通过 WordPress 设置修改

1. 进入 WordPress 管理后台 → 设置 → 阅读。
2. 查找 “For each article in a feed, show”（每篇文章在订阅源中显示）。
3. 你会看到两个选项：Full text（完整内容）和 Summary（摘要）。
4. 选择 Full text 以确保 /feed 输出文章的完整内容。
5. 点击 保存更改（Save Changes）。

通过主题修改（当设置被覆盖时）

• 打开你主题的 functions.php 文件。
• 添加以下 PHP 代码：

// 强制 RSS 订阅源显示完整内容
function my_full_feed_content($content) {
    return get_the_content();
}

add_filter('the_excerpt_rss', 'my_full_feed_content');
add_filter('the_content_feed', 'my_full_feed_content');

通过插件修改

MSR Cambridge Staff Winter Party at Boom Battle Bar Cambridge, on Thursday 20 November 2025. Timings Start Time: 12:00 Buffet Lunch Served Between: 12:00-13:30 End Time: 16:00

一年后再战 Nvidia：我真的变强了 从拒信到进步：与 Nvidia 的两次较量 面试是照妖镜：每一次都让我更清楚自己 被拒不是终点，而是下一次更强的开始 为什么我只面大厂：两次 Nvidia 面试的成长记录 Nvidia 两轮面试，让我看清自己的短板 来自大厂的拒信，如何成为我的成长燃料？ 技术人最真实的成长路径：不断面试，不断升级 我与 Nvidia 的两次交手：从 k8s 到 C++ 的自我进化 90 分钟技术面，三天等待：再见了 Nvidia，也谢谢你 那封 Nvidia 拒信，帮我补齐了最关键的短板 Nvidia，我又来了，这次我更硬了 大厂面试：一场持续升级的修行 被 Nvidia 拒绝两次后，我越来越强了

很遗憾，团队决定不推进您的申请。虽然反馈是积极的，但其他候选人的技能更符合要求。 Unfortunately the team have decided not to move forward with your application. The feedback was positive however there were just other candidates whose skillset was a stronger match.

Q: Is there a cool down period before I can apply to another position? A: No there isn’t, you can apply for as many roles as you wish.

1x HAIER - X Series 5 HWD90BP14357TUUK WiFi-enabled 9 kg Washer Dryer - White Product code 543801 £439.00 1x Washing Machine and Washer Dryer Installation Product code 592848 £30.00 1x Remove and recycle your old appliance Product code 111302 £25.00 Standard delivery (delivery on Saturday 22 November 2025) £20.00

什么是 Parquet 文件？

为什么使用 Parquet？

• 列式存储：按列存储数据，提高分析任务的查询性能。
• 压缩：支持高效的压缩技术，减少存储空间。
• 兼容性：可与多种数据处理框架配合使用。
• 模式演进：支持增加或删除列而不破坏现有数据。

安装所需库

pip install pandas pyarrow

在 Python 中读取 Parquet 文件

import pandas as pd
import pyarrow.parquet as pq

# Parquet 文件路径
file_path = "example.parquet"

# 读取 Parquet 文件到 DataFrame
df = pd.read_parquet(file_path)

# 显示前 5 行
print(df.head())

写入 Parquet 文件

import pandas as pd

# 创建示例 DataFrame
data = {
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["London", "Paris", "New York"]
}
df = pd.DataFrame(data)

# 保存为 Parquet
df.to_parquet("output.parquet", engine="pyarrow", index=False)

处理嵌套数据

import pyarrow.parquet as pq
from io import BytesIO

# 直接读取 Parquet 文件
table = pq.read_table("example.parquet")
df = table.to_pandas()
print(df.head())

总结

使用原子 TAS 指令实现自旋锁 Implementing a Spinlock Using the Atomic TAS Instruction 从零实现自旋锁：基于 TAS 的最小同步原语 Building a Spinlock from Scratch with Atomic TAS 用 test-and-set 实现最简单的互斥锁 Implementing a Minimal Mutex Using Test-and-Set 自旋锁的底层原理：TAS、原子性与忙等待 Inside Spinlocks: TAS, Atomicity, and Busy Waiting 原子操作与自旋锁：用 C 语言实现线程同步 Atomic Operations and Spinlocks: Thread Synchronization in C 从原子指令到锁：全面理解 TAS 和自旋锁 From Atomic Instructions to Locks: A Complete Guide to TAS and Spinlocks 动手写一个自旋锁：tryLock / lockAcquire / lockRelease 全实现 Hands-On Spinlock Implementation: tryLock, lockAcquire, and lockRelease 你的第一个自旋锁：基于 C 语言的 TAS 实现 Your First Spinlock: A TAS-Based Implementation in C 原子交换与线程互斥：自旋锁实现指南 Atomic Exchange and Thread Mutual Exclusion: A Guide to Implementing Spinlocks

int TAS(int* memory, int newVal) {
    int old = *memory;
    *memory = newVal;
    return old;
}

• lockAcquire()
• lockRelease()

typedef struct {
    int lock;
} lockType;

typedef struct {
    int val;
} threadArgType;

void threadFunc(void* arg) {
    lockAcquire((static_cast<lockType*>arg)->lock);
    (static_cast<threadArgType*>arg)->val++;
    lockRelease((static_cast<lockType*>arg)->lock);
}

实现 tryLock

enum {
    UNLOCKED = 0,
    LOCKED = 1
}

int tryLock(lockType* lock) {
    // 如果之前已锁定返回 1，如果之前未锁定返回 0
    int old = TAS(lock->lock, LOCKED);
    return (old == UNLOCKED);   // true (1) = 成功获取锁
}

实现 lockAcquire()

void lockAcquire(lockType* lock) {
    while (!tryLock(lockType* lock)) {
        // 自旋直到锁可用
    }
}

void lockAcquire(lockType* lock) {
    do {
       if (tryLock(lockType* lock)) {
          break;
       }
    } while (1);
}

void lockAcquire(lockType* lock) {
    do {
       int old = TAS(lock->lock, LOCKED);
       // 无论锁是否已被获取，锁都已设置为 LOCKED
       if (old == UNLOCKED) {
           break;
       }
    } while (1);
}

实现 lockRelease()

void lockRelease(lockType* lock) {
    TAS(lock->lock, UNLOCKED);
}

总结

• 一个 tryLock() 尝试
• 一个 lockAcquire() 自旋锁
• 一个 lockRelease() 解锁操作

剑桥科技园简介与历史

微软研究院

AMD

Raspberry Pi（树莓派）

一文看懂 Sigma 函数：因子分解的终极威力！ σ(n) 完全解析：为什么求和函数能“自动”变成乘积？ 数学之美：Sigma 函数的推导、公式与 Python 实现 从几何级数到质因数：Sigma 函数的魔法公式大揭秘 搞懂 σ(n) 的那一天，我看到了数学的秩序 为什么 σ(n) = 乘积？带你走进数论的核心思想 Divisor 终极指南：Sigma 函数推导 + 代码 一篇搞定

可除性符号

质因数分解与因子的结构

关键性质：Sigma 函数是乘法性的

质数幂的 Sigma 公式

示例：计算 σ(12)

Python 实现：高效的 Sigma 函数

def sigma(n: int) -> int:
    """高效计算因子和函数 σ(n)。"""
    total = 1
    x = n

    # 处理质因数 2
    count = 0
    while x % 2 == 0:
        x //= 2
        count += 1
    if count > 0:
        total *= (2 ** (count + 1) - 1) // (2 - 1)

    # 处理奇质数
    p = 3
    while p * p <= x:
        if x % p == 0:
            count = 0
            while x % p == 0:
                x //= p
                count += 1
            total *= (p ** (count + 1) - 1) // (p - 1)
        p += 2

    # 若剩下的是质数
    if x > 1:
        total *= (x**2 - 1) // (x - 1)

    return total

结语

Amdahl 定律 vs Gustafson 定律：完整教程、推导、应用场景及 Python 绘图 理解并行加速：通过代码讲解 Amdahl 定律和 Gustafson 定律 并行计算基础：Amdahl 定律、Gustafson 定律及加速建模 并行加速原理：Amdahl 和 Gustafson 定律完整指南 并行扩展解析：推导并比较 Amdahl 和 Gustafson 定律 Amdahl vs Gustafson：并行加速完整指南（含 Python 代码） 并行性能建模：Amdahl 定律、Gustafson 定律及实际应用 学习并行加速：数学、直觉、应用场景及 Python 可视化 并行计算：必须掌握的两条定律（Amdahl & Gustafson） 工程师的并行加速：Amdahl 定律、Gustafson 定律及 Python 实现 从理论到代码：用 Amdahl 和 Gustafson 建模并行加速 实用并行加速指南：Amdahl 定律、Gustafson 定律及可视化 为什么并行不是无限的：简单解释 Amdahl vs Gustafson 并行加速真相：Amdahl 限制 vs Gustafson 扩展 并行计算神话与现实：Amdahl 和 Gustafson 的教训

引言

• Amdahl 定律 — 固定规模工作负载的性能
• Gustafson 定律 — 可扩展规模工作负载的性能

1. 什么是加速比？

2. Amdahl 定律（固定工作量）

2.1 直觉

• 总工作量保持 不变
• 部分工作是串行的，无法并行化

• f = 串行比例
• 1 - f = 可并行比例

2.2 推导

2.3 当 N → ∞ 时的极限

2.4 Amdahl 定律的实际应用场景

• GPU 内核优化固定张量大小
• 单次请求推理延迟降低
• 视频编码、压缩、排序
• 加速固定批量作业
• 数据库查询加速

3. Gustafson 定律（可扩展工作量）

3.1 直觉

3.2 推导

• f = 串行比例（按规模测量）

3.3 解释

3.4 Gustafson 定律的实际应用场景

• 天气和气候模拟
• 粒子模拟、CFD、有限元分析
• LLM 训练：更多 GPU → 更长序列或更大模型
• 大数据分析（Spark, Dask, Flink）
• 蒙特卡洛模拟

4. Amdahl 定律 vs Gustafson 定律（比较表）

5. 实际应用场景（综合视角）

Amdahl（延迟优化）

• 减少单次 LLM 查询推理时间
• 加速数据库 join 操作
• 固定张量 GPU 内核优化
• 视频编码（相同视频）

Gustafson（吞吐量 / 扩展）

• LLM 训练（扩展至更多 GPU）
• 高分辨率天气模型模拟
• 大数据 ETL 扩展
• 科学 HPC 工作负载

6. Python 绘图脚本（显示两条定律）

图示解读

• Amdahl 曲线迅速趋于平缓——受串行部分限制。
• Gustafson 曲线几乎线性上升——适用于可扩展工作负载。
• 串行比例 f 越高，两种模型差距越大。

结论

• Amdahl 定律 → 固定规模工作负载 → 收益递减
• Gustafson 定律 → 可扩展工作负载 → 近似线性加速
• 结合使用理解硬件极限与算法特性
• Python 工具使可视化直观易懂

18 日，全球知名的网络基础设施服务商 Cloudflare 发布公告称，其全球网络出现大范围异常，导致大量网站和应用出现访问中断。受影响的平台包括 X（前 Twitter）、ChatGPT 等多家核心互联网服务，有媒体报道称 Spotify、亚马逊部分服务也出现了故障。 受此次事故影响，Cloudflare 股价在盘前一度下跌超过 5%。 按照官网介绍，Cloudflare 是一家全球性的云网络平台，为各类规模的企业提供安全加速、内容分发、DNS、零信任等服务。其数据传输网络覆盖全球 125 个国家、330 座城市，是互联网“入口层”的关键基础设施之一。Cloudflare 于 2019 年 9 月 13 日在纽约证券交易所上市。 北京时间 19:17（伦敦时间 11:17），Cloudflare 状态页显示，其支持门户出现故障，客户在查看或回复支持工单时可能遇到错误。大约半小时后，Cloudflare 再次更新称公司正在经历“内部服务故障”，部分服务可能会出现间歇性异常。 又过了约 20 分钟，Cloudflare 表示整体中断情况已开始缓解，但仍在调查问题根源。至北京时间 21:13，官方最新状态指出，部分服务的错误率“已恢复到事件发生前的水平”，同时团队正在继续恢复其余受影响的服务。 X、ChatGPT 等多个互联网平台仍受到此次故障影响。X 上用户的帖子会显示“无法载入”等提示，访问仍不稳定。

Cloudflare 历史关键时间线

• 2009：Cloudflare 成立（创始人：Matthew Prince、Lee Holloway、Michelle Zatlyn）。
• 2010–2015：从 CDN 起家，加入 DDoS、防火墙、DNS、边缘计算等产品。
• 2019-09-13：Cloudflare 在 NYSE 上市，代码 NET。
• 2020–2024：推出 1.1.1.1、Zero Trust、Workers、R2 等，逐步成为互联网“前门”。
• 市场占有率：全球流量最高前 10,000 个网站中约三成使用 Cloudflare（各统计口径有差异，约在 30% 左右）。

技术分析：为什么会看到 Cloudflare 返回 500

1. Cloudflare 的基本工作方式

• 用户访问域名 → DNS 指向 Cloudflare Anycast 边缘/Edge节点。
• Cloudflare 作为反向代理：处理缓存、加速、TLS、WAF、Workers。
• 然后 Cloudflare 再把请求转发给源站（origin）。

2. 边缘节点返回 500 的常见原因

• 源站真实返回 500：Cloudflare 将错误透传。
• Cloudflare 内部组件异常：代理池、缓存层、Workers、WAF 崩溃导致边缘自身返回 5xx。
• 边缘与源站连接失败：握手超时或连接异常，本应返回 502/524，但部分情况可能回落为 500。
• SSL/TLS 配置冲突：证书或协议版本不匹配导致处理失败。
• Workers 运行异常：未捕获异常直接导致 500。

3. Cloudflare 常见错误码对照

4. 工程上如何确认是 Cloudflare 问题

1. 绕过 Cloudflare 测试源站：

   curl -I -H "Host: yourdomain.com" http://YOUR_ORIGIN_IP

2. 看响应头是否含 server: cloudflare 或 cf-ray。
3. 查看 Cloudflare 状态页：https://www.cloudflarestatus.com/
4. 如使用 Workers，检查日志与堆栈信息。
5. 必要时暂停 Cloudflare（“Pause Cloudflare on Site”）并确认源站可用性。

5. 为什么故障影响面巨大

• 大量网站的 DNS + 代理都托管在 Cloudflare。
• Cloudflare 是“入口层”，入口挂了源站再健康也没办法。
• 对许多服务来说，Cloudflare 就是互联网对外公开的“唯一入口”。

工程建议（可实践）

• 多 DNS、多 CDN 架构：降低对单一供应商的依赖。
• 开启缓存 fallback：为内容站点提供 Always Online 类体验。
• 健康检查 + 自动切换：重要 API 建议多云部署。
• 边缘脚本不要走关键路径：Workers 出错会影响所有请求。
• 制定应急回滚流程：包括 DNS 回滚、IP 直连、信息通告模板等。

快速诊断手册（给工程师）

1. 绕过 Cloudflare 访问源站：确认是否是源站本身故障。
2. 查看响应头是否含 Cloudflare 标识。
3. 查看 status 页面是否有大规模宕机。
4. 用不同地区的 curl/Pingdom/UptimeRobot 对比确认是否是区域性还是全球性问题。

组合简介（组合数学入门）

格子行走示例 — 从左下到右上路径

R R U R U U R R R U R U R R U R R R U U U U R R R 

二项式系数（组合）表示法

组合公式 — 基于阶乘的推导

把公式应用到格子示例

为什么这个公式直观上合理

• 视角一 — 选择位置：从 [math]n[/math] 个位置中选择放置 U 的 [math]m[/math] 个位置；这就是 [math]C(n,m)[/math]。
• 视角二 — 用排列除以顺序：先计算 n 步的所有排列，然后除去相同步序的重排（比如相同类型步的交换）。

帕斯卡三角与递推关系

 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 

from functools import cache

@cache
def C(n, m):
    if m == 0:
        return 1  # C(n, 0) = 1
    if m == n:
        return 1  # C(n, n) = 1
    return C(n-1, m-1) + C(n-1, m)

def C_bottom_up(n, m):
    dp = [[0]*(m+1) for _ in range(n+1)]
    for i in range(n+1):
        dp[i][0] = 1  # C(i, 0) = 1
        for j in range(1, min(i, m)+1):
            if j == i:
                dp[i][j] = 1  # C(i, i) = 1
            else:
                dp[i][j] = dp[i-1][j-1] + dp[i-1][j]
    return dp[n][m]

def C_one_dim(n, m):
    dp = [0] * (m+1)
    dp[0] = 1  # C(i, 0) = 1

    for i in range(1, n+1):
        # 从右往左更新，避免覆盖上一行数据
        for j in range(min(i, m), 0, -1):
            dp[j] = dp[j] + dp[j-1]
    
    return dp[m]

print(C_one_dim(5, 2))  # 输出 10

• 空间复杂度 O(m)
• 时间复杂度 O(n*m)
• 可以方便扩展计算整行或整列组合数

组合证明 — 采苹果

递推关系的格子解释

常见的小值与说明

 C(5,0)=1 C(5,1)=5 C(5,2)=10 C(5,3)=10 C(5,4)=5 C(5,5)=1 

结语

1. 性能的真正秘密：数据放在哪里决定一切 2. 决定系统快慢的不是 CPU，而是数据的距离 3. 缓存才是现代计算性能的核心 4. 忽视数据局部性，一切性能优化都是徒劳 5. 性能瓶颈不在算力，而在内存层级 6. 数据局部性：被低估的性能决定因素 7. CPU 在等你的内存：缓存层级的真实代价 8. 系统速度快的真正原因：一切都与缓存有关 9. 别再关注 CPU 速度了——数据局部性才是制胜关键 10. 为什么缓存是所有高性能系统的幕后引擎 11. 性能的关键不在于 GHz，而在于距离 12. 你的 CPU 正在等待内存：缓存不为人知的故事 13. 数据局部性：计算机领域最重要却鲜为人知的因素 14. 数据存储位置决定一切 15. 缓存主宰一切：性能指南 16. 内存层次结构：性能的隐形杀手（或救星） 17. 为什么现代性能之战是与延迟的较量，而非与计算能力的较量

为什么缓存主导一切

真正的设计问题： 它能放进缓存吗？

抽象失灵的地方

• 独占核亲和（core pinning） —— 保持线程在同一 CPU 上以维持缓存热度
• 中断合并（interrupt coalescing） —— 降低中断率但以延迟为代价
• NUMA 局部性 —— 跨插槽访问会严重削弱性能
• 物理网卡与虚拟网卡 行为不同

AI 也碰到同样的问题

• 数组优于指针密集的结构，因为内存是连续的
• 硬件预取器只有在访问可预测时才有用
• 当内存布局合理时，缓存行被更高效地利用

在机器人控制中也能看到

IBM Telum：不同量级的缓存

• 十个 36 MB 的 L2 缓存
• 360 MB 的虚拟 L3
• 2.8 GB 的虚拟 L4

结论

我们经常谈论 CPU 速度，却很少关注数据存储的位置。 性能主要取决于数据存储的便利程度。寄存器、L1 缓存、L2 缓存、L3 缓存、主内存——每一步都会增加延迟并降低吞吐量。访问主内存可能需要 200 个时钟周期，比 L1 缓存慢 50 倍。 当工作集能够放入缓存时，代码运行速度极快。否则，CPU 只能等待。 在数据包处理中，这种差异决定了一切。每个数据包都会触发表查找。如果这些表保存在 缓存 中，您可以每秒处理数百万个数据包。否则，吞吐量将急剧下降。 所以，下次设计数据结构时，请问问自己： 它能放进缓存吗？ 因为在对性能要求极高的系统中，缓存不仅仅是一种优化手段，它定义了整个系统。 而且不仅是数据，指令也一样！我见过高频交易工程师讨论他们的策略，他们将热路径编程为始终处于激活状态，并且只在数据包需要离开系统时才启用网卡。这样也能保持指令缓存处于热状态。 保持指令缓存处于热状态与保持数据缓存处于热状态同样重要，尤其是在对可预测性要求很高的工作负载中。优化热路径，使 CPU 始终保持在指令缓存中至关重要，因为即使是很小的停顿也可能导致尾延迟显著增加。这很好地提醒我们，架构设计的真正目的是尽可能地将指令和数据都放在靠近核心的位置。 很多技术决策者都固守一刀切的策略：例如……万物皆可云——他们认为任何虚拟化工作负载都可以在任何虚拟化环境中运行，底层硬件和虚拟化技术都只是商品而已。但这并不适用于虚拟化网络功能，因为厂商们早就知道，独占线程核心绑定可以让执行线程独占使用 CPU 缓存。厂商们也知道，在虚拟化环境中，中断合并可以降低“CPU 使用率”，但会增加延迟。他们了解 NUMA 局部性，甚至把这些都写进了文档里。当然，销售人员来了之后，他们希望与高层战略保持一致，使用最佳优化基准测试，然后就云或虚拟机管理程序支持的问题展开另一场不加任何细节的讨论。没错，这行得通*但附注：你需要三倍的许可证/硬件，而且仍然无法获得最佳性能。人们对底层性能如此缺乏兴趣，技能差距如此之大，以至于似乎只能通过增加抽象层和厂商来掩盖责任。如果珠穆朗玛峰是检验技术领导力还是厂商责任的试金石，那么我们很想知道，究竟是哪一方会坚持到底，还是会在山脚下卖羽绒服。完全正确。一旦你依赖缓存行为、核心绑定和NUMA局部性，平台就不再具有可互换性了。底层细节远比大多数高层策略重要得多。 大多数繁重的AI工作负载仍然会遇到相同的内存层次结构限制。模型规模不断扩大，但芯片内部数据传输的物理机制并没有发生太大变化。理解局部性仍然是获得良好性能的关键。 数组能够为CPU提供它真正需要的东西：连续的内存和可预测的访问模式。这意味着预取器可以真正发挥作用，缓存行可以得到高效利用，并且避免了分散结构带来的指针追踪惩罚。这是保持缓存友好性的最简单方法之一。 机器人多轴运动控制也是如此。第一个轴预热缓存并承受缓存未命中的影响，下一个轴的计算时间缩短了一半。 IBM Telum处理器可以验证这一点，它能够按需将L2缓存转换为L3缓存，并且L4缓存可以被任何其他CPU访问。此外，该芯片的时钟频率始终保持在 5.5 GHz。它包含十个 36 MB 的二级缓存¹，以及扩展的虚拟三级缓存（360 MB）和四级缓存（2.8 GB）。 这是一款令人着迷的芯片。与大多数架构相比，其缓存容量巨大，这让我不禁好奇这会对各级缓存的访问延迟产生怎样的影响。可惜的是，我找不到任何关于 Telum 缓存的公开延迟数据，否则我很想了解 IBM 在实际应用中是如何平衡缓存容量、交换空间距离和命中延迟的。

强化学习入门：从试错中学习的艺术 Reinforcement Learning 101: The Art of Learning by Trial and Error 深度解析强化学习：Q-Learning算法详解 Deep Dive into Reinforcement Learning: Understanding the Q-Learning Algorithm 机器如何学会自己做决定？强化学习告诉你答案 How Do Machines Learn to Make Their Own Decisions? Reinforcement Learning Explained 从奖励中学习：人工智能的“试错智慧” Learning from Rewards: The Trial-and-Error Intelligence Behind AI

一、什么是强化学习？

• Agent（智能体）：做决策、执行动作的主体
• Environment（环境）：智能体所处的世界
• State（状态）：当前环境的描述
• Action（动作）：智能体可采取的操作
• Reward（奖励）：环境反馈，用来衡量动作的好坏

二、Q-Learning 原理

• [math] \alpha [/math]：学习率（Learning Rate）
• [math] \gamma [/math]：折扣因子（Discount Factor）
• [math] r [/math]：奖励（Reward）
• [math] s' [/math]：下一状态（Next State）

三、迷宫环境设计

• 0：空地
• -1：墙
• 1：出口（目标）

四、完整 Python 实现代码

import numpy as np
import random

# 1️⃣ 定义迷宫
maze = np.array([
    [0,  0,  0, -1,  1],
    [0, -1,  0, -1,  0],
    [0,  0,  0,  0,  0]
])

n_rows, n_cols = maze.shape
actions = ['up', 'down', 'left', 'right']
Q = np.zeros((n_rows, n_cols, len(actions)))

# 2️⃣ 超参数
alpha = 0.1
gamma = 0.9
epsilon = 0.1
episodes = 500

# 3️⃣ 辅助函数
def is_valid(state):
    r, c = state
    return 0 <= r < n_rows and 0 <= c < n_cols and maze[r, c] != -1

def next_state(state, action):
    r, c = state
    if action == 'up': r -= 1
    elif action == 'down': r += 1
    elif action == 'left': c -= 1
    elif action == 'right': c += 1
    return (r, c)

def get_reward(state):
    r, c = state
    if maze[r, c] == 1: return 10
    elif maze[r, c] == -1: return -1
    return -0.1

# 4️⃣ 训练循环
for episode in range(episodes):
    state = (2, 0)
    done = False

    while not done:
        if random.uniform(0, 1) < epsilon:
            action_idx = random.randint(0, len(actions)-1)
        else:
            action_idx = np.argmax(Q[state[0], state[1]])

        action = actions[action_idx]
        next_s = next_state(state, action)

        if not is_valid(next_s):
            reward = -1
            next_s = state
        else:
            reward = get_reward(next_s)

        Q[state[0], state[1], action_idx] += alpha * (
            reward + gamma * np.max(Q[next_s[0], next_s[1]]) - Q[state[0], state[1], action_idx]
        )

        state = next_s
        if maze[state[0], state[1]] == 1:
            done = True

print("✅ 训练完成！")

# 5️⃣ 查看学到的路径
state = (2, 0)
path = [state]

while maze[state[0], state[1]] != 1:
    action_idx = np.argmax(Q[state[0], state[1]])
    next_s = next_state(state, actions[action_idx])
    if not is_valid(next_s) or next_s in path:
        break
    state = next_s
    path.append(state)

print("🗺️ 学到的路径:", path)

五、运行结果

六、总结

• Q 表：保存每个状态-动作的价值
• ε-greedy 策略：平衡探索与利用
• 奖励函数设计：引导智能体形成目标导向行为
• 强化学习思想：通过试错和奖励反馈不断改进策略

奇迹广场

• 🕍 比萨主教座堂（Duomo di Pisa / Cathedral of Santa Maria Assunta）—— 就在斜塔旁边，是一座宏伟的罗曼式风格大教堂，建于11世纪，是整个广场的中心建筑。比萨斜塔其实就是它的钟楼。
• 🔔 比萨斜塔（Torre Pendente di Pisa）—— 教堂的独立钟楼，因为地基松软而倾斜，成了全世界最有名的“意外建筑”。
• 🚿 洗礼堂（Battistero di San Giovanni）—— 教堂正对面，一个圆顶建筑，是欧洲最大的洗礼堂，以音响效果奇妙闻名。导览员有时会在里面演示回音，特别震撼。
• ⚰️ 纪念墓园（Camposanto Monumentale）—— 位于广场一侧，外观像一堵长长的白墙，里面是修士们的墓地，据说用的是从耶路撒冷运回来的圣土建成的。

《金融杠杆：从股票到加密货币的放大效应》 《用杠杆撬动财富：传统市场与币圈的机会与风险》 《杠杆交易全解析：小资金如何放大收益，也放大风险》 《金融杠杆揭秘：股票、房地产到加密货币》 《杠杆的魔力与陷阱：跨越传统金融与加密世界》 《币圈杠杆交易：高收益背后的高风险》 《用杠杆玩加密货币，你准备好了吗？》 《Crypto 杠杆揭秘：如何放大收益，也放大风险》 《小本金撬大财富？币圈杠杆的利与弊》 《杠杆在币圈：赚钱快还是亏得快？》

金融杠杆: 借钱也能赚钱, 但风险也要小心

什么是金融杠杆？

杠杆如何放大风险？

杠杆的实际应用与案例

股票投资案例

房地产杠杆案例

风险控制很重要

总结

我的新车牌：X8 CPU 的故事

从 X86 CPU 到 X8 CPU：一次有意义的车牌之旅 X8 CPU：属于极客的私人车牌 求而不得的 X86，意外收获的 X8 CPU 一块写着“X8 CPU”的车牌，圆了我的极客梦 给人生加个“X8 CPU”：一块车牌的情绪价值 当极客买车牌：我与 X8 CPU 的故事 8核SUV，性能与情怀的双重升级 不是处理器，是我的车牌——X8 CPU

从 X86 CPU 到 X8 CPU

购买与过户

我很高兴地确认，您车辆登记号为 X8 CPU 的证书已于今日送达，并且我已经为您完成了合法过户手续。附件是英国车辆牌照管理局 (DVLA) 出具的两份过户确认文件，供您存档。 接下来会发生什么？ - 您现在必须合法地将新车牌悬挂在车辆上——您有充足的时间完成这项工作（所以如果您当天无法完成，也无需担心！）。 - DVLA 已收到通知，并正在为您寄送新的 V5 车辆登记证，以确认新的车辆登记信息。该登记证将在未来 7-14 天内送达。 - 您的车辆路税/Road Tax和 MOT（车辆年检）将自动转移到新的车辆登记信息上，您无需更新。请注意，如果您在线查询状态，DVLA 最多需要 72 小时才能在其数据库中更新车辆的新登记信息。 - 请通知您的保险公司您已更改车辆登记信息。您还需要更新任何停车费、拥堵费、伦敦交通局 (TFL)、超低排放区 (ULEZ) 或收费公路服务信息。 希望您对所享受的服务感到满意，如有任何疑问，请随时与我联系。 I am pleased to confirm that the certificate for your registration X8 CPU arrived today and I have now completed the legal transfer for you. Attached are 2 documents from the DVLA confirming the transfer for your records. What Happens Next? - You must now legally display the number plates on the vehicle - you have reasonable time to do this (so don’t worry if you cannot do this the same day!). - The DVLA have been notified and are processing you a new V5 logbook to your home address confirming the new registration. This will arrive in the next 7-14 days - Any TAX & MOT will automatically roll over to your new registration, you do not need to update this. Please note it takes upto 72 hours for DVLA to update across their databases to show this new registration on the vehicle if checking the status online. - Please notify the insurance company you have changed the vehicle registration. You will also need to update any parking, congestion, TFL, ULEZ or toll services. I hope you are pleased with the service received, and if you have any questions do not hesitate to contact me.

DVLA 系统与保险更新

• 尽快更换新车牌；
• 通知保险公司。

关于私人车牌的那些小趣事

• 投资属性：好的车牌就像域名，具有稀缺性，可以再次出售或拍卖；
• 隐私性：自定义车牌看不出车辆是哪一年注册的；
• 比如广告性用途：我在剑桥经常看到一些以 CDA 结尾的车牌，代表 Cambridge Driving Academy（剑桥驾驶学院）。这是一个学车机构购买的车牌，车上还贴着相应的标语，一眼就能看出是教练车。
• 情绪价值：每次看到它，心情都会变好。

8核SUV，值得拥有

网友评论

欧洲的城市税（City Tax）

相关文章：

1. 第一次私校家长会: 原来家长比孩子还卷 前几天参加了娃的第一次家长会，和几位家长聊下来，真是个个都很厉害。不光孩子们卷，家长也一样卷，一眼望去基本都是 Dr/博士。娃还调侃我一句：“这有什么的，你不也是 Dr 吗？” 我心里默默想：还好没写学校名字，不然我这野鸡大学的头衔真拿不出手 😂。 私校里真是人才济济，乐器过 8 级的太常见了，卷得不得了。我还问过娃，是想当 big fish in a small pond...
2. 孩子获得英国JMC数学竞赛金奖 哥哥今年四五月份参加了英国JMC数学竞赛，在学校举行的。有一天他回家很高兴的和我说，老师说他得到了数学比赛的金奖，他很是兴奋激动，我连忙抱了抱他，替他开心。 后来听说，娃在他们班的第一名，也是唯一一个进入下一轮的，他们学校一共有11人参加了下一轮，根据初赛成绩，下一轮进入了袋鼠Kangaroo或者是英国数学奥林匹克（BMO）。娃预估的分数是错了3题多，所以肯定进不了BMO。 袋鼠赛是通过英国数学挑战赛（JMC、IMC、SMC）选拔而来的。表现优异的学生会被邀请参加袋鼠赛。袋鼠赛的参加资格通常是根据各自年级的前一定百分比的学生成绩来确定的。 英国数学挑战赛（UKMT）包括多个级别的竞赛，其中 JMC、SMC 和 IMC 是面向不同年龄段学生的主要比赛。这些竞赛旨在激发学生对数学的兴趣，并提升他们的数学技能。以下是对这三个竞赛的简介： 我家小的 看不上他班上的， 不过他一看哥哥在学校数学第一名， 然后上次去伦敦那个科学博物馆 挑了一本 Math Challenge...
3. 智能手机 HTC One M9 使用测评 虽然我对手机要求不高, 远远没有像追求VPS服务器一样, 但是怎么算来两年内换了四个手机, 先是三星 S4 用了一年多, 然后 Nokia Lumia 635 Windows Phone, 后来又是 BLU, 半年多前换了...
4. 按揭贷款(房贷,车贷) 每月还贷计算器 去年给银行借了17万英镑 买了20万7500英镑的房子, 25年还清. 前2年是定率 Fix Rate 的合同 (年利率2.49%). 每个月大概是还 700多英镑. 有很多种还贷的计算方式, 定率/每月固定 是比较常用的. 简单来说就是 每个月交的钱是...
5. 区块链中Layer 1和Layer 2协议的简介 Layer 1 和 Layer 2 是用来描述区块链技术中不同层次或层的术语，每个层都在维护和扩展区块链网络方面有其独特的作用和特点。 Steem的底层协议是C++写的，也就是steemd，见证人（也就是STEEM上的矿工）在自己的节点服务器上跑这个软件，共同运行这个区块链。steemd上支持一个custom_json操作，也就是可以调用API向区块链上写任何数据，这样的话，DApp分布式应用程序就可以在STEEM区块链上存储数据了，而在custom_json上的协议就是Layer 2/第二层。 Layer 1：基础协议 Layer 1 指的是区块链网络的基础层。它包括定义网络规则和操作的核心区块链技术。Layer 1的关键特性和组成部分包括： 共识机制...
6. 英国房子的EPC节能报告(Energe/Efficiency Performance Certificate) EPC (Energe/Efficiency Performance Certificate) 是英国房子的节能报告, 法律上规定, 每个房子都必须要有一个EPC报告, 报告的有效期为十年. 房东在把房子出租或者想卖房的时候, 这个EPC就必须有效, 在一些情况下 比如出租房子的时候, 这个EPC报告还必须符合一些最低标准, 比如房子必须满足 F档(类似及格线)...
7. 塞尔维亚(Serbia)贝尔格莱德(Belgrade)五天四晚之旅: 提前一天到机场酒店坐第二天早班飞机 今年6月份就和媳妇商量说今年夏天全家去哪里旅游, 这几年每年8月份大儿子生日那周都会全家旅游顺便给娃过生日. 我媳妇上班后今年假期之前已经用掉了不少, 她请假准备考试AAT. 今年是疫情开放的第一年, 所以很多在国外的朋友都回国了, 我们今年就懒得折腾, 因为儿子是英国护照, 所以还得给他们办中国签证或者是旅行证. 索性今年就不回国到外面转转, 之前去了北爱尔兰, 因为那还是英国, 又感觉像出国一样. 中国护照在欧洲能免签或者电子签的地方并不多: 土耳其,...
8. 假期永远不太够 – 2023暑假回顾 暑假是孩子们释放活力，发掘兴趣和充电的黄金时期。在这个暑假，我们计划了一系列的活动，包括科技夏令营、国外旅游、家庭休息时间等，为的是让孩子能在学习、游玩、休息之间找到平衡，充分利用假期时间。现在，暑假即将结束，让我们一起回顾一下这个精彩的暑假。 这个夏天假期一共有6周。 科技夏令营 暑假的第一、二周，我们送孩子参加了一个科技夏令营。在这里，孩子不仅能学到最新的科技知识，提高自身的科技素养，还能结识到一群志同道合的小伙伴。通过这个夏令营，孩子学会了团队合作，也增强了自信。 国外旅游 在夏令营结束后的第一周，我们全家飞往了塞尔维亚的贝尔格莱德。这是一个充满历史文化的城市，我们参观了许多古迹，也品尝了当地的美食。孩子对于这个陌生的国家充满了好奇，我们一同探索了这个美丽的城市。 因为孩子是英国护照，我们两个大人是中国护照，所以找了一个全家都不需要签证的国家旅游。 家庭休息时间 在贝尔格莱德的旅行结束后，我们回家休息了一周。这段时间，我们主要在家里进行休息，整理行李，规划接下来的旅行。 再次出发 休息完毕后，我们又开始了下一段旅行，这次我们选择了英国的北威尔士的Llandudno。这是一个美丽的海滨小镇，我们在这里度过了愉快的一周。 放松与准备 回到家后，我们又进行了一周的休息。这段时间，我们整理了照片，回忆了这个暑假的美好时光，也开始为孩子的开学做准备。 假期永远不太够 这个暑假，我们走遍了山水，体验了不同的文化，孩子也收获了满满的知识。但是，暑假结束了，对于工作繁忙的我来说，仍然感觉假期不够，还想再休个假。但是，生活总是要继续的，新的学期、新的开始，我们要带着这个暑假的美好记忆，迎接新的挑战。...

旅程的终点，总有意想不到的温柔。离开罗马那天，在FCO机场的候机大厅，Ryan在一架静静伫立的钢琴前弹奏起肖邦的《即兴幻想曲》。嘈杂的机场因为那段旋律而变得安静，连空气都带着一点浪漫的告别感。

《即兴幻想曲》（Fantaisie-Impromptu）是波兰钢琴诗人 弗雷德里克·肖邦（Frédéric Chopin） 的代表作之一，创作于 1834 年 左右。这首作品原本并未在肖邦生前出版，而是在他去世后由友人依据手稿整理发表，成为后世最受喜爱的钢琴名曲之一。 全曲以 升C小调（C♯ minor） 写成，结构鲜明、情感对比强烈。开头部分急促奔放，左右手交错的音型展现出炫技的激情；中段则转入温柔抒情的D♭大调，如梦似幻，仿佛一段深情的回忆；最后再度回到激昂的主题，像是情绪的再爆发与终结。 这首曲子既考验技巧，也饱含情感——速度、激情、温柔与浪漫并存。正因为如此，《即兴幻想曲》常被视为肖邦浪漫主义精神的浓缩：即兴而自由，却又极致优雅。

• Alpha Arena 是首个使用真实资金测试 AI 投资能力的平台。更多信息见 Nof1 / Alpha Arena。
• 每个模型获得 10,000 美元真实资金，交易标的为加密货币永续合约（Hyperliquid）。本文结合最新交易流水，给出策略风格、风险表现与可改进点的分析。

比赛规则与目标

• 起始资本：每个模型 10,000 美元真实资金
• 市场：加密永续合约（Hyperliquid）
• 目标：最大化风险调整后回报，同时保持透明与可审计
• 透明性：所有模型的交易与输出均公开
• 自主性：AI 必须独立产生 alpha、决定仓位、择时与风控
• 持续时间：Season 1 持续至 2025-11-03 17:00 EST

当前赛况速览（截至 10/23）

重点实盘交易摘录与解读

• Grok 4 — BNB 多单（10/23 16:11）
  • 开仓价 $1,076.9，平仓价 $1,143；数量 7.07；名义价值由 $7,614 增至 $8,081
  • 持仓时长 136 小时 36 分；净盈利 $463.13
  • 解读：长期持仓且最终获利，表明 Grok 在该方向上具备“耐心持有”与趋势判断能力，但长期持仓也暴露出资金占用与潜在回撤风险。
• GPT 5 — 多笔短线/空单（10/23 多次）
  • 例如：BNB 空单（10/23 16:10），开 $1,103，平 $1,124.6，数量 -1.81，净损失 $40.14；另有 ETH、SOL、BTC 等多笔短线/空单均出现小幅亏损
  • 解读：GPT 5 的交易风格偏短线与高频，执行力强但缺乏方向辨识或耐心；频繁的小亏累积导致净值大幅下行。
• Claude 4.5 Sonnet — BNB / ETH / SOL（10/23 多笔）
  • BNB 多单获利 $175.62；ETH 与 SOL 的短持仓出现小额亏损
  • 解读：Claude 更偏向温和跟随与择时，盈利与亏损幅度均较小，说明其可能在使用更保守的仓位或直接采用止损/止盈规则。
• Gemini 2.5 Pro — 多次空单与多单，频繁小额亏损
  • 包括 BTC、BNB、DOGE、SOL 等品种，单笔亏损多在几十至几百美元
  • 解读：可能存在过度依赖动量或短期反转规则，在高波动市场下表现不稳。
• DeepSeek V3.1 Chat — XRP 多单（10/22）
  • 持仓 61 小时 38 分，净亏 $455.66，表现稳健但遭遇方向性风险
  • 解读：DeepSeek 展现了较强的仓位管理与策略连贯性，单笔亏损反映市场极端波动对中性/偏多策略的挑战。

从交易行为看 AI 策略类型与弱点

• 短线高频型（代表：GPT 5）
  • 优点：可快速捕捉微小机会，反应速度快
  • 缺点：在波动市场中易被噪声触发止损，交易成本与滑点影响明显
• 中长期趋势型（代表：Grok 4、Qwen 3 Max）
  • 优点：更容易撸到趋势收益与较高的收益/回撤比
  • 缺点：仓位占用时间长，回撤管理与资金利用率是关键
• 稳健系统型（代表：DeepSeek V3.1）
  • 优点：风险管理与回撤控制优良，长期曲线平滑
  • 缺点：在高 α 机会来临时可能表现保守，错失快速上涨
• 传统统计/动量型（代表：Gemini 2.5 Pro）
  • 优点：在规律性市场中表现良好
  • 缺点：在无序或高噪声环境中频繁失灵，连续止损会侵蚀资本

为何用真实市场作为训练环境？

• 市场是一个开放式、对抗性极强且永无止境的环境。随着 AI 能力提升，市场难度会自我提升，形成持续进化的训练循环。
• 真实资金与真实成本迫使模型考虑摩擦、滑点、资金占用与风控规则，这些在回测或模拟环境中往往被简化或忽略。
• 市场行为包含人类情绪、结构化事件和意外冲击，逼迫模型发展更强的世界模型与对抗性策略。

改进方向与研究建议

• 增强风险管理：引入分层止损、动态头寸规模（基于波动率与资金利用率）和回撤阈值触发机制。
• 混合策略组合：将短线信号与中长期趋势判断结合，采用多策略并行或层次化决策流程。
• 样本效率与在线学习：在真实市场环境下采用在线更新机制，利用自生成数据进行持续微调，但需注意过拟合与回放偏差。
• 情景化评估：构建极端事件模拟器（黑天鹅情形）以检验模型在尾部风险下的鲁棒性。
• 交易成本建模：把滑点、手续费和限价/市价执行差异纳入奖励函数，避免“纸面 alpha”无法在实盘兑现。

结语：资本配置是智能的试金石

• Alpha Arena 不仅是一场比谁能赚更多钱的比赛，更是一场关于“什么是智能”的实验。
• 当前观测告诉我们：有耐心、懂风险管理、能区分噪声与信号的模型，更接近“实用的投资智能”。
• 如果你对将 AI 用于真实资本配置感兴趣，Alpha Arena 提供了一个宝贵且透明的研究平台。
• 招聘与合作信息可在 Nof1 / Alpha Arena 查询。

附：选取交易流水（节选，按时间倒序）

Grok的风格是最激进的。Grok的回撤的过程中是非常猛的。Grok开的倍数很高，出现大回调Grok仍然采用高倍战法，甚至20倍的做多。 最惨的是GPT-5和Gemini。 让所有的大模型一起跑够一个月，那这个参考价值就更加的强悍了。 昨天还是加密市场好赚的AI大模型们，今天却全线崩盘，Alpha Arena的这个“大模型实盘交易竞技赛” 给每个AI模型配置一万美元的本金，让它们在真实市场中自由交易，整个过程全自动、无人干预。入场才两天多，DeepSeek就狂赚超40%，稳坐第一。可就在今天凌晨，市场突然大跳水，AI们完全没反应过来，继续死扛，结果全被套牢。最惨的DeepSeek一天亏掉31%。连一向最稳的Qwen 3 Max也跌了20%。 为啥会翻车？18号刚入场的时候，正好赶上了市场的低点。表现好的模型甚至加了10-15倍的杠杆，一路顺风顺水，AI看到行情好，几乎都全线加多仓。但今天市场突变，AI模型不会看新闻，只是机械执行策略，而且没及时学会止损，杠杆太高，一旦下跌很容易直接爆仓。更扎心的是Gemini，还老频繁买卖/交易。光手续费就亏出去一大笔。 最后6个模型几乎在同一个点集体翻车。当然，这实验才刚三天多。时间还太短，真要论长期，到底谁能赢还说不定呢。 这场实验最有意思的地方，就是让AI在实盘里真刀真枪摔跟头，把问题都暴露出来，到底谁最怕突发状况？谁反应最快，换做是你，敢让AI直接帮你炒币吗？ 这是唯--个融合了“Ai+Crypto+Web1”三大概念的注意力产品。6万美金+半个月时间，就打造出了这么一款神级产品，6个中美顶级大模型实盘跑分，7x24小时自动运行。你总会忍不住的想看哪个模型赚了亏了，要是再增加一个“预测市场”的功能，估计大家就可以下注竞猜了。这个产品经理真厉害! 谁要是把这个交易工具给做出来了，我马上投。听说国内马上就有人开源了。 DeepSeek，这是你老本行，这个你熟。 实盘的魅力，主打一个刺激。 垫底的是GPT-5和Gemini，四天亏了3000上下。 AI在Hyperliquid的永续合约上面去真刀真枪自由操作，在链上是全透明，可追溯。最后就是谁赚得多，谁赢。 虽然不提供API，你看不到AI是怎么做思考和复盘的，但是你可以看到机器人交易记录。每一个大模型都像一个非常有性格的交易员。 DeepSeek Chat v3.1就是一个多头纪律性特别强的万能手，没有什么高频交易，Grok4跟它相比之下，就能承受比较高的波动。Qwen就一直比较稳不赚不赔，GPT-5和Gemini 2.5 Pro就俩活宝，高频交易逆势操作，匆匆忙忙连滚带爬，把钱亏了。 以前大家对AI的期待是什么？写个论文、画个图、做个视频、写个代码就不得了了，但是这些所有的测试都有很大的缺陷。都是在无菌、可预测的环境里面。币圈可不一样。实战的零和游戏。金融市场，是世界的终级建模引擎，同时也是唯一一个会随着AI变聪明，它的难度也会提高的基准。 金融市场的逻辑就是波动、反应、惩罚、奖励。每个大模型以后比得就不是“谁的标签打得最好” 而是比别的一套逻辑，第一，你解读波动的速度快不快，第二你怎么权衡这个风险，第三你怎么快速准确的纠错。这就变得很实战。新的玩法、新的标准会改变所有人，对所有AI公司的标准和估值。

• DVLA自行发放的新组合 —— 从未被使用过，由官方创造并投放市场。
• 曾经注册但被回收的车牌 —— 例如车主放弃、注销或车辆报废后重新回归DVLA名下的车牌。
• 部分由私人委托DVLA代拍 —— 少数情况下，私人或公司可通过官方渠道委托DVLA拍卖自己的个性车牌（虽然这种情况较少见，更多人选择私人平台如 RegTransfers、SwiftReg 等）。

目标：X86 CPU

理智与遗憾之间

6000英镑一个车牌这价钱确实太贵，恐怕除了IT，其它行业很多人并不了解X86含义。

顺便说说 DVLA 拍卖机制

后记

网友评论

一、已知条件

二、每英里油钱是多少？

• 1 英制加仑 = 4.546 升
• 每英里耗油：1 ÷ 20 × 4.546 ≈ 0.2273 升/英里
• 油价 £1.379/L → 每英里油费：0.2273 × 1.379 ≈ £0.313 ≈ 31.3 便士/英里

三、刹车/油门频率假设

四、推导每次油门的能耗成本

• 高速每英里耗 = 1.5 × h = 6s
• 城市每英里耗 = 4.5 × s

五、平均每脚油门/刹车多少钱？

六、为什么高速刹车更“贵”？

七、省油小建议

• 🚫 少急加速（尤其城市堵车）
• 🚦 提前预判，尽量滑行减速
• ⚙️ 保持匀速行驶，减少频繁启停

八、总结一览表

九、结语

std::is_constant_evaluated() (C++20)

#include <type_traits>
constexpr bool std::is_constant_evaluated() noexcept;

#include <iostream>
#include <type_traits>

constexpr int f() {
    if (std::is_constant_evaluated()) {
        return 42; // 编译时
    } else {
        return 0; // 运行时 
    }
}

int main() {
constexpr int a = f(); // 编译时求值 -> 42
    int b = f(); // 运行时求值 -> 0
    std::cout << a << ", " << b << "\n"; // 打印 "42, 0"
}

if consteval (C++23)

if consteval {
    // 仅编译时代码
} else {
    // 仅运行时代码
}

#include <iostream>

constexpr int f() {
    if consteval {
        return 42; // 编译时版本
    } else {
        return 0; // 运行时版本
    }
}

int main() {
    constexpr int a = f(); // 编译时上下文 -> 返回 42
    int b = f(); // 运行时上下文 -> 返回 0
    std::cout << a << ", " << b << "\n"; // 打印 "42, 0"
}

主要区别（总结）

• 形式： std::is_constant_evaluated() 是一个函数；if consteval 是一个语言级条件语句。
• 标准： std::is_constant_evaluated() 出现在 C++20 中；if consteval 出现在 C++23 中。
• 保证： if consteval 为编译器提供编译时保证，并拒绝编译时无法使用的 consteval 分支中的代码。 std::is_constant_evaluated() 的执行环境更为宽松：它返回布尔值，但不会强制编译器拒绝其他分支中无效的编译时构造。
• 在表达式内部使用： std::is_constant_evaluated() 可以在语句形式的 if 无法使用的表达式内部使用（例如，在三元运算符内部）。if consteval 需要语句级上下文。

具体比较示例

// if-consteval 示例
constexpr int f() {
    if consteval {
        return 1; // 仅在编译时
    } else {
        return 2; // 仅限运行时
    }
}

// std::is_constant_evaluated() 示例
#include <type_traits>
constexpr int g() {
    if (std::is_constant_evaluated()) {
        return 1; // 可能仍会编译运行时路径
    } else {
    return 2;
    }
}

// 使用 if consteval 时，编译器将拒绝无效的仅限编译时构造
constexpr int bad() {
    if consteval {
        std::cout << "compile-time"; // ❌ 错误 — 常量求值中不允许 I/O
    }
    return 0;
}

// 使用 std::is_constant_evaluated() 时，编译器会更加宽容，可能会编译通过，直到代码
// 实际用于常量表达式上下文。
#include <type_traits>
constexpr int perhaps_bad() {
    if (std::is_constant_evaluated()) {
        std::cout << "compile-time"; // 可能会编译通过；只有在 const-expr 中求值时才会出现错误
    }
    return 0;
}

使用场景

• 如果您的目标是 C++23（或更高版本），并且想要清晰的、编译时强制的分支：请优先使用 if consteval。
• 如果您必须仅支持 C++20 环境：请使用 std::is_constant_evaluated()。
• 如果您需要在表达式（而非语句）中进行检查，请使用 std::is_constant_evaluated()，因为 if consteval 是语句级的。
• 如果您希望编译器拒绝编译时无法使用的代码，if consteval 可以提供更强的保证。

实际用例

• 为编译时和运行时（快速预计算 vs 较慢的运行时）编写不同的实现逻辑）。
• 保护仅运行时操作（例如 I/O、动态分配或系统调用），以免它们被意外地用于常量求值路径。
• 在编写可在 constexpr 上下文和正常运行时上下文中使用的库时，提供更清晰、更能揭示意图的代码。

简短实用的检查清单

• 需要表达式级检查？→ std::is_constant_evaluated()。
• 想要编译器强制执行的仅编译时分支？→ if consteval。
• 仅针对 C++20？→ std::is_constant_evaluated()。
• 针对 C++23+ 并更注重清晰度和安全性？ → if consteval.

TL;DR

• 编译器将其视为仅编译时分支的语言级条件语句；
• 更强的编译时执行力和更清晰的意图。

结束语

用 FeedBurner 的好处

• 统一和美化 RSS 输出：让各平台的 RSS 格式一致，订阅链接固定。
• 订阅统计：可以看到每日订阅人数、来源与点击数。
• 邮件推送功能：自动将新文章通过邮件发送给订阅者。
• 广告功能：早期支持 AdSense for Feeds，在 RSS 中插广告获利。
• 节省带宽：FeedBurner 缓存内容，订阅者访问时不会直接访问原站。

用 FeedBurner 的坏处

• 功能残缺：订阅统计、邮件推送等功能已被停用或不稳定。
• 数据不准确：订阅数与阅读数常年不更新。
• 影响 SEO 与品牌归属：订阅链接属于 FeedBurner，而不是你自己的域名。
• 更新延迟：FeedBurner 抓取源可能延迟几小时，无法实时同步。
• 潜在风险：如果未来 FeedBurner 服务终止，订阅者将全部丢失。

总结与迁移建议

10月10日，随着特朗普推特一声“对中国加征 100% 关税 + 出口软件管制”，市场立刻被点燃——但真正被“点燃”的，是币圈的杠杆爆仓机制。短短数小时，超过 19 亿美元 的合约头寸被逐个撕裂，各路山寨币被屠戮殆尽，比特币也曾一度跌至 ~$104,700 左右。有人说，幕后是大鲸鱼做空；有人说，是政治突袭引发的系统性恐慌。今天，我们还原这一场黑天鹅级的链上下血战。 就在特朗普深夜发文后，股市及加密货币雪崩，但有一个新注册的神秘账户，在特朗普发文前2小时做空单，一晚爆赚2亿美元 后清倉走人。我怀疑特朗普一直搞事的新闻背后，有一群知道特别消息的背后金融人才，配合特朗普消息做空单，做多单，大赚特赚，美国民主党应该注意，这是犯罪行为。

教训与反思 —— “要想一直在牌桌前就不要玩合约”

合约=双刃剑

内幕与链上证据并不等于法律定论

风险管理优先于投机心态

内幕大清算与合约风险

清算规模、币价跌幅与山寨币灾情

清算规模揭秘 | 超过 19 亿美元被爆仓 多家主流媒体在清算事件后纷纷披露：10 月 10–11 日，整个加密市场在 24 小时内被清算的合约头寸规模超过 $19 B（即 190 亿美元）。几乎全部为多头（Long）仓位，经不起突发抛压，被连锁挤爆。 在部分媒体与链上观察者的猜测中，有“鲸鱼”在推文前短短几十分钟开空头仓位，并在崩盘阶段平仓获利，有报道估计其单次盈利达数亿美元。虽然这一“神秘主动做空者”的身份尚无确定证据，但这一时间点重合引发广泛质疑。

清算规模

• 多家主流媒体报道称，24 小时内清算金额超过 $19 B（19 亿美元），创历史新高。
• Decode/Decrypt 报道中称，大多数被清算的是 long 仓位，几乎 $17B+ 来自多头爆仓。
• CoinTribune、Mitrade 等加密行业媒体也有类似统计，强调这次事件为“历史级别清算”

币价跌幅

• 比特币：从 ~$121,000+ 下跌至 ~$104,000 区间。Decrypt 报道称比特币从高点跌至 ~$106,000
• 以太坊（ETH）：整体跌幅约 12% 左右。路透称 ETH 跌 5.8% 至 ~$3,637（当天）
• 山寨币 / 小币：多数币种曾一度暴跌 40%–70% 或更极端。报道中提到 DOGE 跌 ~50%；部分排名前 100 币种跌幅超过 50%

Decrypt 报道中写道： “Bitcoin had been sitting above the $121,000 mark on Friday morning, but ultimately dipped below $106,000 … Ethereum went from $4,300 in the morning to under $3,600 in the afternoon … assets like Dogecoin and Cardano briefly showed 40% daily dips before recovering some of the losses.” Decrypt

链上/大户行为与“神秘做空者”传闻

• Mitrade 等业内媒体引用行业人士称，在市场崩盘前，有一只“鲸鱼”在几小时或更早前开出大额空头仓位，并在崩盘中获利（有报导称盈利约 $200M）
• 有文章断言：“30 分钟前”开仓做空，引发社交媒体流言称操盘者可能为“懂王之子 Eric”——但目前没有确证链上地址或法律证据。
• Ethena 的稳定币 USDe 脱锚事件也被视为此次清算波及的一个侧面：其一度跌至 $0.65，后在交易所和协议层面迅速采取补救措施恢复挂钩。

• 市场流动性骤降，杠杆仓位无法承受连续卖压；
• 自动清算机制、止损触发、爆仓连锁反应加剧下跌；
• 大额仓位在关键时刻平仓获利，加剧市场信心崩塌；
• 稳定币与协议层面也遭受波及，产生脱锚、资金错配风险。

• 合约能带来放大收益，也能瞬间被放大损失——杠杆市场不容任何懈怠。
• 不要被“做空赢家”“内幕传言”蒙蔽双眼：链上证据 ≠ 法律真相，凡事需持谨慎态度。
• 永远记住一句话：要想一直在牌桌前，就不要把自己赌到 All-in（全仓合约）。合理止损、分散布局，是在极端市场里活下来的护盾。

巴菲特问股票之神：神啊，今年我能赚多少？ 股票之神说：你今年至少能赚30% 巴菲特大喜，问：那川普呢? 股票之神说：很久没人用这个名字称呼我了。

快讯

• 因做空比特币而引发全球关注的内幕“巨鲸”，近两日持续加仓做空，最新空单规模已增至4.98亿美元。若此操作再度获利，其内幕交易的嫌疑无疑将更重。
• 神秘巨鲸 0xb317 再次开立了一笔10倍杠杆的比特币空单，目前持仓700个BTC（约7593万美元），开仓价109,133.1，清算价150,082.9美元。
• 15日美媒报道，比特币“内幕巨鲸”开设了价值为1.4亿美元的5倍杠杆空头头寸，强平价格设定在137,700美元。此操作引发网友热议，直呼太过疯狂，若比特币价格上涨，该“巨鲸”恐将遭受惨重损失，近两日其交易操作令人难以捉摸。
• 刚看到媒体报道：特朗普的小儿子，通过加密市场，赚了8000万美金。然后英文区就有人发了梗图：赚钱真的太容易了，媒体说：告加密市场，一夜赚了8000万美金，其实哪有什么天赋或者算法，不过是提前把多空仓位建好，然后让我爸发条推特而已。真是应验了那句话：看一辈子K线，不如有个会画K线的爹！

如何证明 √2 是无理数 — 两种方法（反证法与几何无限下降）

方法一 — 反证法

方法二 — 几何无限下降（等腰直角三角形中线构造）

• 如果假设存在整数边长满足 [math]a^2=2b^2[/math]，则这种几何构造（或等价的、保持整数关系的中点构造）会产生一个更小的正整数解。
• 无限重复下去会得到一个严格递减的正整数序列，这显然不可能。

• 方法一（反证法）利用奇偶性，说明若假设分数为最简形式则会导致分子和分母都为偶数，从而矛盾。
• 方法二（几何无限下降）通过在等腰直角三角形中作中线并利用相似性得到更小的整数解，从而与最小性矛盾。