pjcscoder

[OS Dev @OSdev_]

If you want to understand Snapdragon X Elite CPU architecture, read chips and cheese substack articles, they're really good.

You will understand ROBs, Cache hierarchy, OOO, n-way decoding, branch predictions etc

[墓碑科技 @mubeitech]

他写过 LiveJournal，发明了极其著名的 Memcached，在 Google 干了整整十年。

然后，他辞职了。

就为了干一件事：把你的照片、笔记、文件和整个数字生命，从大厂的服务器里抢出来，放回你自己的机器里。

这个人叫 Brad Fitzpatrick。

他做的这个开源项目，叫 Perkeep。

想一想，我们现在的数字生活是怎么运作的？

一切交给“云”。

照片传 iCloud，文档用 Google Drive，碎碎念发在各大平台上。

这看起来很方便，对吧？

但代价是：你交出了自己数字生命的拥有权。

大厂可以随时封禁你的账号，可以因为“判定违规”抹掉你十年的回忆，甚至在他们停服倒闭时，你的数据就直接灰飞烟灭了。

这不叫“保管”。

这叫把人质押在别人手里。

Brad 作为一个骨灰级工程师，觉得这事儿不对劲。

他认为：你的数据应该能在 80 年后依然活着，尤其是当你也活到那个时候。

于是，他动手写了 Perkeep。

它不只是个简单的个人网盘，这是一套开源的数据建模和存储协议。

它的核心信念是：

数据完全由个人控制；

对隐私极度偏执，默认全部私有；

没有单点故障（No SPOF），不依赖任何单一的服务商，甚至不依赖你自己的某一台单一设备。

不论是 5TB 的大视频，还是一条小小的推文，在 Perkeep 里都会被重新建模、建立索引，通过手机、浏览器随时读取。

只要你部署了它，没有你的许可，任何大厂都无法删除你的东西。

不过，先别急着去卸载你的 iCloud。

这东西现在还远远不是一个大众级的成熟产品。

它目前依然处于活跃开发阶段，最新版本是 2025 年底发布的 0.12 版。

项目主页上写得很坦白：如果你不是程序员或者对技术不感冒，你可能根本跑不起来它，而且随时会遇到未完成的 bug。

它更像是一次对平台时代的工程反击。

当大厂用便利性做诱饵，把所有人圈养进高墙花园时，总要有一些硬核极客，在后方默默为你修筑一条逃生的暗道。

八十年后，现在的商业巨头可能早已化为烟尘。

但只要有一台能运行开源协议的机器，你的数字遗产就依然完整、依然安全地属于你。

[avrl ☘ @avrldotdev]

A physicist in 1988 got tired of reading bad compiler textbooks.

So Jack W. Crenshaw wrote one himself & put it out for everyone for free about 40 years ago.

It starts with adding just two numbers & by part 15 you have a basic compiler up & running.

[Vivek Galatage @vivekgalatage]

These details are incomplete without this incredible guide; you might want to save and share with the rest!

https://t.co/9sHR7ZpJcj

[徐伦 @Jolyne_AI]

想学网络编程和数据结构？很多教程不是停在概念上，就是直接扔一坨源码：看完好像懂了，动手还是从零开始。

我后来找到一份特别适合“边做边学”的开源教程：Build Your Own Redis。它不教你背知识点，而是带你从零写出一个真正能跑、能用的 Redis 服务器，把“看懂”变成“做出来”。

教程分两段，节奏清晰：
- 第一部分从 socket 入门，一步步搭出 TCP 服务器、事件循环、键值存储等核心骨架
- 第二部分深入实现细节：哈希表、AVL 树、线程池等硬核组件，真正把底层打透

在线阅读：https://t.co/tpdh7jAB9a

每章都有配套代码和讲解，拆解细、推进稳，跟着敲一遍，很多关键点会从“似懂非懂”变成“顺手能写”。

它有免费网页版，也提供 PDF 和纸质书。先收藏，抽时间完整做一遍，很值。

[trish @TrisH0x2A]

two professors at Wisconsin spent 25 years teaching operating systems together

then they wrote a 714 page textbook about "Operating Systems: Three Easy Pieces"

it covers virtualizing the CPU virtualizing memory concurrency persistence security and file systems

small enough to read in parts and also it is written like a conversation not a typical textbook

this is what you read if you want to really understand how operating systems work not just the theory

[Abhinav Upadhyay @abhi9u]

I dreamt of writing a book for as long as I can remember, wrote many outlines, but none materialised.

Then I started writing this article on virtual memory, which kept getting longer and longer and turned into an unplanned book.

Based on all the positive feedback, I recently published it on Amazon as well. Somehow, it is showing up as the #1 bestseller in its category on Amazon India :D.

Maybe it says something about how niche these categories are, but it still feels surreal.

[宝玉 @dotey]

开源项目推荐：Claude Code From Scratch

这是一本学习 Claude Code 的开源电子书，严格来说不仅仅是电子书，还有代码，不需要你去看 Claude Code 的 50 万行代码。

用 ~4300 行代码（TypeScript 和 Python 两个版本分别实现）复现了 Claude Code 的核心架构——Agent Loop、13 个工具（含并行执行 + 流式早期启动）、4 层上下文压缩、语义记忆召回、技能系统、多 Agent、MCP 集成……每一步都对照真实源码讲解它怎么做的 → 我们怎么简化的。

有 13 章内容，每一章都是一份分步教程，跟着动手写几千行代码，快速理解 Claude Code 这样最好用的 coding agent 的精髓。

读完你就能大致理解了 coding agent 的工作原理，我跟着快速浏览了下都有了些新的收获，推荐有兴趣的可以看看。

有中英文版：
https://t.co/x2F11US2g0

[Vivek Galatage @vivekgalatage]

Latency implications of virtual memory by Erik Rigtorp

https://t.co/rEZmvdAzDe

[恒星 @vintcessun]

翻到一份 AI 入门课程，12 周 24 课，从符号主义讲到神经网络、CNN、RNN、GAN，甚至还有遗传算法和多智能体系统。之前一直觉得 AI 太庞杂不知道该从哪块切入，结果这份课程把整个知识树按照“理解-动手-伦理”串起来了，每个 lesson 都配了 PyTorch 和 TensorFlow 双版本 notebook，还有 lab 和 quiz。最惊喜的是连“经典 AI”那部分也没跳过，知识表示和专家系统直接给了可运行的笔记本。对于想系统补全 AI 认知但怕碎片化的人来说，等于拿到了一个经过精心编排的完整地图。

[Vivek Galatage @vivekgalatage]

Those looking for amazing papers compiled from 1996, organized by conference!

https://t.co/vfCkDw9U1t

[徐伦 @Jolyne_AI]

学 AI 最怕停在“懂原理”，一到写代码就卡壳：不知道从哪下手，也找不到像样的练手项目。

我在 GitHub 挖到一个实战向宝藏库：AI-Project-Gallery。

它收录了 30+ 高质量 AI 项目，覆盖从房价预测、疾病分类等经典题，到 Gemini 聊天机器人、文档生成器等热门应用，案例够全、方向够新。

GitHub：https://t.co/NEHXtfGlCR

更关键的是，里面专门标了大量 End-to-End 端到端项目：数据处理、模型训练、评估到部署，一条链路走完，不是东一段西一段的代码拼图。

除了 Python 源码，还包含 Power BI 数据分析和 Web 爬虫案例，既练模型，也补齐数据能力。

想找毕设选题、做项目集、给 GitHub 增加硬核作品的，这个库拿来直接开练，很合适。

[Vivek Galatage @vivekgalatage]

This paper deserves more attention - A Wake-Up Call for Kernel-Bypass on Modern Hardware

Oracle Exadata already proves this in production - cutting data access latency by 17x in a real database system.

The paper makes the case for why this needs to become the norm, not the exception.

Link to paper:
https://t.co/NTlgSFXJW8

Oracle Exadata
https://t.co/ZZ4R4aQUZV

[徐伦 @Jolyne_AI]

GitHub 开源 CUDA 系统教程：LeetCUDA（从入门到进阶，一站打通）

200+ 个循序渐进的 CUDA Kernel 实战题，配套 HGEMM 库性能可达 cuBLAS 的 98%～100%。另有 100+ 篇高性能计算技术博客，专讲关键技巧与优化方法，帮你从“能写”进阶到“写得又快又稳”。

GitHub： https://t.co/7NPsVWuRf1

面向初学者精心设计，结合 PyTorch 梳理清晰路线：写对 → 写快 → 逼近库级性能。

适合系统掌握 CUDA 的开发者，也适合作为大模型推理优化的 AI 工程师参考与进阶路径。

[Dan Kornas @DanKornas]

Stop learning LLM internals from random one-off tutorials.

LLM Internals is a step-by-step GitHub learning repo for understanding how large language models work under the hood.

It helps you build a cleaner mental model by organizing blogs and videos from tokenization to attention math, Transformer components, training concepts, and inference optimization.

Key features:

• Fundamentals first – starts with LLMs, RAG, MCP, agents, fine-tuning, quantization, tokenization, and BPE
• Attention math – walks through Q/K/V, √dₖ scaling, causal masking, RoPE, and grouped-query attention
• Transformer components – covers the architecture, feed-forward networks, normalization, MoE, and LoRA
• Training concepts – includes backpropagation, cross-entropy loss, RLHF, and reasoning models
• Inference optimization – covers KV cache, paged attention, Flash Attention, speculative decoding, continuous batching, and prompt caching

It’s open-source (Apache License 2.0).

Link in the reply 👇

[徐伦 @Jolyne_AI]

想系统学强化学习，最劝退的往往是两种资料：一种只讲概念，学完照样不会做；另一种公式堆满页，两章就读不下去。

开源教材 Mathematical Foundations of Reinforcement Learning 正好卡在中间：讲得清楚，推导严谨但不“吓人”，还配套大量视频，把经典算法从定义到实现一步步讲透。

它用数学视角把 RL 的核心框架梳理得很顺，用大量例子把抽象概念落地，让那些“看起来很玄”的更新公式变得能理解、能复现、能写出来。

GitHub：https://t.co/r8sW9wz2Ku

你会收获什么：

- 核心概念一次打通：状态、动作、策略、价值函数等完整串联成体系
- 经典算法拆到细节：MC / TD / Q-learning 从原理到推导循序展开
- 50+ 集中英文视频配套：边看边做，理解与实现同步推进
- 大量网格世界示例：用直观实验对齐公式、更新规则和结果
- 推导规范但不绕：少跳步、不糊弄，难度控制得刚刚好
- 多语言代码实现：Python、R、C++ 等可直接对照复现

适合想把强化学习理论真正学扎实、并能落到实现的人；建议先具备基础概率论和线性代数再开始。

[Vivek Galatage @vivekgalatage]

The Path of a Packet Through the Linux Kernel

https://t.co/SZKFetlj8M

[Line @0xLinehigher]

非常建议每一个选择计算机系的大学生，在大学时期将cs336啃完，不开中文字幕，只开英文字幕。啃完之后，你对LLM的理解和英语能力至少在国内前百分之1%。

这门课超过国内任何一所大学里面计算机的课程。

《Stanford CS336: Language Modeling from Scratch》 是一门斯坦福大学计算机科学系的课程，这门课每一年春季都会有，每一年都会在油管免费开放。

里面的内容非常前沿而且实用，目前油管上的版本是25年的版本，第一节课提到的模型已经是GPT-4。而与此同时，国内的计算机课程还在用着至少5年前的PPT。

依稀记得，我的第一节C语言课程，PPT的里面的演示系统是XP...

啃完CS336，你会收获LLM的全栈技术栈，从数据收集，清洗，模型训练，优化，评估到部署，Transforemer架构，注意力机制，各种目前最新的机器学习训练方法

这门课的目标就是从头让你手搓一个LLM，亲手实现完整的pipeline。

两位主要讲师：
1、Percy Liang
MIT 本科 + MEng，UC Berkeley 博士（2011）。曾在 Google 做 post-doc，后加入 Stanford 任教。

2、Tatsu
Harvard 本科（统计与数学），MIT 博士（co-advised by Tommi Jaakkola 和 David Gifford），之后在 Stanford 做 Percy Liang 和 John Duchi 的 post-doc

耐心啃完这个，所有计算机课程几乎都不需要上了...因为在过程中必然会遇到很多不懂的点，边学边查，然后顺带就把学校关于机器学习和深度学习的专业课给学完了。

如果刚上大一，可以先看cs50，然后再到cs336，先稍微打点计算机的基础。

与此同时，一定要把线性代数学好，将高数丢了都要把线性代数学好，线性代数是机器学习的底层DNA。

如果线性代数没有学好，会比较难理解神经网络，相当于没学好加减乘除就想去求导。

[mousepotato @iluciddreaming]

GitHub 上最顶级的 ML/LLM 教育者之一：Sebastian Raschka（@rasbt）

38k+ 关注者，149 个仓库，大多是超级详细的 from scratch 教程和书籍代码。

代表作《LLMs from Scratch》狂揽 97k+ 星，堪称「LLM 学习圣经」！

他用 Jupyter Notebook 当画布，从线性回归到 ChatGPT 的所有知识点都手写成了可执行笔记。

其他爆款：Python Machine Learning 三版、Reasoning from Scratch、mlxtend 等。

他的 GitHub 就是一个「AI 教科书工厂」，产量和质量都让人窒息。

[Shinobu @Shinobu_uwu]

@TrisH0x2A me, and the majority of the OSDev community, recommend to not write your own bootloader and actually something like limine and its template https://t.co/lEgL5wrrDA