周六加班去爬山

[宝玉 @dotey]

https://t.co/UMTjznAJSc

[siddontang @siddontang]

前几天有人问我：
TiDB 现在内部用了什么 Multi-Agent System？

我回答得很直接：
其实我们在刻意避免 Multi-Agent。
能一个 Agent 干完的，就一个 Agent 干。
实在需要拆，最多上面放一个 Coordinator，下面几个边界非常清楚的 Agent。

原因也很朴素。
分布式系统做久了，对“多组件协作”多少有点 PTSD。😂

Agent 一��：
通信来了
状态来了
retry 来了
context 丢了
最后还不知道到底谁背锅。

刚好最近看到 Anthropic 讲 Multi-Agent 的经验，也挺有共鸣。https://t.co/QJwZpNwZRW

他们提到，很多团队花几个月搭复杂的 Multi-Agent，最后发现把 single agent 的 prompt 和 tools 做好，效果差不多；Multi-Agent 真正比较适合的是 context isolation、parallel execution 和 specialization，而且通常要付出大约成倍 token 的代价。

所以我现在对选择 Multi-Agent 还是挺慎重的。

毕竟我们花了几十年才学会怎么把分布式系统搞稳定。
现在没必要因为 Agent 出来了，再主动把自己分布式一遍。😂

[DiscusFish @bitfish]

今年的一个核心主题

知识Memo化、方法Skill化
工作 Loop 化、产品RaaS化

横批：
Agent直达��果
Result as a Service

[Evan (Yifeng) Wang @ewind_dev]

非常同意，你如果聊过几百个人，会发现多数人都是循规蹈矩中规中矩的，现在兴起的原生外挂 claude 的小天才，对传统编码老实人那真是降维打击……
不仅八股知识点和手写代码的问题废了，我原本喜欢的那种开放挖掘人选亮点的风格也废了，上 claude 随便许愿就行啊。

那工程面试 eval 该评测什么呢？

[chaosflutter @chaosflutt28952]

https://t.co/d61wqPWjmI

[米开朗基杨 @CarsonYangk8s]

道友们，Sealos Devbox 模板市场来了！

Devbox 模板市场让你可以将精心调试好的开发环境一键转换为模板，无论是个人开发还是团队协作，都能轻松实现环境的完美复制，彻底告别重复的开发环境配置

[Xiaowen @ixiaowenz]

抛开技术能力，我来提两个：写作和谈判。

写作本��上是逻辑表达能力，文字表达的积累会辐射到你的语言表达，材料撰写的思路，速度，质量。

谈判能力本质上是人与人沟通的能力，任何日常的和人沟通，开会，任何简单的「合意」都是谈判的一种。如果你觉得你总得说服不了你的合作方，开会别人不听你的达不成自己的目的，说明你的谈判思维是不足的，这样日常工作极其吃亏，内耗极高。

[Xiaowen @ixiaowenz]

一个做事非常扎实的工程师，很可能不擅长「经营自己」。

一个只会「经营自己」但专业性不足的管理者，很可能不能意识到「做事扎实」的重要性和做到「做事扎实」的难度。

这在大部分的企业里，很可能是许多科技管理矛盾和悖论的核心原因。

---

职业生涯里遇到太多做事非常好，但比较没有职场野心的工程师。好几个都属于跟着我的时候绩效好，不跟着我绩效就差，久而久之自然也有人跟着我跳槽。

但这毕竟不是长久之计，也不是解决问题的终极办法不是么？

之前几年我思考这个问题的时候，觉得甚至有点无解。

现在我觉得，也许他们应该尝试更早的从大企业的「齿轮」角色里脱离出来，找到适合自己（需要自己能力，也认可自己特长）的中小团队，也用中小团队一定程度上更自由和不稳定的文化，熏陶自己，完善自己。

[yihong0618 @yihong0618]

有个牛人基于 pglite(WASM Postgres)
建了一个网页版的 pg playground 非常好用，想快速跑一个 pg sql 或者学习 pg( 也可能有更好玩的用法可以直接用）做的非常完整。
playground 地址：https://t.co/lOQBhwstwc
开源地址：https://t.co/zDAcyb3yhd

[还不下雨啊📷A7Cr @terracemouse]

@Fenng 中台容易形成技术权力垄断，跟政府一样，裹挟全局利益。很多大厂内部都不得不用公司内部的服务，而且只要一环内部化，其他环节就难用公开社区的标准。然后各种中层就开始山寨社区功能来造绩效。其实是种技术腐败。这跟国内政治强调西方框架一样，不跟你讲道理，总之就是有内部问题不好用外部框架解决。

[Xiaowen @ixiaowenz]

大年初一的……难得有半个小时空闲可以开电脑，我居然不想玩游戏。

继续拿个管理话题出来写……服务管理和职责偏差。

现代企业管理架构里，有一个很重要的定义，叫「服务 Service」，这个和技术层面的接口服务有些不同，是指一个虚拟化抽象的能力提供方式，整个科技管理体系几乎都建立在「有效定义」的「IT 服务」上。

我做内部培训的时候经常举的例子是这个：

IT 部门给全公司采购了打���机，实际上背后的是 IT 部门给全公司的员工，提供了「打印服务」，而不是给全公司员工，提供了「打印机」。

为了确保「打印服务」的有效性，IT 团队内，需要购买打印机的维保，需要监控打印机的耗材使用情况，以确保大部分人都能顺利的使用「打印服务」。

如果有一天，因为网络问题，员工无法提交文档到打印机，这个时候如果 IT 部门跟业务同事说：打印机是好的。这就是最显著的「职责偏差」——「打印服务」和「打印机」是完全不同的。

> 业务部门的视角：我打印不了了。（打印服务不可用）
> IT 行政部门的视角：打印机是好的。（我就是负责打印机维护的，网络问题不管我的事）

这个职责和偏差，实际上就是导致企业里海量的业务部门和技术部门之间无法建立足够的信任，无法有效沟通，甚至无法很好的管理绩效的原因之一。

站在甲���的立场（业务部门），我们希望乙方是以服务为载体的无限责任制的；站在乙方的立场（IT 部门），我们希望自己只背自己能负责的锅。

如何平衡这两方的认知差异，很多顶级的咨询公司给出的建议，也不过是通过不断的在业务和科技部门之间 negotiate，最终找到一个最优的折中。

这个折中所处的位置，很多时候才是企业里 CIO 或者 CTO 管理水平的体现。

[Yukino Song @ClassicOldSong]

忽然想明白了低代码为什么一直不温不火

低代码平台都想把服务卖给老板，但实际有需求的都是程序员

但程序员肯定不想让老板知道自己在低代码，老板也并不实际需要一个得自己动手的低代码平台：张一张嘴让程序员去实现功能不比哪个低代码平台都低代码（x

[歸藏(guizang.ai) @op7418]

elvis写了一篇非常详细的文章来介绍 RAG 生态的所有部分，还会添加清晰易懂的参考文献列表以及技术性编程教程帮助提高 RAG 系统的性能。

主要内容来自《大语言模型的检索增强生成：一项调查》这篇论文，我简要总结了一下文章每个部分的内容，感兴趣可以去看原文：

检索增强生成（Retrieval Augmented Generation, RAG）技术，旨在通过结合外部知识源，如数据库，来提升大语言模型（LLMs）的能力。它主要用于解决领域知识的缺失、事实性问题和生成错误。RAG特别适用于那些需要最新知识、又不需针对每个特定任务重复训练LLM的应用场景，比如对话代理和知识密集型任务。

RAG如何���作

RAG通过接收输入的提示信息，从资源如维基百科中检索相关文档，再将这些文档作为上下文来生成回答。这种方法使LLMs能够访问最新的信息，并生成更准确、更可控、更相关的内容。它能及时适应不断变化的信息，这对于LLM来说至关重要，因为它们的知识库本身是静态的。

RAG系统的发展

RAG系统已经从初级阶段（Naive RAG）发展到高级阶段（Advanced RAG）和模块化阶段（Modular RAG），以解决性能、成本和效率的限制。高级RAG通过优化不同阶段，如预检索、检索和检索后处理，来提高检索质量。模块化RAG则通过调整不同的功能模块来适应特定问题的背景，提供了更大的灵活性。

RAG系统的关键组成

检索：包括提升语义表示、对齐查询与文档，以及调整检索器输出以符合LLM的偏好。
生成：涉及将检索到的信息转化为连贯的文本，并在检索后对LLM进行微调。
增强：在生成任务中融合检索到的段落的上下文，包括不同阶段和增强数据源。
RAG与模型微调
RAG适合用于集成新知识，而模型微调则有助于提升模型的性能和效率。这两种方法可以互补，结合提示工程（Prompting Engineering），能够优化LLM在复杂和可扩展应用中的表现。

RAG的评估

RAG系统的评估基于检索到的上下文质量和生成的内容质量。评估指标包括规范化折扣累计增益（NDCG）、命中率、F1值和精确匹配（EM）等。评估重点是上下文的相关性、答案的准确性和相关性，以及抗噪声能力和信息整合能力。

RAG面临的挑战与未来展望

RAG目前面临的挑战包括适应更广泛的上下文窗口、提高对虚假信息的抵抗能力、理解规模化定律，以及开发可投入生产的系统。此外，人们也在关注多模态RAG和为评估制定更细致的标准。

RAG工具

构建RAG系统可以使用包括LangChain和LlamaIndex在内的工具，以及针对不同目的的专业工具。云服务提供商也在提供以RAG为中心的服务，以促进RAG应用的发展。

原文链接：https://t.co/yKCnso1zyt

[Harrison Chase @hwchase17]

Lance (@RLanceMartin) has done a TON to bring advanced retrieval topics to @langchain and make them easily approachable and understandable

This image he put together for our "RAG from Scratch" YouTube series is absolutely 🔥

(YouTube: https://t.co/kq285rHcZz)

[Rust Trending @RustTrending]

skyzh / mini-lsm: A tutorial of building an LSM-Tree storage engine in a week! ★1781 https://t.co/TAbYG7Akzr

[balconychy(贝壳里奇) @balconychy]

这个软件+字体还挺好看的，收藏了
Excalidraw+字语青梅硬笔字体

[Xiaowen @ixiaowenz]

和年轻朋友聊天的总结：

第二个话题，焦虑。

这个话题其实属于老生常谈，但如何缓解焦虑，这件事儿其实并不太容易。否则，也不会至少一半的朋友，都谈到了焦虑这个问题。

首先，我们来看焦虑究竟来自哪里。

很多朋友会觉得，焦虑来自收入不足，来自 peer pressure，来自和别人的比较。

其实并不是，焦虑来自「不确定性」。

- 哪怕你一个月收入 10W，但你随时担心失业，是否会失去这 10W 的现金流也不是自己可以把控的，那你仍然会焦虑。
- 如果你有每个月 1W 的被动收入，那么哪怕是随时可能失业，相信你也不会那么焦虑。

所以，焦虑来自对不确定的「谷底」的恐惧，如果你求职的可能收入范围是 0 - 10W，那么你一定仍然会焦虑；如果你同时有 1W 的固定房贷，那么你害怕的，其实是 -1W - 9W 这个区间里的那个 -1W，而完全会忘记自己也许也可能找到 10W 的岗位，除了房贷还有 9W 呢。

因此，人们焦虑的，是「最差」的那个可能性。

那么，内如何缓解焦虑。

既然知道焦虑的来源了，其实解决也并不困难。

1）首先，不要过于关注你能力范围内的上限可能性。

不要因为能力不如你的人获得了更高薪，更好的职位而觉得不平衡。人生里，运气做主才是常态，这种不平衡的心情，最多持续一小会，却并不是你焦虑的来源，根本不重要。

2）评估自己的下限。

如果你现在月薪 3W，但你的资历能让你再运气最差的时候（和岗位的技术匹配度一般，脱离自己的行业积累优势，纯粹靠陌生的技术面试去敲门），也能极高概率的拿到 2W 的岗位（小厂，创业公司哪怕是）。那么你的下限就在这里，你的生活态度，你可能的负债，都应该围绕这个去建立。

很多悲剧的源头，都是错误的估计自己「上限」和「下限」的关系，围绕「上限」去决策生活。

3）提高自己的下限。

技术人员，很容易有短板的，这些短板，每一个都可能让你在机会出现的时候功亏一篑。不要认为自己的长处总是能被人发现，不要妄想自己的长处可以有正好拉满匹配的高薪岗位：人生里，运气做主才是常态。

- 核心擅长的技术深度
- 不需要那么擅长的技术的广度（其他开发语言，前后端，数据库，中间件）
- 其他技术岗位的宽度（你是开发，你需要懂测试，懂运维，其他岗位对应的也一样）
- 技术管理的能力
- 专���业务知识
- 广义业务知识
- ���技能：沟通，逻辑，外语等等等等

你全方位的没有明显短板，你的下限就可以慢慢扎实的提高，你的焦虑感就会显著的变少。不要让自己变成一个虽然手持高薪，但随时担心失业归零的人。

4）其他的下限

不要在一条路上绑死。

副业，朋友，人脉，这些都可以提高你人生的容错率。就像前边的一个例子，如果你有 1W 每个月的被动收入，大部分普通人是不会焦虑的。

---

我是个家里没有矿，没有人会给我的人生兜底容错的人。所以我的职场生涯，一直都选择的风险最低的抉择。

站在一个长达十几年，或更长的职业周期来看，大部分人所处的位置，工作生活的状态，是和自己的整体能力高度趋近的。

因为自己的能力足够扎实，运气能影响到你的才足够的小。不确定性小了，焦虑才小。

一家之言，仅供参考。

[laike9m @laike9m_]

这句话太经典了，值得贴在墙上：

> Collaboration only makes sense when the cost is ≤ time cost by the author to address.

意译一下：

如果与人协作的成本甚至大于作者自己去解决，那协作就毫无意义。

[宝玉 @dotey]

这两天看到的收获很大的一篇论文《AlphaCodium：引领代码生成新境界，从提示工程到流程工程》，它提出了一种新的生成代码的方法，比传统的直接基于Prompt生成代码的方式准确率更高。

它用的测试集是CodeContests ，这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话，准确率从19%提升到了44%。

它的原理有些复杂，但是如果你有过LeetCode刷题经验，相对比较好理解一些。

普通人刷 LeetCode，上来就做，这样有可能得到答案，也有可能做不出来，这就类似于你把题目直接丢给GPT-4，让它直接给出答案，准确率相对要低一些。

高手刷LeetCode，会有个做题的流程，同样的水平，做出来的概率会大一些。
高手做题时会大概分成几个步骤：
1. 先把题目中的要点一条条列出来，确保不会遗��任何重要信息
2. 通常LeetCode会提供 1 个或多个测试用例，仔细看测试用例，分析为什么给定的输入能得到给定的输出
3. 在写代码前，列出几种可能的解决方案，例如暴力算法、递归、动态规划，每一种方案写下思路和伪代码
4. 对于列出来的几种方案进行评估，选出最佳方案
5. 可能还会补充一些测试用例帮助事后验证
---
以下部分是迭代过程：
6. 根据选中的解决方案写代码，如果代码不能运行则修改代码直至能运行
7. 将代码提交到LeetCode的测试集去验证，如果无法通过所有测试，则修改错误，如果通过到第8步
8. 用第 5 步生成的测试用例验证代码，如果运行不通过则继续优化代码

这里留个思考题：如果第8步出错，怎么判断是代码有问题还是自己生成的测试用例有问题？

而 AlphaCodium 就是完美遵循了以上的步骤来解题，只不过每一步都是由大语言模型���助完成！

这给了我一些启示：
1. 不必寄希望于将复杂的任务在一个 Prompt 中完成，拆分成若干子任务成功概率会高一些
2. AI 可以借鉴人类的优秀实践，例如高手是如何解决编程难题的，让 AI 按照高手的步骤去一步步做
3. AI 的潜力还有很大挖掘空间

完整的文章参考：https://t.co/VsUn04h3Ly
中文译文：https://t.co/k3Ba7t01U1

[Xiaowen @ixiaowenz]

和年轻朋友聊天的总结：

第一个话题，技术岗位除了技术最应该关注公司里的啥……

我个人的观点是，关注公司的业务，关注公司赚钱的业务，关注公司怎么赚钱的。

越大的公司，越会稀释技术部门的工作和业务之间的关联性，甚至让工程师觉得我在一个 cost center 技术部门主要需要做的是精进自己的技术。

这种��法很容易让人在理解和思考技术决策的时候，理解和思考部门意义的时候，偏离公司核心价值的方向，而对很多事产生误判，也让自己的关键决策和发展出现不必要的损失。

关注业务至少我觉得有如下的好处：

1. 理解自己的技术是在什么业务场景里工作的

同一个技术栈，在不同的行业，不同的场景里，可能有完全不同的工程形态，技术生态。理解业务，才能让自己横向的去比较技术在行业里的不同，更立体的建立自己对技术的理解，未来真的需要你做技术选型，架构决策的时候，你的出发点才能是：「选择最合适的技术」，而不是「选择我最熟的技术」。

2. 每个人都应该积累的业务感知

不同行业的企业有完全不同的挣钱方式，在最终汇聚到「公司财务」的领域，都会变成基础的营收，成本，边际，公司账。大部分时候，业务影响「营收」，科技属于「成本」，尽可能的建立自己的全���视角，进行思维训练，未来无论是更换了企业，行业，或者自己创业，这些基本的框架都是有价值的经验。

3. 你的位置和业务的关系

一定要尽量知道，自己的岗位，自己的团队，部门，在公司的整个业务价值链条里，处在什么位置。这样当你面对选择的时候，才能选择更正确的——对公司挣钱更有利的。

---

我见过很多朋友，在技术部门工作，经常在脱离业务上下文场景里争论技术问题，甚至认为自己的部门，领导，不懂技术，🦐🐔8️⃣搞，而事实上，很多时候技术就是需要为了业务妥协的……