ymshao

API 调用工程师 🧱 / 小怪兽乐园驯兽师 💩 / 重度拖延症患者 🐌 / Camping 初心者 🏕️

[ymshao @paleblues]

@lcayu 这个时期它们会用微笑奖励周围的人，然后几年后只会记得照片里孩子微笑的的样子，忘记付出的那些苦难。然后感慨时间一去不复返，身边长大的孩子比小时候更皮了，再也回不去了

[Xudong Han @Xudong07452910]

最近看到 Anthropic 研究员 Vivek @itsreallyvivek 的一篇长帖，讲怎么真正训练自己的研究能力。

我最有感触的一点是：很多时候，我们以为自己在做研究，其实只是在追热点、刷 Arxiv、看别人讨论什么，然后把那些问题接过来继续做。

这当然也能产出东西，但很容易变成一种科研角色扮演：看起来很忙，输入很多，笔记很多，实验很多，可心里其实并不确定自己到底在追问什么。

Vivek 这篇帖提醒我，研究能力不是某种玄学天赋，而是一套很朴素的习惯：自己选问题，实验前先预测结果；要多读读原paper；把假设、结果和想法变化都写下来，盯着失败案例，而不是只盯着损失曲线。

越往后越觉得，做研究真的很像训练自己。

你给大脑喂什么输入，它就会长出什么 taste；你愿不愿意面对错误，决定了你进步的速度；��写不写下来，决定了你是在诚实迭代，还是说在靠记忆去美化自己。

��质化输入，只会带来同质化输出。

真正拉开差距的可能是谁能在很长时间里，慢慢训练出属于自己的问题感、判断力和纠错系统。

这篇帖很适合迷茫的时候读一遍。

[Rainman @0xdeusyu]

我的职业生涯大致经历了五个阶段。

第一阶段，我带着很强的理想主义，去寻找这个世界在软件工程和系统能力上的上限。我想知道最强、最广阔的系统是什么样的，它们服务了多少客户，承载了多大的体量，所以我选择去外企，亲眼看看世界级工程体系的边界在哪里。

第二阶段，我延续着技术理想主义，去探索中国互联网高速发展时期的大厂技术体系。我想理解大规模互联网公司的工程规范、B 端技术体系，以及中国大厂在高速增长中形成的技术秩序。那个阶段的工作内容仍然相对理想化，很多���情都是按照接近 Google 式的规范去设计和实现。

第三阶段，我跟随当时最强的云技术浪潮，系统性学习自己所理解的技术设计、架构构想和工程抽象。这是我学习和职业生涯中增长最快的阶段，也是我逐渐形成自己技术判断和架构审美的时期。

第四阶段，我开始按照自己的目标，将过往积累的技术理念与现实业务结合起来。那时我仍然带着理想主义去做架构，但已经不再停留在纯粹设想中，而是在公司的现实限制下主导了一个超大型项目，并把此前所学转化成可落地的工程成果。

第五阶段，我逐渐意识到，技术能力再高，也不意味着一定能够向更低维、更复杂的现实环境中顺利落地。一个设计即使足够优秀，即使已经做了充分 trade-off，考虑了技术、业务、成本、扩展性和维护性，也仍然可能因为非技术因素而无法推进。结合前四个阶段的经验，我越来越清楚地看到：技术取舍并不是唯一关键，团队共识、组织政治、认知水平和协作结构，往往比技术本身更决定一个方案能否真正落地。

所以，我现在对技术的理解不再只是“设计一个正确的架构”，而是“在真实组织中，让一个相对正确的架构被理解、被接受、被推进，并最终形成结果”。

[Kimberly @king1818888]

一个可能不太受欢迎的真相：

为人父母，有一半的修���其实是在学会如何克制和调节你自己的情绪，而不是去管教你的孩子

[ymshao @paleblues]

观点来源
https://t.co/yRsEXS2DiT

这样看 ai 只能加快标准件的产能，不能决定产品的质量上限。码农也不要太悲观

[ymshao @paleblues]

2026 科技进步了，为什么游戏画质还不如10年前？
AI 加强帧技术让游戏公司可以偷懒，省略了人工调教光影渲染的过程。ai 只能做 general purpose 优化，没有灵魂。可能违背游戏情节逻辑，负优化。其实呢，正是人工优化才让游戏画质有了温度。应为这些手动优化就是艺术创作的一部分。

[Eric Xu (e/Mettā) @xleaps]

Always loved @3blue1brown's visualizations but never really conquered Manim (the animation library).

With Claude as a coding agent, I can finally direct animations at a high level — no more fighting the library.

So I built this: explaining to 12-year-old me why fractals have non-integer dimensions.

D = log N / log r. Simple formula. Surprisingly deep rabbit hole.

---
终于获得了课件自由：用 AI 可以随时讲解一些知识，比如这是给当年的我讲解为什么分形维度不是整数的一个视频。

[Ryo Lu @ryolu_]

when software had a soul

there was a moment around 2005 when using a Mac felt like touching something alive.

the dock bounced. the genie effect swooped. exposé scattered your windows like cards on a table. none of it was strictly necessary. all of it felt like someone cared – not about metrics, but about the feeling of using a machine.

software back then had texture. it had a philosophy. you could feel the person behind it. someone made a decision to make that icon beautiful, to animate that transition just so, to write that error message with a little warmth. apps had personalities. some were weird. some were over-designed in ways that would make a modern PM flinch. but they were alive.

the web was the same. personal sites were genuinely personal. blogs felt like letters. forums had regulars. you knew who made what. the internet had neighborhoods, and each one felt different.

nothing was optimized for scale. things were made by people who loved what they were making.

somewhere along the way, we traded all of that for growth.

A/B tests flattened the edges. design systems standardized the personality out. everything got faster, smoother, more consistent – and somehow less interesting. the quirks were removed because they didn't test well. the warmth got cut because it wasn't measurable. we optimized our way into a world of things that work perfectly and feel like nothing.
now every app looks the same. every interface follows the same patterns. every product speaks in the same calm, frictionless voice, siloed in their own little islands. the humanity got rounded off.

and then came AI agents. and the speed got inhuman.

now you can generate an entire product in an afternoon. ship a feature before lunch. spin up ten variations before anyone's had their coffee. the gap from idea to code is basically zero.

which sounds incredible. and it is. but there's a catch.

when making things are too easy, the slop comes for free too. mediocre things don't look obviously bad – they look fine. they work. they ship. they pass review. and now there are infinite of them. the internet is filling up with software that functions but means nothing. interfaces that are correct but feel dead. products made by agents, reviewed by no one, shipped into the void.

this is the thing that keeps me up at night. not that AI will replace people who care. but that it will drown them out.

here's what I still believe: the best things are made by people who couldn't help themselves. someone who lost sleep over an icon. who rewrote the same line of copy twelve times. who added an animation nobody asked for because it made the thing feel right. that obsession – that's not inefficiency. that's the whole point.

AI doesn't make that irrelevant. it actually makes it rarer and more valuable. taste is not a markdown skill. caring is not a parameter. the weird, specific, "soul" thing you put into something – that can't be programmed into existence.

the path forward isn't to make more slop faster. it's to finally give people with real vision the tools to make the thing they always imagined but couldn't build alone. the designer who had the idea but couldn't code. the kid who saw something nobody else saw. the person who cared too much about something most people wouldn't notice.

if we get this right, we don't get a faster factory. we get a renaissance. more strange, personal, opinionated software made by teams of people who care and mean it.

that's still possible. but only if the people who care get the space and tools to actually express themselves – and don't just hand the wheel to the agent and walk away.

[RJ @RJDAIGOGO]

湖南卫视记者回忆二十年前采访张雪前前后后。确实是底层，从泥巴地里摸爬滚打起来的，就物理意义上的泥巴地，物理意义上的摸爬滚打。

[axiaisacat @axiaisacat]

前端有个脏秘密。

每次你用 getBoundingClientRect 或 offsetHeight 测量文字，都会触发一次 layout reflow。

这是浏览器最贵的操作之一。

我们这样写了 20 年。

有个新库把这件事彻底改了。

Pretext——测文字高度，不碰一次 DOM。

原理：用浏览器自带的字体引擎（canvas measureText）做字形测量，脏活一次性干完，后续每次排版都是纯数学，零 DOM 访���，零 reflow。

const prepared = prepare('你好世界 Hello 🚀', '16px Inter')
const { height } = layout(prepared, 320, 20)
// 纯算术，DOM 完全没动

性能基准：

prepare() — 500 条文本约 19ms（只做一次）
layout() — 之后每次仅 0.09ms
支持中文、阿拉伯文、emoji、混合双向文本。

解锁了一堆之前��猜的事： → 虚拟列表精准行高，不再估算 → 新内容加载时防止页面跳动 → Canvas / SVG / 服务端渲染文字

GitHub：chenglou/pretext

这是 Web 排版一直缺失的基础能力。

[ymshao @paleblues]

@vikingmute 记得SQLite就是这个策略，开源代码，但不公开测试用例

[S.T.E.M Explorer @stemexplor]

Zero actuators. Zero sensors. 70% obstacle clearance.

[西里森森 @sirisensen]

很多人创业的第一件事，都是去研究竞争对手。
他们会花大量时间拆解对手的产品，分析对手的定价，猜测对手的下一步动作。

这件事听起来很合理，但 37signals 的创始人 Jason Fried 却始终秉持着一个观点：

「你真正的竞争对手，其实是你的成本。」

我们总以为竞争是向外的，是和别人比。
但真正让一家公司撑不下去的，往往不是对手太强，而是自己的开���太重。

Jason 是从一件很小的事情里领悟到这一点的。

他在十五六岁的时候，喜欢收集磁带和 CD，但总是借出去就再也拿不回来。
于是他用一个叫 FileMaker Pro 的工具，给自己做了一个数据库，就是为了记录哪张专辑借给谁了。

这东西做出来之后，他觉得界面挺好看的，就打包成软件，附上一张小纸条：如果你觉得有用，寄给我 20 美元。然后上传到了 AOL，那时候互联网还没普及。

没过多久，他收到了一封来自德国的航空信，里面塞着一张崭新的 20 美元美钞。

他说，打开那个信封的瞬间，有什么东西在他脑子里咔嗒一声，想明白了。

那个想明白的东西，不是"我可以靠软件赚钱"，而是——我不是孤例。
我遇到的问题，别人也遇到。我做的这个东西，不用专门去找用户，用户会自己找来。

这个认知背后有个很深的前提：你不需要改变全世界，你只需要找到跟你一样的那些人。
你有的困扰，一定有人跟你一样，你想要的东西，一定有人跟你一起想要。

差别只在于，你愿不愿意先把它做出来，然后等那些人来找你。

但这个逻辑成立，有一个很关键的条件，那就是你的成本得足够低。

Jason 当年一个人卖那款叫 Audio File 的软件，17 岁左右一年大概能挣两万美元。
这个数字放在今天听起来不算什么，但放在那个年纪，对一个几乎没有任何开支的人来说，已经是一门相当不错的小生意。
他只需要找到几千个愿意付 20 美元的人，就能维持下去。

但他当时如果雄心勃勃，觉得既然有需求那就要做大，于是雇了几个人，租了个办公室，搞了些运营开支，那一切就变了。
他需要找到的客户数量会翻好几倍，而他的产品根本还没有到那个规模。

大多数早期创业者死在这里，不是因为产品不行，而是因为开销把他们压垮了，还没来得及找到足够多的用户。

所以Jason 所说的"你真正的竞争对手是你的成本"，不只是要省钱，而是一种对商业本质的理解：

「一家生意，无非是收入要大于支出。只要这个等式成立，你就能继续做下去。」

那些你在担心的竞争对手，他们会出���么新功能，会把价格定在哪里，会不会突然杀入你的市场，这些你都控制不了。
但你每个月要花多少钱，你的团队有多大，你的产品需要多少维护成本，这些你是可以控制的。

他后来建立 37signals，把这个信念贯穿进了整个公司的运作方式里。
公司现在大概 60 多个人，他们曾经做到 80 人，然后主动缩减回来了。不是因为经营困难，而是因为他们发现，更少的人反而能把事情做得更好。

这让我想到微软早期的一个细节。
微软是第一家年销售额突破十亿美元的纯软件公司，但它最初的 30 名员工，是比尔·盖茨、他的秘书，加上 28 名程序员。
没有任何多余的人。

卡内基、洛克菲勒、山姆·沃尔顿，这些人在各自的时代把公司做到了极致，但他们身上有一个共同的特质：在公司最脆弱、最需要活下去的阶���，他们对成本的控制近乎偏执。

这不是吝啬，这是生存本能。
他们知道，能活着，本身就是一种竞争优势。你的对手倒下了，你还在，时间就会站在你这边。

Jason 还有一个做法，我觉得很有意思。
他们的项目管理工具 Basecamp，不管你的团队有多少人，每月最多只收 299 美元，封顶就是这里。

你可能会觉得奇怪，明明有企业客户愿意付更多，为什么不收？
他的理由是，一旦你有了一批付很多钱的大客户，你就开始被他们牵着走了。
他们要什么功能，你不得不做；他们不满意，你就慌乱。你不敢让他们离开，因为失去一个就是一大块收入。

而当你的客户都差不多大，每一个人的分量就接近，少了任何一个，都不是致命的损失。
你可以为整个客户群做决策，而不是为了讨好少数几个大客户而不断扭曲自己的产品。

即使你不是创业，你只是做内容、做副业，底层逻辑其实也是一样的。
很多人一开始就想着要找投资、要快速扩张，花了很多钱在还没验证的事情上。结果不是被市场证伪，而是被自己的开销逼得走投无路。

其实如果一开始把成本压到最低，慢慢找到那些和你一样的人，哪怕规模很小，只要收支平衡，你就能继续做下去，继续打磨，继续等待。
而能继续，本身就是大多数人做不到的事。

我很喜欢Jason 说的一句话，就是一家公司最核心的任务，就是继续存在下去。
你喜欢做这件事，你想一直做，但如果每个月花的比挣的多，你就做不下去了。

很多人把商业想象成打仗，要击败对手，要攻占市场，要快速扩张。

但 Jason 的思路更像是打持久战，不是要赢得漂亮，而是要活得够长。
而只要活得够长，很多事情就会自然发生。

[Eric Xu (e/Mettā) @xleaps]

https://t.co/dj0cb6WHs5

[Kevin Ma @kevinma_dev_zh]

Ryo 的这篇分享写的特别好。

软件开发的本质还是思考。AI 编程的危险在于让人觉得它强到思考不那么重要了。

人只提需求，快速生成一堆看不懂的代码，连架构都没搞明白。没有清晰架构，AI 就用见过最多的模式填空，得到的是通用方案解特定问题，需要边界的地方出现耦合。

我也踩过坑。用 AI 久了，思考变懒了，深度思考少了。很多时候只丢需求，让 AI 去想。结果是看 AI 的设计方案越来越累，遇到问题越来越难解决。

之前有次和 AI 聊优化方案，聊了两天都不清晰，彻底卡住，特别难受。后来出去外面溜达了一个多小时，慢慢想明白了。

这让我意识到技能在转变：人不需要再写每一行代码，而是要把握系统。定义边界、明确不变量、引导拆解、保持一致性，这个非常重要，不能交给 AI 来做。

Cursor 刚火那年，我和它结对编程两个月交付了一个过去要几个人才能完成的智能硬件 App 项目，我对整个 codebase 了如指��，出问题能猜到可能在哪。那时候我负责思考架构，AI 负责实现，我也很少手写代码。现在不行了，很多时候靠反馈复现路径让 AI 去解Bug，结果很多问题要解很久。

这让我反思 Agent 编程是不是真的更好，还是 IDE 里的结对编程更靠谱。

Ryo 说得对，未来是深入思考系统的人构建得超快,不思考的人大规模生产垃圾。AI 救不了不清晰的思考，开始跑的快，但之后会越来越慢。

人负责思考，AI 只负责干活，这样迭代效率才是真快。

[Han Qin (姓秦，名汉，字大知) @hqinjarsy]

有engineer朋友问一项技术做到几个9才能大众化？

先说我觉得基本大概3到4个9可以了，也就是99.9%到99.99%。超过5个9通常不是为了大众，而是为了极端场景和法律责任。

先给没那么Geeky的朋友们说几个9是什么意思。2个9就是不出错运行时间为99%，也就是每年宕机3.6天，用户感觉是经常坏。

3个9那是每年8.8小时，偶尔出问题但能忍。4个9是每年53分钟，���本感觉不到。5个9是每年5分钟，工程洁癖级别。6个9是每年30秒，核设施和航天级。

关键点是，大众要的不是数学意义上的安全，而是心理上不再担心。3到4个9刚好跨过"不用操心它"的阈值。

每再多一个9，成本是指数级上升的。从3到4个9，多买服务器多做监控。从4到5个9，需要冗余系统，容灾，演练。从5到6个9，需要人工兜底，法律责任体系，全链路形式化验证。���众用户不会为这部分多付钱，性价比拐点就在4个9左右。

但这个门槛也要看场景。软件服务挂了用户骂两句，3个9够了。自动驾驶不一样，出一次事可能死人，公众心理门槛会高得多。即使统计上自动驾驶已经比人类司机安全，只要出一次致命事故就是全网新闻。所以自动驾驶要大众化，技术上可能需要4到5个9，但更关键的是责任归属要清晰，出事了谁赔，谁担刑责，这个不解决，再多9也没用。

AI机器人也是类似的问题。一个家用机器人如果只是偶尔听错指令，用户能接受。但如果它可能伤到小孩或老人，哪怕概率极低，心理门槛也会急剧上升。这时候大众化的关键不是把9从4个堆到6个，而是让用户相信出了事有人负责。

历史也验证了这一点。汽车刚出现的时候没安全带没刹车标准，车祸死亡率极高，但依然迅速普及。智能手机早期经常死机电池爆炸，依然能大众化。原因只有一个，带来的增量价值远大于残余风险。

所以技术大众化的门槛不是做到多少个9，而是做到出问题的概率低到用户不再思考，出问题的责任不再由用户承担。

自动驾驶和AI机器人之所以难，不是因为9不够多，而是责任归属还没理顺。

[エンジニアの猫 @neco_engineer]

■2019
父親が欲しかったもの（押し入れで一人になれる空間）→ 1枚目、2枚目

■2024
開発の過程 → 3枚目

■2026
実際に出来上がったもの → 4枚目

[KK.aWSB @KKaWSB]

美国一名学生刚刚发现了数百万个新的太空物体。

最近，一项来自意想不到的人的发现震惊了天文学界：一位还在读高中的少年。来自帕萨迪纳的学生马特奥·帕兹利用美国宇航局已退役的NEOWISE任务的存档数据，将150万个原本不可见的宇宙天体带入了人们的视野。

在加州理工学院行星探测学院学习期间，帕兹在天体物理学家戴维·柯克帕特里克的指导下，采用了一种全新的数据分析方法。他构建了一个独特的机器学习模型，能够筛选高达2000亿条红外记录。短短六周内，他的人工智能就检测到了人类分析师遗漏的细微模式，识别出了从遥远类星体到超新星爆发等各种天体。

帕兹的研究成果非常可靠，不仅让他得以在著名的《天文学杂志》上发表文章，还为他赢得了加州理工学院的研究助理职位。他的工作不仅丰富了星图，还为詹姆斯·韦伯太空望远镜提供了进一步观测所需的具体坐标。这一突破凸显了一个日益增长的趋势：全新的视角和人工智能工具使年轻的研究人员能够在课堂之��做出具有历史意义的科学贡献。

[ymshao @paleblues]

@amehochan 我女儿也是，还要给自己的便便挥手拜拜，再冲水

[Eric Xu (e/Mettā) @xleaps]

大多数都是同意的

但有一点不同意：自动化编程的瓶颈不是人 也不是机器 更不是 token 成本

程序员可以看成是软件系统的梯度操作符—把目标转���成 diff. 以前这个过程是不可自动微分的，从而需要花钱雇程序员来做

现在 agentic coding 系统等价于终于能够自动生成 diff = d(system)/dt

光有微分操作符是不够的 软件系统的演化方向在 MVP 后 特别是 PMF 相变区是一个复杂系统从噪音中提取信号问题，有时候也需要直觉和经验，包括用户反馈。这才是瓶颈。