📰 最近消息
读了一本很有趣的书，《漫步华尔街》。本书的核心思想可以概括为：市场是有效的，历史上的交易策略往往只是偶然成功，长期来看最有效的投资策略就是“买入并持有”，而最有价值的买入对象就是广泛分散的指数基金。（本书的出版时间早于指数基金的兴起）本书的内容，就是以学者的审慎态度，对各种流行的投资策略进行了分析，破除那些以讹传讹的投资神话，以及各种泡沫和金融造假的案例，来论证上述观点。其中一个很有趣的例子是，作者还提到了广为流传的“市场与女士的裙摆高度有关”的分析方法，证明历史上牛市与否实际上与裙摆高度并无关系。 #book- 摘抄
继续学习 Context Engineering 相关的文章，主要看了这两篇：- 来自 Augment 的 《How we made code search 40% faster for 100M+ line codebases using quantized vector search》- 来自 Anthropic 的 《Contextual Retrieval in AI Systems》📒 关于 query 的性能：1. 利用 ANN 大幅减少 embeddings vectors 数量，提高检索速度。 我理解类似于对向量进行聚类，然后只对聚类中心进行搜索，最后再在聚类内进行精确搜索。
《Optimize generative AI applications with pgvector indexing: A deep dive into IVFFlat and HNSW techniques》，由 aws 撰写的一片关于 pgvector 索引的文章。在 LLM RAG 领域，为了处理较长的输入，通常会将文本拆分成较小的 chunks，然后在一些预处理后，将这些 chunks 通过 embeddings 模型生成 vector，存储于向量数据库中。当用户发起查询时，系统会将查询文本同样通过 embeddings 模型生成 vector，然后在向量数据库中进行相似度搜索，找到
最近都在重度使用 https://jules.google.com/，Google 出品的自动代码优化工具。我主要用来给我的项目找 BUG，效果非常显著。免费用户可以并行 2 个任务（声称是 3 个，实际上只能运行 2 个😓）。选择好项目、branch 后，点击下面预设的 Performance、Design、Security 生成 prompt。然后建议把执行计划改为 Start（单次执行），而不是默认的 Scheduled，防止占用有限的任务配额。（如果你是尊贵的付费用户那请忽略）免费用户只能选用 gemini-3-flash。我个人的使用体验是，它找 BUG 的能力非常强，但是修复的能力
简单分享下我是怎么花最少的钱，但是又非常重度、高频的依赖 AI coding 的。我目前的订阅是，最便宜的 copilot 和 codex。这两个的特点在于：codex 是按量付费的，而 copilot 是按次付费的。这个区别是最关键的，如果你更喜欢 cc，那么你可以把本文中的 codex 替换为 cc，一样的逻辑。而作为 coding，其实工作可以拆分为两大类型，我相信其他大部分文字工作也可以这么拆分：1. 计划阶段：此时会涉及非常高频交流，但是每次交流的内容都不多，你可以使用 codex 的最高思考模式，写下最核心的关键逻辑2. 实施阶段：这是广义的实施，包括收集资料、撰写文档、codin
作为一个从业十多年的程序员，我已经半年没手写过一行代码了。上个月大概提交了 20 万行，这个月大概 4 万行。昨天认真考虑了一下这个现象，我个人认为，虽然 AI 仍然存在显然的不足与缺陷，在非主流领域的代码水平不高甚至有些低劣，但是程序员确实不应该再执着于手写代码和 review 了，自动化、工业化的星辰大海就在眼前，有太多值得探索和尝试的领域。• 不要再自视优越地吐槽 AI 代码质量差，而是应该探索如何生成高质量的代码。• 不要再抱怨 AI 代码太多 review 不过来，而是应该探索工业规模的测试和 review 方案。我认为从 opus-4.7/gpt-5.4 开始，AI 的能力到达了一
记录一下最近遇到的一个糟心事儿。最近两个月开始又开始找工作机会，总的来说很不顺利，托朋友联系了两个内推也是石沉大海。（各位要是有远程工作的机会也请联系
[email protected] ）昨天在 Linkedin 上有个 web3 背景的猎头联系我说有个不错的 contract 工作，就是需要先完成一个 code assessment。这个测试放在 notion 上，指向一个 github repo。但实际上，只要你在本地运行 npm start，就会启动恶意脚本，偷偷下载一个 js 脚本并执行。这个攻击手法相当低劣，低级且恶劣，低级到了随手搜一下 eval 就能发现。各位都小心一点，不要在本地运