32 篇热帖
巴塞罗那圣家堂将于2026年完工，届时距离1882年开工已逾140年。管理方在最新年度报告中确认，最后一座塔楼（耶稣塔）将在2026年完成结构建造，圣母升天堂则计划于2025年完工。
这篇文章探讨了在Rust中为何选择 async/await 而非操作系统线程，主要论点如下：
尽管线程能完成 async/await 的工作，且看似更简单，但 async/await 在特定场景下具有独特优势。
async/await 模式，它通过状态机和执行器实现协作式并发。async/await 的优势async/await 最强大的优势。它能轻松将复杂的逻辑（如超时、重试、负载均衡）组合到现有的异步操作中。race 组合即可，代码清晰简洁。async 代码通常针对 trait（如 AsyncRead + AsyncWrite）而非具体类型编写，因此可以无缝用于TCP流、Unix套接字、文件甚至自定义的压缩流等多种I/O源。async/await 能更自然、优雅地表达。async/await 能保持代码的整洁和可组合性。async/await 的性能收益（其本身是情境性的），却忽略了其语义优势——即作为一种编程模型，它能更简洁、强大地表达特定并发模式。async/await 与同步编程体验完全一致。他认为两者本质不同，应拥抱差异，并突出 async/await 在组合性和表达力上的核心优势。选择 async/await 的主要原因并非单纯为了性能，而是为了其强大的组合能力和表达复杂并发模式的语义优势。当需要构建可扩展、可组合的I/O密集型服务或需要精细控制并发流时，async/await 是比操作系统线程更合适、更强大的工具。
Jampack 是一个后处理工具，用于优化静态网站生成器（SSG）的输出，以提升用户体验和 Core Web Vitals 分数。它不是打包器或框架，而专注于在构建后对静态网站进行优化。
srcset、sizes、loading="lazy" 和 decoding="async" 属性。示例显示本地图像和 CDN 图像（如 Unsplash）均可优化。_jampack/），生成响应式版本。.html, .htm：使用 html-minifier-terser.css：使用 lightningCSS.js：使用 esbuild 或 swc.svg：使用 svgo.jpg, .png, .webp, .avif）：使用 sharp快速使用命令为：npx @divriots/jampack ./dist，优化指定文件夹（如 dist）中的静态网站。更多选项可参考 CLI 文档。
Jampack 已用于多个网站，包括 keycloak.ch、bayjs.org、qwind.pages.dev、Bloycey's Blog、gxanshu.in、cloudcannon.com 和 groupsync.app。
名称“jampack”结合了“Jam”（来自 Jamstack）和“pack”（类似90年代的可执行文件打包器）。软件基于 MIT 许可证发布。
Pyenv 是一个用于在用户级别轻松切换多个 Python 版本的工具。它简单、低调，遵循 UNIX 单一功能工具的传统。该项目 fork 自 rbenv 和 ruby-build，并为 Python 进行了修改。
PATH 来工作（使用 shim 机制）。pyenv-virtualenv 插件自动化。curl -fsSL https://pyenv.run | bash~/.pyenv，可选编译动态 Bash 扩展。brew update && brew install pyenv。pyenv-win fork。需在 Shell 配置文件（如 ~/.bashrc, ~/.zshrc, ~/.profile）中添加以下命令：
export PYENV_ROOT="$HOME/.pyenv"
[[ -d $PYENV_ROOT/bin ]] && export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init - bash)" # 根据 Shell 类型调整，如 zsh、fish 等
然后重启 Shell 以使更改生效。
在安装新 Python 版本前，需先安装系统构建依赖。
pyenv install <version>：例如 pyenv install 3.10.4。pyenv install -l：列出所有可用版本。pyenv install 3.10 安装 3.10.x 最新版）。pyenv shell <version>：仅对当前 Shell 会话生效。pyenv local <version>：在当前目录（及子目录）自动选择。pyenv global <version>：为用户账户全局选择。system 版本名可重置为系统 Python。可指定多个版本（如 pyenv global 3.11 3.12），命令将按顺序搜索这些版本的可执行文件。
pyenv uninstall <versions>：或手动删除 $(pyenv root)/versions/<version> 目录。Pyenv 通过将 shim 可执行文件 注入 PATH 前端来拦截 Python 命令，并根据配置确定使用哪个 Python 版本。
rehash 保持与所有已安装版本中的命令匹配。PYENV_VERSION 环境变量。.python-version 文件。.python-version 文件。$(pyenv root)/version 文件。system 版本（即 shim 路径之后系统 PATH 中的 Python）。$(pyenv root)/versions 中的 Python，或通过 pyenv exec <command>。PYENV_VERSION, PYENV_ROOT, PYENV_DEBUG 等可控制行为。Pyenv 支持通过插件扩展功能，插件目录位于 $PYENV_ROOT/plugins/。
brew upgrade pyenv。$(pyenv root) 目录执行 git pull。$(pyenv root) 目录。DongleHider+ 框架笔记本扩展卡概述
DongleHider+ 是一款专为 Framework 笔记本设计的扩展卡，其核心功能是允许用户将 Logitech Unifying 或类似尺寸的无线接收器永久内置在卡体内，从而在不占用额外扩展卡槽的情况下，始终保持一个可用的 USB-A 端口。卡内预留了空间与焊盘，理论上可安装 1-2 个额外的接收器。
兼容性与行为测试（基于 Windows 系统及 Framework 13/16 AMD 型号）
支持的接收器
PCB 与机械设计
Aegis v3.0 是一款免费、安全且开源的双因素认证（2FA）应用程序，专为 Android 平台设计。
适用于注重隐私安全、希望自主管理 2FA 令牌的 Android 用户，尤其适合开发者和安全爱好者。
可通过 F-Droid 或 GitHub 直接下载安装，详细文档与源码均托管在 GitHub 仓库。
Monolith 是一款命令行工具，用于将完整的网页保存为单个HTML文件，便于存储和分享。
wget -mpk，它通过将资源转为数据URL嵌入，确保浏览器完美还原原始页面。支持跨平台安装，包括：
通过命令行调用，常用格式示例：
monolith URL -o 输出文件.html
支持从标准输入读取内容并处理：
cat 网页.html | monolith 参数 - > 输出文件.html
-a/-c/-f/-F/-i/-j/-v：排除音频、CSS、框架、网络字体、图片、JavaScript、视频等资源。-b URL：设置自定义基URL。-d/-B 域名：白名单/黑名单域名，控制资源来源。-I：隔离文档（禁用外部请求，仅保留页面内部引用）。-o 文件：指定输出文件路径（-表示标准输出）。-m：输出为MHTML格式而非HTML。-M：不添加时间戳和URL信息。-k：接受无效的X.509证书。-t：设置网络请求超时。-u：自定义User-Agent。-d和-B精细控制可访问的域名。--dump-dom）后再通过Monolith保存。Monolith 解决了传统网页保存的碎片化问题，实现了“一键归档”，特别适合数据收集和离线阅读场景。
过去两年间，围绕大型语言模型（LLM）的研究中出现了一个关键现象：在一些基准测试（如BIG-bench）中，LLM 的某些能力（如三位数加法）在模型参数规模跨过某个阈值后，会突然出现，而非平滑提升。研究者将此现象比作物理中的“相变”，并称之为“涌现能力”，认为这是系统复杂度达到一定高度后才集体显现的、不可预测的突破性行为，对 AI 的安全与潜力讨论至关重要。
然而，斯坦福大学的一项新研究对此提出了挑战。该研究认为，所谓的“涌现”可能是一种测量方法导致的假象，而非模型内部工作机制的突变。
研究的核心论点在于，能力的“突然出现”取决于研究者如何定义和测量性能。例如，在三位数加法任务中，早期评估仅采用“完全正确”的二元指标：要么所有数字完全准确，要么得零分。在这种标准下，模型在参数规模较小时尚无法完美作答，表现为零分；而当参数增长到一定规模（如130亿或680亿）后，便突然“学会”了正确计算，形成了视觉上的“跳跃”。
斯坦福的研究人员调整了评估标准，引入了允许部分正确的渐进式指标（例如，依次检查每一位数字的预测准确性）。结果发现，随着模型参数量的增加，LLM 在加法任务中逐步展现出对数字序列越来越准确的预测能力。这一过程是平滑且可预测的，而非跳跃式的。
因此，该研究得出结论：LLM 随着规模扩大而变得更强大、能处理更复杂任务的趋势是客观存在的。但能力的展现方式——是看似突变的“涌现”还是平滑的渐进——很大程度上由我们选择的测量尺度决定。当评估指标从“全有或全无”变为允许程度性进步时，“涌现”的现象便会消退，揭示出能力发展是一个持续、渐进的过程。
这项研究促使我们重新审视对AI能力发展的理解，强调了在讨论模型突破性进展时，审慎定义和选择评估标准的重要性。
该内容是一个错误消息，指出在x.com网站上出现了问题，提示用户无需担心并建议再次尝试。消息提到，一些与隐私相关的扩展可能导致网站问题，因此建议禁用这些扩展后重试。
《人人都是约翰》游戏概述
《人人都是约翰》是一款适用于三人或以上的竞争性角色扮演游戏。游戏中，一名玩家担任主持人（称为“其他人”），其余玩家扮演名为“约翰”的精神病人头脑中的多个“声音”人格。约翰居住在明尼阿波利斯，行为完全失控，而各个“声音”通过竞标与掷骰争夺对其身体的临时控制权，以完成各自的“痴迷目标”。
核心机制
角色设定：
每个“声音”拥有：
行动判定：
当控制约翰的“声音”尝试可能失败的行动时，需掷六面骰：
控制权争夺：
在约翰醒来、受伤、当前“声音”行动失败或完成痴迷目标时触发。所有“声音”暗标意志力，出价最高者获得控制权（平局则掷骰决胜），胜者扣除所出意志力。
游戏流程：
胜利条件
统计各“声音”痴迷目标的完成次数，乘以目标等级后得分最高者获胜，并通常成为下一轮游戏的主持人。
备注
该游戏以创意共享许可（CC BY 4.0）发布，允许自由改编与传播。核心资源可通过游戏官网或网络搜索获取。
SPQR 发布了长期开发后的新版本，重点聚焦于分片配置、协议改进和数据平衡。
SHARDING RULE 语法已弃用。CREATE DISTRIBUTION 命令创建分布。ATTACH RELATION 命令指定需要分片的表和列。CREATE KEY RANGE 命令定义键范围，明确哪些数据值应路由到哪个分片。完整的变更详情可在项目的发布说明中查阅。
埃里克·戈斯特（Eric Ghost）巧妙伪装的LSD包装映射了1960年代反主流文化的迷幻愿景。以下图像并非真实的柯达胶卷，而是纽约人埃里克·戈斯特（又名埃里克·布朗）于1968年为地下LSD制作的一种巧妙而带有温和讽刺意味的隐秘包装。戈斯特约在1965年于纽约下东区首次服用LSD，在此之前他经历了一段辗转的军旅生涯、持械抢劫和入狱生活。他吞下了近4000微克的纯山德士LSD，涂抹在一块方糖上，这次巨大剂量带来的核裂变式启示促使他共同创立了“Psychedelicatessen”——一家于1966年在A大道164号开业的传奇但短命的迷幻商店。与当时许多LSD使用者一样，戈斯特对这种分子及其改善人类和世界的潜力抱有救世主般的热情。LSD被禁后，他决定开始自己合成和分销。
与当今将迷幻药视为药物、派对消遣或原住民圣礼不同，1960年代的许多LSD使用者将他们喜爱的物质想象为一种媒介。如同战后世界日益技术化的媒体一样，LSD能够过滤、转化和放大非药物现象。戈斯特通过将其伪装成承诺“绚丽色彩”的胶卷库存来玩转这种关联。每张LSD纸片都用聚酯薄膜包裹，这不仅保护了LSD免受有害紫外线照射，还能阻止好奇者轻易打开包装，以免损坏未曝光的胶卷。这种“媒介即讯息”的理念渗透于当时的LSD话语和营销中。其他例子包括“窗玻璃”（Window pane）、“清透窗”（Clearlist）以及一些首批印刷的LSD吸墨纸，上面印有电灯泡图案。
戈斯特的隐秘包装包含了LSD分销领域一项新颖而重要的发展：首批通过机械化生产的、滴有LSD的吸墨纸。此前，液态LSD曾被滴在真正的吸墨纸和其他纸制品上，但这种转移是一滴一滴进行的，使用移液管或眼药水滴管。戈斯特与一位同事设计并制造了Mark I设备来加速此过程，该设备允许100根针同时浸入一盘LSD溶液中，然后作为一个整体移动，同时压印到一张吸收性纸上。针头和由此产生的给药纸片遵循一个紧凑的网格，其形式是五行二十列的紧密排列——上文中巧妙提到的“5-20”图案。戈斯特的每一滴LSD都含有高达1000微克的剂量，需要由分销商或客户手动切割成四份较小的剂量，每份仍有250微克的效力。这种安排——“四分”（four-way）——在吸墨纸的历史上反复出现。
打开戈斯特的包装，购买者会发现一张实用的信息页，这让我们今天能了解一些地下供应商当时如何理解和推销他们的产品。戈斯特的文本没有采用嬉皮士的神秘主义或革命口号，而是将LSD呈现为一个由制药公司运营的现代研究实验室的科学产品。尽管LSD与一种有机物质——黑麦上的麦角菌——有关，但该药物奇特特性的一部分正源于其处于欧洲技术现代性核心的起源。尽管戈斯特的部分信息有误（LSD在化学上与麦司卡林并不相似），但它展示了现代迷幻文化中始终存在的那种书呆子式迷恋。
战后迷幻文化和研究中最主导且一贯的理念，至今仍被广泛使用的，是“身心准备与环境”（set and setting）在影响体验中的作用。尽管蒂莫西·利里及其合著者在1964年的《迷幻体验》一书中大力宣扬，但LSD反映并放大内在态度和环境线索的观念，在1950年代已被研究者和使用者所认识。这种递归效应有助于解释迷幻效果的多样性和可塑性，以及围绕这些化合物的文化叙事的重要性——1960年代是扩展意识，如今则是丛集性头痛和创伤后应激障碍。然而，即使在那些享乐主义和实验性的时代，向导的重要作用也已得到认可。
如今“迷幻复兴”的临床和治疗推动者常常自诩为新颖的先驱。戈斯特的文本提醒我们，1960年代的研究界早已探索了LSD的许多临床应用——用于治疗酗酒、癌症患者的疼痛和焦虑、心理压抑，甚至自闭症的挑战。同时，文中提到LSD可能“治愈”同性恋——这是1960年代早期由蒂莫西·利里和理查德·阿尔珀特（后来接纳了自己的同性恋身份）探索过的内容——提醒我们这类研究议程中固有的扭曲，以及LSD作为行为修正工具的黑暗遗产。
Hubris操作系统内核漏洞分析：两个功能结合导致网络交换机故障
Hubris概述 Hubris是为深度嵌入式系统设计的操作系统，负责Oxide机架中大型处理器的启动。其特点是基于Rust语言实现任务隔离，通过硬件内存保护单元（MPU）将每个任务（独立编译的程序）隔离在独立的内存区域中，以防止任务间相互干扰。
问题现象
Oxide网络交换机在更改电源时序和时钟配置后无法启动。电源时序任务（sequencer）虽仍在运行但无法正常工作，导致交换机无法供电。调试工具显示该任务因内存错误（mem fault）已崩溃重启115次，错误地址为0x801bffd。
根本原因 漏洞由两个独立功能结合引发：
当任务借出的内存跨越两个相邻的MPU区域时，内核错误地判定为内存访问违规，导致调用任务被终止。例如，电源时序任务借内存给I2C驱动时，因内存跨越区域边界（0x801bfff到0x801c000）而被内核错误终止。
漏洞特征
修复方案
系统可靠性表现 尽管存在漏洞，Hubris的架构确保了系统部分可用：
启示
此案例展示了嵌入式系统中安全关键软件的设计权衡，以及Hubris在资源受限环境下通过隔离与简洁设计实现的韧性。
本文探讨在C++中实现自定义左箭头运算符<-的方法，用于调用指向成员函数的指针。
核心实现：
larrow，包装指向类的指针。<，当左侧为成员函数指针、右侧为larrow对象时，通过(it.a->*f)()调用该函数。-，用于将对象转换为larrow包装。(&C::f)<-x; 在对象x上调用成员函数f。讨论与扩展：
<--运算符混淆，但认为通过区分字符可以接受。<-和<--运算符的高级用法，以实现简洁高效的代码，例如在循环中动态调用虚函数。关键点：
Nano-web 是一款专为服务单页应用（SPA）而设计的低延迟、单二进制文件的 Web 服务器。其核心设计目标是实现近零延迟的文件服务。
hyper 底层库。SO_REUSEPORT 实现多核扩展。DashMap 和 fxhash 实现无锁并发路由。Bytes）。wrk 测试（50并发连接，50线程，持续10秒），达到 149,838.48 请求/秒，平均延迟仅 328.63 微秒。mise：mise install ubi:radiosilence/nano-webcargo：cargo install nano-webghcr.io/radiosilence/nano-web:latest，并将静态文件目录（如 ./dist）复制到容器的 /public/ 路径下。nano-web serve：服务当前目录下的 ./public 文件夹，默认端口 3000。nano-web serve ./dist --port 8080：指定服务目录和端口。nano-web serve --spa --dev：启用 SPA 模式和热重载。--port, -p：端口（默认 3000）。--spa：SPA 模式，为未知路由返回 index.html。--dev, -d：开发模式，支持文件修改后自动重载。--config-prefix：环境变量模板注入的前缀（默认 VITE_）。--log-level：日志级别（debug/info/warn/error）。--log-format：日志格式（console/json）。--log-requests：记录每个请求。{{env.VAR_NAME}}、{{Json}}、{{EscapedJson}} 模板变量。ETag 和 If-None-Match 头，当内容未改变时返回 304 Not Modified。X-Content-Type-Options、X-Frame-Options、Referrer-Policy、Strict-Transport-Security、Permissions-Policy、X-DNS-Prefetch-Control 等安全头。压缩响应额外包含 Vary: Accept-Encoding。/_health 端点返回 {"status":"ok","timestamp":"..."}。MIT 许可证。
作者是一位拥有多年增强现实（AR）开发经验的专业人士，曾为苹果的 ARKit 和 RealityKit 框架构建大型开源项目，并运营一家 AR 初创公司。他自费购买了 Vision Pro，并每天使用，主要将其用于通过 Mac 虚拟屏幕功能工作以及观看影视内容。
作者认为 Vision Pro 是一个“完美的初代产品”。它展示了价值与愿景，但仍有些粗糙，存在许多可改进之处（包括硬件问题，如他的右扬声器过热）。他每天使用 1-2 小时，所有的反馈都指向“如果某方面能改进，设备会更有价值”，这是一个积极的信号。他对下一代产品充满期待。
Supervision 是一个核心的计算机视觉工具包，提供从数据加载到实时区域计数等一系列构建模块，使开发者能专注于围绕模型构建应用程序。
在 Python >= 3.9 环境中通过 pip 安装：
pip install supervision
也支持通过 conda、mamba 或从源码安装。
Supervision 采用模型无关设计，可连接任何分类、检测或分割模型。它为多个流行库（如 Ultralytics、Transformers、MMDetection、Inference）提供了连接器，部分集成（如 rfdetr）已直接返回 sv.Detections 对象。
示例：使用 RFDETRSmall 模型
import supervision as sv
from PIL import Image
from rfdetr import RFDETRSmall
image = Image.open(...)
model = RFDETRSmall()
detections = model.predict(image, threshold=0.5)
# len(detections) -> 5
示例：使用 Roboflow Inference（需 API 密钥）
import supervision as sv
from PIL import Image
from inference import get_model
image = Image.open(...)
model = get_model(model_id="rfdetr-small", api_key="ROBOFLOW_API_KEY")
result = model.infer(image)[0]
detections = sv.Detections.from_inference(result)
# len(detections) -> 5
提供一系列高度可定制的注解器，用于可视化检测结果。
import cv2
import supervision as sv
image = cv2.imread(...)
detections = sv.Detections(...)
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(scene=image.copy(), detections=detections)
支持加载、分割、合并和保存多种格式（如 COCO、YOLO、Pascal VOC）的数据集。
加载数据集
# 从 YOLO、Pascal VOC 或 COCO 格式加载
dataset = sv.DetectionDataset.from_yolo(...)
dataset = sv.DetectionDataset.from_pascal_voc(...)
dataset = sv.DetectionDataset.from_coco(...)
数据集操作
train_dataset, test_dataset = dataset.split(split_ratio=0.7)
test_dataset, valid_dataset = test_dataset.split(split_ratio=0.5)
ds_merged = sv.DetectionDataset.merge([ds_1, ds_2])
dataset.as_yolo(...)
dataset.as_coco(...)
sv.DetectionDataset.from_yolo(...).as_pascal_voc(...)
项目提供了多个端到端教程，涵盖实际应用场景，例如：
用户已使用 Supervision 构建了诸多应用，包括足球球员追踪、交通分析等。
Gerbil Scheme 特性概览
Gerbil Scheme 是一款为21世纪设计的现代Scheme语言实现。其主要特点如下：
总结：OpenAPI AutoSpec 工具介绍
目的与核心功能 OpenAPI AutoSpec 是一个本地服务器代理，旨在通过监听本地网络流量，自动生成 OpenAPI 3.0 规范文档。它解决了快速获取 API 文档的需求，尤其适用于需要紧急文档或不想手动编写的场景。核心过程是：运行代理，将本地应用流量路由至该代理，代理则实时将观察到的 HTTP 请求与响应转换并记录为规范。
主要特性
安装与使用
npm install openapi-autospec。npx autospec 命令启动代理，并指定参数。--portTo：必需，指定目标本地服务运行的端口。--portFrom：可选，指定代理自身监听的端口（当默认端口被占用时使用）。--filePath：可选，指定生成的 OpenAPI 规范文件的输出路径。适用场景与配置
--portTo 指向应用运行的端口即可。社区与未来计划
总结 OpenAPI AutoSpec 提供了一种轻量级、自动化的方式，通过代理监听本地流量来逆向工程生成 OpenAPI 规范，显著简化了 API 文档的初始创建过程。它适用于快速原型验证、遗留系统文档补充或作为开发过程中的文档辅助工具。
核心问题： 在俄亥俄州，超过60%的驾照暂停并非源于不良驾驶行为，而是由于驾驶员拖欠未偿还的债务。这类“债务相关暂停”（DRS）可能剥夺个人合法驾驶的资格，进而影响其通勤、就业和偿债能力，对州劳动力市场构成潜在风险。
DRS的规模与现状：
对劳动力市场的潜在影响分析： 研究通过两个假设场景评估了DRS对劳动力规模的潜在冲击：
就业市场的关联证据：
数据来源与局限性： 分析数据来源于俄亥俄州汽车管理局（BMV）的公开记录、美国劳工统计局以及Lightcast的招聘广告数据。研究指出，由于缺乏关于DRS持有者具体就业状态、合规程度及替代通勤方式等微观数据，上述场景分析旨在说明潜在风险边界，而非精确预测。
结论： DRS对俄亥俄州的劳动力参与和经济活力存在实质性潜在威胁，其影响在地理分布、行业构成和薪资水平上存在显著差异，尤其可能限制中低收入者和少数族裔社区的就业机会与经济发展。
“显示时间而非空间的地图” 这一概念挑战了传统地图仅表示地理空间的观念。它代表一种时空地图，其核心功能是将时间维度作为主要的可视化对象，而非传统的地理空间距离。这类地图旨在揭示事件、现象或物体在时间序列上的分布、演变和相互关系，为理解过程与变化提供了一种直观的时空综合视角。
作者此前训练了一个Chess-GPT语言模型，通过预测PGN格式棋局中的下一个字符，使其学习到计算棋盘状态和估计棋手技能水平。先前已通过线性探针证明了内部表征的存在，但尚未验证这些表征与模型输出之间的因果关系。本研究旨在通过干预实验，建立内部状态（棋盘状态与技能水平）与模型行为之间的因果联系。
此外，研究发现当棋局以随机初始化的20步开始时，模型胜率从70%骤降至17%。这引发了模型是否仅学习表面模式而非深层理解的疑问。作者推测，这可能是由于模型将随机开局识别为低技能对局，因而预测低质量着法。
文章总结了作者在开发文件搜索功能时遇到的一个Unicode编码问题，以及相应的解决方案。
作者在实现文件实体搜索和过滤功能后，用户无法正确搜索包含变音符号（如umlauts：Ä, ö, ü）的文件名。手动输入“blöb”搜索失败，但直接从已保存的文件名复制粘贴相同的“blöb”进行搜索却能成功。这表明文件在上传保存过程中，其文件名发生了某种细微但影响功能的编码转换。
经调查发现，问题根源在于同一字符存在不同的Unicode编码形式。通过使用encodeURIComponent，作者发现字符“ü”在保存和搜索时采用了不同的编码序列：
%C3%BC%CC%88这是Unicode的NFD（规范化形式D，分解）和NFC（规范化形式C，组合）编码差异导致的。不同的操作系统默认使用不同的形式：
o + ̈ 组合）。ö）。因此，文件上传后保存的文件名编码形式与用户搜索输入的编码形式不一致，导致搜索失败。
为了解决这个问题，作者采取了以下措施：
.normalize() 方法。这确保所有文件名都转换为统一的、可搜索的编码形式。作者特别指出，可以使用 .normalize("NFC") 或 .normalize("NFD") 来显式指定所需的规范化形式，以确保文件名在规范意义上等价。
此案例表明，即使到了2024年，处理跨平台Unicode编码问题仍是Web开发中的一个实际挑战。简单的字符串规范化操作即可有效解决因不同系统使用不同默认编码形式而导致的数据不一致和功能异常问题。
文章标题：“她在弹球”——章鱼玩耍的神奇方式
文章主要介绍了心理学教授珍妮弗·马瑟和海洋生物学家罗兰·安德森合作研究章鱼行为的过程，重点探讨章鱼是否存在“玩耍”行为及其科学意义。
马瑟和安德森分别在不同地点观察到章鱼表现出具有预见性和计划性的复杂行为。马瑟在百慕大观察到普通章鱼主动收集石头堵住洞穴入口以备威胁，显示其具备超前的规划能力。安德森在西雅图水族馆发现巨型太平洋章鱼系统地破坏过滤器，同样展现出目的性行为。
两人合作后，希望通过实验区分章鱼的探索行为与真正的玩耍。他们选择了八只亚成年巨型太平洋章鱼，使用四种不同颜色（黑白）和纹理（光滑粗糙）的塑料药瓶作为测试物体，进行了十次时长三十分钟的实验。
观察发现，所有章鱼都会接触并探索药瓶，但其中两只表现出明显不同的行为：一只章鱼用漏斗喷水将瓶子推向缸壁并使其返回；另一只章鱼则用水流驱动瓶子绕缸作环形运动。这种利用水流推动物体并使其返回的模式，与人类“弹球”的行为机制相似——并非为了移开物体，而是探索如何与物体互动。
章鱼使用漏斗喷水的行为此前已知用于移动、清洁或驱赶干扰，但从未被记录用于此类重复的物体互动游戏。这一发现具有重要意义：如果章鱼确实具有玩耍行为，意味着这种行为在约6.7亿年前分化的脊索动物和软体动物两个门中独立进化形成。
研究指出，章鱼的行为虽然看起来顽皮，但此前缺乏实证研究区分其探索性行为与真正的玩耍。马瑟和安德森通过控制变量的实验设计，首次为章鱼玩耍行为提供了经验证据，揭示了章鱼可能具备比之前认为的更复杂的认知能力和行为模式。