Dynamicland 2024 项目概述

Dynamicland 是一个“人性化动态媒介”（humane dynamic medium）的原型，被定义为一个“作为物理空间的计算机”，旨在让人们在现实世界中协同工作。该项目作为一个自举（bootstrapping）研究实验室，将实验室本身作为实验对象，以探索独特且高效的研究方法。

核心理念与组织定位

• 非营利与教育导向：Dynamicland 采用非营利模式。其技术不被视为传统的商业产品，而是必须作为一种教育形式和社区实践来发展。
• 长期愿景：致力于构建空间动态媒介，并延伸出“公共科学”（communal science）理念，涵盖生物纳米技术实验室及“图书馆”等长远构想。

发展历程与进度报告

项目通过视频、演讲、文章、照片漫画和信件等多种媒介，详细记录了自2014年以来的发展轨迹：

• 2014-2019年（起源与奠基）：2014年的《思想的人性化表达》（The Humane Representation of Thought）确立了空间动态媒介的长期愿景。此阶段的报告涵盖了实验室前五年的历史，以及核心系统 Realtalk 和 Dynamicland 的起源。2019年的演讲进一步阐述了自举研究实验室的独特方法。
• 2020-2021年（疫情期间的演进）：通过视频和手写信件，展示了疫情初期新 Realtalk 的研发进展、实验室的非正式导览，以及疫情期间的持续发展与未来规划。
• 2022-2024年（科学实验室与最新进展）：2022年的工作重心转向科学实验室。2024年发布了6分钟的最新概述视频，并推出了《公共科学实验室》（The communal science lab）手册，作为生物纳米技术实验室的奠基文件，描绘了公共科学的愿景。

关键文献与资源结构

• 社区建设：2017年的《Dynamicland zine》作为社区空间的奠基文件，明确了项目的愿景、原则与进展。
• 资料库结构：项目资料库结构完善，包含精选出版物（文章、报告和演讲）、项目档案（记录所有规模的项目）、团队成员介绍（People）以及常见问题解答（FAQ），全面支撑其社区实践与研究成果的展示。

Kagi 推出了名为 Assistant 的全新 AI 助手服务，旨在提供更智能、更快速且尊重隐私的搜索与对话体验。其主要特点与功能如下：

• 强大的搜索集成：Assistant 深度集成 Kagi 的高质量搜索结果，能基于最新、最相关的信息提供回答，有效过滤垃圾信息。
• 灵活的模型选择：用户可以从多家领先供应商（如 OpenAI、Anthropic、Google 等）的顶尖大语言模型中自由选择，并可随时切换。用户可决定是否允许模型通过 Kagi Search 访问网络。
• 强大的自定义助手：用户可以创建个性化的助手，为其设置专属名称、自定义指令和工具（如搜索和互联网访问），以精确满足特定任务需求。
• 便捷的对话管理：支持在对话中途编辑问题或切换模型，实现分支对话，方便优化提问而无需重新开始。
• 严格的隐私保护：所有对话默认为私有，用户可设置自动过期删除（默认为24小时）。Kagi 承诺不收集用户数据、不投放广告、不使用订阅者数据训练模型。通过第三方模型API使用时，其服务条款也禁止将数据用于模型训练。
• 定价与获取：Kagi Assistant 作为 Kagi Ultimate 计划（每月25美元）的一部分提供，该计划也包含完整的 Kagi Search 访问权限。目前仅在 Ultimate 层级可用，团队正在评估向其他层级提供的可能性。
• 其他信息：该服务已正式上线，目前无硬性使用限制。文件上传功能即将推出。用户可通过 Kagi Feedback 报告问题或提出建议。

本文探讨了CSS @property 规则在现代浏览器中获得全面支持后，为下一代CSS样式和动画带来的新可能性。@property 允许开发者显式定义CSS自定义属性的语法（syntax）、初始值（initial-value）和继承性（inherits），从而使浏览器能够对自定义属性进行平滑的插值和过渡动画。

文章通过一个复杂的“行动号召”（CTA）按钮动画示例，详细拆解了 @property 的核心应用与实现结构：

1. 旋转渐变边框

通过 @property 将 --gradient-angle 定义为 <angle> 类型并设置初始值，结合 @keyframes 实现角度的平滑旋转。利用 conic-gradient（应用于 border-box）和 linear-gradient（应用于 padding-box）的多重背景组合，配合1像素透明边框，打造出闪亮的动态边框效果。

2. 平滑的悬停过渡

在按钮悬停时，通过动态调整控制高光大小（--gradient-percent）和角度偏移（--gradient-angle-offset）的自定义属性，实现渐变高光的无缝过渡，有效避免了动画在悬停状态切换时的回弹现象。

3. 悬停减速技巧

通过为元素叠加第二个反向、暂停且时长减半的旋转动画，在悬停时利用 animation-play-state: running 激活该动画。此技巧可使旋转速度平滑减半，并在取消悬停时原位恢复原速，无需额外的DOM包装元素。

4. 微光点阵与遮罩动画

使用 radial-gradient 创建微小的点阵图案，并利用 --gradient-angle 驱动 conic-gradient 遮罩（mask-image），使点阵随边框旋转而闪烁显现。同时，在伪元素中添加同步旋转的高亮渐变以增强视觉氛围。

5. 视觉深度增强

通过包裹文本的 <span> 元素的伪元素添加模糊的 box-shadow，并在悬停时进行缓慢的缩放动画，营造出类似呼吸的视觉效果，进一步提升按钮的立体感和质感。

总结与展望

@property 解锁了诸多以往难以实现的CSS高级技巧，极大地丰富了网页的视觉表现力。更重要的是，它为CSS引入了类型定义的概念。未来，@property 在大型应用程序和构建类型安全的CSS设计系统中将发挥重要作用，展现出广阔的发展前景。

根据美国第二巡回上诉法院的判决，互联网档案馆（Internet Archive）在版权诉讼中败诉。法院认定，其“免费数字图书馆”项目扫描版权保护的印刷书籍并在线免费分发的做法，不属于《版权法》第107条下的“合理使用”。

案件核心

• 原告：哈珀柯林斯、企鹅兰登书屋等四家大型出版商。
• 被告：互联网档案馆（非营利组织，旨在“提供对所有知识的普遍访问”）。
• 争议焦点：互联网档案馆的“受控数字借阅”（CDL）服务——即扫描印刷书籍制作数字副本，并在网上免费借出，通常维持“拥有一本，借出一本”的比率——是否侵犯版权。

法院对合理使用四要素的分析

1. 使用的目的与性质（目的与性质）

   • 转化性：法院认为互联网档案馆的使用不具有转化性。数字副本与原始作品目的相同（供人阅读），仅是媒介形式转换，属于典型的“衍生作品”，而非用于批评、评论或研究等转化性目的。
   • 商业性：虽然互联网档案馆是非营利组织且免费服务，但其与Better World Books的购书链接及接受捐款的行为，与直接商业剥削的关联性较弱，因此不具有商业性质。
   • 结论：因不具转化性，此因素有利于出版商。

2. 被使用作品的性质

   • 涉案书籍（包括小说和非小说）均包含具有独创性的表达，处于版权保护的核心范围。
   • 结论：此因素有利于出版商。

3. 使用部分的数量与实质性

   • 互联网档案馆复制了整部作品并向公众公开。法院认为，这种全文复制并非为了实现某个转化性目的（如创建搜索数据库），而是为了替代原作。
   • 结论：此因素有利于出版商。

4. 对潜在市场的影响

   • 互联网档案馆的数字副本直接与出版商授权的电子书和实体书市场形成竞争。其免费分发服务实质上取代了出版商的许可收入。
   • 互联网档案馆未能提供充分证据证明其服务未对市场造成损害。法院认定，若其做法被广泛允许，将对出版商的市场造成实质性损害。
   • 尽管免费数字图书馆可能带来短期公共利益（如扩大获取渠道），但从长远看，会削弱作者和出版商的创作激励，与版权法的宗旨相悖。
   • 结论：此因素有利于出版商。

最终裁决

• 法院权衡所有因素后，四个合理使用因素均不利于互联网档案馆。
• 因此，维持地方法院的判决，驳回互联网档案馆的合理使用抗辩，并确认其侵犯版权。
• 法院强调，版权法在保护创作者报酬与促进公众获取知识之间取得了平衡，互联网档案馆的做法逾越了法律许可的范围。

附加背景

• 国家应急图书馆：疫情期间，互联网档案馆曾短暂取消借阅比率限制，允许数千用户同时借阅同一数字副本。法院指出，此举的违法性更为明显。
• 众多法庭之友意见书：图书馆、学者、版权组织等各方均提交了意见书，体现了此案对公共利益和版权保护的重大影响。

该判决对数字时代的图书馆服务、版权与公共访问的边界具有重要示范意义。

AlphaProteo：设计新型蛋白质结合体的AI系统

谷歌DeepMind于2024年9月5日推出首个AI系统AlphaProteo，旨在设计新型、高亲和力的蛋白质结合体，作为生物学与健康研究的基石。该系统有望加速对生物过程的理解，并辅助新药发现、生物传感器开发等。

核心功能与工作原理 生物过程依赖于蛋白质间的相互作用。现有工具（如AlphaFold）可预测蛋白质结构，但无法创造新的蛋白质来直接调控这些相互作用。传统蛋白质结合体设计方法耗时且需大量实验优化。AlphaProteo通过学习蛋白质数据库（PDB）及超过1亿个AlphaFold预测结构，掌握了分子间结合的复杂模式。给定靶分子结构及优选结合位点后，它能生成在该位点与靶标结合的候选蛋白质。

测试成果与性能优势 在针对7个多样化靶蛋白（包括与癌症、炎症、病毒感染相关的VEGF-A、SARS-CoV-2刺突蛋白受体结合域等）的测试中，AlphaProteo表现出色：

• 高成功率与强结合力：实验成功率具竞争力，结合力平均比现有最佳方法强3至300倍。针对病毒蛋白BHRF1，88%的候选分子在湿实验中成功结合。
• 超越现有方法：在未进行实验优化的情况下，其设计的结合体亲和力最优。针对TrkA的结合体强度甚至优于经过多轮实验优化的先前最佳设计。
• 功能验证：外部机构（如弗朗西斯·克里克研究所）的实验确认，其设计的SC2RBD和VEGF-A结合体的相互作用与预测一致，并具有生物功能（如阻断SARS-CoV-2感染细胞）。

局限性与未来方向

• 当前限制：系统未能为第8个靶蛋白TNFα设计出成功结合体（该靶标经计算分析被认为极具挑战性）。
• 持续改进：团队将致力于提升算法成功率与亲和力，扩大可处理的设计问题范围，并与多学科研究人员合作，以应对更多复杂靶标。

应用潜力与责任考量

• 广泛应用：可大幅缩短结合体初始实验时间，用于药物开发、诊断测试、可持续制造及环境治理等领域。
• 负责任开发：为应对生物安全风险，团队正与外部专家合作，采取分阶段方法推进工作，并参与制定最佳实践。

AnythingLLM：开源全能桌面AI助手总结

核心概述

AnythingLLM 是一款开源、全功能的桌面AI应用（支持Mac、Windows和Linux），旨在让用户快速构建私有、功能齐全的ChatGPT替代方案。它默认本地运行，设置简单，支持多用户和高度可配置。

主要功能

• 文档对话：支持多种文档类型（PDF、TXT、DOCX等）的上传和对话。
• AI代理：内置可定制的AI代理，支持浏览网页、执行复杂工作流等。
• 多用户支持：在Docker版本中可控制用户访问权限和体验，保护隐私和知识产权。
• 高度可配置：支持动态模型路由、自动记忆、定时任务、智能技能选择（可减少高达80%的token使用）等。
• 多模态支持：兼容闭源和开源的大语言模型（LLM）。
• 嵌入式聊天部件：Docker版本提供可嵌入网站的聊天小部件。
• 开发者API：提供完整的API用于自定义集成。

支持的技术栈

• 大语言模型（LLM）：支持众多提供商，包括OpenAI、Azure OpenAI、AWS Bedrock、Anthropic、Google Gemini、Ollama、LM Studio、LocalAI等30余种。
• 嵌入模型：默认使用AnythingLLM原生嵌入器，同时支持OpenAI、Azure OpenAI、Gemini、Ollama等十余种。
• 音频转录：内置默认转录功能，也支持OpenAI。
• 语音合成（TTS）：支持浏览器内置、PiperTTSLocal、OpenAI TTS、ElevenLabs等。
• 语音识别（STT）：默认使用浏览器内置功能。
• 向量数据库：默认使用LanceDB，同时支持PGVector、Pinecone、Chroma、Weaviate、Qdrant、Milvus等八种。

技术架构

项目为monorepo结构，包含六个主要部分：

1. frontend：基于ViteJS + React的前端。
2. server：Node.js Express服务器，处理交互和向量数据库管理。
3. collector：Node.js Express服务器，处理文档解析。
4. docker：Docker部署说明和构建流程。
5. embed：用于生成和创建Web嵌入部件的子模块。
6. browser-extension：Chrome浏览器扩展子模块。

部署与开发

• 自托管：支持通过Docker、AWS、GCP、Digital Ocean、Railway等多种云平台部署，也可不依赖Docker进行生产环境设置。
• 开发设置：通过运行yarn setup配置环境文件，然后分别启动服务器、前端和文档收集器。

隐私与遥测

• 遥测功能：收集匿名使用数据以改进产品，包括安装类型、文档增减事件、使用的向量数据库和LLM类型、聊天发送事件等。不收集文档内容或聊天内容。
• 禁用方法：在服务器或Docker的.env文件中设置DISABLE_TELEMETRY=true，或在应用内隐私设置中禁用。
• 其他连接：即使禁用遥测，使用外部服务时仍会连接至相应提供商，以及可能连接至cdn.anythingllm.com（用于模型镜像）和GitHub文件下载。

其他信息

• 贡献：欢迎社区贡献。
• 赞助商：列有Premium Sponsors和All Sponsors。
• 相关产品：AnythingLLM移动应用（MIT许可）、浏览器扩展和网站嵌入部件。
• 版权：版权归Mintplex Labs所有，项目采用MIT许可证。

以硬核方式创建Git提交：使用底层命令

本文介绍了如何绕过常见的Git高层命令（Porcelain commands），仅使用底层命令（Plumbing commands）手动创建一个Git提交，以深入理解Git的内部工作原理。

Git基础概念

• 文件的三种状态：已修改（Modified）、已暂存（Staged）、已提交（Committed）。
• 项目的三个部分：
  • 工作目录：存放可编辑的文件，已修改文件位于此。
  • 暂存区（索引）：记录下一次提交将包含的文件信息，位于.git目录中。
  • Git目录：存储所有Git对象和元数据，已提交文件位于此。

Git对象模型

Git提交由一系列对象构成，均以内容的SHA-1哈希值存储于.git/objects目录中，确保内容不可篡改。

1. Blob对象

• 代表文件内容本身。
• 使用git hash-object命令创建，-w选项会将其写入Git数据库。
• 例如：git hash-object -w --stdin会存储内容并返回其哈希值。

2. Tree对象

• 代表目录结构，包含文件名到Blob对象的引用，或对其他Tree对象的引用。
• 通常由暂存区（索引）生成。
• 使用git write-tree命令从当前索引创建Tree对象。

3. Commit对象

• 代表一次提交，包含：
  • 指向一个Tree对象的引用。
  • 作者、提交者信息及时间戳。
  • 提交消息。
  • 父提交（零个、一个或多个，分别对应初始提交、普通提交、合并提交）。
• 使用git commit-tree命令创建。

手动创建提交的步骤（硬核方式）

1. 初始化仓库：git init
2. 创建Blob对象：使用git hash-object -w存储文件内容（如myfile.txt），获取其哈希值。
3. 将Blob添加到索引：使用git update-index --add --cacheinfo 100644,<blob哈希>,<文件名>命令。这模拟了git add的效果，创建或更新索引文件。
4. 从索引创建Tree对象：使用git write-tree命令，输出Tree对象的哈希值。
5. 创建Commit对象：使用git commit-tree <tree哈希>命令，并附加提交信息（通过-m选项或标准输入）。可使用-p选项指定父提交（若有）。
6. 查看结果：
   • 使用git cat-file -p <commit哈希>查看提交内容。
   • 使用git log查看提交日志。
   • 使用git reset将分支指向新提交，以在工作目录中显示文件。

结论

通过使用Git的底层Plumbing命令，我们可以完整地构建出组成一次提交的Blob、Tree和Commit对象链。这一过程揭示了Git高层命令（如git add和git commit）背后的机制，有助于更深入地理解Git的版本控制模型。

参考资料：《Pro Git》（第二版）第10章“Git Internals”。

本文通过两个具体的技术案例，对比了传统的热代码加载/原地升级部署方式与现代的基于容器（如Docker）和Kubernetes的不可变基础设施部署方式，并表达了对当前技术趋势的遗憾与批评。

案例一：Erlang 系统的热代码加载 作者在一个处理每秒超亿条消息的系统中，使用 Erlang 的 REPL 和脚本实现了零停机滚动部署。该方式允许工程师灵活选择激进或谨慎的升级策略，在不丢失任何连接的情况下完成数十上百个实例的更新。系统由少数开发者维护，且保持了有状态特性。

案例二：嵌入式设备的原地升级 作者在另一份工作中为机场摄像头等嵌入式设备实现了签名包的原地升级。该方案支持跨版本实时更新，升级失败能毫秒级自动回滚，且不中断任何数据流，保障了关键安全系统的连续性。

技术趋势的批判 上述两种强大的有状态、实时部署方案最终都被废弃，主要原因是业界转向了以 Docker 和 Kubernetes 为代表的、强制性的不可变基础设施和无状态设计范式。作者认为这导致了“将婴儿与洗澡水一起倒掉”的后果，丧失了细粒度控制、无状态损失升级和快速恢复等宝贵能力。

核心观点：监督树与集群调度器的区别 作者澄清了一个广泛误解：Kubernetes 等集群调度器并非 Erlang/OTP 监督树的替代品。两者操作在不同层面：Erlang 的“让它崩溃”常用于请求级甚至更精细的粒度，而 Kubernetes 处理容器级故障。理想情况下，两者结合能提供更丰富的能力，但当前生态迫使开发者只能选择后者，锁死在特定思维模式内。

比喻与结论 作者将强制采用不可变基础设施比喻为“在每个遇到的红绿灯路口都使用气囊”——虽然提供了一个基础的安全网（重启恢复），但却迫使所有人只能使用这个基础方案，从而放弃了进行更精细优化、构建更高效工作流以及构思更复杂软件变更的可能性。作者对整个现代 DevOps 生态系统迫使其放弃实时部署能力表示强烈不满。

WHAT THE TRUCK?!? 通讯摘要

亚马逊对司机行为的监控引发争议

• 核心事件：亚马逊配送服务合作伙伴（DSP）计划引入新规，通过车内朝内的摄像头系统（Netradyne）加强对司机的监控，旨在打击分心驾驶。
• 争议焦点：系统更新后，对眼睛和嘴部运动的检测变得敏感，可能导致司机在车内跟着收音机唱歌也会触发警告。司机们对此表示愤怒。
• 各方观点：
  • 许多司机和行业人士认为，唱歌有助于保持清醒和专注，并非分心行为。
  • 一项研究显示，音乐对驾驶安全有积极影响，能缓解压力、防止疲劳。
  • 社交媒体调查显示，绝大多数（超过94%）的受访者认为应允许司机唱歌。
• 官方回应：亚马逊否认曾明确要求合作伙伴禁止司机唱歌，但争议依然存在。

Flexport CEO的AI艺术引发批评

• 事件：Flexport首席执行官Ryan Petersen在社交媒体X上发布了一幅由AI生成的艺术作品。
• 作品内容：该作品描绘了类似达芬奇《最后的晚餐》的场景，但包含Flexport高管形象，并显示“耶稣”悬浮在餐桌之上。
• 公众反应：该作品收到大量批评，被部分人认为是“亵渎神明”或不当的营销尝试，但也有一些人持不同意见。此举与近期巴黎奥运会开幕式引发的类似争议被相提并论。

节目预告与商品促销

• 本周五直播预告：节目将邀请供应链顾问Brittain Ladd探讨Costco如何利用供应链成为全球第三大零售商，包括其会员制模式、技术应用及亚洲扩张。
• 嘉宾回归：播客主持人Andrew Silver将回归，讨论行业现状及其播客《The Freight Pod》的见解。
• 商品促销：提醒读者前往WTTGear.com购买最新周边商品，并提供折扣码。

其他行业新闻简讯

通讯末尾列举了多则供应链与物流领域的简要新闻，包括：

• 危险品运输商起诉“达利”号货轮船东疏忽。
• 专家称美墨贸易关系进入“未知领域”。
• 加拿大铁路运力恢复对供应链产生意外影响。
• 前极地货运航空高管被判入狱。
• 卡夫亨氏公司正在利用AI做出更自主的供应链决策。

将 systemd 移植到基于 musl libc 的 Linux 系统

项目背景与目的

本项目完成了将 systemd 移植到 musl libc 的初步工作（主要针对 Adélie Linux）。核心目的是为用户提供多种服务管理器选项，保障用户的选择自由。该项目由 Wilcox Technologies Inc. (WTI) 提供合同赞助。

移植策略与构建修复

• 版本选择：基于 systemd v256.5 版本进行开发，紧贴上游进度并评估移除 split-/usr 支持的影响。
• 补丁集重构：未沿用现有的 OpenEmbedded 补丁集，而是编写了全新的原创补丁，重点解决头文件包含问题，并致力于将修复提交至上游。
• 构建修复：解决了 GLOB_BRACE、malloc_info 和 malloc_trim 等相关的 C 语言可移植性与构建错误。

测试套件关键修复

初始测试套件存在 27 个失败项，主要通过以下技术手段解决：

• time-util 测试：musl 的 strptime 不支持 %z（时区）格式。为保留跨系统日志时间戳解析功能，为 systemd 编写了专用的 %z 转换代码。
• systemd-sysusers 测试：musl 的 getgrent 和 getpwent 无法良好处理 glibc 的 NIS 兼容垫片及不完整行。通过在 putgrent_sane 函数中添加 NIS 兼容垫片解决了此问题。
• test-recurse-dir 测试：在 64 位 PowerPC (PPC64) 架构上，getdents64 返回 EFAULT 错误。查明原因为 ABI 对象对齐保证导致指针数学运算和类型转换无效，通过引入临时变量修复。此举使该系统成为首个在大端 64 位 PowerPC musl libc 环境下通过完整 systemd 测试套件的系统。

启动与集成测试

• Qemu 虚拟机：初期因错误剔除了 build-util 中的 ELF RPATH 解析功能导致核心转储（段错误）。恢复该功能后，成功引导 Adélie Linux 救援环境。
• 物理机无缝切换：在 x86_64 架构上测试。由于 D-Bus 和 PolicyKit 需在编译时确定是否支持 systemd，因此重新构建了相关替换包。通过包管理器命令成功将 init 系统从 OpenRC 切换为 systemd，系统完美启动（包括通过 systemd 运行 s6-ipcserver），且启动速度缩短至 OpenRC 的三分之一。

待完善工作与未来计划

• 已知缺陷：在 KDE Plasma 会话中通过 GUI 电源按钮重启会导致合成器冻结（疑似 PolicyKit 问题），需进一步调试。
• 服务单元文件：目前仅打包了 OpenSSH 和 utmps 的单元文件。计划为相关软件包添加 -systemd 拆分包，并参考上游及 Gentoo/Fedora 的基础文件来完善服务配置。
• 上游协作与发布：在发布公开 Beta 版前，正与 systemd、musl 等上游项目展开代码审查与讨论，以确保补丁质量并推动其合入上游。

Hacker League 开源火箭联盟 Linux 版

一个开源的《火箭联盟》风格游戏，专为 Linux 设计，支持单机、多人和人工智能训练。

安装与运行

快速安装（游戏与服务器）

目前仅官方支持基于 Debian 和 Arch 的 x86_64 发行版，其他平台需从源码编译。系统需已安装 Vulkan 驱动。

• 安装游戏客户端:

  curl -sL https://raw.githubusercontent.com/moritztng/hacker-league/main/install.sh | BINARIES="game" bash
  cd hacker-league
  

• 安装服务器:

  curl -sL https://raw.githubusercontent.com/moritztng/hacker-league/main/install.sh | BINARIES="server" bash
  

从源码编译（适用于其他平台）

1. 安装依赖:

• Debian:

  sudo apt update
  sudo apt install libvulkan-dev vulkan-validationlayers-dev spirv-tools libglfw3-dev libglm-dev vim-common xxd g++ make libcurl4-openssl-dev git
  

• Arch:

  sudo pacman -Syu vulkan-headers vulkan-validation-layers spirv-tools glfw glm vim xxd gcc make curl git
  

2. 构建项目:

git clone https://github.com/moritztng/hacker-league.git
cd hacker-league
curl -L -o ./shaders/glslc https://github.com/moritztng/hacker-league/releases/download/glslc/glslc
chmod +x ./shaders/glslc
make debug

游戏玩法

建议使用游戏手柄以获得最佳体验。

• 单人模式：直接启动游戏。
• 多人模式：
  • 从公共服务器列表中选择服务器加入。
  • 或通过指定 IP 和端口直接连接：

    ./hacker-league <server-ip> <server-port>
    

服务器管理

运行服务器：./server <local-port> [<public-ip>] [<public-port>]

• <local-port>: 必需，指定服务器监听的本地端口。
• <public-ip> 和 <public-port>: 可选，如果指定，则服务器将被添加到公共服务器列表中，需确保端口可达。

Python 强化学习环境

项目提供了一个 Python 包，可用于训练 AI 代理。

• 安装：当前同样仅支持 Debian/Arch x86_64。
  • Debian 依赖：sudo apt-get install libglfw3 libcurl4-openssl-dev
  • Python 包安装：

    pip install git+https://github.com/moritztng/hacker-league.git
    

• 训练示例（参考 train_example.py）：

  best_params = evolution_strategies(model.get_params(), fitness)
  model.set_params(best_params)
  
  def policy(observation):
      return model.forward(observation)
  
  hacker_league.play(policy) # 启动游戏并显示 AI 代理的游戏过程
  

社区

• Discord 服务器：https://discord.gg/bD2saQqdTG
• 开发者 X (原 Twitter) 账号（公开开发进度）：https://x.com/moritzthuening

查尔斯·斯特罗斯的科幻小说《加速》（2005）探讨了技术奇点、意识上传和人类未来在数十年间发生的剧变。故事跨越三代人，主要围绕技术催化者曼弗雷德·麦克斯、他的女儿安柏以及外孙西尔汉展开，涉及人工智能、经济体系革命、外星接触和人类身份的转变。

第一部分：缓慢起飞
故事始于21世纪初。曼弗雷德·麦克斯是一名“激进乐观主义”的企业家和思想领袖，他致力于免费分享创意以推动社会进步。他与控制欲强的税务官帕梅拉离婚，并遇到安妮特·迪马科斯。关键情节包括：他帮助第一批意识上传的龙虾获得自由，并促成与鲍勃·富兰克林的太空工业合作。安柏通过父亲设计的复杂公司结构逃离母亲的控制，登上前往木星的“孤儿船”恩斯特·桑格号。在木星轨道，她建立了“环帝国”，并因母亲的法律干预而寻求宗教法官萨德克的帮助。

第二部分：拐点
时间推进到21世纪中叶。安柏已成为“环帝国”女王，并策划前往近三光年外的褐矮星轨道上的外星路由器。在船上，她与船员（包括后来与她结婚的皮埃尔和神学家萨德克）一同前往。他们发现路由器连接着一个退化的“隔离区”——一个废弃的外星超级智能遗迹，被“狼群”（Wunch，一种寄生性商业实体）和“公司幽灵”占据。在猫形人工智能艾内科（Aineko）的帮助下，他们逃脱并返回太阳系，但发现太阳系正经历由“可恶后代”（Vile Offspring，即失控的强人工智能）引发的剧变，内行星正在被解构为计算基质。

第三部分：奇点
太阳系被“可恶后代”主导，它们将行星转化为计算基质，人类及其意识上传体面临生存危机。安柏和同伴们被转移到土星轨道的巨型栖息地。在这里，家族成员重聚：曼弗雷德从鸽群中重新化身为人，帕梅拉为救安柏牺牲。他们发现“可恶后代”可能正在生成“认知抗体”来对抗人类。家族的核心计划是利用外星路由器网络逃离太阳系。在关键的政治选举（加速主义者与保守派之争）中，安柏的政党落败，但家族最终决定利用外星龙虾提供的星际飞船“蓝色某物”进行逃亡，并派遣探险队前往路由器网络深处，以寻找生存之路或对抗威胁的真相。故事以曼弗雷德与帕梅拉和解，以及艾内科揭示其长期操纵家族命运并离开为结局。

小说的核心是技术加速带来的社会、经济和人性的根本变革，探讨了身份、自由、财富和生存等主题，展示了在不可逆转的进化浪潮中，人类（及其衍生物）的适应、挣扎与抉择。

Ligo开源AlphaFold3实现概述

Ligo团队发布了AlphaFold3的开源实现，旨在为生物技术社区提供一个完全开源、可自由使用的AlphaFold3模型，以加速该领域的研究进展。

项目状态与目标

• 这是一个处于早期阶段的活跃研究项目，尚未达到生产就绪状态。
• 当前版本实现了完整的AlphaFold3模型及训练代码，但仅包含单链蛋白质预测能力。
• 配体结合、多聚体、核酸预测功能正在训练中，将在后续版本中添加。
• 团队正在接受少量测试版用户，以帮助测试和收集反馈。
• 训练动态显示模型收敛较快，在8张A100 GPU上训练4000步仅需10小时。

与原始AlphaFold3伪代码的关键差异

在实现过程中，团队发现并修正了原始论文补充信息中算法描述的几处不一致：

1. MSA模块顺序：调整了OuterProductMean操作和MSA堆栈的顺序，以确保所有模块块都能参与结构预测（与AlphaFold2中ExtraMSAStack的顺序一致）。
2. 损失缩放：原始描述的缩放因子在初始化时无法产生单位损失。团队采用了与Karras等人（2022）扩散模型框架一致的损失缩放因子，这在初始化时产生了合理的单位均方误差损失。
3. DiT块设计：原始AttentionPairBias和DiffusionTransformer块设计缺少残差连接。团队实验表明，添加残差连接能显著加快收敛并改善梯度流。

模型效率优化

团队重点关注了模型的速度和内存效率优化：

• 注意力机制：由于AlphaFold3在注意力中引入了配对偏差，现有的高效注意力实现（如FlashAttention2）无法直接集成。团队正在使用Triton等工具进行进一步优化。
• 组件复用：重用了OpenFold项目中经过验证的核心模块（如三角注意力和三角乘法更新）。
• 内存管理：针对扩散模块（每个批次复制48次）的高内存消耗，复用了DeepSpeed4Science的MSARowAttentionWithPairBias内核进行优化。
• MSA对平均优化：由@alexzhang13贡献的自定义Triton内核，解决了内存瓶颈问题，使得在单块GPU上处理数千个token成为可能。该内核比PyTorch原生实现内存效率高10倍以上。

致谢与依赖

项目致谢了：

• Google DeepMind的AlphaFold3团队。
• OpenFold项目（提供了基础代码模块）。
• ProteinFlow库及其主要贡献者@elkoz（提供了数据管线）。
• @alexzhang13（贡献了高效的Triton内核）。

使用与贡献

• 当前用途：主要用于研究和开发。权重检查点可通过PyTorch Lightning加载。
• 未来计划：待配体和核酸预测功能就绪后，将增加更多面向用户的功能。
• 欢迎贡献：鼓励社区通过提交Issue或Pull Request来报告错误或进行改进。
• 许可证：项目采用Apache License 2.0。

钍-229核钟突破：首次高精度测量开启基本常数测试新纪元

核心突破

2024年，三个独立研究团队几乎同时成功利用激光激发钍-229原子核的特定跃迁，其中美国JILA实验室由叶军团队领导、研究生张传坤主导的实验实现了迄今最高精度的测量，发表于《自然》杂志。该跃迁被称为“核钟跃迁”，是物理学家探寻50年的目标，标志着核钟技术从理论走向实践的关键一步。

钍-229的独特性质

• 异常低的跃迁能量：钍-229原子核的基态与激发态之间的能量差不足10电子伏，远低于其他核跃迁（通常需数百万电子伏），这源于其内部电磁力与强相互作用力的近乎完美抵消。
• 自然界的“意外”：该抵消是偶然现象，仅发生在钍-229中，使其成为唯一可用常规紫外激光操控的核跃迁。
• 高灵敏度：由于能量微小，该跃迁对基本物理常数（如精细结构常数、夸克质量）的潜在变化极为敏感，可能比现有原子钟灵敏数个数量级。

技术发展历程

• 1976年：首次间接发现钍-229存在低能核态。
• 1990年代：确认跃迁能量低于10电子伏；从冷战遗留的铀-233“废料”中分离出钍-229。
• 2003年：提出利用该跃迁构建核钟的构想。
• 2024年突破：三个团队分别使用掺杂钍-229的晶体，通过激光直接激发跃迁。JILA团队利用特殊设计的紫外激光，将能量测量精度提升至万亿分之一。

科学意义与应用前景

1. 核钟的优势：

   • 原子核受外层电子屏蔽，受外界干扰极小，理论上比基于电子跃迁的原子钟更稳定。
   • 目前最先进的光晶格钟精度约为10⁻¹⁸，核钟有望超越此界限。

2. 测试基本常数的稳定性：

   • 许多理论（如弦理论、某些暗物质模型）预测基本“常数”可能随时间或空间缓慢变化。
   • 通过长期监测钍-229跃迁频率，可探测这些变化的迹象，从而检验基础物理的完备性。

3. 后续挑战：

   • 需进一步提升测量精度（目前需达到10⁻¹⁴量级以超越现有约束）。
   • 发展小型化、实用化的核钟装置。
   • 将钍-229从实验室特例转化为可广泛应用的物理系统。

结论

此次突破将冷战时期核研究的“意外遗产”转化为前沿物理工具。核钟不仅可能重新定义时间测量标准，更将成为探索基础物理常数是否真正恒定的独特探针，为理解宇宙基本规律提供新的窗口。正如研究者所言：“现在，真正的探索开始了。”

Laminar：开源的AI应用观测平台

Laminar 是一个专为AI智能体构建的开源可观测性平台，提供从追踪到评估的全套功能。其核心价值在于帮助开发者监控、调试和优化基于大语言模型的应用。

核心功能与特性：

1. 追踪：提供原生的OpenTelemetry SDK，仅需一行代码即可自动追踪多种流行框架（如Vercel AI SDK、LangChain、OpenAI、Anthropic等）的调用。
2. 评估：提供灵活、可扩展的SDK和CLI工具，支持在本地或CI/CD流程中运行评估测试，并配有用于可视化结果和对比的用户界面。
3. AI监控：允许用户用自然语言定义事件，以跟踪智能体中的问题、逻辑错误或自定义行为。
4. SQL数据访问：内置SQL编辑器，可对追踪、指标和事件数据进行查询，并能通过查询批量创建数据集，同时提供API访问。
5. 仪表板：强大的仪表板构建器，支持基于追踪、指标、事件数据及自定义SQL查询创建可视化面板。
6. 数据标注与数据集：提供自定义数据渲染界面，便于快速进行数据标注和创建用于评估的数据集。

技术亮点与性能：

• 使用Rust语言编写，确保极高的性能。
• 拥有自定义实时引擎，可实时查看追踪过程。
• 提供超快速的全文搜索功能，用于检索跨度数据。
• 支持使用gRPC导出器来传输追踪数据。

部署与入门：

• 托管平台：最快捷的方式是使用其官方托管平台（laminar.sh）。
• 自托管：支持通过Docker Compose轻松在本地启动轻量级但功能完整的版本。生产环境建议使用 docker-compose-full.yml 配置文件。
• 可选LLM配置：可为前端AI功能（如与追踪对话、AI生成SQL）和服务器端AI工作者配置LLM提供商（支持Gemini、OpenAI兼容网关、AWS Bedrock等）。

客户端快速开始：

• TypeScript：安装SDK和所有配套仪器包后，通过初始化 Laminar 并使用 observe 包装器即可开始追踪函数输入输出。
• Python：同样提供SDK及配套仪器包，通过初始化 Laminar 并使用 @observe() 装饰器即可实现追踪。

平台提供了TypeScript和Python的客户端库以简化代码埋点工作。

Desed：sed脚本调试工具

概述

Desed是一个命令行工具，提供漂亮的终端用户界面（TUI）和实用的调试器，用于逐步调试复杂的sed脚本。

主要功能

• 预览变量值：包括模式空间和保持空间
• 替换预览：在执行前查看替换命令对模式空间的影响
• 单步调试：支持前进和后退逐步执行脚本
• 断点管理：可设置断点并检查程序状态
• 热重载：编辑源代码后立即查看变化效果
• 名称特性：工具名"Desed"是回文结构

安装方式

系统包管理器

• Alpine Linux：通过aports/testing/desed
• Arch Linux：通过AUR安装desed-git或稳定版desed
• DragonFly BSD、Fedora、FreeBSD、Void Linux：各有对应安装方式

源码安装

git clone https://github.com/soptikha2/desed
cd desed
cargo install --path .
cp "desed.1" "$(manpath | cut -d':' -f1)/man1"

预编译二进制

可从发布页面获取

依赖要求

• 开发依赖：Rust、Cargo（≥1.38.0）
• 运行依赖：GNU sed（≥4.6版本）；在BSD系统上需安装gsed

操作控制

鼠标操作

• 滚动：浏览源代码
• 点击行号：切换断点状态

键盘快捷键

• j/k/g/G：类似Vim的移动操作，支持数字前缀
• b：切换断点（可配合数字前缀指定行）
• s：前进单步
• a：后退单步
• r：运行到下一个断点或脚本结束
• R：反向运行到上一个断点
• l：立即重新加载代码并在相同位置继续调试
• q：退出

开发状态

• 代码库当前不处于活跃开发状态
• 作者计划重写解析器
• 接受Pull Request
• 注意：代码为人工编写，接受但需人工审核AI辅助的代码

工作原理

利用GNU sed的调试接口（--debug标志），但将其转化为交互式调试器。由于sed本身不提供当前执行行号信息，工具需要模拟部分sed操作来猜测执行位置。

背景与用途

• 开发动机：sed缺乏良好的调试工具
• 语言选择：sed是适合文本处理的标准流编辑器，甚至有人用它编写了俄罗斯方块游戏
• 实用性：虽最初带有玩笑性质，但对实际调试sed脚本有用
• 用户反馈：有用户指出在法语中"desed"发音类似"décéde"（死亡），与调试sed脚本时的困境形成有趣关联

宾夕法尼亚大学研究人员的一项实验发现，将ChatGPT用作学习助手的高中生在后续测试中表现更差。

研究选取了土耳其近千名9至11年级学生，他们在课堂复习后被随机分为三组进行数学练习：一组使用标准版ChatGPT，一组使用经过调教、功能更接近辅导员的ChatGPT（仅提供提示，不直接给出答案），第三组则不使用任何高科技工具。实验进行了四轮，覆盖四个不同的数学主题。

关键研究发现如下：

• 练习表现与测试成绩的脱节：使用标准ChatGPT的学生，练习题正确率比对照组高48%，但随后的测试成绩反而低17%。使用辅导员版ChatGPT的学生，练习题正确率惊人地提高了127%，但测试成绩与对照组并无差异。完全靠自己练习的学生，测试成绩保持稳定。
• 根本原因分析：研究者认为，学生将聊天机器人视为“拐杖”，倾向于直接索要答案，而非通过自主解题来构建技能。此外，ChatGPT本身存在错误：数学题解答正确率仅约50%，其中解题步骤错误率高达42%。辅导员版因被预先输入了正确解法，错误率较低。
• 对学生认知的影响：调查显示，学生普遍高估了AI带来的学习效果。使用ChatGPT的学生并未意识到自己学得更少，使用辅导员版的学生则过度自信地认为自己测试表现更好。
• 研究的局限与启示：该实验规模较大但仅在一个国家的特定学科中进行，且论文尚未经过同行评审。研究者将ChatGPT的使用类比为航空中的“自动驾驶”，警告过度依赖可能损害核心能力的掌握。结论指出，当前免费的AI聊天机器人可能“严重抑制学习”，即便是为辅导目的优化的版本也未必能带来真正的学习增益。

华盛顿大学塔科马分校、华盛顿大学和华盛顿州立大学普亚勒普分校的研究人员领导的团队发现，是轮胎中的化学物质导致了城市溪流中银鲑的死亡。该研究于2020年12月3日发表在《科学》杂志上。

每年秋天，超过一半返回普吉特海湾城市溪流产卵的银鲑在产卵前死亡，部分溪流中甚至全部死亡。研究发现，降雨将道路上老化的轮胎颗粒冲入溪流，轮胎磨损颗粒浸出的化学混合物是致死原因。

研究团队从包含2000种化学物质的混合物开始，通过一系列化学分离和生物测试，最终识别出一种名为6PPD-醌的强毒性分子。这种化学物质并非轮胎直接添加的成分，而是轮胎中常用的抗氧化剂6PPD与臭氧反应后转化生成的。6PPD是一种保护轮胎免受臭氧快速降解的防腐剂。

研究不仅在普吉特海湾地区的溪流中发现了6PPD-醌，还在洛杉矶的道路径流和旧金山附近的城市溪流中检测到了该物质，表明其广泛存在于全球繁忙道路附近。

目前，该化学物质对银鲑高度敏感的原因尚不清楚，研究团队建议通过处理径流或开发更安全的轮胎化学配方来保护鲑鱼等水生生物。

论文总结：一个时代的结束——即将到来的企业利润增长与股票回报长期放缓

本文基于对1962年至2022年标普500非金融公司数据的分析，提出核心论点：过去三十年（1989-2019年）股票市场的卓越表现主要由利率和公司税率的长期下行驱动，但这一趋势已接近尾声，预示着未来企业利润增长和股票回报将显著放缓。

一、过去表现的驱动因素（1989-2019年）

1. 利润增长的来源：1989-2019年间，实际企业利润年均增长3.8%，几乎是前一个三十年（1962-1989年）的两倍。然而，这种增长并非源于主营业务（EBIT）的强劲扩张（同期EBIT实际年增长仅2.2%，略低于前一时期的2.4%），而是主要归功于利息支出和公司税负的相对下降。
2. 机械效应：利息和税前利润（EBIT）中用于支付利息和税费的比例从1989年的54%大幅降至2019年的27%。分析显示，利息和税率的下降共同解释了1989-2019年企业利润实际增长的40%以上。
   • 利息支出下降：主要由公司债券利率（与无风险利率联动）从1989年约10%降至2019年约3.7%驱动，尽管同期企业杠杆率（债务/资产）有所上升。
   • 有效公司税率下降：从1989年的34%降至2019年的15%，主要归因于《2017年减税与就业法案》等政策。
3. 股票回报与估值：同期标普500非金融公司的实际年化股票回报（含股息再投资）达7.9%，远高于1962-1989年的5.6%。分析指出，无风险利率的下降完全解释了市盈率（P/E）倍数的扩张。因此，利息与税率的下降共同驱动了此时期优异的股票回报。

二、未来前景：增长放缓的必然性

论文认为，过去推动利润增长和估值扩张的“顺风”因素在未来难以重现，理由如下：

1. 下降空间有限：至2019年末，无风险利率（10年期美国国债收益率）已降至约1.9%，有效公司税率已降至15%。作者认为两者进一步大幅下降的空间极其有限。事实上，利率在2020年后已因通胀而显著上升。
2. 利润增长预测：若利率和税率保持在接近2019年的低位，企业利润增长将主要依赖EBIT增长。历史数据显示，1962-2019年间EBIT增长持续低于美国GDP增长。因此，未来长期实际利润增长率不太可能超过GDP增长率（约2%）。
3. 股票回报预测：
   • 盈利增长：如上所述，实际盈利增长预计约为2%。
   • 估值扩张：市盈率倍数的扩张受制于无风险利率、风险溢价和盈利增长预期。由于无风险利率已难下降，且盈利增长预期面临下调（市场可能尚未完全消化未来低增长），市盈率倍数大幅扩张的可能性很低。
   • 综合结论：在无风险利率和税率无法持续下降的背景下，未来长期实际股票回报率预计也将约为2%，这将是显著低于过去几十年的历史回报。

三、对现有文献的启示

1. 股权溢价之谜：过去三十年的高股权溢价（股票回报超出无风险利率的部分）在很大程度上可由利率和税率的意外下降（即“运气”）来解释，而非完全是对高风险的补偿。
2. 历史回报的参考价值：过去基于历史盈利和股息增长率来预测未来长期股票回报的做法可能失效，因为历史增长率被持续下降的利息和税率人为推高。
3. 方法论：本文基于会计恒等式进行分解，清晰地展示了利息和税率的直接、机械性影响。这可能低估了其通过刺激EBIT增长等渠道产生的间接影响，因此结论可能偏保守。

结论：本文认为，一个由利率和税率长期下降驱动的卓越回报时代可能已经结束。投资者应为未来显著较低的企业利润增长和股票回报做好准备。

函数式编程的核心是什么？——基于提拉米苏食谱的类比解析

本文以厨房食谱（迈克尔·朱的经典提拉米苏）为例，探讨函数式编程（FP）的核心概念，并澄清常见误解。作者强调，函数式编程的核心在于思考数据流而非控制流，这使其在代码分析、并行化、重构和错误处理方面优于命令式编程。

一、函数式编程的常见误解

作者列举了四种不准确的解释：

• 辅助方法：仅将命令式代码封装到辅助函数中，并非函数式编程，因为这回避了复杂性。
• 用Haskell编写命令式代码：即使使用Monad，如果代码结构类似Bash脚本，仍属命令式风格。
• 编译时AST宏：并非函数式编程独有，命令式语言也可实现，且许多FP语言无此特性。
• 静态类型：虽常见于FP语言（如Haskell），但非核心，因为FP在动态语言（如Clojure）中也广泛使用。

二、命令式食谱示例与问题

以提拉米苏食谱的逐步指南为例，展示命令式编程风格：

• 食谱按顺序列出步骤：准备材料、打蛋、混合、打发奶油等，最后组装。
• 对应Python代码为一系列顺序执行的函数调用。
• 问题：难以分析依赖关系、并行化、错误恢复。例如：
  • 哪些步骤可并行执行？
  • 若某步骤出错，需重做哪些步骤？
  • 代码中变量状态隐式变化，依赖关系不明确。

三、函数式编程食谱与优势

食谱中的流程图体现了函数式编程思维：

• 流程图显示原材料如何通过函数（如打蛋、混合）逐步转化为最终产品。
• 对应Python代码以函数嵌套或分步变量形式表达，强调数据流：

  def make_tiramisu(eggs, sugar1, wine, cheese, cream, fingers, espresso, sugar2, cocoa):
      beat_eggs = beat(eggs)
      mixture = beat(beat_eggs, sugar1, wine)
      whisked = whisk(mixture)
      # ... 其他步骤，最终返回成品
  

• 核心差异：函数式编程通过显式数据流图（函数输入输出关系）暴露依赖关系。例如，变量beat_cheese的使用必须在其定义之后，依赖关系清晰。

四、函数式编程的核心：数据流思维

• 定义：函数式编程关注数据如何通过函数转换和传递，而非代码执行顺序。代码语句是数据流图的线性表示。
• 优势：
  • 易于分析：依赖关系明确，工具（如IDE、linter）可自动检测错误（如变量未定义）。
  • 并行化：独立数据流分支可并行执行（如同时准备蛋液和奶油）。
  • 错误处理：出错时，可根据数据流图精确确定受影响范围（如洒出蛋液需重做相关步骤）。
  • 重构安全：重排代码时，只要数据流图不变，行为即可保持，且错误易被发现。
• 对比命令式：命令式编程依赖隐式状态和顺序控制，使分析、并行和调试更复杂。

五、总结与意义

• 函数式编程的核心是数据流导向，适用于任何编程语言（包括Python），能提升代码可维护性和可靠性。
• 这一理念在厨房食谱类比中直观展现：流程图使任务分解、并行和恢复更清晰，类似FP代码。
• 尽管高级FP概念（如Monad）存在，但数据流思维是基础，有助于在实际软件工程中管理复杂性。

本文通过提拉米苏食谱的生动类比，阐明了函数式编程如何通过数据流抽象简化复杂系统的构建和维护。

Mem0 是一个开源的 AI 应用智能记忆层，旨在为 AI 助手和代理提供持久化、个性化的记忆能力，使其能够记住用户偏好、适应个人需求并持续学习。

核心功能与用途

• 多级记忆：支持用户、会话和代理状态的持久化与个性化适配。
• 应用场景：适用于 AI 助手、客户支持、医疗保健、生产力工具和游戏等，以实现上下文丰富的对话和个性化服务。

最新算法与性能（2026年4月）

Mem0 推出了新一代 Token 高效记忆算法，在多项基准测试中显著提升性能：

• LoCoMo：得分从 71.4 提升至 91.6。
• LongMemEval：得分从 67.8 提升至 94.8（其中助手记忆召回率提升 +53.6）。
• BEAM (1M)：在百万级 Token 生产环境中评估得分为 64.1。

算法关键改进：

1. 单次提取：仅通过一次 LLM 调用提取记忆，无需更新或删除操作，记忆只增不改。
2. 代理事实优先：代理确认的操作信息被平等存储。
3. 实体链接：提取实体并进行跨记忆链接以增强检索。
4. 多信号检索：并行融合语义、BM25 关键词和实体匹配进行评分。
5. 时间推理：支持时间感知检索，能针对当前状态、过去事件和未来计划查询进行排序。

部署与使用方式

Mem0 提供多种部署选项以满足不同需求：

• 库安装：pip install mem0ai 或 npm install @mem0/sdk，适合测试和原型设计。
• 自托管服务器：通过 docker compose up 一键启动，适合希望在自己基础设施上运行的团队。
• 云平台：在 app.mem0.ai 注册使用，适合零运维的生产环境。

快速入门：

# 1. 安装 CLI
npm install -g @mem0/cli
# 2. 以代理身份注册
mem0 init --agent --agent-caller <your-name>
# 3. 添加记忆
mem0 add "I am using mem0"
# 4. 搜索记忆
mem0 search "am I using mem0"

集成与生态

• 代理技能：支持为 Claude Code、Cursor 等 AI 编程助手提供技能参考和流水线集成。
• 演示与扩展：提供带有记忆的 ChatGPT 演示、浏览器扩展（支持 ChatGPT、Perplexity、Claude），并支持与 LangGraph、CrewAI 等框架集成。
• 默认模型：默认使用 gpt-5-mini 作为 LLM，text-embedding-3-small 作为嵌入模型，并支持配置其他模型以获得更好的混合搜索效果。

文档与支持

• 文档：https://docs.mem0.ai
• 许可证：Apache 2.0
• 引用：项目已有可引用的学术论文。

TinyStatus：基于Python的轻量级状态页面生成器

概述

TinyStatus 是一个简单、可自定义的状态页面生成工具，通过 Python 脚本监控各种服务状态，并在简洁、响应式的网页上展示。项目提供在线演示示例。

主要功能

• 多类型监控：支持 HTTP 端点检测、主机 Ping 和开放端口检查。
• 响应式设计：状态页面和历史记录页面均适配不同设备。
• 灵活配置：通过 YAML 文件自定义服务检查项。
• 事件历史跟踪：记录并显示服务异常历史。
• 自动更新：按可配置间隔定期更新状态。
• 主题支持：内置亮色和暗色主题。
• 分组与交互：支持服务分组展示，卡片可选为可点击链接。

前提条件

• Python 3.11 或更高版本。
• pip（Python 包管理器）。

安装步骤

1. 克隆仓库或下载源码：

   git clone https://github.com/harsxv/tinystatus.git
   cd tinystatus
   

2. 安装依赖：

   pip install -r requirements.txt
   

配置说明

1. 创建 .env 文件并设置变量，例如：
   • MONITOR_CONTINOUSLY：是否持续监控。
   • CHECK_INTERVAL：检查间隔（分钟）。
   • MAX_HISTORY_ENTRIES：最大历史记录条目数。
   • CHECKS_FILE：检查配置文件（默认 checks.yaml）。
   • INCIDENTS_FILE：事件记录文件（默认 incidents.md）。
   • HTML_OUTPUT_DIRECTORY：HTML 输出目录。
2. 编辑 checks.yaml 添加监控服务，示例：

   - title: 'Group 1'
     checks:
       - name: GitHub Home
         type: http
         host: https://github.com
         expected_code: 200
       - name: Google DNS
         type: ping
         host: 8.8.8.8
       - name: MySQL Database
         type: port
         host: db.example.com
         port: 3306
   

3. 可选自定义：
   • 编辑 incidents.md 添加已知事件或维护计划。
   • 修改 index.html.theme 和 history.html.theme 调整页面外观。

使用方法

1. 运行脚本：

   python tinystatus.py
   

   生成文件：
   • index.html：主状态页面。
   • history.html：历史状态页面。
   • history.json：状态历史及时间戳数据。
2. 持续更新（后台运行）：
   • Linux/macOS：nohup python tinystatus.py &
   • Windows：通过任务计划程序设置开机启动。
3. 部署：使用 Web 服务器（如 Apache、NGINX）托管生成的 HTML 文件，或通过 Python HTTP 服务器测试。

Docker 使用

docker build -t tinystatus .
docker run -ti --rm --name tinystatus -v "$PWD":/usr/src/myapp -w /usr/src/myapp tinystatus

自定义与移植

• 通过 .env 文件调整行为。
• 编辑主题 CSS 修改页面外观。
• 项目提供 Go 语言移植版本。

其他信息

• 欢迎贡献代码。
• 项目采用 MIT 许可证开源。

文章作者作为“想象缺乏症”患者参与了一项脑科学MRI实验，在机器中累计躺了30小时，记录了这段经历中的主观观察与反思：

1. 体验概要：作者为东京大学的一项研究提供大脑数据，实验通过展示大量图像或要求想象物体来记录脑部活动。MRI通过磁场和无线电波生成脑部血流活动的3D动态地图。

2. 主要感受与发现：

   • 噪音巨大：MRI的金属线圈在电流切换时发出强烈噪音，即使佩戴耳塞也令人疲惫，是实验中最不愉快的部分。
   • 极易诱发困倦：平躺在昏暗封闭空间中重复观看图像，即使白天不习惯睡觉的人也容易感到困倦。
   • 大脑渴求新奇：长期重复性任务会严重消耗注意力，导致精神枯竭。
   • 随机图像激发创造力：无关联的随机图像（每四秒一张）能迫使大脑快速建立意外联系，促进创意联想，作者多次因此产生大量灵感。
   • 时间感知非线性：在短暂间隔内，对时间流逝的感知会出现模糊，难以判断图像是否重复。
   • 思想被监控的异样感：知道自己的脑活动正被高级设备记录，产生类似“思想裸露”的不安，虽不影响当前，但联想到潜在的技术滥用风险。
   • 提升自我认知：长时间处于“半冥想”状态（既非完全放空也非高度思考）有助于深入观察自身心智运作。作者借此发现了自己时间-空间联觉、听觉处理特点等此前未察觉的特质，并认为这种内省方式比普通冥想更有效。

3. 核心启发：作者认为MRI内的隔离体验如同一个观察大脑的“金发姑娘区”，既能激发创造力，也能促进深度自我认知。他将大脑视为可被观察和调试的“黑箱”，并认为这种探索有助于更明智地使用自己的大脑。

折纸启发相控阵天线：重塑天线未来

佐治亚理工学院的研究团队（由Hani Al Jamal等撰写，导师Manos Tentzeris教授）提出了一种受折纸艺术启发的可重构相控阵天线，该成果在2024年国际微波研讨会上荣获最佳论文奖。

研究背景与核心思想

传统固定射频系统难以适应动态变化的环境。虽然电子波束成形（相控阵）能实现微秒级的快速波束转向，但物理结构固定限制了其灵活性。本研究创新性地将物理可重构与电子波束成形相结合，旨在创造一种能通过折叠改变形状、并利用电子手段精细调控波束的天线，从而生成几乎任意的辐射方向图。

设计灵感与结构

天线单元的设计灵感来源于纸折的“蛋盒”或“折纸 fortune teller”结构。每个单元是一个四棱锥形状，四个侧面各集成一个4单元相控阵。该单元采用模块化设计，可像积木一样级联成更大的阵列。其关键特点在于可以沿轴进行物理折叠，从而改变整体辐射特性。

工作原理与能力

该天线通过两种方式协同工作：

1. 物理折叠（慢调整）：通过改变单元的折叠角度，可以粗略地改变辐射模式（如从四波束变为两波束，或调整波束宽度）。
2. 电子波束成形（快调整）：每个面上的相控阵使用Qorvo 28 GHz波束成形芯片（AWMF-0108）进行电子控制，能在折叠设定的大方向基础上，进行精细的波束指向和形状合成（如控制相位、幅度甚至实现增益渐变）。

这种结合使得天线能够实现360°方位面覆盖、任意角度的波束指向以及复杂形状的波束合成。

关键技术挑战与解决方案

在毫米波频段实现可折叠结构面临严峻挑战，特别是互连的射频性能和机械稳定性。

1. 可折叠互连：研究者设计了一种拱形铰链互连。它利用柔性光敏树脂进行3D打印制造，并结合喷墨印刷在Rogers RO3003基板上的50Ω传输线。测试表明，该设计在0°到180°的折叠范围内保持低损耗，且可承受至少300次折叠而不退化。
2. 馈电不对称问题：由于馈电点只能位于三维结构的一面，导致到各面相控阵的电长度不一致。通过在设计中加入额外的传输线段（βl调整）进行补偿，确保了对称的电气特性。

模块化设计的优势

• 可维护性：单个单元损坏可轻松更换。
• 灵活激活：可根据功耗和收发需求，选择性激活阵列的不同面。
• 制造优势：采用增材制造（3D打印）工艺，材料浪费少。

潜在应用场景

1. 全双工操作：一面用于发射，另一面同时用于接收，实现收发隔离。
2. 多波束操作：如为自动驾驶汽车同时生成用于通信、导航和避障的不同波束。
3. 可调波束宽度：展开阵列获得宽波束用于大范围搜索（如航空救援），折叠阵列获得窄波束用于精确任务。
4. 空间受限系统：特别适用于立方体卫星等小型航天器，在发射时折叠，在轨展开并重构天线形态与波束，构建卫星网络。

未来展望

当前实现具有两个自由度，为未来开发更多自由度的可重构性奠定了基础。这种能自由调整辐射波束的能力，对5G/6G通信、汽车雷达、空间和军事应用等领域的未来无线系统至关重要。该研究展示了跨学科创新（射频工程与折纸艺术结合）解决现代技术挑战的潜力。

这篇文章介绍了一种管理点文件的新方法，作者通过在需要创建符号链接的配置文件中加入第一行特定注释来记录链接信息，从而避免了使用复杂的点文件管理工具或直接版本控制整个主目录。核心做法是在文件开头添加如 # ln <链接路径> 的注释，然后利用 find 和 awk 命令扫描这些文件并自动生成符号链接。文章提供了具体的命令行示例，展示了如何创建、列出、删除符号链接，以及如何检测无效链接。作者还提到了将链接清理集成到 Git 钩子中的技巧。这种方法的好处是保持了点文件目录的独立性，无需单独记录链接信息，检查链接简便，且依赖的是大多数 Unix 系统都具备的通用命令。

Python标准库中较少为人知的实用模块

本文介绍了Python标准库中一些不常被使用但功能强大且实用的模块，主要涵盖以下几个方面：

1. collections模块

提供高级数据容器，适用于复杂数据组织：

• Deque：支持从两端高效插入和移除的类列表结构。
• Counter：用于计数的字典子类。
• ChainMap：将多个字典映射统一为一个逻辑视图，无需复制数据。
• OrderedDict：保持键值对插入顺序的字典。
• namedtuple：创建带有命名字段的元组子类，比普通字典更面向对象。
• defaultdict：带有默认值的字典，适合处理缺失字段。
• UserDict/UserList/UserString：用于进一步继承自定义容器的包装类。

2. contextlib模块

辅助管理上下文管理器，通过@contextmanager装饰器可将自定义函数转为支持with语句的上下文管理器，简化资源清理操作。

3. decimal模块

解决浮点数运算精度问题，提供精确的十进制数表示和计算，适用于对精度要求高的场景（如财务计算）。

4. fractions模块

处理分数运算，用有理数形式精确表示分数，避免浮点数近似误差。

5. dis模块

将Python代码反汇编为字节码指令，可用于调试和性能分析。

6. statistics模块

提供基础统计函数（如标准差、均值、线性回归、相关性、正态分布等），适用于轻量级统计任务，无需引入NumPy或Pandas等大型库。

7. webbrowser模块

跨平台打开浏览器，通过open_new()或open()函数直接访问URL或本地文件。

8. zipapp模块

将Python代码打包为单个可执行的ZIP文件，便于分发和运行，需目标环境安装Python解释器。

这些模块扩展了Python基础功能，在特定场景下能显著提升代码效率和可靠性。

Qustar：Node.js ORM，以数组风格API查询SQL数据库

Qustar 是一个 Node.js ORM 库，它允许开发者使用类似 JavaScript 数组操作的高级、富有表现力的 API 来查询和操作 SQL 数据库。其核心特点是将所有数据库操作都转化为纯 SQL，确保无意外行为。

主要特性

• 数组风格 API：提供类似 JavaScript 数组的方法（如 .filter, .map, .orderByAsc, .limit）来构建数据库查询。
• 广泛数据库支持：目前支持 PostgreSQL、SQLite、MySQL、MariaDB，计划支持 SQL Server 和 Oracle。
• 纯 TypeScript 编写，并提供全面的 TypeScript 支持。
• 无需代码生成：通过代码定义表结构。
• 确定性查询：所有操作均转化为 100% 的 SQL，无隐藏的额外查询。
• 支持原始 SQL：允许在需要时插入原始 SQL 语句。
• 导航属性：支持关系映射。
• 当前不支持迁移和事务功能（标记为待办）。

快速开始

安装以 PostgreSQL 为例：

npm install qustar qustar-pg pg

基本用法示例

1. 定义表结构：使用 Q.table 定义表和列 schema。

   import {Q} from 'qustar';
   const users = Q.table({
     name: 'users',
     schema: {
       id: Q.i32().generated(),
       firstName: Q.string(),
       lastName: Q.string(),
       age: Q.i32().null(),
     },
   });
   

2. 构建查询：使用链式调用方法组合查询，所有操作（包括 .map）都转化为 SQL。

   const query = users
     .orderByDesc(user => user.createdAt)
     .map(user => ({
       name: user.firstName.concat(' ', user.lastName),
       age: user.age,
     }))
     .limit(3);
   

3. 执行查询：创建数据库连接器并运行查询。

   import {PgConnector} from 'qustar-pg';
   const connector = new PgConnector('postgresql://user:passwd@localhost:5432');
   const results = await query.fetch(connector);
   

4. 数据修改操作：支持插入、更新和删除。

   // 插入
   await users.insert({firstName: 'New', lastName: 'User'}).execute(connector);
   // 更新
   await users.filter(user => user.id.eq(42)).update(user => ({age: user.age.add(1)})).execute(connector);
   // 删除
   await users.delete(user => user.id.eq(42)).execute(connector);
   

支持的数据库驱动

Qustar 通过特定的连接器包装现有的 Node.js 驱动程序：

• PostgreSQL: qustar-pg
• SQLite: qustar-better-sqlite3 (推荐), qustar-sqlite3
• MySQL/MariaDB: qustar-mysql2

核心 API 与用法

查询构建始于一个表（Q.table）或原始 SQL（Q.rawQuery）。查询是不可变的，可以安全重用。

主要查询方法

• .filter(condition): 过滤行。
• .map(mapper): 映射或选择列，可返回对象或嵌套对象。
• .orderByDesc(selector) / .orderByAsc(selector): 排序。
• .drop(count) / .limit(count) / .slice(start, end): 分页。
• .innerJoin, .leftJoin, .rightJoin, .fullJoin: 连接表。
• .unique(): 去重。
• .groupBy(options): 分组聚合。
• .union, .unionAll, .concat, .intersect, .except: 集合操作。
• .flatMap(mapper): 用于实现导航属性，类似连接操作。
• .includes(value): 检查值是否存在。

表达式与操作

由于 JavaScript 不支持运算符重载，Qustar 提供链式方法来表示操作，例如：

• .add(), .sub(), .mul(), .div() 用于算术。
• .eq(), .neq(), .lt(), .gt(), .lte(), .gte() 用于比较。
• .concat() 用于字符串连接。
• .like() 用于模式匹配。

原始 SQL 支持

可以使用 Q.rawQuery 将原始 SQL 语句作为查询的起点，并指定其返回的 schema。也可以在查询的某一部分使用 Q.rawExpr 插入原始 SQL 表达式。

许可证

该项目采用 MIT 许可证。

GPT-4o处理HTML的成本优化实验研究

核心发现

将HTML数据传递给GPT-4o时，剥离所有HTML标签并仅传递纯文本，可以在大幅降低成本的同时，几乎不影响数据提取的准确性。

实验设计

数据源

• 使用维基百科的“水星奖”页面作为输入，因其包含长表格和段落信息，适合测试。

问题类型

1. 非结构化问题：答案位于段落文本中，预期输出为字符串。
2. 结构化问题：答案位于表格中，预期输出为结构化数据（如字符串列表），涉及对表格结构和顺序的理解。

预处理方法（用于降低token数与成本）

1. 原始HTML：直接传递，成本最高。
2. 清理HTML：移除<body>外内容、大部分属性，替换类别/ID为数字，清理空白。
3. 纯文本（HTML移除）：完全剥离所有HTML标签，只保留文本内容。
4. Markdown：将HTML转换为Markdown格式。

评估方式

• 非结构化问题：答案包含预期信息即为正确。
• 结构化问题：
  • 无需排序：答案集合匹配即为正确。
  • 需要排序：答案序列必须精确匹配顺序。

关键结果

1. 准确性：

   • 对于非结构化问题，无论使用GPT-4o还是GPT-4o mini，无论采用何种预处理方法，准确性都很高且没有显著差异。
   • 对于结构化问题，GPT-4o的准确性显著高于GPT-4o mini。然而，预处理方法（原始HTML、清理、纯文本、Markdown）对准确性的影响微乎其微。

2. 成本：

   • 移除HTML标签（使用“纯文本”预处理）能最大程度地减少输入token数，从而大幅降低成本。例如，对于GPT-4o处理结构化问题，纯文本输入的成本仅为原始HTML输入的约10%。

结论与建议

• 核心策略：在将HTML内容提供给GPT-4o进行数据提取任务前，应移除所有HTML标签，仅提供纯文本内容。这能以最低成本获得与使用完整HTML结构几乎相同的效果。
• 模型选择：
  • 非结构化问题：推荐使用更便宜的GPT-4o mini，并配合纯文本输入以最大化节省。
  • 结构化问题：需要根据具体用例在GPT-4o（更高准确性、更高成本） 和GPT-4o mini（较低成本、准确性可能不足） 之间权衡。无论选择哪种模型，都可以安全地使用纯文本输入来降低成本。

本摘要基于原文实验结果与结论，未包含个人观点或未提及的信息。

文章摘要：Libations: Tailscale on the Rocks

本文介绍了作者结合其对鸡尾酒调制的热爱与对 Tailscale tsnet 库的探索，开发并部署了一个名为 Libations 的私有鸡尾酒配方查看应用的过程。

项目动机与核心概念

• 作者是一位鸡尾酒爱好者，希望将从各类书籍、网站及经验中收集的配方集中存储，并优化为可在iPhone上无滚动浏览的格式。
• 技术契机源于对 Tailscale 发布的 Go 库 tsnet 的兴趣。tsnet 允许将 Tailscale 功能直接嵌入 Go 程序，使应用本身能作为一个设备加入用户的 Tailscale 网络（tailnet）。这带来了通过 ACL 精细控制应用访问权限、无需系统级特权或容器即可部署等优势。

Libations 应用实现

1. 配方数据：采用 JSON 格式存储配方，包含名称、基酒、杯子、调制方法、材料、装饰及备注等字段。
2. 服务端：
   • 使用 Go 语言编写，核心依赖仅为 tsnet 和标准库。
   • 解析用户指定的 JSON 配方文件，并通过 Go 的 html/template 渲染网页。
   • 支持两种模式：通过 -local 标志启动本地HTTP服务器用于开发测试；默认使用 tsnet 监听 tailnet 上的请求，并自动配置 HTTPS（使用 Tailscale 提供的 Let's Encrypt 证书）及 HTTP 到 HTTPS 的重定向。
3. Web 界面：
   • 针对移动端设计，采用 Canonical 的 Vanilla CSS 框架。
   • 提供基于配方内容的全文搜索功能。
   • 动态渲染代表不同酒杯类型的 SVG 图标。
   • 目前为只读界面。

NixOS 打包与部署

• 打包：使用 Nix Flake 定义包，利用 buildGo122Module 构建。
• 部署：编写了 NixOS 模块，提供 enable、recipesFile、tailscaleKeyFile 和 package 等选项，可自动生成 systemd 服务单元。
• 密钥管理：使用 agenix 管理加密的 Tailscale 认证密钥和配方文件，确保服务启动时能安全地加入 tailnet 并加载数据。

总结

该项目成功将个人兴趣与实用技术结合，通过 tsnet 实现了安全、便捷的私有网络服务部署。作者已将其用于日常配方查看，并鼓励社区贡献配方。

文章探讨了分布式系统设计中一个核心困境：最终一致性本质上也是最终不一致性。作者指出，分布式系统的非原子性操作模式必然会导致系统状态与开发者预期不符的后果，包括资源过时、数据丢失、幽灵数据等问题。开发者无法完全避免这类问题，只能主动选择能容忍何种类型的“错误”和“不一致性”。

文章列举了分布式系统可能呈现的几种“疯狂”状态：

• 系统仅能在缓存预热后重启
• 系统无法同时重启和扩容
• 系统在更新期间无法保持高可用
• 系统必须按拓扑顺序重启
• 系统在特定条件（如时令节气、地理排水方向）下会产生死锁

作者表明自己的偏好是可复现、可冷启动的系统，追求冷缓存、恒定工作量和新鲜状态。这种选择减少了需要同时处理的变量，适合工作记忆有限但工作上下文丰富的人群。但代价是失去了检测资源泄漏、陈旧引用、优雅停机等长期特性的能力，同时也牺牲了自适应性能和部分系统安全性方法论。

文章最后以自嘲的口吻总结：分布式系统设计就是在多种“毒药”中选择一种并承受其副作用，而作者选择“慢饮毒药，品味其中疯狂”。

Unix信号处理的深层机制：超越Ctrl-C

本文基于RustConf 2023的演讲内容，深入探讨了Unix信号处理的复杂性和挑战，并提出使用异步Rust来构建健壮的信号处理方案。

一、信号基础与必要性

信号是操作系统与进程通信的一种方式，类似于谈话被“拍肩膀”打断。最常见的是用户在终端按Ctrl-C发送SIGINT信号。

何时需要关注信号处理？

• 服务开发：如运行在Kubernetes或Docker中的服务，会在关闭时收到SIGTERM信号，需要优雅退出。
• 命令行工具：用户可能会因操作慢而按下Ctrl-C。
• 涉及数据写入的操作：信号中断可能导致数据损坏。
• 协调分布式操作的进程：信号可触发向远程服务发送取消请求。

基本操作：可通过kill命令（如kill -INT <pid>或kill -2 <pid>）发送信号。每个信号都有名称、编号和默认行为（如终止、终止并转储核心等）。大多数信号的默认行为可以通过信号处理器自定义。

二、信号处理器的陷阱与自管道技巧

信号处理器的调用时机不可预测，这导致了严重限制：

1. 不可重入风险：若在持有锁时被调用，尝试再次获取锁会导致死锁。
2. 无法分配内存：malloc等内存分配函数通常需要锁。
3. 异步信号安全：在信号处理器中只能调用POSIX规定的异步信号安全函数（如写文件描述符），清单非常有限。

为解决此问题，现代程序普遍采用自管道技巧：

1. 进程创建一个管道（读写端由同一进程持有）。
2. 信号处理器仅向管道写入端写入一个字节（写文件描述符是异步信号安全的）。
3. 程序在主逻辑中读取管道的读取端，以获知信号发生。Rust中如signal-hook等库封装了此模式。

三、利用异步Rust（Tokio）优雅处理信号

对于I/O密集型程序，同步循环检查信号或使用全局标志都不理想。异步Rust，特别是其tokio::select!宏，为信号处理提供了更优雅、可扩展的解决方案。

核心优势：tokio::select!可以并发等待多个异步源（如信号流、网络I/O、定时器），并响应第一个完成的。这使得将信号处理无缝集成到程序的异步逻辑流中变得简单。

示例：下载管理器处理Ctrl-C

1. 主任务创建JoinSet（管理一组并发任务）和广播频道。
2. 使用tokio::signal::unix::signal创建SIGINT信号流。
3. 主循环使用tokio::select!同时等待：
   • 子任务完成。
   • Ctrl-C信号。收到后，通过广播频道通知所有下载任务。
4. 下载任务内部同样使用tokio::select!同时等待：
   • 下载操作本身。
   • 来自主任务的取消消息。 这种模式容易扩展以支持其他信号（如SIGTERM）或“双击Ctrl-C立即退出”等高级逻辑。

四、进程组与信号转发

当用户在Shell中按Ctrl-C时，信号并非仅发送给前台进程，而是发送给整个进程组。进程组允许多个进程作为单元接收信号。

管理子进程组：

• 程序（如测试运行器nextest）可以使用setpgid系统调用（Rust中通过CommandExt::process_group）为其启动的子进程创建新的进程组。
• 当父进程收到信号时，必须负责将信号转发给其创建的所有子进程组（例如，通过kill -<信号> -<进程组ID>）。否则子进程组将不会收到该信号。

需要转发的典型信号包括SIGINT、SIGQUIT、SIGTSTP、SIGCONT以及出于用户体验考虑的SIGTERM等。

五、总结

Unix信号是底层系统设计的历史遗产，其设计初衷并非用于复杂的进程间通信。然而，通过理解其固有的异步特性及其限制，并利用如自管道技巧和异步Rust的表达能力（特别是tokio::select!），开发者可以构建出能够健壮、优雅地处理各种信号的复杂系统，将限制转化为构建可靠软件的机遇。