = xxx，那只是改了局部变量绑定，真正导出的仍然是 module.exports。

ESM

ESM 是 ECMAScript 标准模块格式，现在已经是浏览器和 Node.js 的共同主线：

export function add(a, b) {
  return a + b
}

import {add} from './add.js'

console.log(add(1, 2))

它的特点是：

Linux TCP 服务端调优

Thu, 12 Mar 2020 15:56:28 +0800

很多旧的 TCP 调优文章都带着明显的时代痕迹：

把代理场景、路由转发场景、普通服务端场景混在一起
往 /etc/sysctl.conf 里塞一大堆已经废弃、默认已经合理、或者根本不该全局修改的参数
只给“魔改参数”，不给验证方法

Linux 5.x / 6.x 下，更靠谱的思路是：

先确认瓶颈是在应用、内核、NIC，还是链路本身
只改少量确实相关的参数
每次改动都能用指标或压测结果验证

先看什么

先别急着改 sysctl，先看这些：

# 当前拥塞控制算法和可选项
sysctl net.ipv4.tcp_congestion_control
sysctl net.ipv4.tcp_available_congestion_control

# 当前 qdisc
sysctl net.core.default_qdisc
tc qdisc show dev eth0

# TCP 概览
ss -s
ss -lnt

# 协议计数器
nstat -az

# 网卡统计
ethtool -S eth0

如果问题其实是：

进程 ulimit -n 太小
应用监听 backlog 太小
单进程 accept 太慢
用户态线程池、数据库连接池、磁盘 IO 才是瓶颈

那改 TCP 参数通常不会有本质帮助。

关于我

Mon, 29 Feb 2016 16:26:30 +0800

程序员，摄影师，现场录音爱好者。

Email: garden.yuen # gmail.com
GitHub: @weaming，详见我的代码项目汇总
RSS: feed.xml
EarthWaves 地球波动: earthwaves.bitsflow.org 录音展示和分享。

观海听涛

个人开发者的软件革命

「什麼」为什么会变成「什幺」

复现

定位

再挖一层

词典是怎么组织的

命名规则

白噪音视频压缩：保留片头字幕，静态背景降帧

先看原文件

只找片头字幕

Iosevka 字体定制全流程

缘起：typeof.net 的三篇数学文章

Iosevka 是什么

魔法、高山与电场控场：一文读懂半导体核心元件的“改命”史

🔑 预备课：五个关键词，把"看不懂"拦在门外

1. 价电子——决定元素导电性的角色

2. 掺杂——往晶格里掺入"多一个"或"少一个"电子

3. 空穴——共价键上的空位，等效的正电荷载流子

4. 电压与电场——载流子的驱动力

5. 电流——载流子的定向输运

🚀 序章：两层物质的世纪握手 —— PN结

哥德尔编码与自指：从数学的不可证明到 Python 的死循环

一、 降维打击：给公式发身份证号

二、 核心矛盾：循环代入的“体积爆炸”

扒了 590 个模型的公开数据，挑出真正值得用的几个

一句话结论

数据口径

编程

摩托车事故归因分析报告

一、数据源介绍

1.1 孟加拉摩托车事故严重程度数据集（核心数据）

1.2 FARS 美国致命事故系统

1.3 孟加拉多源交通事故集（时间趋势 + 碰撞类型）

清泉古寺和包禾塘彩色屋

清泉古寺

包禾塘

用例子告诉你为什么要拥抱 HDR 照片

AVIF 核心优势

提醒 ⚠️

电脑CG

晴天

阴天

夜晚

AI裁员潮背后的问题

问题所在

这轮裁员为什么不一样

我的代码项目汇总

AI 相关

新闻来源

运维和消息处理

投资量化相关

图像处理

游戏

财富、婚姻与生娃：利用“非对称风险”思维，避开人生的翻车点

什么是 Skin in the Game？

先分清几种非对称

负向非对称：收益有限，损失巨大

正向非对称：损失有限，上行很大

代理人非对称：决策者获益，承受者买单

遍历性非对称：平均收益好看，但个人会先出局

什么是遍历性？

清迈旅行后记

整体感受

清迈之小

城市扩张的清迈

地图上的“清迈府”

吃在清迈

在清迈大晴天出门拍摄，发现A7R4直出的照片竟然有了德味

景观时代的价值变现与抵抗：顺势获客，逆势交付

先回答核心问题：利用裹挟，还是做平衡

价值变现与抵抗可以共存的经济逻辑

可执行的双轨模型

入口层怎么做，才不会被平台吞掉

关系层怎么做，才有沉淀

变现层怎么做，才有“自由溢价”

从景观社会到算法统治：一场关于「显现」的异化之旅

从「生存」到「占有」再到「显现」

为什么会演变成景观社会

什么是「景观」？

一、降维打击：给公式发身份证号

二、核心矛盾：循环代入的“体积爆炸”

周记总结26年至今的成果