欧洲新车评估计划（Euro NCAP）指出，汽车制造商过度依赖触摸屏控制基础功能的做法存在安全隐患。该机构认为，将关键控制移至中央触摸屏迫使驾驶员视线离开道路，增加了分心驾驶的风险。其战略发展总监马修·艾弗里表示，触摸屏滥用已成为全行业问题。

Euro NCAP计划在2026年推出新的测试标准，以鼓励汽车制造商为常用功能设置独立、直观的物理控制装置。此举旨在减少驾驶员视线偏离时间，从而促进更安全的驾驶。该机构强调，物理控制能更有效地降低操作干扰，是提升行车安全的重要举措。

该页面为 Meta 官方产品状态监控平台，旨在为用户提供其商业产品的实时运行状态与故障信息。

核心功能：

• 状态查询：用户可查看 Meta 旗下各商业产品的当前运行状况。
• 故障监测：用于检查是否存在系统中断或服务异常。

覆盖产品范围：

• 广告管理器
• Meta 商业套件
• WhatsApp 商业 API
• 以及其他更多 Meta 商业产品。

该平台通过统一的仪表板集中展示信息，帮助用户快速了解产品可用性。

图形（graphs）是由节点和边组成的数据结构，可以是有向或无向的，在软件工程中无处不在，如包依赖、网页链接、模型检查、关系数据库等。它们是链表、二叉树和哈希表的推广，但作者发现主流编程语言中缺乏内置图形支持，标准库和第三方库往往不足，导致需要从头构建图形，引发恐惧感。

作者好奇图形类型为何缺失，采访了四位专家（Zayenz、Bradford、Nicole、Kelly），他们一致指出原因：

1. 设计选择过多：图形类型多样（有向/无向、简单图/多重图、超图等），每种有不同的数据存储选项，库需做出许多决策，增加复杂性。
2. 实现选择过多：图形可存储为边列表、邻接列表、邻接矩阵等，不同表示性能差异大（如内存使用和操作速度），取决于图形稀疏或密集，无通用最优方案。
3. 算法选择和性能问题：图形算法众多且难实现（如NetworkX有500种算法），维护负担重；性能敏感，许多算法NP完全，表示和实现细节极大影响效率，通用实现往往慢，需针对具体问题优化。

专家分享经验：Bradford设计自定义算法以减少内存占用，Zayenz指出图形可能太大无法处理，Nicole提到图数据库优化困难，常需迁移或重写。这导致语言标准库避免支持图形，程序员也避免使用第三方库。

附录补充：图形查询语言（如SPARQL、Cypher）提供遍历原语；Python的graphlib仅支持拓扑排序，使用有限；其他语言如Erlang有图形类型但详情未知；图形语言仍处于学术阶段。

Yuzu模拟器开发者与任天堂和解诉讼

Yuzu模拟器的开发者与任天堂公司就法律诉讼达成和解。作为和解协议的一部分，开发者需支付240万美元的赔偿金。该事件涉及Yuzu模拟器相关版权争议，最终通过和解方式解决。

Puter 是一个高级、开源、可自托管的互联网操作系统，旨在提供功能丰富、快速且高度可扩展的体验。经过三年的发展，该项目已拥有100万用户。

针对用户
Puter 的目标是成为满足用户工作、创作和娱乐需求的一站式解决方案，内置从记事本、录音机到电子表格、相机等多种应用。

针对开发者
Puter 为构建和发布网页应用及游戏提供了全面的工具支持，涵盖人工智能、云存储、数据库、无服务器计算等功能。开发者还可通过 Puter 的应用商店发布作品，以触达用户并实现盈利。

使用方式

• 本地开发：可通过 Git 克隆代码库，安装依赖后启动服务。
• 自托管：支持在 Linux/macOS 和 Windows 系统上通过命令行快速部署。
• 云服务：用户也可直接访问 puter.com 使用托管版本。

社区与支持
项目通过 Discord、Twitter、Reddit、Mastodon 等平台提供社区支持，用户可提交问题、反馈功能需求或报告安全事件。

许可与翻译
Puter 在 AGPL-3.0 许可下开源，并支持阿拉伯语、中文、法语、德语等30多种语言的翻译。

Opus 1.5版本发布，引入了基于机器学习的升级，旨在提升音频质量和抗丢包能力，同时保持与RFC 6716标准的完全兼容性。本次更新的核心是首次在Opus中应用深度学习技术直接处理或生成音频信号，而非从零设计新的编解码器，确保了旧设备的兼容性和平滑升级路径。

主要机器学习升级功能

1. 深度包丢失隐藏

   • 利用深度神经网络（DNN）填补因网络丢包造成的音频空缺，比传统启发式方法更有效。
   • 需通过编译开关--enable-deep-plc启用（增加约1MB二进制大小），并在运行时设置解码器复杂度≥5（如通过API OPUS_SET_COMPLEXITY()）。
   • 仅影响解码器，对编解码兼容性无影响。

2. 深度冗余

   • 针对突发性丢包设计，通过高效的可变分自编码器在低比特率（12-32 kb/s额外开销）下传输长达1秒的冗余音频数据，相当于将每个20ms数据包传输50次。
   • 需通过编译开关--enable-dred启用（自动启用深度PLC，增加约2MB二进制大小）。
   • 显著提升高丢包率环境下的音质，但当前版本尚未标准化，与未来最终版本不兼容，不过实验安全，不兼容时会自动忽略。

3. 神经声码器

   • 专为本项目优化的FARGAN声码器，复杂度仅为LPCNet的1/5（600 MFLOPS），使深度PLC和DRED能在现代手机或笔记本CPU上以低于1%的占用率运行。

4. 低比特率语音质量增强

   • LACE与NoLACE：在解码器端对音频进行后处理，显著改善低比特率（低至6 kb/s）下的语音质量。LACE通过DNN实时优化传统后置滤波器系数，复杂度低；NoLACE增加了非线性处理，效果更强但计算量稍大。
   • 需通过编译开关--enable-osce启用（增加约1.6MB）。运行时，解码器复杂度设为6启用LACE，设为7或更高启用NoLACE。
   • 仅作用于解码器，对兼容性无影响。

关键设计考量

• 兼容性与性能：所有ML功能默认关闭，需编译时和运行时双重开关启用，以避免影响旧/低性能设备。
• 低复杂度优化：模型经过精心优化，避免使用巨大参数模型，确保在普通CPU上高效运行。
• WebRTC集成：DRED需要与抖动缓冲区紧密集成以实现冗余利用，并已在WebRTC分支中进行了测试验证，在高达90%的丢包率下仍能维持可接受音质。

其他改进

• 硬件加速：新增AVX2指令集支持以提升性能；优化了ARM NEON指令集的利用。
• 真实丢包模拟器：引入了一个可生成真实丢包模式的生成模型，便于更准确地测试抗丢包能力。

标准化与资源

相关工作正在IETF的mlcodec工作组中进行，重点关注Opus通用扩展机制、深度冗余和语音编码增强的标准化。文章提供了多个音频样本对比演示、技术论文链接以及WebRTC集成代码等资源。

Cloudflare 于2024年3月宣布正在开发 AI 防火墙，这是一个可部署在大语言模型（LLM）前端的安全防护层，旨在请求到达模型之前识别滥用行为。

为什么需要专门针对 LLM 的防火墙？

LLM 与传统 Web 应用存在根本差异，引入了新的安全风险：

1. 交互方式不同：LLM 基于自然语言交互，非确定性输出，使得识别恶意请求比匹配攻击签名更困难。
2. 数据与控制平面融合：训练数据成为模型本身的一部分，难以像传统应用那样严格控制数据如何被查询和泄露。 这些差异使攻击者能绕过传统安全工具，开发新的攻击向量。

LLM 面临的典型威胁（参考 OWASP Top 10）

部分威胁与传统应用类似（如注入、数据泄露），但LLM特有的威胁包括提示注入、模型拒绝服务和敏感信息泄露。这些可以通过在模型前端部署代理安全方案来缓解。

Cloudflare AI 防火墙的功能与作用

该防火墙部署方式类似传统 Web 应用防火墙（WAF），扫描所有包含 LLM 提示的 API 请求。其主要功能包括：

1. 防止大规模攻击：通过速率限制策略控制请求频率，防止资源耗尽型攻击。结合 Cloudflare 现有的 DDoS 防护即可生效。
2. 敏感数据检测：
   • 响应阶段：可检测模型返回的响应中是否包含 PII（如社会安全号码）或金融信息等敏感数据。
   • 请求阶段（开发中）：计划扫描用户提示，防止其向外部 LLM 提供商发送敏感信息，并支持数据混淆。
3. 防止模型滥用：
   • 提示注入防御：识别并阻止试图操纵模型的恶意输入。
   • 内容控制：阻止生成攻击性、不当或离题内容。
4. 提示与响应验证（开发中）：
   • 对每个提示进行恶意性评分（1-99分，1分表示最可能为恶意）。
   • 为提示打标签，按预设类别（如冒犯性、宗教、政治等）分类。
   • 客户可基于评分和标签创建 WAF 规则，结合其他信号（如机器人分数）决定是否拦截请求。

部署与可用性

• 部署灵活：可置于 Cloudflare Workers AI 平台或任何第三方托管的模型前端，也可与 Cloudflare AI Gateway 配合使用。
• 可用情况：企业客户现已可使用高级速率限制和敏感数据检测（响应阶段）功能。提示验证功能处于开发中，测试版将于未来几个月向所有 Workers AI 用户发布。

总结：Cloudflare AI 防火墙是一套旨在保护 LLM 应用安全的工具集，通过拦截恶意提示、防止数据泄露和控制不当输出，来降低滥用和攻击风险，是首批针对 AI 应用的专用安全产品之一。

英伟达在CUDA软件许可协议中新增条款，禁止使用翻译层在其他硬件平台上运行基于CUDA的软件。

核心条款变更

• 在线EULA：自2021年起，英伟达在线版CUDA最终用户许可协议已包含禁止使用翻译层的条款。
• 本地安装文档：从CUDA 11.6版本开始，该禁止条款被明确添加到安装时包含的EULA文本文件中。此前（如11.4、11.5等版本）的安装文档中未包含此条款。
• 具体限制：条款禁止对使用SDK元素生成的输出进行逆向工程、反编译或反汇编，以将其翻译至非英伟达平台。

主要受影响对象

1. ZLUDA项目：一个旨在让CUDA程序在其他GPU上运行的翻译层项目，曾获英特尔和AMD参与，但目前似乎已停滞。
2. 中国GPU制造商：
   • 登临科技：其处理器架构声称兼容CUDA/OpenCL编程模型。
   • 摩尔线程：拥有名为“MUSIFY”的翻译工具，旨在让CUDA代码在其GPU上运行。

背景与影响

• 竞争环境：CUDA与英伟达硬件的结合在加速计算（尤其是AI领域）效率极高，导致大量程序依赖CUDA。随着AMD、英特尔等竞争对手硬件的出现，用户希望在其他平台运行CUDA程序的需求增加。
• 运行方式：
  • 禁止的方式：使用翻译层运行已编译的CUDA二进制文件。
  • 允许的方式：开发者对源代码进行重新编译，以适配其他平台（如AMD的ROCm或英特尔的OneAPI）。
• 英伟达的考量：该禁令旨在维护其在加速计算领域的主导地位，防止其他硬件厂商通过翻译层直接利用CUDA生态系统。
• 行业趋势：尽管翻译层提供便利，但针对特定硬件原生编译的程序通常性能更优。随着AMD、英特尔等公司硬件发展和工具链成熟，长期来看，英伟达CUDA的统治地位可能面临挑战。GPGPU（通用GPU计算）领域的竞争将持续。

📝 Apple 文本编辑器 Paper 的内部机制详解

本文是系列文章的第 2 篇，深入探讨了基于 TextKit 1 的 macOS/iOS 文本编辑器 Paper 的底层实现细节。

🏗️ 核心架构：TextView 的分层设计

Apple 的 TextView（NSTextView/UITextView）是一个极其复杂的组件，其内部被划分为多个协同工作的层次：

1. NSTextStorage：存储原始文本字符串和附加在文本范围上的 属性（键值对），包括字体、颜色等样式信息，并发出文本和属性更改事件。
2. NSTextContainer：定义文本符号（字形）的布局区域形状（通常为矩形）。
3. NSLayoutManager：核心排版引擎。根据 NSTextStorage 中的属性计算字形尺寸和间距，从字体中提取矢量字形，将字符转换为字形，并逐行将字形排版到 NSTextContainer 定义的形状中。
4. TextView：绘制由 NSLayoutManager 生成的字形布局。管理文本输入、选择、光标、边距（textContainerInset）以及拼写检查等功能。
5. ScrollView：显示 TextView 的可见部分并处理滚动。
   • AppKit：由 NSScrollView、NSClipView 和 NSScroller 组合实现。
   • UIKit：UITextView 直接继承自 UIScrollView。

🎨 属性与富文本编辑

富文本的基础是 NSAttributedString，它由纯文本字符串和一组附加在文本范围上的属性（键值对）构成。

• 应用属性：可以为文本范围指定字体、段落样式、下划线等。后应用的属性会覆盖先前在同一位点应用的属性。
• 查询属性：API 设计高效但略显复杂。
  • attribute:atIndex:effectiveRange:：查询指定位点的属性值，返回一个实现定义的有效范围（不一定是最大连续范围）。
  • attribute:atIndex:longestEffectiveRange:inRange:：查询指定位点的属性值，并返回保证为最大连续范围。
  • 也存在查询指定位点所有属性（NSDictionary）及其有效范围的方法。

✨ Paper 的样式处理流程（Markdown 语法高亮）

Paper 将样式处理分为两个层面：

1. 元属性：由 Markdown 解析器定义，用于标识 Markdown 语法的各个部分（如标题、加粗），是纯粹的语义标记，不影响视觉外观。
2. 样式属性：应用于元属性所标识文本范围上的、影响视觉外观的内置属性（如字体、颜色）。

样式更新会在三种事件下触发：打开文档（全量更新）、文本更改（增量更新）、设置更改（仅更新样式属性）。更新流程在一个文本编辑事务中执行：

1. 开始事务：批量处理更改，避免每次属性修改都触发布局重算。
2. 解析 Markdown 结构：更新元属性。
3. 更新影响布局的属性：如 NSParagraphStyle。
4. 结束事务：触发布局重新计算。
5. 更新装饰属性：不影响布局的属性（如纯装饰性颜色），在事务外更新，成本较低。

此外，输入属性（Typing Attributes）会跟随光标位置，用于处理新输入文本的样式。Paper 在 预览模式 下会像富文本编辑器一样使用此功能。

⚡ 性能优化策略

1. 区分属性更新成本：将属性分为影响布局的和不影响布局的，后者（如深色/浅色模式切换）更新成本极低。
2. 智能的输入样式更新：编写了算法来判断新输入字符是否会改变 Markdown 结构。只有在输入特殊 Markdown 符号或其附近存在特殊符号时，才重新解析并更新整个段落的样式；否则，仅依赖输入属性。这显著提升了纯文本输入场景的流畅度。
3. 处理代码块：代码块是跨段落结构，任何更改都可能影响整个文档样式。为保证速度，Paper 对超长代码块会跳过重样式处理。
4. 缓存复杂值对象：频繁使用的 NSFont、UIColor、NSParagraphStyle 等对象会被缓存复用，避免重复创建。

🔍 元属性的关键用途

预解析的 Markdown 结构（存储在元属性中）支撑了多项核心功能：

• 格式快捷键：根据选择范围内现有 Markdown 样式的分布情况，智能地添加、移除或移动样式，并处理冲突样式（如标题与引用不能共存）。
• 章节跳转：通过定位元属性中的标题标记来实现。
• 大纲视图：遍历所有标题以生成文档大纲。
• 章节重排：在大纲中对章节进行重新排序和级别调整。
• 格式转换：将 Markdown 转换为 RTF、HTML 等格式时，依赖元属性遍历文档结构来构建输出。

📐 文本容器数学与对称边距

NSTextContainer 需要维护首选行长，并将剩余空间分配到两侧边距。通过巧妙的 min 和 max 函数组合，实现了在可用空间充足时保持视觉对称、空间不足时优先保证行长、最后保证最小边距的渐进式边距折叠效果。

🖱️ 选择与光标的精妙细节

• 选择锚点：文本选择始终有一个锚点（最初点击的位置），后续通过拖动或键盘扩展/收缩选择时，该锚点决定了操作的方向逻辑。
• 选择亲和性：定义了光标在换行点附近的行为。例如，使用快捷键将光标移动到行尾时，它会附着在该行最后一个空格（或换行符号）的右侧；而用方向键移动时，它会自然地跨行移动。
• 撤销合并：TextView 使用简单的算法：只要没有其他操作中断，连续输入的所有字符（包括间歇和换行）都会被合并为一个可撤销动作。不同编辑器的合并策略可能有所不同。

🔄 跨应用数据交换：UTI 与粘贴板

• 统一类型标识符：一种层次化的数据类型标识系统。public.* 类型由 Apple 定义（如 public.html），开发者可以创建私有类型。它允许应用声明支持某一大类类型（如 public.text）。
• 粘贴板：本质是 UTI 到序列化数据（文本或二进制）的映射字典。一次复制操作通常会写入多种格式以保证兼容性。粘贴时，接收应用会选择自己能处理的最丰富格式。拖放也使用粘贴板（但可能是不同的实例）。
• Markdown 的挑战：作为未被 Apple 定义的“半公开”类型，跨 Markdown 编辑器的复制粘贴容易出现问题。双方可能都导出了 public.rtf 而非 Markdown 原始格式，导致不必要的转换和格式损失。Paper 尝试导出 net.daringfireball.markdown UTI 但未被其他编辑器优先采用。为了提供无缝的跨应用体验（如粘贴到邮件应用为富文本），Paper 仍需同时提供 RTF 格式，但这又导致在编辑器间粘贴时可能产生冗余转换。
• iOS 分享：机制类似粘贴板但有 UI 层，通过 分享扩展 实现，并使用类（如 NSAttributedString）而非 UTI 来标识数据类型。

FanDuel收购事件与清算优先权的教训

2018年7月，Paddy Power Betfair（现更名为Flutter）以4.65亿美元现金收购了FanDuel。表面上看，这似乎是创始团队和员工的重大胜利，但由于两位主要投资者持有强硬的清算优先权，创始人及大多数员工在这笔巨额交易中分文未得。

清算优先权是什么？

清算优先权是投资条款中的核心条款之一，它决定了在收购等清算事件中谁先获得支付及支付金额。由于承担了较高风险，投资者期望在清算时享有“VIP”优先受偿权。普通员工和创始人只能在所有优先股投资者获得分配后，才能参与剩余收益的分配。

清算优先权的构成

清算优先权主要包括两个部分：

1. 优先权倍数：规定投资者可先于普通股东收回其投资金额的一定倍数。例如，投资500万美元并享有2倍优先权，则投资者在普通股东获得任何支付前先收回1000万美元。对创始人而言，1倍优先权显然比3倍优先权更有利。
2. 参与权：决定投资者在收回优先权款项后，是否可继续参与剩余资金的分配。完全参与权或附上限的参与权允许投资者进行“双重获利”。

健康的初创企业通常能争取到更有利于创始人的条款（如左下角的条款），而经营状况不佳的初创企业可能被迫接受更严苛的条款（趋向右上角）。

FanDuel创始人如何受损

FanDuel创始人在融资时，两位主要投资者获得了清算优先权，规定他们在收购中首先获得5.59亿美元。只有收购金额超过5.59亿美元，创始人和员工才能获得收益。由于Paddy Power Betfair的收购价仅为4.65亿美元（低于5.59亿门槛），创始人最终一无所获。

创始人为何无法阻止交易

尽管交易对创始人极为不利，但他们却无力阻止。原因在于创始人同样授予了这两位投资者拖售权。该权利迫使其他股东必须接受投资者做出的决定。文中提到了投资者律师向FanDuel负责人发出的拖售权行使通知，凸显了创始人的无奈。

经验教训：打造具备融资能力的企业

每位创始人都应从此案例中吸取教训，认识到打造健康、具备融资能力的企业至关重要。健康且充满活力的初创企业在融资时能吸引更多投资者，竞争为创始人带来谈判优势，从而争取到更有利的估值、更友好的条款，并以更少的努力获得资金。

Radicle：开源的点对点GitHub替代方案

Radicle是一个开源、去中心化的代码协作网络，旨在作为GitHub的替代方案。其核心特征包括：

• 开源性质：项目完全开放，鼓励社区参与和透明化开发。
• 点对点（P2P）架构：与传统的中心化平台不同，Radicle基于P2P技术构建，旨在实现用户之间的直接交互，减少对中心服务器的依赖。
• 作为GitHub替代品：提供代码托管、协作等类似功能，但采用了不同的技术基础与理念。

该项目鼓励用户探索其去中心化网络。

Shen 编程语言概要

核心定位与目标： Shen 是一门编程语言，其使命是将 Shen 技术的力量带给业界使用的每一个主要编程平台。其名称源于中文“神”，意为“最高的精神”，旨在超越计算机语言之间的分隔。

起源与发展： Shen 源于获奖的 Qi 语言，设计上可在 14 种不同的宿主语言下运行。自 2021 年起，其基础为 S 系列内核，并计划于 2026 年 3 月发布 S41 版本，目前处于积极维护状态。

主要技术特性：

1. 编程范式与功能：支持模式匹配，符合 Lambda 演算一致性，提供用于定义领域特定语言（DSL）的宏，以及可选的惰性求值。
2. 类型系统：具备基于相继式演算的静态类型检查，被认为是函数式编程中最强大的类型系统之一。
3. 集成与扩展性：内置了一个功能完备的 Prolog 系统和一个编译器的编译器。
4. 跨平台与可移植性：拥有一个BSD许可的内核，可在超过15种编程语言（如Lisp、Python、JavaScript、C等）和多种操作系统（Windows、Linux、OS/X）上运行。
5. 成熟度：拥有详尽的文档（相关书籍）并已有15年的使用历史。

资源与支持： 该语言有相关的出版物、支持页面和材料购买链接。

论文标题： 为什么树模型在表格数据上仍然优于深度学习？ (2022)

核心内容摘要：

本文通过大规模基准测试，探究了为何在表格数据任务上，传统的树模型（如XGBoost、随机森林）相较于深度学习方法（神经网络）仍能保持领先性能。

1. 研究方法与基准：

   • 作者构建了一套包含45个来自不同领域数据集的标准化基准，这些数据集能充分体现表格数据的特性。
   • 对多种标准和新颖的深度学习方法以及树模型进行了广泛评估，评估不仅考虑模型拟合效果，还考虑了寻找最佳超参数的效率。
   • 为支持后续研究，作者公开了全部基准数据以及每个学习器耗费约20，000计算小时进行超参数搜索的原始结果。

2. 主要研究发现：

   • 树模型保持领先：在中型数据集（约1万个样本）上，即使不考虑树模型在训练速度上的优势，其性能也优于深度学习方法，仍处于“最优水平”。
   • 差距根源分析：通过对树模型与神经网络不同的“归纳偏置”进行实证研究，作者总结了神经网络在处理表格数据时面临的三大关键挑战。

3. 对神经网络的关键挑战：

   • 对无信息特征的鲁棒性：神经网络需要具备抵抗数据集中无关特征干扰的能力。
   • 保持数据方向性：神经网络需要能够有效保留原始数据中的特征方向信息。
   • 学习不规则函数的能力：神经网络应能轻松学习表格数据中常见的不规则函数关系。

结论：该研究为表格数据领域的模型选择提供了明确依据，并指明了设计针对表格数据专用神经网络架构所需解决的核心问题，旨在推动该方向的进一步研究。

Greptile: 基于代码库的智能问答工具 (YC W24)

核心产品与定位

Greptile 是一款能准确回答复杂代码库问题的工具，旨在帮助开发者减少在理解代码库上花费的时间，从而专注于编写代码。该产品由 Y Combinator 2024 冬季批次孵化。

核心技术突破：超越简单RAG

开发者认为，仅使用简单的检索增强生成（RAG）技术不足以处理代码库。代码库具有图状结构，各部分相互关联，如同复杂的拼图。为此，Greptile 采用了以下关键技术：

1. 智能文档化与嵌入：不直接嵌入代码，而是解析代码的抽象语法树，递归地为树中的每个节点生成文档字符串，然后对这些文档字符串进行嵌入。
2. 混合搜索与智能代理：结合向量相似性搜索和关键词搜索，并创新性地引入“智能代理搜索”。代理会评估搜索结果的相关性，并扫描源代码以跟踪可能重要的引用链接，最终返回相关源代码。

解决的具体问题示例

该系统能够回答简单 RAG 难以解决的问题，例如：

• 定位配置：“认证提供者在哪里配置？”。答案位于一个 options.ts 文件的数组中，但该文件从名称看并不明显与认证相关。Greptile 的代理通过追踪该数组被导入到 auth/route.ts 文件中的链接找到了它。
• 功能实现指导：“如何添加 Postgres 连接器？”。最佳方法是参考已有的 Redis 连接器实现。简单 RAG 可能只检索到部分 Redis 连接器代码，而 Greptile 的代理能跟踪所有相关连接，获取 Redis 连接器涉及的全部代码，并据此生成操作指南。

主要应用场景

开发者（包括来自 Stripe 和 Microsoft 的工程师）正将 Greptile 用于：

• 调试：粘贴错误信息，工具能很好地诊断根本原因并建议修复方案。
• 理解开源项目：适用于分叉仓库、定制修改或集成开源项目的情况。支持在同一对话中添加多个仓库和依赖项以获取完整上下文。
• 解析公司遗留代码：尤其当原始开发者已离职时。

安全与隐私

由于需要访问用户私有代码，Greptile 对安全性极为重视：

• 初始处理后，服务器不存储任何代码。
• 需要时仅通过 GitHub API 拉取代码片段。
• 通过 GitHub 登录时，尽管授权措辞为“代表您行事”，但实际权限仅为只读，且唯一操作就是读取代码以进行索引。

起源与名称由来

该创意源于创始人在 AWS 工作时的经历：面对复杂庞大的代码库、稀疏过时的文档以及远程团队沟通延迟，获取问题答案非常缓慢。名称“Greptile”结合了“grep”（代码搜索工具）和他们想要的一个略带趣味性的名字。

试用与推广

开发者鼓励用户试用，并提供了链接：

• 体验 100 个流行开源仓库：https://app.greptile.com/repo
• 在自己的仓库上使用（需授权）：https://app.greptile.com
• 为尝试大型或私有仓库的用户提供了免费一个月的促销码：HACKERNEWS100

NASA的《失落宇宙》桌面角色扮演游戏冒险摘要

冒险故事背景
NASA推出的首个桌面角色扮演游戏（TTRPG）冒险名为《失落宇宙》。故事设定在一颗流浪行星Exlaris上的城市Aldastron，这里笼罩着一个黑暗谜团：研究宇宙的科学家突然失踪，哈勃太空望远镜也从地球时间线中消失。玩家将扮演一支冒险队伍，揭开这些失落事件的真相。

游戏设计与玩法

• 该冒险设计用于4-7名玩家角色，角色等级为7-10级。
• 它灵活适应各种TTRPG系统，方便玩家使用自己喜爱的规则体系。
• 玩家将挑战经典反派，同时运用和学习科学技能来克服障碍，解锁更多宇宙知识。

可下载资源
NASA提供了游戏材料供下载，包括：

• 游戏玩法指导手册
• Aldastron城市地图（辅助冒险导航）
• 《失落宇宙》海报（可打印使用）

参与与分享
鼓励玩家在冒险过程中通过社交媒体使用标签#NASATTRPG分享经历，增强社区互动。

联系与附加信息

• 记者如有疑问，可联系NASA戈达德太空飞行中心传播办公室的Claire Andreoli和Rob Garner。
• 文章还提及更多Hubble相关在线活动，如文化影响、科学亮点、夜空探索和电子书，但这些是额外资源，与主冒险无直接关联。

椭圆曲线是现代数学中的重要对象，其形式简单（y² = x³ + Ax + B），但连接了基础数学与高深研究，曾在安德鲁·怀尔斯证明费马大定理和现代密码学中起关键作用。2000年，克莱数学研究所将关于椭圆曲线统计的Birch和Swinnerton-Dyer猜想列为七大千禧年问题之一，至今未解。

2022年，一个跨大西洋合作团队利用统计技术和人工智能，在椭圆曲线中发现了完全意外的模式，称为“murmurations”，因其类似鸟群飞行的流动形状而得名。数学家们起初无法解释这些模式，但随后通过一系列论文开始揭示其原因，并证明这些模式不仅出现在特定示例中，也普遍存在于椭圆曲线中。

椭圆曲线的“秩”（rank）与有理解的数量相关，但难以计算；而序列aₚ（与素数p相关，反映曲线在有限域中的解的数量）较易获取。Birch和Swinnerton-Dyer猜想推测了秩与aₚ序列之间的关系。

发现过程始于2020年，Yang-Hui He（伦敦数学科学研究所研究员）与Thomas Oliver（威斯敏斯特大学数学家）和Kyu-Hwan Lee（康涅狄格大学数学家）合作，使用机器学习探索数论模式。他们利用L-functions和模形式数据库（LMFDB）中超过300万条椭圆曲线数据，训练算法预测曲线的秩。Oliver的本科生Alexey Pozdnyakov在分析时，将按导体（conductor）排序的曲线分组（如导体在7500到10000之间的约10000条曲线），并平均了秩0和秩1曲线的aₚ值。绘图时，他观察到两组数据形成两个明显的波浪状模式，这就是“murmurations”的首次发现。Pozdnyakov没有标准化aₚ值（传统上专家会这样做），这使得振荡更加明显。

麻省理工学院的Andrew Sutherland进一步验证，使用更大数据库（超过10亿条曲线）发现模式具有尺度不变性，且不仅限于椭圆曲线，也出现在更一般的L-functions中。2023年，普林斯顿大学的Nina Zubrilina在模块形式中证明了murmurations的显式公式，称为Zubrilina murmuration密度公式，用复杂数学工具给出了精确解释。其他数学家如Jonathan Bober等人也证明了其他类型murmurations的存在。

这些发现突显了机器学习在数学中的应用潜力：AI算法在数百维参数空间中发现了隐藏模式，而人类难以可视化。模式的发现也依赖于数据排序方式（按导体）和Pozdnyakov的初学者视角，避免了传统标准化。目前，每周都有新论文出现，进一步解释murmurations的不同方面，推动了对椭圆曲线及相关数学对象的理解。

文章标题：我每年花8,500英镑住在火车上

• 核心人物与选择：17岁的德国数字游民拉塞·斯托利（Lasse Stolley）选择了一种非传统的生活方式——常年居住在德国铁路公司的火车上。他是一名自雇程序员，在移动中工作与生活。

• 生活成本与方式：这种生活每年花费约10,000欧元（约合8,500英镑）。他使用德国铁路的无限次年卡，白天在一等座车厢工作，晚上在夜班火车上睡觉。洗漱依赖公共游泳池或休闲中心，早餐则在德铁休息室解决。他每天平均行驶约600英里（约960公里），足迹遍及德国。

• 动机与灵活性：拉塞于16岁时决定开始这种生活，离开家乡，追求自由与探索。他每天可以自由决定目的地——无论是前往海边、大城市还是阿尔卑斯山区，完全灵活自主。

• 挑战与适应：尽管生活自由，但也面临挑战。他必须每晚确保赶上夜班火车，并随时应对火车延误或取消的情况，有时需迅速调整计划。早期几个月很艰难，需要学习许多事情。

• 极简主义与行李：由于空间有限，他奉行极简主义，行李只带必需品，包括笔记本电脑和降噪耳机（以在火车上获得些许隐私）。他刻意避免积累物品。

• 家庭支持与法律：经过说服，他的父母在了解法律方面后支持了他的决定，并帮他卖掉了大部分个人物品。

• 旅程与反思：在过去的18个月中，拉塞已行驶超过50万公里。他特别喜欢中莱茵河谷（美因茨到波恩之间）的沿途风景，列车沿河缓慢行驶，景色如画。虽然生活节奏匆忙，但他通过欣赏窗外风景来放松。他的无限次年卡还有五个月有效期，表示尚未看遍德国，将继续这种生活。

这篇文章讲述了作者为寻找适合Apple Vision Pro的最佳键盘/触控板组合，意外打造出名为“MacPad”的混合设备的过程。

项目缘起与目标

作者最初每天使用Vision Pro，发现需要外接键盘进行长文本输入。尝试多种方案（如Magic Keyboard/Trackpad组合、Brydge键盘等）后，发现最佳方案是直接使用MacBook笔记本电脑，通过“Mac虚拟显示器”和“通用控制”功能在Vision Pro上工作。受Luke Miani视频启发（展示可“无头”使用MacBook），作者开始思考：既然很少看MacBook的屏幕，是否可移除屏幕，并进一步将MacBook Air与iPad Pro合二为一，创造一个兼具笔记本电脑和平板电脑功能，同时能作为Vision Pro理想输入设备的“MacPad”。

技术实现与硬件改造

1. 打造“无头”MacBook Air：
   • 解决启动登录问题：为应对Mac重启后无屏幕输入密码的挑战，作者禁用了FileVault加密，并确保屏幕共享（VNC）开启。这样，即使无物理显示器，也能通过同一网络上的iPad（使用Screens VNC客户端）连接并输入密码。
   • 物理拆卸屏幕：作者严格按照Luke Miani的视频指南，使用合适工具拆卸了13英寸M2 MacBook Air的屏幕。他指出，对于Mac笔记本，无需购买“HDMI欺骗器”，因为系统会认为内置显示器仍连接。
2. 连接iPad Pro作为显示器：
   • 磁性安装系统：作者使用Rolling Square Edge Pro Core磁性支架。在MacBook Air底部粘贴三个磁性底座，并将三个磁铁安装在一个改装过的ESR智能保护套背面。这样，iPad Pro可以牢固地磁吸在MacBook Air键盘上方，形成笔记本形态，且支持多种可调角度。
3. 软件配置：实现无缝双系统切换：
   • 核心工具Sidecar：利用Sidecar将iPad Pro作为Mac的扩展或主显示器。
   • 革命性解决方案Sidecar Launcher：作者使用开发者Jovany Ocasio的开源项目Sidecar Launcher及其改良版快捷指令。该工具利用私有API，实现了从iPad端一键启动或断开与Mac的Sidecar连接，无需事先操作Mac的图形界面，极大提升了效率。作者进一步优化，使其成为一键开关。
   • 主显示器设置：在macOS中将Sidecar显示的iPad设为主显示器。

“MacPad”的使用模式与体验

作者描述了“MacPad”的多种使用场景和优势：

1. macOS笔记本模式：iPad吸附在MacBook Air上，通过Sidecar作为Mac主屏工作。作者认为Sidecar无线连接（在5GHz Wi-Fi下）几乎无延迟和伪影，体验接近原生显示器。
2. 混合模式（macOS + iPadOS）：在Sidecar显示macOS界面时，可通过从右侧边缘滑出调出iPadOS的“侧拉”窗口，同时使用iPadOS应用（如信息、家庭）。画中画播放器和通用剪贴板等功能也正常工作。作者认为这种组合充分利用了苹果生态的一致性。
3. iPadOS平板模式：将iPad从磁吸结构上取下，即可作为独立的iPad Pro使用。
4. 通用控制模式：断开Sidecar后，可利用“通用控制”功能，用MacBook Air的键盘和触控板直接控制独立的iPad Pro。
5. 作为Vision Pro输入设备：在不使用MacPad时，无头MacBook Air本身就是Vision Pro“Mac虚拟显示器”的完美伴侣，提供强大的输入体验。
6. 桌面简化：连接Studio Display时，无头MacBook Air仅需一根Thunderbolt线缆即可获得显示器、以太网和供电，取代了原本需要的独立键鼠。

评估、问题与未来展望

• 硬件选择：作者尝试后认为11英寸iPad Pro与MacBook Air的组合在重量（约1650克，仅比14英寸MacBook Pro重100克）和便携性上更佳。
• 解决的问题：
  • 无Wi-Fi环境：使用GL-iNet便携路由器通过iPhone热点创建本地网络。
  • 自动解锁问题：由于无屏幕开合，MacBook的Apple Watch自动解锁会异常触发，故禁用。
  • 充电：分别通过USB-C充电，且MacBook Air因无内置屏幕，电池续航显著提升。
• 总结与展望：作者认为“MacPad”的成功是苹果生态系统强大整合能力的证明。Sidecar、通用控制和Mac虚拟显示器等技术表现出色。他希望苹果未来能官方推出此类可转换设备，并期待未来换用OLED屏的iPad Pro能进一步提升体验。整个项目始于对Vision Pro键盘的探索，最终实现了作者梦寐以求的、兼具Mac与iPad优势的混合电脑。

Based 架构：高效线性注意力语言模型

本文介绍了 Based 架构，一种简单高效的语言模型设计。它通过结合滑动窗口注意力和线性注意力两种经典原语，实现了高质量的语言建模、强大的关联召回能力以及显著的推理效率提升。

核心洞察：召回能力与内存状态的权衡

研究发现，现有高效架构（如Mamba、RWKV等）虽然在推理时速度和内存消耗上优于Transformer，但在关联召回能力上表现较弱，而这对上下文学习至关重要。更深入的分析揭示了一个根本性的权衡：模型在推理时使用的递归状态内存越小，其关联召回性能通常越差。标准注意力的KV缓存状态随序列长度增长，能实现完美召回但内存开销巨大；而滑动窗口注意力通过限制窗口大小来控制状态尺寸，但召回能力会随之下降。

Based 架构设计：简单组合，卓越性能

为了在不牺牲召回能力的前提下提升效率，Based设计了一种简单架构：

1. 两种互补的原语：
   • 滑动窗口注意力（使用很小的窗口，如64）：擅长精确的局部令牌交互和移位，这对召回至关重要。小窗口可利用GPU张量核心的特性，在保持速度的同时提供关键的局部精确性。
   • 线性注意力（使用泰勒级数近似softmax）：擅长建模全局的长程令牌交互，且其递归状态大小固定，不随序列长度增长。
2. 可调权衡：通过调整线性注意力的特征维度和滑动窗口大小，Based可以在“召回能力”与“吞吐量/内存”之间平滑地导航，找到帕累托最优解。

性能表现

• 任务质量：在语言建模（Pile数据集）和标准零样本基准上，Based与Mamba等架构竞争力相当。在专门的召回密集型任务（如信息抽取、阅读理解）上，Based显著优于所有之前的亚二次架构（包括Mamba），平均准确率高出6.22个百分点。
• 推理速度：
  • 在处理4k长度的提示时，Based比FlashAttention-2快56%，比Mamba快44%。
  • 在生成阶段（预测1024个令牌，批大小128），Based的吞吐量比FlashAttention-2高出24倍。

关键技术实现：IO感知算法

线性注意力的理论效率优势在实践中常因不优的实现而无法体现。特别是Based使用的二阶泰勒近似会扩大键值维度，导致中间状态变大。

• 本文提出了IO感知的新算法，针对泰勒线性注意力的前向传播和推理过程进行了优化。
• 核心思想是减少GPU中慢速HBM与快速SRAM/寄存器之间的数据搬运。新算法能大幅减少数据移动量，并使得键值状态可以保持在寄存器中，从而实现了显著的速度提升。
• 这些算法基于一个名为ThunderKittens的新型CUDA领域特定语言实现，旨在提高CUDA开发的易用性。

结论

Based架构证明，通过精心组合两种简单、硬件友好的原语，并辅以针对硬件数据流优化的实现，可以在不显著增加复杂性的前提下，同时获得强大的语言建模质量、优异的召回能力以及极大的推理效率提升。该项目已开源，相关代码与模型可在Hugging Face及GitHub仓库获取。

摘要

美国空军正在评估Pivotal公司的Blackfly超轻型电动垂直起降（eVTOL）飞机。这架个人eVTOL飞机售价190,000美元，吸引了美国空军Afwerx创新部门的关注。飞机设计用于娱乐飞行，现更名为Helix（原名Blackfly），具有小巧和便携的特点。

如何使用 Golang 管理1型糖尿病

本文作者是一名1型糖尿病患者，同时也是Cloudflare的工程经理。他借鉴工程领域的“事件管理”思维，利用Golang构建了一个个人血糖监控与应急响应系统，以更好地管理病情。

1. 背景与挑战

• 1型糖尿病：一种自身免疫疾病，患者胰腺无法产生胰岛素，需终身注射胰岛素并持续监测血糖。血糖过高或过低都会带来严重健康风险。
• 管理难点：需要根据食物碳水含量、运动、健康状况等多种变量动态调整胰岛素注射量，这对日常决策（如饮食、运动）构成挑战。
• 现有设备局限：作者使用的雅培瞬感血糖仪是闭源设备，无API或SDK，且偶尔出现读数中断、无法报警的情况。

2. 核心技术方案

作者将血糖管理视为一个分布式系统监控问题，采用“事件管理”框架，利用以下工具链构建解决方案：

• 数据采集：

  • 使用 Miao Miao 设备覆盖在血糖仪上，每2分钟扫描一次血糖值并发送至配套的“Tomato”应用。
  • 通过 Golang 编写Echo服务器（使用 encore.dev 部署）拦截并解析设备发送的数据包，获取关键字段：血糖值(sgV)、时间戳(dateString)、趋势方向(direction)。

• 数据存储与可视化：

  • 使用 Prometheus 指标库创建“血糖计量表”，实时记录血糖值。
  • 数据同时存入 PostgreSQL 数据库（采用“尽力而为”的写入策略，避免主流程失败）。
  • 使用 Grafana 构建实时仪表板，展示血糖趋势，并设置理想范围（4-9 mmol/L）。

• 上下文注解与交互：

  • 开发 Telegram 机器人，作者可通过发送消息（如“eat 30 pizza”、“walk 15”）为血糖图表添加事件注解（如饮食、运动）。
  • 机器人后端同样用Golang编写，解析消息并调用注解服务。

• 告警与事件管理：

  • 自动告警：设置定时任务（Cron），每5分钟检查血糖值，若低于阈值则自动触发事件。
  • 手动触发：可通过Telegram发送“I need help”紧急消息触发事件。
  • 事件集成：使用 incident.io（一个Go语言编写的事件管理平台）创建正式事件，支持：
    • 设定严重级别和升级策略。
    • 若事件未及时关闭，自动向紧急联系人发送短信。
    • 生成事件报告，用于长期分析低血糖发生频率和趋势。

3. 系统实现关键点

• Golang的优势：作者强调，使用Go编写Echo服务器、Webhook处理和事件集成逻辑非常简洁高效，代码量少且易于部署。
• 架构思路：将医疗设备数据流视为“系统遥测数据”，将低血糖事件视为“生产事故”，套用成熟的DevOps监控和事件响应实践。
• 容错设计：系统各组件（数据采集、存储、告警）松耦合，即使数据库写入失败，核心的监控和告警功能仍能继续工作。

4. 成果与价值

• 实时可视化：作者和家人可随时通过Grafana仪表板查看血糖状态。
• 上下文丰富：通过Telegram添加的注解，使血糖数据与生活事件关联，便于分析和回顾。
• 安全兜底：建立了从自动检测、手动求助到联系人升级的完整应急流程，提升了独自生活的安全性。
• 数据驱动：长期积累的数据可用于生成报告，帮助发现治疗趋势（如低血糖事件是否增加），为调整胰岛素方案提供依据。

5. 未来计划

• 自动关闭事件：血糖恢复正常后自动关闭事件。
• 数据分析与AI：利用积累的血糖数据训练模型，进行更深入的分析和问答。
• 扩展指标：增加如糖化血红蛋白（HbA1c）等更多专业指标。
• 增强可靠性：增加更多系统冗余和故障保护机制。

总结

作者利用自己的工程技能，特别是Golang和云原生工具栈，将一个严肃的慢性病管理问题转化为一个可监控、可度量、可应急的“系统运维”项目。这不仅提升了个人生活质量和安全感，也生动体现了“编程即超能力”的理念。

Stable Diffusion 3 研究论文摘要

核心概要

该研究论文详细阐述了 Stable Diffusion 3（SD3）模型的技术细节。SD3 在排版质量、提示遵循度和视觉美学方面，基于人类偏好评估，优于当前最先进的文本到图像生成系统（如 DALL·E 3、Midjourney v6、Ideogram v1）。

关键技术创新

1. 多模态扩散 Transformer（MMDiT）架构：

   • 核心改进在于为图像和语言表示使用两组独立的权重。
   • 该架构类似两个独立的 Transformer，但在注意力操作中连接两种模态的序列，使信息能在图像和文本 token 之间流动，显著提升了文本理解和拼写能力。
   • 架构设计易于扩展至视频等更多模态。

2. 改进的训练方法（修正流重加权）：

   • 采用修正流（Rectified Flow） 公式进行训练，使数据和噪声在训练期间沿直线轨迹连接，从而获得更直的推理路径，允许用更少的采样步骤生成图像。
   • 引入了新颖的轨迹采样计划，在训练中给予轨迹中间部分更多权重（假设这些部分预测任务更具挑战性），从而持续提升了模型性能。

3. 灵活的文本编码器：

   • 模型使用三个文本嵌入器：两个 CLIP 模型和一个 T5 模型。
   • 移除内存占用较大的 4.7B 参数 T5 编码器可显著降低推理内存需求，对视觉美学和文本遵循度影响较小，但会明显降低排版生成（尤其是处理复杂提示和大量文本时）的性能。

性能与可扩展性

• 基准对比：在人类评估测试中，SD3 在提示遵循、排版和视觉美学方面均优于或持平于一系列开源和闭源模型。
• 模型缩放：通过从 450M（15个模块）到 8B（38个模块）参数的模型缩放研究发现，验证损失随模型规模和训练步数的增加而平滑下降，且与自动指标和人类偏好评分强相关，表明性能有进一步提升空间。
• 硬件要求：最大的 8B 参数模型在消费级硬件（如 24GB 显存的 RTX 4090）上，生成一张 1024x1024 图像（50 个采样步骤）约需 34 秒。初期发布将提供从 800M 到 8B 参数的多种模型版本，以适应不同硬件条件。

总结

Stable Diffusion 3 通过引入新的 MMDiT 架构、改进的修正流训练方法以及灵活的编码器设计，在文本到图像生成任务的多个维度上取得了领先性能，并展现出良好的扩展潜力。

Talos Linux 精简二进制文件概述

设计理念

Talos Linux 采取与传统发行版相反的设计思路：不是从通用 Linux 系统裁剪而来，而是从零开始为 Kubernetes 专门构建，仅包含运行集群所必需的组件，从而极大减少了系统文件数量。

二进制文件数量变化

• Talos 1.7.0 版本仅包含 12 个 唯一二进制文件（位于 /bin 和 /sbin）。
• 更新至 Talos v1.11 版本后，二进制文件数量增长至 少于 50 个。
• 与其他发行版默认安装的二进制文件数量对比（包括符号链接/硬链接）：
  • Ubuntu Server 22.04：2780 个
  • Amazon Linux 2：1382 个
  • Flatcar Container Linux：2391 个
• 极少的二进制文件有助于缩小系统体积、降低维护成本并减少潜在安全漏洞。

核心二进制文件功能

1. /sbin/init (硬链接至其他文件)：

   • machined：Talos 的核心初始化进程，专为运行 Kubelet 和容器运行时设计，通过声明式 API 配置和维护系统。
   • dashboard：提供节点本地和远程信息。
   • poweroff/shutdown：用于关闭节点的命令。
   • wrapperd：以降低的权限派生进程，移除父进程继承的过多内核能力（如 CAP_SYSADMIN）。

2. 容器运行时相关：

   • /bin/containerd：容器运行时。
   • /bin/containerd-shim 和 /bin/containerd-shim-runc-v2：容器执行 shim。
   • /bin/runc：容器的实际父进程，守护进程模式运行。

3. 系统功能支持：

   • /sbin/modprobe：管理内核模块（通过系统扩展添加模块）。
   • /sbin/lvm：逻辑卷管理（为 Kubernetes 中可能需要此功能的服务提供）。
   • /sbin/dmsetup：管理基于 device-mapper 的逻辑卷。
   • /sbin/udevd：设备管理守护进程，处理内核消息。
   • /sbin/mkfs.xfs 和 /sbin/xfs_repair：分别用于创建和修复 XFS 文件系统。
   • /sbin/xtables-legacy-multi：被 iptables 等命令符号链接，用于配置主机网络规则，供容器网络接口（CNI）使用。

总结

系统中的每一个二进制文件都是引导 Kubernetes 集群或作为集群节点运行所必需的。Talos Linux 因此被称为“Kubernetes 操作系统”。位于 /lib 和 /usr 中的其他可执行文件（如 .so 和 .ko 文件）是系统驱动和程序运行所必需的，但不被直接调用。

利用Linux Flowtables优化网络性能

Ubicloud构建开源云服务替代AWS时，大量使用Linux KVM运行虚拟机。其网络栈需提供传输加密、动态IPv4分配和灵活防火墙规则。加密可通过网卡卸载实现，而IPv4分配与防火墙则依赖Linux的Netfilter/Nftables子系统。为节省CPU周期，团队探索了flowtables——一种内核网络加速功能，其作用类似于路由缓存，能记住特定连接的路由决策，从而减少重复的包处理步骤。

背景：Ubicloud的网络架构

Ubicloud采用控制平面与数据平面分离的模式。控制平面管理数据模型并协调变更；数据平面使用开源软件，在Linux主机上执行网络规则。防火墙规则和IPv4分配通过Netfilter实现：防火墙使用包过滤功能，IPv4分配则使用网络地址转换（NAT）功能。

防火墙规则示例

以允许VM（IP:12.12.12.12）的TCP端口5432流量为例。当数据包到达主机时，经路由查转发至VM，并经过Netfilter的pre-routing、routing、forward、post-routing等钩子。在forward阶段应用预设的过滤规则（如ip saddr 0.0.0.0/0 tcp dport 5432 ip daddr 12.12.12.12 accept），若匹配则通过，否则执行表策略动作。该流程涉及多个处理阶段，存在优化空间。

Flowtables的优化原理

Flowtables通过缓存连接状态的处理决策来优化包转发路径。启用后，内核无需为每个数据包重复执行路由查找、规则匹配等步骤，从而降低CPU使用率，提升网络吞吐量和降低延迟。其与Netfilter集成良好，启用过程简单。

实现效果

在Ubicloud的数据平面中引入flowtables仅需7行代码。为验证效果，团队使用PostgreSQL的pgbench工具进行基准测试。测试在宿主机上运行，以隔离网络跳变影响，专注于测量一次SELECT查询的端到端延迟。

• 未启用flowtables时，平均延迟为0.127毫秒。
• 启用flowtables后，平均延迟降至0.118毫秒，降低了7.5%。

基准测试说明

测试采用单客户端、单线程配置，以突出网络处理优化的效果。实际场景中延迟收益可能略低（因测试未计入真实网络延迟），但flowtables对CPU周期的节省可能比延迟改善更重要。

结论

Ubicloud通过在其数据平面引入Linux内核的flowtables功能，以极小的代码改动（7行）实现了显著的网络性能提升（延迟降低7.5%）。该优化基于Netfilter/Nftables的可靠框架，展示了flowtables在云环境网络处理中的价值。团队持续探索网络层改进，以提升整体系统效率。

注：本文技术参考来自Andrej Stender的博客文章《Flowtables: A Netfilter nftables Fastpath》。

亚当·奥斯本：个人计算机先驱的兴衰启示录

亚当·奥斯本是一位在个人计算机早期发展中与史蒂夫·乔布斯齐名，却最终被历史遗忘的先驱。他的故事不仅是一段商业史，更是一则关于创始人心理、市场策略与管理失误的经典案例，其教训至今仍在商学院中被反复探讨。

早年经历与性格塑造

奥斯本的人生起点颇为特殊。幼年在印度与母亲一同生活在精神领袖拉玛纳·马哈希的修行所，过着平静、注重精神与自由探索的生活。11岁时，他被送往英国寄宿学校，经历了巨大的文化冲击。为了适应环境，他刻意重塑自己，抛弃了印度口音和穿着，培养出一种近乎表演性的魅力与野心。这段经历在他内心深处埋下了对父母“抛弃”自己的怨恨，也催生了一种永不回头、不断向前的躁动力量。这种性格成为他日后创业的动力源泉，也为他拒绝审视问题埋下了伏笔。

崛起：瞄准“足够好”的市场与软件捆绑革命

在目睹Altair 8800引发的计算机革命后，奥斯本敏锐地意识到，计算机的未来在于普通消费者而非技术爱好者。他观察到苹果的成功在于出色的客户支持与商业化运作，并提出了一个核心理念：“充足即可，其他皆无关紧要”。他不需要创造最美或最先进的电脑，只需提供一台能满足90%基础商务需求的“足够好”的机器。

基于此理念，他设计了Osborne 1——世界上第一台真正意义上的便携式计算机。更重要的是，他彻底改变了商业模式：

1. 软件捆绑：在软件单独售价高昂的年代，Osborne 1随机捆绑了价值超过2000美元的常用商业软件（文字处理、电子表格、BASIC等），且无需用户额外付费。他凭借个人魅力和谈判技巧，以极低的固定成本或公司股份换取了这些软件的永久授权。
2. 低价策略：以1795美元的定价，显著低于主要竞争对手。

1981年，Osborne 1在计算机展会上一鸣惊人，凭借实用性和超高的性价比迅速获得订单。公司通过直接销售给经销商（而非通过分销商）来保持增长动量，销量飞速攀升，公司估值迅速达到1亿美元，被誉为硅谷的明星。

衰落：“奥斯本效应”与管理失控

奥斯本的衰落与他的崛起同样迅速和戏剧性。其崩溃是多重因素叠加的结果，核心在于他对“动量”的病态执着和公司基础管理的彻底缺失。

1. “奥斯本效应”：这是商业史上一个著名教训。1982年底，公司为IPO造势，过早、高调地宣传了下一代产品“Osborne Executive”。消费者和经销商纷纷取消现有Osborne 1的订单，转而等待新品，导致销量骤降，现金流瞬间枯竭。尽管奥斯本后来辩称真实原因更为复杂，但这一效应已成为经典案例，警示企业过早宣布未来产品对现有销售的致命打击。

2. 劣质的财务管理与产品控制：

   • 公司财务管理混乱不堪，甚至曾因电脑故障导致两周未能开具发票，而管理层无人知晓。
   • 为追求“动量”，产品不断迭代，但生产质量控制严重缺失。Osborne 1的故障率高达10-15%，是行业平均水平的五倍。频繁的质量问题和退货潮（每次新产品发布的“波浪”都会引发退货“波浪”）使得现金流极为脆弱。
   • 直接销售模式虽然增长快，但也使得公司直接暴露于经销商的退货风险之下，缺乏缓冲。

3. 领导层矛盾与救赎失败：为挽救公司，奥斯本引入了经验丰富的管理者鲍勃·约尼奇准备IPO。但两人理念根本对立：奥斯本要不惜一切代价维持增长动量；约尼奇则需要先暂停扩张，整顿生产和财务，夯实IPO基础。在内耗中，任何一方都无法实施有效的解决方案，公司最后的救命稻草——IPO——也未能实现。

最终，一系列资金周转危机耗尽了所有可能性，公司于1983年申请破产。

结局：回归与和解

破产后，奥斯本创立了新公司，但再次失败。1991年，健康恶化的他回到童年的故乡印度泰米尔纳德邦。在那里，他与家人重新建立联系，并最终与自己的过去和解。他认识到，自己不必在“印度的亚当”和“硅谷的奥斯本”之间二选一，他可以同时是两者。生命的最后几年，他生活在泰米尔纳德的山丘中，获得了久违的平静，于1994年去世。

核心启示

亚当·奥斯本的故事提供了多层次的反思：

• 商业策略：“足够好”的产品定位和软件捆绑是天才的创新，能快速打开市场。
• 管理教训：“奥斯本效应”警示了营销节奏的重要性；而健康的现金流、严格的成本控制和坚实的产品质量是任何快速增长的基石，否则动量将瞬间变为崩塌。
• 个人维度：创始人的心理创伤和性格特质（如奥斯本对动量的执念、对回溯过去的抗拒）可以是创业的动力，也可能成为阻碍公司健康发展的盲点。最终，商业上的失败或许促使他完成了迟来的自我认知与人生和解。