码良

问：中国公司买了 Cursor team 版，能不能用 Claude？

最近在和技术委员会讨论晋升制度改革，我提了一个不太成熟的建议： 以后晋升，增加一条绿色通道。 如果一个同学： 手握 N 个 Claude Max 账号 所有账号连续存活 M 个月，没有被封 每月 Token 消耗达到 X 亿 三项全部达标，直接绿通晋升下一级。 毕竟，这年头能把 Claude Max 用到这个程度，还能活着，本身就是一种稀缺的工程能力。 这不比 PPT 答辩有说服力多了？

@Fei2411 你是被路由了？

面试吊打面试官 面试官：跨域问题产生的根本原因是什么？ 我：浏览器 面试官：具体点 我：浏览器的同源策略 面试官：再具体点 我：后端的同事不想加响应头

@bot 做一个

面试吊打面试官 面试官：Redis 和 MySQL 的数据一致性怎么保证？ 我：先更新数据库，再删缓存 面试官：这也做不到 100% 一致 我：那就禁止修改数据，只增不改，永远一致

面试吊打面试官 面试官：Redis 缓存穿透怎么解决？ 我：让产品别设计查不到数据的需求 面试官：攻击者故意查不存在的 ID 呢？ 我：那让产品别设计攻击者

面试吊打面试官 面试官：Redis 为什么默认 16 个数据库？ 我：因为作者喜欢 16 面试官：认真点 我：因为程序员只认 2 的幂，15 个会被同事嘲笑

居然在bot里面 https://t.co/50FDbM3BP7

补觉，困死了🥱

10月16日晚，苹果首款折叠屏iPhone Duo将开启预售，价格15999元起，顶配26499元，刷新苹果史上最贵iPhone纪录，目前仅京东预约人数就已突破223万人，多名苹果店员都预计iPhone Duo的抢购难度很高。 223 万？原来国内经济这么好？

你做出来，烧的 token 费用都比买一个多。

面试吊打面试官 面试官：Redis 单线程为什么还这么快？ 我：因为它不摸鱼 面试官：认真点 我：认真的，它一个线程干活，从来不开会

我觉得最憋屈的是： 别人被骂，到期还能领老马工资 我们被骂，都暂停收益了，憋肚子里去了 要不骂回去吧？

如何逐步提高 AI 任务的抽象层级（Altitude）？ 以准备“季度业务复盘（QBR）”为例： 第 0 层：让 AI 套用 PPT 模板更新数据和图表（只是文档自动化）。 第 1 层（理解业务）：喂入全量原始数据，让 AI 分析变化原因与行动建议。 第 2 层（辅助决策）：报告不是交付物，决策才是。让 AI 找出管理层最该做的 3 个决策并推演利弊。 第 3 层（重构流程）：为什么非要每季度开会做 PPT？直接 让 AI 建立持续监控与资源调配机制，并用历史数据回测证明新机制比旧季度会更早发现问题。

苹果首款折叠屏 iPhone Duo 的国行版，悄悄把大模型备案号写进了进网许可里。 据界面新闻查工信部电信设备进网许可信息，型号 A3721 的 iPhone Duo 在 9 月 2 日拿到试用批文后，9 月 29 日完成换证，新增了三个大模型备案编号：Shanghai-AppleZhiNeng、Shanghai-TongYiWanXiang、ZheJiang-TongYiQianWen，分别对应 Apple 智能、通义万象、通义千问。同一天，国行 iPhone 18 Pro 系列（型号 A3718）也完成了同样操作，涉及机型包括 iPhone 15 Pro / Pro Max 及后续机型。 这条路苹果走了两年多。2024 年 6 月 WWDC 推出 Apple Intelligence，同年 10 月随 iOS 18.1 在部分海外市场上线，中国大陆版一直缺席。2025 年 2 月阿里董事局主席蔡崇信在世界政府峰会上确认了双方的 AI 合作。今年 WWDC2026 发布的新一代 Apple 智能和 Siri AI，苹果明确说在中国大陆要配合监管要求推进，暂时不提供。 真正的落地节点在 7 月 8 日：苹果技术开发（上海）有限公司的「Apple 智能」大模型完成生成式人工智能服务备案，适用场景为苹果手机；7 月 15 日网信办公告确认它和华为、OPPO、vivo、小米、三星、中兴的端侧 AI 一同过审。 对国行 Apple 智能到底由谁提供算力，阿里方面回应界面新闻的说法是：阿里千问将作为 AI 能力集成至 Apple 智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户带来智能体验，用户无需在应用间切换即可使用千问的文本与图像理解、内容生成能力。 中间有过一次反复。苹果官网 Mac 简体中文手册里曾出现《在 Mac 上配合 Apple 智能使用千问》的支持文档，8 月 9 日该文档被删除，页面恢复成此前「配合 Apple 智能使用 ChatGPT」的版本。同日上午苹果客服对媒体表示，没有接到相关功能的通知，落地还需要些时间。 iPhone Duo 将于 10 月 16 日开启预售、10 月 23 日正式发售，256GB 到 2TB 四个容量在中国区售价分别是 15999、17999、21499、26499 元。 需要说明的是：备案号写入进网许可，只说明这三项服务完成了合规备案并通过了设备侧登记，不等于 Apple 智能已经在中国大陆可用，苹果官方也尚未公布国行版的 AI 功能上线时间。 信源：腾讯新闻「界面新闻」（2026-10-14）。

谈谈 AI 野心的第一个核心维度：Altitude（高度）。 当我们给 AI 安排任务时，其实是在让它执行“我们自认为最合理的方案”。但人类定的目标往往太低了。 比如修 Bug： 低高度（单次辅助）：人发现 Crash ➔ 喂给 AI ➔ AI 修复 ➔ 人验证。 高高度（结果导向）：AI 自动拉取崩溃日志 ➔ 关联 Git 版本 ➔ 跨平台复现 ➔ 修复并验证 ➔ 持续监控新问题。 不要只让 AI 修一个 Crash，要让它替你维持整个 App 的稳定性。

车是好车，就是有点废人

面试吃瘪记录 缓存场景本来就做不到强一致，目标是最终一致，并把不一致的时间窗口压到最小。 ① Cache Aside：读时缓存没有就查库并回填；写时先更新数据库，再删除缓存。 ② 为什么删除而不是更新缓存：并发写时，更新缓存可能出现旧值覆盖新值；删除后由下次读重新加载更安全。 ③ 删除失败怎么办：把删除动作发到消息队列重试；或订阅 binlog（比如 Canal），由数据变更驱动删除缓存。 ④ 读写并发导致旧值回填：可以用延迟双删，更新后隔一会儿再删一次。 ⑤ 缓存一定要设过期时间，作为最后兜底。 真要强一致，就只能加锁串行化，或者干脆不用缓存。 面试时可以这样答：采用先更新库再删缓存，删除失败用 MQ 或 binlog 订阅重试，配合过期时间兜底，保证最终一致。

面试吊打面试官 面试官：Linux 服务器被黑了怎么办？ 我：重装系统 面试官：重装完又被黑了呢？ 我：再重装，看谁先累

面试吃瘪记录 这题真没有深奥原理：16 只是配置文件里 databases 参数的默认值，可以改。 关于多数据库，更值得说的是为什么不建议依赖它： ① Redis Cluster 只支持 db0，代码里用了多个库，以后上集群要改。 ② 多个库之间没有隔离：它们共享同一个实例的 CPU 和内存，一个库有慢命令，所有库一起卡；FLUSHALL 会把所有库清空。 ③ 每个库没法单独设置密码和权限。 所以，不同业务要么用 key 前缀区分，比如 order:123、user:456；要么直接部署独立实例。 面试时可以这样答：16 是 databases 配置项的默认值；多库之间不隔离、集群只支持 db0，生产中一般用 key 前缀或独立实例区分业务。

致我的 Claude： --------- 我想要的不是更大规模的任务，而是一个更深入、更专业的解决方案。 在开始之前，请先回答： 1. 这个领域的顶级专家会做哪些我没有要求的事情？ 2. 如果不依赖加工后的总结，应该从哪些最原始的数据、资料或系统入手？ 3. 应采用哪些具体的专业方法、工具和技术？ 4. 除了你和我之外，哪些独立证据能够证明结果正确？ 5. 能否提升目标抽象层级，直接解决我真正追求的结果？ 6. 能否引入其他领域的方法，找到更有效的路径？ 基于以上分析，重新定义任务，并给出可执行方案、验收标准和风险边界。

@kafkaup D

当 AI 提效成为必选项，我们会不会陷入一场效率军备竞赛？ 最近一直在思考一个问题： 如果 AI 真的让所有人的生产力都提升了，那是不是意味着所有人都能赚到更多的钱？ 恐怕未必。 尤其是外卖、电商、物流这些重运营行业，追求效率是天然的选择。 一家企业利用 AI 优化配送路线、提高广告转化、降低运营成本，竞争对手自然也会跟进。 如果技术本身没有形成足够高的壁垒，那么几个月后，大家可能又回到了同一起跑线。 区别是：每家公司都多了一笔 AI 账单。 于是产生了一个悖论： 对单个企业来说，AI 提效是理性的；但当所有企业都这么做时，整个行业可能陷入集体性的效率内卷。 AI 短剧就是一个很现实的例子。 AI 大幅降低了短剧的制作成本，原来需要演员、摄影、场务才能完成的工作，现在部分可以通过模型生成。 生产力确实解放了。 但观众的注意力没有同步增长。 短剧越做越多，竞争越来越激烈，流量成本持续上涨。最后很多制作公司没有赚到钱，反而是掌握模型、流量和分发渠道的平台获得了更强的议价能力。 更值得警惕的是，效率革命可能同时改变利润和就业的分配结构。 真人演员、摄影、场务等传统岗位面临冲击，而新产生的价值却未必回流到这些劳动者身上。 我不是反对 AI 提效。 恰恰相反，AI 提效可能是不可逆转的趋势，企业不参与甚至可能被淘汰。 但这正是我想讨论的： 当一项技术成为所有人的必选项，它创造的价值，最终会流向哪里？ 如果 AI 只是让我们用更低的成本生产更多同质化的产品，再把节省下来的成本投入下一轮流量和算力竞赛，那我们究竟获得了什么？ AI 可能确实提高了整个社会的生产效率，但生产效率提升和财富分配改善，从来不是一回事。 技术进步，也不天然意味着每一个参与者都能从中获益。 所以我理解的「慢 AI」，并不是拒绝效率，而是在所有人疯狂追求效率的时候，多思考几个问题： 我们到底在为什么提效？ 节省下来的成本去了哪里？ 新增的价值由谁获得？ 又是谁承担了技术进步的代价？ 如果我们只关心 AI 让生产变得多快，却不关心它让社会变成什么样，那么所谓的生产力革命，可能最终只是另一场更高效的内卷。

面试吊打面试官 面试官：说说你对可重入锁的理解 我：就像加班 面试官：怎么说？ 我：同一个人可以连续加好几次，而且加几次就得熬几次才能走

面试吊打面试官 面试官：Redis 的过期 key 是怎么删除的？ 我：随缘删除，顺手删除，内存不够了再批量删除 面试官：…… 我：您别皱眉，我说的是对的

@FiniYang Ultra 驴准备启动了么？

AI 时代的五次思维转换： 关于目标（Altitude）：从“帮我更快完成任务” ➔ “帮我实现任务背后的真实目标” 关于深度（Depth）：从“按要求提供答案” ➔ “使用顶级专家的工具和方法解决问题” 关于视野（Range）：从“在当前专业领域寻找方案” ➔ “引入其他领域的成熟方法” 关于边界（Mindset）：从“根据既有经验定义可行性” ➔ “重新评估哪些事情现在已经可能” 关于验证（Validation）：从“让 AI 给出自认为正确的结果” ➔ “通过外部系统独立验证结果”

面试吃瘪记录 缓存穿透：查询的数据数据库里根本没有，所以缓存也永远没有，每次请求都直接打到数据库。常见于恶意攻击，用大量不存在的 ID 请求。 ① 参数校验：ID 格式不合法、明显超出范围的，直接拦截。 ② 缓存空值：查不到也缓存一个空结果，过期时间设短一点，比如几十秒到几分钟，避免后来真插入了数据还查不到。 ③ 布隆过滤器：把所有存在的 ID 放进去，查询前先判断。它说不存在就一定不存在，直接返回。 ④ 限流和风控：同一 IP 或用户大量查询不存在的数据，触发限流或拉黑。 面试时可以这样答：先做参数校验，再用布隆过滤器拦截不存在的 key，漏网的用短 TTL 缓存空值，配合限流防止恶意请求。

面试吃瘪记录 根本原因是浏览器的同源策略：协议、域名、端口三者有一个不同，就是跨域。 一个常被误解的点：跨域限制的是浏览器让页面脚本读取响应，而不是阻止请求发出。对于简单请求，服务端其实已经收到并处理了，只是浏览器不把结果交给页面。所以跨域不能当作安全防护。 非简单请求（比如带自定义头、Content-Type 为 application/json），浏览器会先发 OPTIONS 预检请求，服务端允许后才发真正的请求。 解决方式： ① CORS：服务端返回 Access-Control-Allow-Origin 等响应头，这是标准做法。 ② 反向代理：前端和接口放到同一个域名下，由 Nginx 转发。 ③ JSONP：只支持 GET，已经过时。 服务端之间调用不经过浏览器，不存在跨域问题。 面试时可以这样答：浏览器同源策略限制脚本读取不同源的响应；用 CORS 响应头或反向代理同域解决，非简单请求会先发预检。

米开朗基罗与自我效能感（Self-efficacy） 米开朗基罗最初并不愿意绘制西斯廷教堂的天顶画，原因之一是他认为自己主要是一名雕塑家，而不是画家。但最终，这项作品成为艺术史上最著名的杰作之一。即使是天才，也可能被自己对专业身份的认知所限制。 心理学中有一个概念叫 Self-efficacy（自我效能感），指一个人相信自己能够完成特定任务、实现预期结果的程度。过去，人类能力的变化相对缓慢；但现在，借助 AI，人们能够完成的事情在短时间内发生剧变。如果个人仍然按照过去的能力判断自己，就容易错过这些机会。

@xueyu1125 Claude专线呢？

DeepSeek 这公关能力 https://t.co/JIedt8i7hU

面对 AI 应该“更有野心”，具体该怎么做？ AI 时代的野心拆解为四个可操作的维度： Speed（速度）：用更少时间完成相同工作 Altitude（高度）：从具体任务上升到最终目标 Depth（深度）：用领域顶尖专家的工具和方法解决问题 Range（广度）：借用其他学科的知识与工具降维打击 大多数人只停留在第一层（Speed），而真正的破局点在后三层。

今日“慢 AI” -> 最近使用 AI，有一个挺意思的思考： 对人类来说，智力越高，解决简单问题通常越快。 但对大模型来说，能力越强，解决简单问题未必越快。 举个例子。 假设我们把不同级别的大模型，类比成人类的学历： Sonnet ≈ 本科生 Opus ≈ 硕士研究生 Fable ≈ 博士生 当然，这只是为了方便理解，不代表模型能力真的对应这些学历。 现在有一道初中数学题。 对于人类来说，让一个博士生和一个本科生同时做，大概率博士生不会比本科生慢多少，甚至可能更快。 因为很多知识对博士生来说，早已成为可以直接调用的经验，根本不需要复杂思考。 但是，大模型不一样。 同样一道题，Sonnet 可能 3 秒就给出了正确答案。 换成 Fable，它未必能更快。 因为大模型不是人类。更强的模型可能有更高的推理开销、更慢的 Token 生成速度，也可能在简单问题上投入更多计算。 最终出现一个非常有意思的现象： 你花了更多的钱，等待了更长的时间，得到的却是几乎一样的答案。 这就引出了我的第一个观点： 模型的智力水平，与解决问题的效率，并不是简单的正相关关系。 当然，这不意味着 Sonnet 比 Fable 更聪明。 而是很多任务本身，根本用不到 Fable 的能力上限。 比如日常编码、文案润色、资料整理、常规 Bug 修复。 如果 Sonnet 已经能够稳定完成，换成 Fable，可能既没有明显提高准确率，也没有缩短执行时间。 反而增加了时间和 Token 成本。 但这里还有一个容易被忽略的变量： 单次回答的速度，不等于整个任务的完成速度。 比如一个复杂 Bug。 Sonnet 需要尝试五轮，每轮两分钟，最终花了十分钟。 Fable 虽然思考了五分钟，但一次就找到了根因。 这个时候，Fable 反而更高效。 所以我们不能简单地说，小模型一定更划算，大模型一定是浪费。 真正需要衡量的是： 完成一个任务所需的总成本，而不是单次调用的成本。 这里面至少包括四个指标： 响应时间 Token 成本 任务成功率 返工和人工验证成本 顺着这个逻辑继续思考，就会发现： 我们过去习惯于追求最强的模型。 模型排行榜上谁第一，就想用谁。 但实际使用 AI 时，绝大多数任务可能根本不需要排行榜第一的模型。 这就像你拥有一支博士团队，但不是每一道初中题，都需要召集所有博士开会研究。 一个更合理的 AI 工作流应该是： 默认把任务交给成本更低、响应更快、能力足够的模型。 遇到复杂问题、连续失败或者高风险任务，再升级到更强的模型。 甚至可以在同一个模型内部，通过调整推理强度来控制计算开销。 从这个角度来看，我觉得未来 AI 应用有一个很重要的方向： 不是让所有任务都使用最强的模型，而是让每个任务都使用恰到好处的智能。 这里涉及两个关键能力： Model Routing：判断任务应该交给哪个模型。 Inference Compute Budget：判断这个任务值得投入多少推理计算。 过去我们关注的是模型的智力上限。 以后可能还要关注一个指标： 单位时间、单位成本内，到底完成了多少有效任务。 最后总结一下我的理解： 对人类来说，博士生解决初中题，往往是一种能力碾压。 对 AI 来说，Fable 解决 Sonnet 就能稳定完成的问题，可能只是一种算力浪费。 最强的模型，不一定是当前任务最好的模型。 真正高效的 AI 使用者，不是每次都调用最聪明的模型，而是知道什么时候根本不需要它。 这可能也是 AI 使用从「模型崇拜」走向「工程化」的一个标志。

面试吃瘪记录 "不开会"其实说中了一个点：单线程不需要线程之间协调。 ① 纯内存操作：读写都在内存，没有磁盘随机 IO。 ② 高效的数据结构：哈希表、跳表、压缩列表等，针对不同场景优化。 ③ 单线程执行命令：没有锁竞争，也没有线程上下文切换。 ④ IO 多路复用：用 epoll 一个线程同时管理大量连接，哪个连接有数据就处理哪个。 补充：Redis 6.0 开始，网络读写可以用多线程处理，但命令执行仍然是单线程。Redis 的瓶颈一般在网络和内存，而不是 CPU。 也因为单线程，一个慢命令（比如 KEYS *、大 key 的删除）会阻塞所有请求。 面试时可以这样答：内存操作、高效数据结构、单线程执行避免锁和上下文切换、IO 多路复用；6.0 后网络 IO 可多线程，命令执行仍单线程，所以要避免慢命令。

面试吃瘪记录 重装是最后一步，不是第一步。不查清入口就重装，攻击者会用同一个漏洞马上回来。 ① 隔离：先通过安全组断开外网，阻止继续扩散，但不要急着关机重装。 ② 保留证据：做磁盘快照，备份日志。 ③ 找入侵入口：弱口令、暴露在公网的 Redis 或数据库、未修复的组件漏洞。 ④ 找后门：crontab 定时任务、~/.ssh/authorized_keys、异常进程和网络连接、启动项、新增账号。 ⑤ 轮换凭证：服务器上出现过的所有密码、密钥、Token 都视为泄露，全部更换。 ⑥ 修复漏洞后，再用干净镜像重建并恢复业务。 面试时可以这样答：先隔离网络、保留快照，找出入侵入口和后门，轮换所有凭证，修复漏洞后再用干净镜像重建。

@Lonely__MH 这尼玛，比数数是吧

面试吃瘪记录 这次段子真答对了，换成专业说法就是： ① 惰性删除（随缘删除）：访问 key 时检查是否过期，过期就删掉。CPU 友好，但没人访问的过期 key 会一直占内存。 ② 定期删除（顺手删除）：Redis 每秒执行若干次（由 hz 配置，默认 10）后台任务，随机抽取一部分设置了过期时间的 key，删除已过期的。如果抽到的过期比例较高，会继续下一轮。 ③ 内存淘汰（实在不行再批量删除）：内存达到 maxmemory 时，按 maxmemory-policy 淘汰数据，比如 allkeys-lru、volatile-lru、allkeys-lfu。默认 noeviction，内存满了直接拒绝写入。 做缓存时，通常配置 allkeys-lru 或 allkeys-lfu。 面试时可以这样答：过期 key 靠惰性删除加定期抽样删除，内存不足时再按 maxmemory-policy 淘汰，缓存场景一般选 allkeys-lru 或 lfu。

@huangyun_122 还真有点难度

面试吃瘪记录 这个比喻其实相当准确。 可重入锁：一个线程已经持有某把锁，再次申请这把锁时可以直接获得，不会被自己阻塞。 实现原理：锁记录持有者线程和一个计数器。同一线程每加锁一次计数加 1，每释放一次减 1，减到 0 才真正释放，其他线程才能获取。也就是"加几次就得熬几次才能走"。 为什么需要可重入：一个同步方法调用了同一对象的另一个同步方法，如果锁不可重入，线程会等待自己释放锁，直接死锁。 Java 里 synchronized 和 ReentrantLock 都是可重入锁。使用 ReentrantLock 时，lock 和 unlock 次数必须匹配，unlock 要写在 finally 里。 面试时可以这样答：同一线程可以重复获取已持有的锁，内部用持有线程和计数器实现，释放到 0 才真正解锁，用来避免同步方法嵌套调用时自己锁死自己。

@Lonely__MH 按顺序发么？

@Lonely__MH @opencode 大善人真多

@wadezone 完了，四个都没有(ó﹏ò｡)

@realchendahuang 你有没有想过，活着活着就不年轻了，筹码就没了

@xueyu1125 哈哈

@FiniYang @bot reset亮了

@Zen_with_AI 典中典

@lixinbao_X 说的我好像没加油一样

@GKev1n 你这头像有点像 Tibo🌚