科技就业市场恐慌：现状与反思

利率与职位空缺的关联

• 利率上升导致“免费资金”时代结束，货币成本增加。
• 企业倾向于将闲置资金投入低风险的政府利息账户，而非投资高风险初创公司。
• 高利率时期，弱势公司倒闭，强势公司借机裁员，导致大量高薪职位在未来2-4年内消失。
• 利率上升与科技职位减少呈正相关。

公司结构分类

科技公司可分为四类，其薪酬和稳定性差异显著：

1. 裙带关系公司：依赖家族或内部人脉资金，支付薪酬无限制，但往往脱离现实，最终常因欺诈曝光而失败。
2. 投机公司：仅有想法而无产品或客户，依赖风险投资。薪酬为市场水平的50%-80%，但工作强度极高（200%-500%）。
3. 初期成长公司：产品开始受欢迎，但依赖外部融资。薪酬低、风险高，可能沦为“浪费生命”的下行趋势企业。
4. 稳定时代公司：拥有稳定客户和重复收入。细分包括：
   • 稳定稳定型：持续增长盈利，日薪可达5千至1万美元。
   • 稳定不稳定型：受明星CEO影响，薪酬高但周期性波动。
   • 稳定中子星型：控制全球经济领域，股价和薪酬指数增长，日薪可达1万至5万美元。

招聘流程的弊端

• 招聘要求与流程普遍失效，却成为行业标准。
• “中间智商者”问题：面试官倾向于选择能力中等（100-115分）的候选人，而无法识别高能力（120-200分）或低能力（0-55分）者，导致人才误判。
• 编码测试与行为面试：
  • 谷歌首创的编码测试被全行业效仿，但脱离实际工作需求。
  • 亚马逊推广的行为面试类似“科学教入门测试”，要求候选人暴露过往失败经历，实则考察妥协能力，但缺乏统一标准。
  • 目标应是评估候选人如何在进展与善意间权衡，但当前流程往往导致人格同质化。

职位描述的膨胀

• 出现“百吉饼式”职位描述：将5个部门、20人的工作量压缩至单个职位。
• 要求开发者同时承担开发、运维、安全、监控等多元角色，且无薪酬匹配。
• 结果：员工永远落后，被指责“表现不佳”，公司设置注定失败的期望。

现实工作经历反思

作者通过多个案例揭示企业技术管理混乱：

• 数据库性能问题：企业因未监控AWS指标，导致单核数据库持续满载2年，升级后批处理时间从16小时降至20分钟。
• 资源分配错误：研究集群闲置而生产集群资源不足，交换后响应时间从7秒降至200毫秒。
• 架构缺陷：数据处理工具与生产服务器共用，迁移到容器后处理时间从20小时降至30分钟。
• 数据提取低效：使用COUNT(*)和LIMIT/OFFSET遍历30亿行数据，耗时80小时；引入数据库游标和流式写入后降至40分钟。
• 管理决策错误：公司招聘50名销售员却仅保留5名开发者，产品无人购买仍坚持“销售至上”。
• 基础设施忽视：企业长期使用过时系统（如7年未重启的EC2实例），缺乏监控和告警。
• 代码重复：12个仓库执行95%相同功能，合并统一后提升可维护性。

行业心态与未来展望

• 科技就业市场从简单的能力认可变为社会地位驱动的复杂游戏。
• 开发者从产品创造者沦为“任务执行工人”，缺乏决策权。
• 同一职位在不同公司薪酬差异巨大（如日薪400美元 vs. 2万美元），加剧收入不平等。
• 大量“值得做”的项目被忽视，例如：
  • 修复现有产品缺陷（如Apple Music UI问题）。
  • 利用Vision Pro开发沉浸式生产力工具。
  • 探索消费级机器人、AI可视化等创新领域。

结论

科技就业困境源于投机资本退潮、公司结构扭曲、招聘流程脱离实际、职位描述不合理等多重因素。行业需回归工程主导的管理，赋予开发者产品决策权，并聚焦创造实际价值而非形式主义流程。

文章标题为“我正在创办一家AI+教育公司”，但提供的文章内容是一个技术错误消息，指出在x.com上可能由于某些隐私相关扩展导致问题，并建议用户禁用这些扩展后重试。内容未包含关于创办AI+教育公司的具体信息，仅显示错误提示和解决步骤。

Google Docs新增Markdown导入导出功能，提升与其他Markdown工具的互操作性。

主要更新包括：

• 粘贴时自动转换：可将Markdown文本粘贴为Docs格式内容
• 复制为Markdown：可将Docs内容复制为Markdown格式
• 导出为Markdown：支持从"文件 > 下载"将文档导出为Markdown文件
• 导入Markdown：支持通过"文件 > 打开"或Google云端硬盘的"用Google Docs打开"导入Markdown文件

该功能主要面向终端用户和开发者，特别适合技术文档编写者，便于在Docs中协作编辑后导出为Markdown用于其他工具。

启用设置：

• 导入/导出功能默认开启
• "复制为Markdown"和"从Markdown粘贴"功能默认关闭，需通过工具 > 首选项 > 启用Markdown手动开启

上线时间：

• 快速发布域名：2024年7月16日开始逐步推出（最长15天）
• 计划发布域名：2024年7月31日开始逐步推出（最长15天）

适用范围： 所有Google Workspace客户、Workspace个人订阅用户及个人Google账户用户均可使用。

阻止 Microsoft 用户向邮件发送“reactions”：通过 Postfix 添加邮件头

背景问题

作者注意到越来越多收到 Microsoft 生态用户对其邮件的“reactions”（类似“点赞”反应）。对于非 Microsoft 生态的作者而言，每次反应都会收到一封包含“like [某人] reacts to your message”文本的邮件（图片因不加载远程内容而无法显示），造成干扰。

解决方案

Microsoft 提供了特定邮件头 x-ms-reactions: disallow，若在发送的邮件中包含此头，Microsoft 客户端应会禁止用户使用反应功能。

配置方法（针对 Postfix 邮件服务器）

1. 在 Postfix 主配置文件 /etc/postfix/main.cf 中，确保已设置：

   header_checks = pcre:/etc/postfix/header_checks
   

2. 在 /etc/postfix/header_checks 文件中添加规则（示例放在 Date: 头之前）：

   /^Date:/i PREPEND x-ms-reactions: disallow
   

3. 重启 Postfix 服务：sudo service postfix restart。

测试结果与说明

• 部分成功：测试中，尽管某些 Microsoft 客户端仍显示反应选项，但尝试发送的反应并未到达作者邮箱（被服务器端丢弃）。
• 另一案例：反应选项灰掉，并提示“Reactions are disallowed on this message”。
• 不确定性：效果因 Microsoft 客户端版本和更新推送节奏而异，并非所有客户端都会立即响应此设置，但服务器端可能已阻止反应投递。

备注

作者最初尝试将规则放在不同头前，最终选择 Date: 头以确保所有邮件客户端均可正确添加该头。此配置为全局生效，适用于作者从任何账户、设备发送的邮件。

提前学习数学：最大的教育生活黑客

提前学习数学能抵御众多学业风险，开启职业机会之门，并让人更早踏入这些领域，从而在职业生涯中取得更大成就。

一、提前学习的核心益处

1. 最小化学业风险：预先掌握课程内容能基本确保获得优异成绩，并免受教学节奏过快、概念讲解不清、先修知识假设错误或练习机会不足等常见教学问题的影响。这相当于让学生在课程中“自带优势”，即使面对最差的教学也能保持独立。
2. 开启机会之门：在课程中表现优异（无论是否源于预先学习）能吸引教授的注意，从而获得优秀的推荐信、参与研究项目、实习或工作等机会。这些是通往顶尖学生专属机会的“门票”，有助于进入难以突破但有意义的高回报职业生涯。
3. 最大化长期回报：提前学习大量高等数学，能让学生尽早探索通常只向数学基础深厚的毕业生开放的专门领域，从而更快发现热情、发展技能并早期做出专业贡献。这本质上是与时间的赛跑——早期起步意味着更早开始职业生涯，在整个职业生涯中取得更多成就。一项针对数学早慧学生的40年纵向研究证实，学业加速与更高的STEM成就、更早的学位获取以及更多的学术引用相关。

二、为何不止提前一年？

许多人认为微积分是数学学习的“终点”，提前多年到达并无意义。但事实并非如此。单变量微积分（如AP微积分BC）之后，还有大量大学数学课程，例如：

• 核心“工程数学”：线性代数、多元微积分、微分方程、概率与统计（基于微积分的版本）。
• 各专业的众多分支课程。

课程数量之多，即使学生每年超负荷选课，也无法在标准的4年本科期间修完所有课程。然而，学习越多高等课程，未来的学术和职业大门就开得越宽。即便在计算机科学、医学等领域，掌握高等数学的人才也因能处理跨学科项目而格外宝贵和抢手。

三、重要区分：高等数学 vs. 竞赛数学

本文讨论的“提前学习高等数学”，指的是提前学习更高年级的数学课程（如线性代数、多元微积分等），而非专注于解决竞赛题目。

• 竞赛数学：通常不涉及学习新的数学领域，其难度在于利用已学工具寻找巧妙解法。这对教师而言是省事的“填时间”方式。
• 高等数学：是量化专业（如火箭科学、人工智能开发）日常工作中广泛使用的知识。对于多数最终将数学应用于其他领域的学生而言，尽早广泛接触高等数学，比在竞赛题上深挖更有助于未来应用。

四、发展适宜性与常见误解

一个普遍的担忧是：过早学习高级数学是否不利于学生的社会情感和认知发展？大量长期实证研究否定了这一点。

• 关键研究结论：一项长达35年的纵向研究（Bernstein等，2021）发现，学业加速的程度与心理健康状况并无关联，加速学生的心理健康水平高于全国平均水平，且事后多希望当初能加速更多。
• 理论基础：决定学生是否准备好学习高级数学的唯一标准是其是否掌握了先修知识。阻止已掌握先修知识的学生继续学习，实际上是在阻碍其发展。研究表明，学业加速对学术成就和创造力有积极影响。
• 为何误解持续存在：主要原因并非研究证据不足，而是实践中的障碍和错误的激励：
  • 学校层面的不便：将学生安排到更高年级课程涉及复杂的后勤问题（如跨校上课、时间冲突、高年级教师招聘困难）。
  • 错误的激励：加速可能导致学校基于学生人头数的拨款减少；在问责制下，保留有能力学生可以提高同龄学生的平均考试成绩。

五、回应常见疑问

• “学生会不会在课堂上无事可做，感到无聊？”：这通常不需要专门学校。作者以自身经历为例，通过在常规学校课堂中自学大学教材，并主动与数学系沟通作为“特殊案例”处理，从而跳过众多课程并直接学习高级内容。
• “这与竞争有关吗？”：教育加速的核心不是与同龄人竞争，而是与时间赛跑。提前学习高等数学是为了：
  • 尽早打开探索之门，在感到当前道路不合适时仍有时间转向。
  • 有时间尝试突破性挑战。
  • 在找到让自己快乐的领域后，最大化在该领域投入的时间。

总结

对于有志于科学、技术、工程或数学相关职业的学生而言，提前学习数学（尤其是高等数学）是一项改变人生的策略。它通过降低学业风险、创造早期职业机会来应对与时间的赛跑，帮助学生更早、更自由地探索并找到自己在世界中的位置。

Safari 隐私浏览 2.0 概述

Safari 浏览器隐私浏览功能自 2005 年首次推出以来，旨在让用户在共享设备上不留本地浏览痕迹。如今，Safari 17.0 及后续版本将隐私浏览提升至全新水平，超越仅本地无痕的定义，提供了更全面的跨站点跟踪防护与高级指纹识别保护，树立了新的行业标准。

核心增强保护措施

Safari 17.0 新增保护：

• 链接跟踪保护：在导航时，自动移除 URL 中已知用于跨站点跟踪的查询参数和片段；在目标站点，第三方脚本无法读取完整的查询参数或片段。
• 高级指纹识别防护：通过向 Canvas、WebGL 和 WebAudio 等 API 返回值注入微量噪声，限制屏幕/窗口度量等 API 的熵值，使设备指纹更难可靠生成。
• 已知跟踪器网络请求拦截：默认启用内容拦截器，阻止向已知跟踪器（包括通过 CNAME 伪装的跟踪器）发起的网络请求，防止个人信息通过 URL 泄露。
• 扩展程序限制：默认禁用可访问网站数据或历史记录的扩展程序，用户可手动启用。

Safari 17.2 和 17.5 进一步强化：

• 分区化 blob URL。
• 增强 Offscreen Canvas、Service Workers 和 Shared Workers 中的噪声注入。
• 优化 WebAudio 噪声注入算法，使用正态分布噪声并支持可调噪声级别。

两种浏览模式均适用的防护：

• 对伪装成第一方 IP 地址的第三方响应设置的 cookie，将其有效期上限设为 7 天。
• 分区化 SessionStorage（Safari 16.1 起）。
• 分区化 blob URL（Safari 17.2 起）。

网络隐私增强

• 加密 DNS：默认使用 Oblivious DNS over HTTPS 加密并代理 DNS 查询。
• 代理未加密 HTTP：通过多跳代理网络路由所有未加密的 HTTP 资源。
• iCloud Private Relay 增强（适用于 iCloud+ 订阅者）：
  • 每个隐私浏览标签页使用独立的会话连接。
  • 默认使用基于国家/时区的 IP 地理位置。
  • 访问非公共互联网服务器时，提示用户同意公开 IP 地址。

广告归因与网站兼容性

• Web AdAttributionKit：在隐私浏览中支持隐私保护的点击测量和归因，但归因范围限于单个标签页，且关闭标签页后请求将被丢弃。
• 兼容性处理：若网站因隐私保护而无法使用，用户可临时为单个站点降低保护级别。

对指纹识别的深入分析与防护策略

文章将指纹识别分为设备、网络/地理位置、用户设置、用户行为和用户特征五类。Safari 的防护策略是：使每个网站获得唯一的指纹，并为每次“新开始”（如清除网站数据）生成新的唯一指纹。具体通过多跳代理隐藏 IP、限制可指纹化 Web API 数量、在 API 返回值中注入噪声等方式实现。

对 Topics API 的反对意见

文章明确反对 Chrome 浏览器推出的 Topics API。该 API 允许 JavaScript 调用 document.browsingTopics() 获取用户基于浏览历史推断的兴趣主题（来自预设列表），存在以下问题：

1. 可被用于指纹识别与重新识别：研究表明，即使有 5% 的噪声，该 API 仍可能用于跨网站识别用户。
2. 跨站点用户画像：允许数据经纪商长期追踪用户兴趣变化，结合其他数据点可推断用户生活状况。

文章认为浏览器不应促进此类跨站点数据收集，并建议不应在 Web 上添加此类新的可指纹化 API。

总结

Safari 隐私浏览 2.0 通过链接跟踪保护、高级指纹识别防护、网络隐私增强、跟踪器拦截等多层防御，显著提升了用户隐私保护水平。同时，在保护隐私与维持网站兼容性之间寻求平衡，并明确反对可能加剧隐私风险的新 API（如 Topics API）。这些增强功能为隐私浏览设定了新的标准。

波多黎各对化石燃料公司提起10亿美元诉讼

波多黎各本周对多家化石燃料公司提起诉讼，指控这些石油和天然气巨头在气候变化问题上误导公众，并拖延了向清洁能源的过渡。该诉讼要求10亿美元赔偿，用于帮助波多黎各抵御气候灾害。

诉讼称，这些公司在促销化石燃料时未能充分警告其危险，违反了贸易法。被告包括埃克森美孚、BP、雪佛龙、壳牌、康菲石油等能源公司。

此案是众多旨在追究化石燃料公司为气候变化后果负责的诉讼中最新的一起。研究表明，化石燃料公司数十年前就已知晓其产品会导致全球变暖，但仍照常经营。

波多黎各在起诉书中指出，未来需支付数十亿美元来应对因气候变化而加剧的灾难，例如2017年造成数千人死亡并导致长达数月断电的“玛丽亚”飓风。

诉讼要求被告出资设立一个基金，用于减轻气候变化后果，并加强波多黎各的基础设施以抵御未来的气候相关灾害。

波多黎各的37个市镇及首府圣胡安此前已对化石燃料公司提起过类似诉讼。

气候完整性中心（Center for Climate Integrity）主席理查德·怀尔斯表示，官员代表社区站出来对抗化石燃料行业比以往任何时候都更加重要，波多黎各人民有权在法庭上追究石油巨头的责任。该中心负责追踪气候案件并提供法律支持。

本文探讨了通过图像中的直线估计和校正广角镜头畸变的技术。主要内容如下：

1. 广角镜头畸变问题
广角镜头会导致图像中的三维世界直线产生弯曲变形。在计算机视觉应用中，通常需要先校正这种畸变。

2. 径向去畸变模型
采用球对称函数描述去畸变过程，其中多项式除法模型较为简单有效：

• 模型公式：$d(r) = \frac{1}{1 + d_1 r^2 + d_2 r^4}$，通过调整参数 $d_1$ 和 $d_2$ 可模拟不同程度的畸变。
• 该模型直接校正图像坐标系中的畸变像素。

3. 基于直线的畸变估计方法
利用“三维直线在图像中应保持笔直”的先验知识，通过优化算法寻找最佳去畸变参数：

• 边缘检测：使用Sobel滤波器或Canny算法检测图像边缘。
• 直线检测：采用Radon变换或Hough变换识别直线。Radon变换将图像转换为积分投影空间，Hough变换则用于检测离散直线。
• 评估指标：通过直线的“笔直程度”衡量畸变校正效果。

4. 实际算法流程（基于参考论文）
分为四个阶段：

• 阶段1：使用Canny方法检测边缘（包括高斯平滑、梯度计算、非极大值抑制等步骤）。
• 阶段2：通过扩展的Hough变换检测直线，并利用其投票结果初步估计畸变模型参数。
• 阶段3：使用非线性优化算法（如梯度下降）迭代优化畸变参数，最小化直线点到拟合直线的距离。
• 阶段4：应用优化后的畸变模型，通过双线性插值生成校正后的图像。

5. 与OpenCV模型的兼容性

• 除法模型：直接校正图像坐标中的畸变。
• OpenCV模型：在归一化坐标中生成畸变，与焦距无关。
• 两者可通过优化算法相互转换：利用成本函数拟合多项式系数，使一种模型的输出逼近另一种。

总结
本文提出一种无需棋盘格标定、仅基于直线信息估计镜头畸变的完整流程，并讨论了与OpenCV等常用库的模型转换方法，为实际应用提供了灵活的技术选择。

文章标题： 我们创建了一家假快递公司来找到工作

核心摘要： 本文作者讲述了一对乌克兰夫妇因战争迁居伦敦后，为突破职业困境、接触伦敦精英阶层，精心策划并实施了一个创意项目——创建一家虚构的“未来快递”公司。通过定制化的品牌包装、技术手段和极具戏剧性的投递体验，他们成功吸引了多家顶级公司的注意，并最终获得工作机会的故事。

主要过程与策略：

1. 动机与构思： 作者与伴侣在伦敦生活面临经济压力，希望找到突破性工作机会。他们决定向伦敦的顶级人才和公司展示其创意解决问题的能力，目标名单涵盖投资、时尚、游戏、媒体、咨询和创意机构等多个领域的顶尖企业。
2. “未来快递”公司创设： 为避开常规的冷接触，他们虚构了“Future Delivers”公司，其核心概念是“从未来（2064年）向现在（2024年）的自己寄送包裹”。他们构建了完整的品牌体系，包括网站、文件、制服、贴纸、甚至一只机器狗。
3. 精准触达与悬念营造：
   • 技术手段（针对首位目标）： 为确保广告精准投递给特定个人，他们创新性地利用了LinkedIn的“自定义受众”功能，通过在受众列表中混入大量已故用户的资料，让广告几乎只展示给目标人物。
   • 通用手段： 后续改为发送神秘的预告邮件，邮件签名中隐晦地加入了“未来快递”的信息。
4. 定制化投递体验： 投递包裹本身是一场精心设计的表演。
   • 包裹外观： 使用液态金属笔手绘、配备机械臂签名，营造未来感。
   • 内部装置： 打开盒子会触发屏幕，播放一段欢迎视频。
   • 核心内容： 包含由AI生成的、关于目标人物未来的图片，以及最重要的——一个“未来自己”对“现在自己”讲话的视频。他们利用AI技术克隆目标人物的声音和外貌，制作了高度个性化的电影预告片式视频。
   • 互动设计： 视频结束后引导观看者触摸屏幕上的“小猫”，触发后续互动，并可回复消息。
5. 效果与结果：
   • 项目共投递13次，回应率达76.92%（10次回应）。
   • 回应中包括积极回应、初始兴趣，以及一封来自《Condé Nast》的律师函。
   • 最终，该项目为他们赢得了与萨奇&萨奇（Saatchi & Saatchi）为期两个月的合同，转换率为7.69%。
   • 文章发布时（2025年2月更新），作者称此经历正在“改变他们的人生轨迹”。

总结： 这是一个将创意、营销与个人求职相结合的非传统案例。作者通过构建一个完整的故事（“未来快递”）、运用技术手段实现精准触达、并创造沉浸式的个性化体验，成功地从众多申请者中脱颖而出，展示了创意解决问题的能力，并最终将其转化为实际的工作机会。

标题：XLSTMTime：基于xLSTM的长期时间序列预测

内容摘要： 近年来，基于Transformer的模型在多元长期时间序列预测（LTSF）领域占据主导地位，并取得了显著进展，但其仍面临计算需求高、难以捕捉时间动态以及管理长期依赖等挑战。LTSF-Linear的出现，以其简洁的线性架构，在性能上显著超越了基于Transformer的方法，这促使研究者重新评估Transformer在时序预测中的价值。为此，本文将一种名为扩展LSTM（xLSTM）的新架构应用于LTSF任务。xLSTM采用了指数门控机制和具有更高容量的改进记忆结构，这些特性使其在处理LTSF任务时潜力巨大。本文提出的适配架构称为xLSTMTime，其性能超越了当前最先进的方法。作者通过在多个真实世界数据集上与多种最先进模型进行比较，证明了xLSTMTime卓越的预测能力。研究结果表明，经过精心设计的循环神经网络架构可以成为基于Transformer模型的有力竞争者，并可能重新定义时间序列预测领域的格局。

提交历史：

• v1：2024年7月14日
• v2：2024年7月21日
• v3：2024年8月12日

解构角色扮演游戏：命令行RPG rpg-cli 的诞生与设计

核心理念：最小可行化设计

作者在2021年受智力工作缺乏满足感驱动，寻求一个短期可完成的编程项目。受经典日式RPG（如《最终幻想VI》、《时空之轮》）启发，他希望剥离角色扮演游戏中非核心的要素（如对话、剧情、图形），仅保留最底层的系统机制，创造一个“最简单可行的RPG”。命令行界面（CLI）成为关键约束，由此催生了将文件系统作为游戏世界的创意。

设计：文件系统即地牢

• 游戏世界映射：英雄的当前位置对应Shell的工作目录。切换目录（如cd）等同于移动地牢层级，目录嵌套越深，敌人越强。返回主目录（~）可恢复生命值、购买装备。
• 战斗自动化：受《幻想水浒传2》自动战斗功能启发，默认战斗模式为自动攻击（生命值低时自动使用药剂），将策略决策集中于地牢探索、资源管理等战斗之外的环节。
• 极简RPG系统：属性仅保留生命值（HP）、力量、速度；装备按等级自动升级，消除传统RPG中繁琐的买卖操作；引入永久死亡（permadeath）机制，死亡后可回收部分资源。

研究：简化的传统

作者研究了多种桌游RPG（如GURPS、TWERPS）和电子游戏历史，发现：

• 桌游规则反而会增加复杂性，而电子游戏（如《巫术》、《创世纪》、《暗黑破坏神》）已通过简化流程完成了“去仪式化”工作。
• 日本RPG将复杂系统调整为适合主机和大众口味的形式（如《勇者斗恶龙》）。
• 最终决定以已有的简化电子游戏版本为参考，而非从桌游规则重建。

开发：技术实现

• 语言与约束：使用Rust语言开发，CLI约束推动了设计创意。
• 核心机制：程序维护“英雄当前位置”的内部状态，并通过Shell函数同步真实目录变化，实现“移动即探索”的体验。
• 属性与类：初期仅定义等级、经验值、HP、力量、速度等基础属性。后期扩展为支持职业、魔法值、装备槽、状态效果的复杂结构，职业和敌人定义通过YAML文件可定制。
• 战斗逻辑：run_battle函数实现基于速度的回合制自动战斗，支持特殊能力（如双击、反击、复活）。

后续发展：从CLI到文本界面

作者曾尝试将游戏改为基于ASCII字符的文本用户界面（TUI），引入程序化生成地牢，但因兴趣转移和写作计划中断而搁置。CLI集成虽是游戏的特色，但底层逻辑已抽象为与目录无关的“距家距离”模型，为界面切换提供了可能。

总结

rpg-cli 的核心在于通过极端约束（CLI、无图形）激发创意，将RPG系统剥离至最本质的要素，并巧妙利用文件系统作为隐喻的游戏空间。它展示了如何从简化中提炼乐趣，以及技术约束如何塑造独特的设计。

《Bash脚本入门》开源指南总结

概述

这是一本开源的Bash脚本入门指南/电子书，旨在帮助读者学习Bash脚本基础知识，并编写能自动化日常系统运维、开发运维及开发任务的脚本。无论你是DevOps/SysOps工程师、开发人员还是Linux爱好者，都可以利用Bash脚本组合不同的Linux命令，自动化繁琐重复的日常任务，从而专注于更具成效和趣味的工作。本指南适用于所有开发者、系统管理员或希望学习Bash脚本基础的DevOps工程师。

内容结构

书籍内容分为两大部分：

1. 基础部分（前13章）：专注于夯实Bash脚本的基础知识。
2. 实践部分（后续章节）：提供真实场景下的示例和脚本。

章节主题

• 基础部分：涵盖Bash结构、Hello World、变量、用户输入、注释、参数、数组、条件表达式、条件判断、循环、函数、调试/测试与快捷方式。
• 实践部分：包括创建自定义Bash命令、编写第一个Bash脚本、创建交互式菜单、在多台远程服务器上执行脚本、使用jq处理JSON、通过Bash操作Cloudflare API、编写脚本解析并总结Nginx与Apache访问日志、使用Bash和SSMTP发送邮件、Bash密码生成器、Bash中的重定向，以及总结章节。

赞助与支持

本书得益于以下公司的支持：

• Materialize：一个用于实时分析的流式数据库。
• DigitalOcean：一个面向开发者的云服务平台，提供计算、存储和网络解决方案。
• DevDojo：一个学习Web开发和设计的资源平台。

额外资源

• 获取方式：提供电子书下载链接（包含深色模式、浅色模式及ePub格式）。
• 配套视频：基于本书前12章内容的迷你视频速成课程。
• 网页展示：电子书有一个专门的展示网页，使用Tails页面构建工具创建，并托管在DigitalOcean App Platform上。
• 相关工具：书籍封面使用Canva设计，PDF由Ibis（一个用Markdown编写电子书的PHP工具）生成。

作者简介

作者Bobby Iliev自2014年起担任Linux DevOps工程师，是Linux和开源运动的爱好者，信奉通过实践学习并分享知识。

社区与扩展

• 书中列出了作者的博客、社交媒体链接及其他资源（如DigitalOcean信用额度、DevDojo社区等）。
• 提供了参与开源贡献的指南（需阅读贡献文件）。
• 作者还著有其他入门系列书籍，如Docker、Git/GitHub、SQL、Terraform和Linux等。

标题： JiaT75 于 2021 年为 bsdtar 解压 tar 文件添加了错误文本警告。

摘要： 该内容记录了用户 JiaT75 于 2021年 向 libarchive 项目提交的一个拉取请求，其核心改动是为使用 bsdtar 解压 .tar 文件时可能发生的错误增加了更详细的警告文本。

后续的活动显示，该提交/改动在 2024年3月底至4月初 期间被多个下游项目广泛引用和合并：

1. libarchive 仓库本身：开发者 emaste 在 2024年3月29日提交了引用此拉取请求的提交，随后 kientzle 也推送了相关提交。
2. Linux 发行版及包管理：
   • Alpine Linux 的 aports 仓库在 2024年3月30日至31日期间有多次相关提交（由 algitbot 推送）。
   • PLD Linux 的 libarchive 包在 2024年3月30日进行了相关推送（由 pld-gitsync 推送）。
3. 其他系统：
   • Bell Nuttin 的 alpaquita-aports 仓库在 2024年3月31日进行了相关提交。
   • Homebrew 的 homebrew-core 分支（faisal/homebrew-core）在 2024年4月1日进行了相关推送。

最后，libarchive 仓库于 2024年4月1日 被锁定，限制为仅协作者可参与对话。

本文记录了作者对一款P2P网络摄像头进行逆向工程分析的初步研究。

背景与动机 作者更换了用于监控宠物的IP摄像头，发现新型摄像头多采用P2P模式工作：摄像头主动连接厂商服务器，用户通过手机APP经同一服务器查看画面。虽然设置简便，但存在安全隐患（视频音频数据经外部服务器中转），且用户丧失了直接控制权。作者决定对该摄像头进行逆向分析，以了解其工作原理并寻求自主控制的可能性。

初步发现与探索

1. 硬件与信息缺失：摄像头为贴牌产品，厂商信息不明，无法获得官方技术支持，仅能通过手机APP进行配置。
2. 配置流程：摄像头首次启动会创建临时WiFi网络，APP连接后将其家庭WiFi的SSID和密码传送给摄像头，摄像头随后连接至互联网及厂商服务器。
3. 端口扫描：使用nmap发现开放了554（RTSP流媒体协议）和5000端口，未发现SSH等管理端口。系统识别为Linux 3.x，为开源操作系统。

网络流量分析 通过Wireshark抓包，作者发现了多个问题点：

• 可疑连接：摄像头尝试解析并连接多个无关域名（如Google、Alibaba、Facebook），目的不明。
• 固件更新：摄像头通过访问http://upg.cloudlinks.cn/api/device/checkupgrade.ashx...检查更新，并返回包含新固件URL的JSON数据。固件文件已被加密/编码。
• 数据外传：视频音频数据被发送至位于中国的服务器。服务器地址可能动态变化。
• 通信协议：数据传输基于UDP协议，先连接端口8000（可能为握手），实际视频流发送至其他高端口（如51892）。作者观察到数据包中存在大量空数据，认为其传输效率较低。

当前结论与后续计划 作者对摄像头将家庭内部数据传至外部服务器，特别是境外服务器的做法表示担忧。初步分析揭示了其基于Linux的系统、P2P的连接模式、可疑的域名访问以及加密的固件。下一步研究计划是尝试直接访问摄像头的Linux系统（第二部分），以期绕过厂商服务器实现直接控制。

优化大数库以获取乐趣

核心优化：更高效的数字存储

• 问题：初始的大数库使用十进制字符数组（例如，'3', '2', '1' 表示321）来存储数字，效率低下。
• 解决方案：采用更大的基数来表示“数字块”。具体实现为使用 30位的数字块（存储在 uint32_t 数组中），每个块可以存储最多9位十进制数字（例如，987654321 可以存储在一个块中）。
• 优点：
  • 显著减少内存占用。
  • 大幅减少加法和乘法的计算步骤（因为“数字”更少了）。
  • 使用 uint32_t 可以保证两个块相加不会溢出，相乘的结果可以用 uint64_t 完整存储。
• 实现：bignum_init 函数被重写以完成从十进制字符串到30位数字块数组的转换。

加法与乘法算法的适配

• 加法 (bignum_add)：算法逻辑与之前按位相加类似，但现在操作对象是30位数字块。需要处理进位。
• 乘法 (bignum_multiply)：算法逻辑与经典的“长乘法”类似，同样适配了30位数字块。使用 uint64_t 来捕获乘法过程中的进位。
• 性能提升（基础乘法）：在包含1000位随机数字、运行10000次的基准测试中：
  • 加法：时间从0.04秒降至0.007秒，提升 83%。
  • 乘法：时间从63秒降至0.43秒，提升 99%。

进阶优化：更快的乘法算法

• 引入Karatsuba算法：这是一种比传统“长乘法”更快的分治算法，用于大数乘法。
• 性能对比：
  • 对于1000位的“较小”数字，Karatsuba算法因开销原因反而比传统乘法慢约2%。
  • 对于10000位的大数字，Karatsuba算法优势显现：传统乘法耗时39.88秒，Karatsuba耗时16.27秒，提升 59%。性能差距会随数字位数增加而扩大。
• 结论：Karatsuba算法更适合处理非常大的数字。

后续计划

作者指出该库仍缺少一些核心功能，如负数支持、减法、除法、幂运算、位运算以及与其他类型的转换。此外，代码中可能存在未被测试发现的错误。

本文是对IBM 3274控制单元中一颗1981年芯片的内部拆解分析。文章首先介绍了大型机系统的分层处理架构：主机通过通道处理器高速处理数据，3274控制单元负责合并终端数据、处理网络协议，终端则允许用户本地编辑屏幕数据后一次性发送完整记录，以此减轻主机负担。

作者研究的是3274控制单元Keystone II主板上的一颗芯片，其封装标有摩托罗拉部件号“SC81150R”，但芯片晶圆上印有IBM标志，推测为IBM设计、摩托罗拉制造。该芯片并非处理器或微控制器，而是一个专用的数据处理芯片。

芯片采用NMOS工艺，特征尺寸约3.5微米。核心是一个16×16的三端口静态随机存储器缓冲区，可同时进行两次读取和一次写入。存储单元采用独特的十晶体管结构，通过额外晶体管限制反相器电流来实现弱反相器设计。

芯片中心围绕一个16位总线，通过上拉晶体管维持高电平，这在当时较为常见但会带来R-C延迟。芯片包含大量（约20个）可编程逻辑阵列，作者推测这可能源于其从使用商用PAL芯片的原型板转化而来。此外还包含输入输出缓冲、奇偶校验电路等。输入缓冲仅使用8位输入中的6位连接至主总线，且奇偶校验仅对其中5位进行零值测试，这些设计值得玩味。

作者未发现ALU、寄存器组等典型处理器结构，也无片上ROM。因此认为该芯片不是处理器，而是可能通过PLA解释协议位来处理数据的专用部件。整体电路中电源和地线分布占据单一金属层，对电路布局造成一定限制。

结论认为Keystone II主板的处理器可能是其他IBM封装芯片，此芯片主要辅助数据移动功能。虽然完全逆向工程以确定其确切功能是可行的，但作者认为该项目过于耗时。

根据2024年7月17日《自然》杂志上的一项研究，阻断名为IL-11的炎症促进蛋白质可以显著延长小鼠寿命。该研究在中年小鼠中实施IL-11阻断，结果增强了新陈代谢、减少了虚弱症状，并将寿命延长了约25%。由于人类也拥有IL-11蛋白质，这一发现为未来开发人类长寿疗法提供了潜在希望。相关参考文献包括Widjaja等人的研究（Nature, 2024）以及Cook和Schafer在《医学年度评论》上的综述（2020）。

Magic CLI：命令行智能助手

Magic CLI 是一个基于大语言模型（LLM）的命令行工具，旨在提高用户使用命令行的效率，灵感来源于 Amazon Q 和 GitHub Copilot for CLI 等项目。该项目通过 orch 库与 LLM 进行交互（执行、编排、模型对齐等）。注意：项目处于早期开发阶段，可能存在破坏性更新和错误。

核心功能

1. 命令建议 (suggest)：根据自然语言描述提供命令建议，适用于记得大概用法但不确定具体参数或格式的场景（如 ffmpeg、kubectl）。
   • 用法：magic-cli suggest "用 ffmpeg 将 test_image.png 调整为 300x300"
2. 语义化历史命令搜索 (search)：在 shell 历史记录中进行语义搜索，返回最相关的历史命令（实验性功能）。
   • 用法：magic-cli search "zellij attach"
   • 注意：使用非本地 LLM 时需注意嵌入式向量生成的成本，尤其是对于长历史记录。
3. 生成任务命令 (ask)：提供任务描述，让模型尝试生成并可能引导执行完成该任务的命令（实验性功能）。
   • 用法：magic-cli ask "根据 README 设置开发环境"
4. 支持多种 LLM 提供商：可配置使用本地或远程模型。
   • Ollama：本地 LLM 服务。
   • OpenAI：云端 LLM 服务（通过 API 密钥）。

安装

提供多种安装方式：

• Shell (Linux/macOS)：curl -LsSf https://github.com/guywaldman/magic-cli/releases/download/0.0.6/magic-cli-installer.sh | sh
• Homebrew (macOS/Linux)：brew install guywaldman/tap/magic-cli
• PowerShell (Windows)：powershell -c "irm https://github.com/guywaldman/magic-cli/releases/download/0.0.6/magic-cli-installer.ps1 | iex"
• 也可从 Releases 页面 下载对应平台的二进制文件。

使用提示

可在 ~/.bashrc 或 ~/.zshrc 中定义函数简化调用（无需引号）：

function mcs { model_prompt="$*"; magic-cli suggest "$model_prompt"; }
function mcf { model_prompt="$*"; magic-cli search "$model_prompt"; }
function mca { model_prompt="$*"; magic-cli ask "$model_prompt"; }

配置

配置文件路径：~/.config/magic_cli/config.json。使用 magic-cli config 命令管理配置。 主要配置项包括：

• llm：使用的 LLM 服务（ollama 或 openai）。
• Ollama 相关：base_url (默认：http://localhost:11434)、embedding_model (默认：nomic-embed-text:latest)、model (默认：codestral:latest)。
• OpenAI 相关：api_key (密钥)、embedding_model (默认：text-embedding-ada-002)、model (默认：gpt-4o)。
• suggest 行为：add_to_history (是否将建议命令加入历史，默认 false)、mode (clipboard 复制到剪贴板 或 unsafe-execution 在当前 shell 执行，默认后者)。
  • unsafe-execution 模式会直接执行命令，请谨慎使用。

路线图

• 完善 Windows 支持。
• 支持更多 LLM 提供商（如 Anthropic）。
• 改进本地嵌入式索引存储（当前为 JSON 文件）。
• 增加测试覆盖。

安全与贡献

• 安全：重视安全问题，敏感数据包括 OpenAI API 密钥和 shell 历史嵌入向量（均存储在用户配置文件中）。计划未来将 API 密钥存入系统安全存储。详见 SECURITY.md。
• 贡献：欢迎贡献，请遵循 CONTRIBUTING.md 指南，并建议先创建 Issue 以明确背景和需求。

AI网络钓鱼：新威胁与防御之道

AI钓鱼的现状

• 定义：AI钓鱼利用人工智能技术，使诈骗者能够大规模执行更具欺骗性的骗局。
• 影响：过去几年，AI简化并升级了钓鱼战术，仅2022年诈骗者就收入超过20亿美元。
• 增长：根据网络安全公司SlashNext的数据，自2022年第四季度（ChatGPT推出前后）以来，恶意钓鱼邮件增加了1,265%。

AI如何被用于攻击

• 工具可用性：AI工具范围广泛，从AI生成的文案到免费的黑客工具（如WormGPT）或其付费版本（如暗网上的FraudGPT），这些工具均无安全限制，可生成钓鱼邮件、伪造网站代码等。
• 传统钓鱼 vs. AI钓鱼：
  • 传统钓鱼：依赖社会工程技术，通过伪装成合法来源的欺骗性消息（如银行邮件），利用紧迫感诱骗点击链接或附件，窃取敏感信息。
  • AI钓鱼：利用机器学习技术，通过分析大量数据（如社交媒体、公开信息），创建高度个性化的钓鱼邮件，引用目标的近期购买、兴趣等，使其看起来更真实，并能轻易生成可信网站的复制品。

AI钓鱼的四大支柱

1. 数据分析：使用算法和WormGPT等工具搜集目标个人或群体的大量数据，理解其兴趣、行为和偏好。
2. 个性化：基于收集的数据，AI生成高度个性化的钓鱼邮件，引用目标生活中的具体事件，增加可信度。
3. 内容创建：AI生成模仿目标联系人或已知机构写作风格的邮件内容，建立熟悉感和信任，并克服语言障碍。
4. 规模化与自动化：AI使攻击者能够高效扩展操作，在短时间内生成大量独特的钓鱼邮件，广泛针对个人或组织，并辅助代码生成、自动化触发和集成设置。

攻击案例与效率

• IBM的5/5规则：工程师与AI竞赛创建钓鱼活动发现，AI仅需5个提示和5分钟即可创建一个几乎同样成功的活动，而人类专家需要16小时。AI工具还将不断迭代，速度可能呈指数级增长。
• 示例：
  • AI深度伪造：2024年初，一名跨国公司的财务员工在视频会议中被成功冒充公司CFO及其他领导的AI深度伪造欺骗，导致2500万美元资金被转出。这凸显了AI在视频、语音、文本等方面的强大伪造能力。
  • 标准化攻击：一封看似正规的密码重置邮件，无语法错误，甚至邀请回复（由AI聊天机器人应答），并导向外观逼真的伪造网站，用以窃取凭证。

防御措施

1. DMARC协议：核心防御

• 作用：DMARC（基于域名的消息认证、报告和一致性）是防御AI钓鱼的关键。它为电子邮件发件人定义策略，规定其邮件应如何被认证，以及在认证失败时应如何处理，从而阻止仿冒域名和品牌的恶意邮件到达收件箱。
• 发展：
  • 自2012年发布以来，采用率一直较低。
  • 2024年转折点：Gmail和Yahoo宣布将强制执行严格的发件人要求，其中包括实施至少p=none策略的DMARC。这将推动大规模采用，帮助平衡收件箱环境。
• 局限性：DMARC无法防御“堂兄域名”（外观相似的域名），因为它只保护已设置DMARC策略的域名。

2. 识别AI钓鱼的转变

• 传统识别标志（如糟糕的语法）已不再可靠。
• 关键步骤：验证来源。仔细核对URL和域名是否与真实公司域名一致。对于未知发件人，应将其标记给内部安全团队或报告为垃圾邮件。

3. 实施多层安全

• 鉴于AI钓鱼的智能性（能自动寻找入口点），保护组织需要多层防御：强大的防火墙、最新的防病毒软件以及持续的员工安全教育和培训。

4. 维护发件人信誉

• 钓鱼攻击是信誉威胁。邮箱提供商（如Gmail、Yahoo）正通过强制要求（包括实施DMARC）来保护用户和发件人。合法发件人设置并执行DMARC规范，是使该防御机制生效的前提。

结论

AI已彻底改变了钓鱼攻击的面貌。防御重点应转向以DMARC为核心的技术认证、对域名来源的严格验证、多层安全策略以及持续的内部教育，以应对这一不断演进的新威胁。

本文介绍了SpreadsheetLLM，一种专为大型语言模型（LLM）设计的高效电子表格编码方法，以解决LLM处理电子表格时因其二维网格庞大、布局灵活和格式多样而面临的挑战。作者最初提出了一种包含单元格地址、值和格式的基础序列化方法，但受LLM的token限制，实用性不足。为此，他们开发了创新的编码框架SheetCompressor，包含三个核心模块：基于结构锚点的压缩、反向索引翻译和数据格式感知聚合。该框架显著提升了电子表格表检测任务的性能，在GPT-4的上下文学习中比基础方法提高了25.6%。此外，经SheetCompressor微调后的LLM平均压缩比达25倍，并在F1分数上达到78.9%的 state-of-the-art 水平，比现有最佳模型高出12.3%。论文还提出了“电子表格链”方法，用于电子表格理解的下游任务，并在新的表格问答任务中验证了其有效性，展示了SpreadsheetLLM在多种表格任务中的强大潜力。

Google广告主标签网关概述

Google为广告主提供了一种名为“Google广告主标签网关”的解决方案，旨在让用户通过自身的第一方基础设施部署Google标签，从而实现更持久、稳定的标签配置。

核心功能与原理

• 第一方域名部署：该网关允许广告主在自己的网站域名下加载和运行Google标签，而不是从Google域名直接请求。
• 中间层架构：广告主的基础设施（如CDN、负载均衡器或Web服务器）作为网站与Google服务之间的中间层，负责转发部分测量请求。
• 信息流变化：在标准配置中，网页直接从Google域名获取标签并发送测量请求；而使用标签网关后，标签从广告主的第一方域名加载，部分测量请求也通过该第一方域名发送至Google。

部署前提

要部署此网关，广告主的网站需满足以下条件：

1. 已配置Google标签或Google Tag Manager容器。
2. 拥有能够向外部端点转发请求的内容分发网络（CDN）或负载均衡器。

优势

通过使用第一方基础设施，该方案能更好地优化网站测量，提升数据收集的稳定性和可靠性，尤其有利于应对因第三方Cookie限制或自动屏蔽而导致的数据丢失问题。

本文详细记录了作者在新冠疫情期间，受克罗地亚PEEK&POKE计算机博物馆启发，从零开始组装一台1983年设计的南斯拉夫8位计算机Galaksija的完整经历。文章聚焦于技术构建过程，主要包含以下内容：

项目启动与零件准备 作者决定依据1983年《Računari u vašoj kući》杂志第一期的原始指南进行DIY。他尝试使用原装或同类零件，主要从Mouser和eBay采购。遇到的主要挑战包括：

• 需要特定编程电压（21V）和脉冲（50ms）的2732/2732B EPROM，但其LAQIYA TL866Ⅱ Plus编程器无法满足要求。
• 订购了宽度不匹配的6116 RAM芯片和型号错误的CPU。
• 键盘开关引脚与PCB设计不兼容，需额外焊接。 PCB则基于网上开源Gerber文件在JLCPCB制作，最少订购5块。

组装与调试过程

1. 焊接：先焊接了119个跳线（后发现漏焊两个关键跳线），随后安装IC插座、电容电阻。
2. EPROM编程：这是最困难的阶段。作者通过外部电源辅助、分步编程、编写Bash脚本反复尝试等方式，最终成功写入ROM A和ROM B，但过程极为曲折。
3. CPU与初始故障：首次安装的CPU型号错误，更换后仍无法显示图像。通过逻辑探头发现CD4017计数器实际为其他型号芯片。
4. 关键突破：购置示波器后，最终发现是漏焊的两个跳线导致无信号。焊接后屏幕首次出现字符。
5. 最终问题：图像存在双行、像素缺失问题。偶然发现触碰RAM芯片会导致图像变化，遂判断是劣质IC插座接触不良。直接将RAM焊接至PCB后，计算机完全正常工作。

后续改进项目 计算机功能正常后，作者完成了三个项目：

1. HDMI输出：将RCA/HDMI转换器直接集成到主板，共用电源以优化画质，并加装视频输出切换开关。
2. 3D打印外壳：根据原始指南理念，使用SketchUp设计外壳，3D打印主体并搭配亚克力底板，贴上印有生产公司标志的标签。
3. dump2gtp工具：开发了一款工具，可通过MAME内存转储将wav格式的程序录音转换为gtp虚拟磁带格式，便于归档和模拟器使用。目前仍需MAME中转，未来计划实现直接转换。

附加工作 作者还修改了字符生成ROM，提供了两种不同版本的“READY”启动标志（MIPRO标志和Elektronika inženjering标志），并在GitHub上发布了相关资源、工具和外壳设计文件。整个项目过程中，作者通过大量故障排除，深入理解了Galaksija的硬件原理和视频生成机制。

Traceloop：基于OpenTelemetry的大规模LLM幻觉检测平台

核心功能与问题背景

Traceloop是面向生产环境的LLM应用监控平台，专注于在大规模调用场景下自动检测幻觉和异常响应。当LLM应用月调用量达数百万次时，传统的人工抽检或“LLM as a judge”方法存在成本高、延迟大等问题。该平台通过实时监控关键质量指标，帮助团队识别以下问题：

• 实体提取错误（如将地址误判为人名）
• 无意义响应（如返回通用客服话术）
• 捏造信息（如在摘要任务中生成原文未提及的内容）

技术实现特点

1. 实时指标计算：基于已验证的NLP指标，开发了针对LLM生成文本的实时评分系统，包括：
   • 忠实度（Faithfulness）
   • 相关性（Relevancy）
   • 冗余度（Redundancy）
2. 根因关联分析：将异常指标与系统变更（如提示词修改、模型更新）自动关联，实现故障回归检测。
3. 数据采集标准化：通过开源项目OpenLLMetry（基于OpenTelemetry框架）统一LLM应用的观测数据采集，支持追踪链、跨度、指标和日志等标准化概念。

生态整合与客户验证

• 已与20+可观测性平台建立合作，确保采集数据可跨平台使用。
• 客户案例证明其指标能有效识别实体提取错误、捏造内容等典型幻觉问题。

发展方向

计划扩展对智能体工具调用、视觉模型等新型AI应用的监控支持。

行业提问

文章最后向开发者社区征集反馈：目前LLM幻觉调试的痛点、遇到的幻觉类型及应对方式。