能不能用 FPGA 做一块 Transformer 专用推理电路
一块 H100 只给一个用户生成文字时，不到 0.3% 的乘法器在干活。既然 FPGA 能搭出任意电路，能不能专门为 Transformer 搭一块，让推理更快、更省电、更便宜？我们先看 decode 时芯片到底在等什么，再看专用电路能省在哪里；接着看已经做出来的 FPGA 推理流水线赢在哪、又被什么卡住；最后用一个综合实验看把权重“焊进电路”能省多少面积，以及为什么这条路最后通向 ASIC。
全部文章
共 55 篇
Dagger 1.0 和 GitHub Actions：第三代 CI 换掉了什么
Dagger 1.0 beta 的发布博文说自己是继 Jenkins、GitHub Actions 之后的第三代 CI，还说一条 dagger cloud checks on 就能替掉 GitHub Actions。两者是同一类东西吗？顺着问题往下追：两边的配置各自描述了什么；谁在执行、缓存放在哪；改一行代码各自重算了什么；集成测试要的数据库谁来起；测试挂了以后看到的是什么；本地能不能跑同一套；最后是 Cloud Checks 和按用量计费到底替掉了哪一层。全部场景用同一个 Go 小项目，在 GitHub 的 ubuntu-latest 机器上实测。
Ilya 的论文清单在讲什么：从 30u30 说起
30u30 是一个按天带读“Ilya Sutskever 推荐的 30 篇论文”的开源仓库。我们先查这份清单从哪来，发现它其实有三个版本；再看它的构成，里面除了 Transformer、ResNet，还有咖啡自动机、一本数学专著的第 14 章和一篇 200 页的博士论文。顺着这几篇往下读，清单的另一条主线是压缩：预测就是压缩，学习就是把数据拆成规律和噪声。最后用三个自己复现的小实验检验这条线，也顺带看看 30u30 的实现。
Go 的测试为什么和代码放在一起：大型工程怎么组织测试
打开 Go 标准库的 net/http，77 个文件里一半是 _test.go，和代码交错排着。这样不乱吗？顺着问题往下追：测试文件在构建里到底在哪；为什么不能像 Java 那样挪进单独的 tests 目录；同一个目录里的两种测试包；集成测试放哪、怎么不让它默认跑；测试依赖为什么要单独一个模块；e2e 测试离被测对象有多远；测试数据和依赖替身各自怎么放。统计了 Go、Kubernetes、etcd、Prometheus、CockroachDB 等 15 个仓库，并用 Go 1.27 逐个实验。
QuickJS 嵌在哪门语言里跑得最好
同一段 fib(25)，同一个 QuickJS，在 C 里 7 毫秒，在 Go 的 wazero 绑定里 23 毫秒，在 Java 里 61 毫秒；从 Go 调一次 JS 的 add，有的绑定 89 纳秒，有的 34 微秒。我们先看 QuickJS 是什么、怎么被嵌进别的语言，再用同一份脚本实测 C、Rust、Go（四种绑定）、Python、Node、Java，把差距一项项追到引擎版本、执行方式、绑定实现和线程模型上，最后回答 Go 程序该怎么嵌。
指纹为什么能看出年龄：兵马俑上的 79 枚指纹
一篇 2026 年的论文从兵马俑上 79 枚指纹推算出：45% 来自成年男性，32.7% 来自成年女性，22.3% 来自不满 15 岁的孩子。指纹不是一辈子不变吗，凭什么看出年龄和性别？我们从指纹嵴的形成讲起，看嵴宽怎么随身体长大、为什么一枚指纹判不准，再看论文怎样换个问法、用混合模型估一整批的比例，最后用一个小实验看这三个数字能信到什么程度。
Transformer 和 FPGA 都是电路：为什么智能没有在 FPGA 上涌现
FPGA 是一片可以重新配置的电路，Transformer 跑一步也是一个固定的电路，两者都是“固定骨架 + 一串配置数”。我们从同一个一位全加器在两边的写法出发，先看它们相同在哪：都能表示任意函数，FPGA 的表示能力甚至更强；再看不同在哪：配置是人写的比特还是梯度写的实数，导线是烧写时焊死的还是每一步现算的，配置的规模差了几个数量级；解释 Transformer 的参数为什么能靠梯度下降收敛、FPGA 的比特为什么不行，并用一个小实验比较变异搜索和梯度下降去“写”同一张查找表网络；最后回答 FPGA 的四十年里为什么没有出现智能涌现。
做加法最少要几个参数：AdderBoard 排行榜与 Transformer 入门
AdderBoard 是一个比谁的 Transformer 更小的排行榜，题目是十位数加法。榜首的手写模型只有 6 个参数，训练出来的模型最少 36 个。我们先把 Transformer 是什么、它怎么一个字一个字地往外吐答案讲清楚，再顺着排行榜往下看：加法对它难在哪里，数位为什么要倒过来写，训练出来的模型怎么从 6080 个参数压到 36 个，手写的 6 个参数又是怎么把十位数加对的，它和 CPU 里的二进制加法器、我们列的十进制竖式比有什么不同，最后看这些数字该怎么理解。
last30days 跑了 8 个话题：最近 30 天的讨论和常见说法哪里不一样
last30days 是一个 Claude Skill，专门搜 Reddit、Hacker News、Polymarket 等平台最近 30 天的讨论，按真实互动排序。第一章简单交代它怎么工作；其余章节用它实际跑了 AI 泡沫、GPU 折旧、Claude Code 与 Codex、vibe coding、MCP、Gemini 4、开源模型等 8 个话题，看它查出来的趋势，以及哪些地方和大家通常的认知不一样：担心泡沫的人盯的是债务而不是需求，H100 的租金四年后不降反升，两家编程工具的用户抱怨的是同一件事，MCP 的讨论从“新标准”变成了“怎么省 token”，开源模型的出口管制先出现在中国。
知识树的主结构：图书馆分类法够不够用
想把博客文章里的知识点做成游戏那样能一格一格点亮的知识树，第一个想到的是图书馆分类法。顺着这个念头往下追：图书馆分类放进这些文章会遇到什么，游戏里的树到底是什么结构，学科本体、叙词表、刻面分类各补上了哪一块，“点亮”背后的知识空间理论，点亮的深浅怎么分，最后这几样东西各自该放在树的哪一层。
用 Go 写 Mac 桌面程序：原生窗口和菜单栏图标
Go 写的小工具，最省事的界面是起一个 http server 再打开浏览器。如果想要的是 Mac 上那种双击就开、右上角菜单栏常驻一个图标、点一下弹出面板的程序，该怎么做？顺着问题往下追：窗口归 AppKit 管，Go 怎么调到它；为什么界面代码必须锁在主线程上；菜单栏图标、弹出面板和不进 Dock 是怎么做到的；Fyne、Gio、Wails、systray 等十几个现成的库，窗口里的内容各是谁画的，哪些里面其实是网页；两个库各管窗口和图标时为什么打架；最后怎么打成 .app、签名和公证，发给别人也能打开。全部方案在同一台 macOS 15 上实测。
Tensor Logic：逻辑规则和 einsum 是同一种运算吗
Pedro Domingos 在 2025 年的论文里说，一条 Datalog 规则就是一次 einsum 加一个阶跃函数，AI 只需要“张量方程”这一种语句。我们从一条“姑姨”规则出发，用 numpy 把它跑一遍，再顺着论文往下追：整门语言只有一种语句会是什么样，稀疏关系写成稠密矩阵代价多大，把关系压进嵌入空间以后推理还对不对，温度调到 0 是否真能“不幻觉”，规则能不能学出来，最后看这些想法里哪些是新的。
Multica 里 @ 一个 Agent 之后：通信链路与需求上下文的注入
在 Multica 的 issue 下面 @ 一个 agent，190 毫秒后，本机上的 Claude Code 就在读这个 issue 的需求描述了。顺着这条消息往下追：@ 在服务端变成了什么，平台和本机之间到底走的是哪条连接、上面传了什么，daemon 领到的任务包里有什么、没有什么，issue 里的需求是推给 CLI 的还是 CLI 自己拉的，用的又是谁的凭证，agent 正在干活时再 @ 它一次会发生什么；再往后，隔一会儿再 @ 它，接上的是哪一段会话，换一个 agent 来接手，它又怎么知道前一个做到了哪。
私有知识共识链：不发币、不公开，几百个席位共同维护一份知识和规则
设想一条只给几百个席位读写的链：不发币，不做交易，只记两样东西，一是成员共同维护的知识，每条都必须引用链上已经通过的知识，二是成员给自己定的规则，连“多少人同意才算通过”和“席位从 300 扩到 500”也在链上投票决定。顺着这个设想往下走：知识块和引用图长什么样、第一条知识从哪来、错了怎么推翻；Metamath、维基百科、Fabric、Besu、Tezos、Polkadot 这些已有系统各做了哪一部分；再用 CometBFT 搭一个原型实测引用和推翻、看一个三分之二的联盟能不能借扩容夺权，最后量一量共同维护一份记忆能让分歧少多少，又要为每条共识交多少“共识税”。
从 249 美元到 9 万美元：显卡、算力卡和 AI 小主机放在一起比
想把市面上的显卡、算力卡和 DGX Spark 这类 AI 小主机排在一张表里比价格和性能，很快撞上三个怪现象：同一张卡有六个算力数字、标价 1999 美元的卡卖到五千以上、贵十倍的卡算力只多几倍。顺着这几个问题往下追：算力数字的口径怎么统一、该看哪几把尺子、消费级卡和数据中心卡差在哪、国产卡在什么位置、小主机用什么换来了大内存，最后放到一张图上按用途来选。
CEL 表达式语言：为什么出现，和同类语言比怎么样，该怎么用
Kubernetes 的 CRD 里有一行 self.minReplicas <= self.replicas，Google Cloud 的 IAM 条件、Envoy 的 RBAC 里也是同一种写法。它叫 CEL。我们从一个普通需求出发：让用户在平台里自己写放行规则。嵌入脚本语言会碰到能调用什么、会不会停、写错了何时知道、每次多慢四个问题；CEL 用非图灵完备、类型检查和成本估算回答它们。再把 CEL 和 expr、Rego、Cedar、JsonLogic、Starlark、Lua、SpEL 等 22 个同类实现放进同一组场景实测，最后整理出在 Go 里用好 CEL 的做法。
Hyperliquid 为什么这么快：和比特币比，它留下了什么、改掉了什么
比特币两个块之间的 7 分 25 秒里，Hyperliquid 出了 6,181 个块。顺着这个差距往下追：两条链共用的是哪副骨架；比特币的 10 分钟花在哪；HyperBFT 怎么用 2/3 质押的签名一步定终局，HotStuff 怎么把投票做成流水线；订单簿为什么直接写进状态机、块里为什么撤单排在吃单前面；70 毫秒出块为什么下单仍要 0.2 到 0.9 秒；以及快的代价落在了谁身上。
知识共识链：用 PoS 和智能体投票给事实与逻辑记账
设想一条链：每条知识不超过 1 KB，必须引用链上已有的知识，由一群 agent 投票决定是否成立，提交者和投票者都能领到新发的币。顺着这个设想往下走：它应该长什么样、哪些部分已经有人做过、一条知识的一生怎么走、币怎么发，再中立地看几个逻辑上的问题：根从哪来、引用对了推理是否就对、多数票和真相是什么关系、投票权和奖励会把参与者引向哪里，以及它和 Lean 形式化证明到底谁更普适。
去中心化推理：把一个大模型拆给很多台机器跑
Petals 说可以像 BT 下载一样，用大家家里的显卡一起跑 70B 的大模型；io.net 说手里有几十万张分散的 GPU。顺着“模型为什么要拆”往下追：按层切开的流水线怎么传数据、为什么每个 token 都要跑一圈网络、层内切开的张量并行为什么只能待在一个房间里、并发能不能把空转的机器填满、io.net 实际上拆的是什么，最后用电费和市价算一笔账，看“闲置硬件不要钱”这个赌注在什么条件下成立。
Go 项目的数据库迁移：手写 .sql 文件，一次变更怎么走到生产
Go 服务新版本上线，日志里刷出 column "coupon_code" does not exist：加列的 SQL 写了，生产库没人执行。顺着这个现象往下追：手写的 .sql 文件怎么交给 golang-migrate 和 goose 去执行，执行到一半失败了库里留下什么，两个分支各加一个文件时会不会漏掉一个，一个 .sql 从提交、CI、打包到部署要走哪几步、由谁来执行，一条只改元数据的 ALTER 为什么能把整张表堵住，新旧代码同时在线时列名怎么跨几个版本改，最后是 down 文件到底能不能用来回滚。
SSAR 与同类工具对比：一次 30 秒的 load 尖峰，事后还能看清吗
一台 4 核机器在 22:31 抖了半分钟，几分钟后登录上去，load average 已经回落，一切正常。为了弄清刚才发生了什么，我们把龙蜥社区的 SSAR 和 sar、atop、below、PCP、collectl、nmon、tsar 装在同一台机器上，用同一个尖峰去考它们：默认采样点有没有落进去，load1 为什么总是慢半拍，SSAR 的 load5s 怎么从 /proc/loadavg 反推出每 5 秒的真实线程数，卡在 D 状态的是哪个进程、哪个线程、卡在内核哪一行，事后才想到的指标还能不能查，以及这些记录各要花多少 CPU 和磁盘。
几十美元的小盒子，为什么跑得动大模型
一台一百多美元的树莓派，单用户能把一个 300 亿参数的模型跑到约 8 token/s。顺着这个反差往下追：单路生成到底卡在哪、小盒子的内存带宽比数据中心 GPU 贵多少、300 亿参数怎么塞进 16GB 还跑得动、GPU 真正的本事是什么、为什么同样一笔账在「租 GPU 转卖 API」那篇里是亏的、这里却不亏，以及一大片这样的小盒子连起来会呈现什么整体性质。
租云 GPU 转卖大模型 API，能赚钱吗
OpenRouter 上同一个 gpt-oss-120b 有二十多家在卖，最便宜的每百万输出 token 只要 0.15 美元，而 AWS 上一张 H100 每小时要 6.88 美元。顺着这个反差往下算：一张 GPU 一小时能产出多少 token、厂商吞吐为什么卖不出来、按小时付租金和按 token 收钱之间差在哪，再把 6 个模型、9 种 GPU、AWS / Azure / GCP / 阿里云逐项算一遍，看市场最低价是谁定的、DeepSeek 的 545% 从哪来，以及什么情况下这门生意才做得成。
监控覆盖率怎么算：多工具、多集群下的本体层抽象
三个监控工具各报一个接近 100% 的覆盖率，一张核心表却停更了 6 小时没人知道。顺着这个现象往下追：覆盖率的分母从哪来，模板各不相同时“被监控”指什么，Flink 作业接上源头就有的监控到底覆盖了什么，怎样用实体、关系、能力三样东西搭一个本体层，以及怎样用“哪些要覆盖”“覆盖了什么”两套规则加一个求解器，让覆盖率不靠手工登记就能算出来，而规则本身可以用 Kubernetes 亲和性风格的 YAML 或 SQL 来写。
谁定方向，谁来干活：一动一静由什么决定
Leader 常觉得成员不够主动、方向会偏，于是自己把方向；人用 AI 也是人定方向、AI 干活。顺着这个现象往下追：这种分工是不是由谁更聪明决定的，方向权实际跟着什么走，“静”的一方的被动有多少是关系本身造出来的，关系怎样才会移动，以及人和 AI 之间是不是同一个结构。
Agent Substrate 是什么：和 E2B、Kubernetes 的关系
Agent Substrate 的演示里，约 250 个有状态的智能体跑在 8 个 Pod 上。顺着这个数字往下追：它管的 actor 是什么、平时在哪，模板里的镜像怎么跑在 gVisor 上、和 E2B 的构建有什么不同，一个请求怎么把它叫醒，一个要跑几天的智能体，状态靠什么保住、什么时候会丢，它为什么装在 Kubernetes 上却不让 Kubernetes 管 actor，又和同样靠快照起沙箱的 E2B 差在哪里。
智能眼镜能看出瞳孔大小吗
研究用的眼动眼镜已经能按毫米导出瞳孔直径。顺着这个数往下追：镜框上的摄像头怎么看见瞳孔，斜着拍的像素怎么换成毫米，瞳孔为什么会变、哪一部分才和“想事”有关，走到街上怎么扣掉光照，以及为什么我们手上的 AI 眼镜拿不到这个数。
指标相关性与背离套利的方案分析
两只跟踪同一个纳斯达克 100 指数的 ETF，场内溢价一个 17.5%、一个 11.0%。这种“绑定的东西走散了”的现象，市面上有没有平台能统一盯着、发现了就去做？本文先区分几类背离，再看现有的终端、期货软件、配对交易软件、开源库和自然语言智能体分别做到了哪一步；接着讲视角从哪里来：先由机器用公开数据把 ETF 与净值、期货与现货这类基础视角连成一张图，再推出高阶视角，并用 Polymarket 和联邦基金期货检验跨平台的视角；然后设计一个“机器扫描、人来判断”的系统：视角怎么描述，扫描器给出什么证据，人在哪里做决定。最后用 55 对指数的盲扫和十只纳指 ETF 的换仓实测检验它靠不靠谱，讨论为什么能从中赚到钱的人不多，以及怎样看清一个视角从出现到失效的生命周期。
E2B 和 Docker 是什么关系
一份普通的 Dockerfile 原封不动就能变成 E2B 沙箱，可 E2B 又说每个沙箱是一台 Firecracker 虚拟机。顺着这份 Dockerfile 往下追：为什么不直接用容器，镜像进了 E2B 之后变成了什么，虚拟机怎么启动得和容器一样快，它创建沙箱和 Kubernetes 创建 Pod 有什么不同、又怎么跑在 Kubernetes 上，最后反过来看沙箱里怎么跑 Docker。
纳指ETF的时差利差分析
纳指前一晚跌了 3.3%，国内最早的纳指 ETF 513100 第二天开盘只跌了 0.9%，收盘前还涨回来 1.6%。顺着这个现象往下追：这是国内 ETF 特有的吗，“早上买吃昨晚”是不是错觉，真正存在的那部分利差有多大、怎么操作才能拿到，它又是从哪来的，哪些变化会让它消失，以及国内另外九只纳指 ETF 是不是也一样。
从一个 87% 说起：Polymarket 是什么、怎么看、怎么下注
新闻里常说“Polymarket 显示美联储 10 月按兵不动的概率是 87%”。这个数字是谁算出来的？顺着它往下追：一份事件合约怎么定价，为什么要放在区块链上，钱在哪、结果谁说了算；不懂区块链的人怎么从网页、接口和链上看到这些数据；真要下一注要走哪几步、花多少钱、有哪些坑。
量化策略篮子与市场风格的方案分析
同一年里，A 股小盘和大盘的收益可以差出 60 多个点。这种“风格”是持续的规律还是随机的结果？本文先用打乱顺序的对照检验风格是否存在、以什么形式存在，再对照国内外平台、卖方和基金的做法，设计一个把策略工具篮子和市场风格识别连起来的系统：有哪些模块，前后怎么联动，状态切换时发生什么。最后用 2008 年以来的指数和真实 ETF 价格扣成本检验这种模式能否产生收益，并讨论其中的问题和改进。
能不能像接评论框一样接 Agent：AgentHub 的设想
静态博客贴一小段代码就有了评论区，平台想让评论里的一个 @ 落到用户自己电脑上的 agent，却要从头写一整套系统。把评论框和本地 agent 当 bot 这两件事放在一起看：平台为一个 @ 到底写了什么，评论框的先例能借走什么，现有的方案各补了哪一块，一个像 Redis 一样起实例就能用的中间件该长什么样，身份和写回怎么做，公开评论区带来的新风险，以及它怎样才不会重蹈多说的覆辙。
心跳越不规律越健康，那注意力呢
健康的心跳并不规律：心率一直在变，是为了让血压稳住，HRV 量的正是这份调控能动多宽。顺着这个启示去看注意力：它背后有没有一个调控者，反应时该当成心率还是血压，调控怎样被压窄、怎样恢复，能不能像 HRV 一样戴着就测，最后附一个 3 分钟的反应时测试。
从 GitLab 看传统代码平台的架构演进
一个 bare 仓库加上 SSH 就是一台 Git 服务器：认证、接管道、在仓库上跑 git，三件事都在一台机器上。GitLab 的本质还是这三件事，只是把 git 命令按仓库分散到很多台机器上去跑。顺着拆开的六处接缝往下看：Gitaly 为什么让应用远程请它跑 git，入口怎么先问 Rails，pack 怎么跨过网络，一台机器怎么替所有人跑 git，push 检查怎么回到另一台机器，Praefect 怎么用副本兜底，以及 GitLab 正在改的最底下那一层。
Gerrit 的平台架构创新
一个裸仓库加上 SSH 就是最小的 Git 服务器，代码平台是在它之上补出来的。Gerrit 出自 Google“先评审、后合并”的传统，比 GitLab 更早，评审的单位是一个提交而不是一个分支，评审记录本身也写进了 Git。顺着这条线往下追：Gerrit 为什么用 JGit 自己做服务端，push 到 refs/for/main 时发生了什么，评审数据为什么从 SQL 搬进 Git，引用多到几十万个之后怎么存、怎么按权限过滤，合并时怎么保证原子性，索引和缓存怎么配合，以及多台机器之间怎么同步。
walgit 架构原理：把 Git 仓库交给对象存储
walgit 的一次 push 只对桶发 5 个请求，一次读只发 1 个，却保证 push 被确认后任何一台机器都能读到。顺着这两个数字往下追：为什么不能让 git 直接读对象存储，manifest 的 CAS 为什么就是提交点，并发 push 和“每个对象每秒一次写”怎么处理，读路径为什么要分级，日志怎么折叠和压缩，进程崩溃之后怎么办，以及 GitLab 的对象存储后端为什么选了另一条路。
六位数字与一张证书：Google 身份验证器的算法、证书和它们的关系
手机开着飞行模式，Google 身份验证器照样每 30 秒换一个六位数，服务器却能认出它。顺着这个现象往下追：六位数是怎么从密钥里算出来的，为什么用时间做计数器，扫码导入的那串东西是不是“证书”，真正的数字证书又是什么，平台也握着密钥时 HOTP 为什么不改用非对称密码，以及证书和六位数为什么都挡不住钓鱼。
怎样相信大模型算出来的数字：拆解 BootLoops
日常程序里 16 位浮点数足够用，科学里的精密计算却要几十上百位，还得证明每一位可信。大模型说“这个积分算出来了，和数值吻合 20 位”，我们该不该信？顺着这句话往下追：数值本身会不会悄悄算错，吻合的位数能不能被凑出来，什么样的检查才算数，检查本身坏了怎么办，以及这些纪律怎样交给一个会遗忘、会讨好的 agent，最后看它和 Claude Code 这类 agent harness 是什么关系。BootLoops 的每一层，都是为了堵住其中一个漏洞。
从肌肉耐力到增肌，还差哪几环
在健身房举了一段时间哑铃，教练一直说我练的只是肌肉耐力。顺着这句话往下追：“轻重量练耐力”的说法从哪来，轻重量到底能不能增肌，力竭和增肌在肌肉结构里各是怎么发生的，以及够累之后还缺的训练量、加码、营养和时间。
一篇好文章被整篇搬走之后：版权声明、Anthropic PBC 与转载许可
好文章发出去没多久，就被别的网站整篇搬走，理由常常是“原文没写禁止转载”。顺着这个现象往下追，先讲中国的法律和判例：没写禁止能不能转，“转载请注明出处”和 2026 年新司法解释说了什么，洗稿和只截一小段算不算转载；再补充国外的规则：美国的合理使用判例，Anthropic 页脚那行“© 2026 Anthropic PBC”和公益公司是什么，CC 许可在法庭上怎么被解释；最后回到搬运这件事本身。
多说关了，Disqus 还在：一个评论框靠什么活下来
2017 年多说和网易云跟贴先后关停，Disqus 却一直活到今天。顺着这个现象往下追：评论框的成本在哪里，多说为什么撑不住，Disqus 怎么从同一代产品里胜出，它免费的代价是什么，第三方 cookie 这个空子为什么被堵上，以及今天的评论系统还能靠什么活下去。
把本地 Agent 变成平台上的 Bot：架构、现状与安全风险
阿里云万有无界、扣子、Multica 都支持把电脑上的 Claude Code、Codex 这类编程 agent 接进平台，让同事在群里 @ 它干活。顺着这个功能往下追：为什么要把 agent 留在本地，平台怎么找到一台没有公网 IP 的电脑，怎么把交互式 CLI 变成可调用的 worker，几个任务和你自己怎么共用同一个现场，agent 又怎么反过来以平台身份干活；最后看看现在都有谁在做，以及这件事和“给电脑装了个木马”到底差在哪里。
一份文档能预测未来吗：从 MiroFish 看群体智能模拟与市场调研
一个号称「预测万物」的开源项目，三个月拿到 3000 万投资、近 8 万星。顺着它往下追：一份文档怎么变成一份预测报告，成百上千个智能体从哪来、怎么交互，模拟一群人为什么被认为能预测，这个前提在 MiroFish 里是否成立，最后看这类「模拟人群」能不能替代传统市场调研。
从两个对不上的 HRV 数字说起：由浅入深理解心率变异性
同一块 Apple Watch，健康 App 和 StressWatch 显示的 HRV 对不上。顺着这个现象往下追：两边用了什么算法、为什么这样选、用户看到的数字有什么不同，最后讲清 HRV 为什么能反映身体状态，以及它的边界在哪里。
Minecraft 为什么来得这么晚：从一个可以随便改的世界说起
Minecraft 的画面全是方块，看起来谁都做得出来，却直到 2009 年才出现。顺着这个现象往下追：玩法从哪来，早期 3D 游戏为什么做不了可以随便改的世界，这么大的世界怎么装得下，为什么今天浏览器里还很少有这样的游戏，最后动手写一个能在浏览器里玩的最小版本，并看看它为什么成了 AI 智能体的考场。
从 git clone 说起：Git 服务器是怎么工作的
一次 git clone 在网络上到底交换了什么？从抓包看到的三次 HTTP 请求出发，先搭一个最小的 Git 服务器，再顺着它解决不了的问题，依次读 GitLab、Gerrit 和 walgit 的源码：存储怎么拆、引用怎么管、多副本怎么保持一致。
从 Prometheus 的三个限制说起：时序存储的架构、生态与市场
Prometheus 用久了会遇到三个限制：数据只留 15 天，加一个 label 内存就暴涨，单机挂了数据就断。顺着这三个现象往下追：时序数据为什么要专门存，一个样本怎么压到 1 字节多，写入路径为什么切成 2 小时的 block，高基数为什么难，长期存储生态和 Prometheus 是什么关系，最后看今天的时序存储市场。
tmux 入门与配置指南
按实际使用中依次遇到的问题，一步步把 tmux 用起来：客户端 / 服务端架构如何让程序长时间运行，Session、Window、Pane 如何组织多任务，前缀键为什么要改、改了又会遇到什么，最后给出一份兼容 tmux 2.9+ 的完整配置。
Story-Test-Dev：叙事驱动开发
先写故事，再提测试，最后写代码。一种用 Markdown + pytest 就能落地的轻量开发方法，以及它和 BDD、ATDD 等业界实践的异同。
数学家一直在做同一件事——找到让问题变简单的维度
高等数学是不是本质上就是"另一个维度的加减乘除"？从算术到范畴论，数学史上的每一次重大突破，都是找到一个新的维度，让原本复杂的操作在那个维度下变成简单的东西。本文以神经网络的八层数学结构为例，揭示这种"维度跃迁"的统一本质。
技能即能力——OpenClaw 与 Claude Skills 机制对比
两个 AI Agent 平台不约而同选择了 SKILL.md 作为技能载体，却在元数据设计、触发逻辑、Token 管理和安全模型上走向不同方向。本文以 Todo List 技能为贯穿案例，逐层拆解两者的设计差异。
OpenClaw 的龙虾故事
从 511 行 TypeScript 到 21.8 万 Star，一个 AI 助手项目的九十天蜕壳记录。翻了 15,579 个 commit、11,058 个 Issue 和 11,991 个 PR，这是我找到的故事。
OpenClaw 会话管理的得与失
Gateway 是 OpenClaw 的消息中枢和会话状态管理中心。它的会话管理在小规模场景下优雅得令人舒适，但文件系统架构和平台耦合的领域模型，让规模化成为一道难题。
Python 全场景测试指南
AI 写代码的时代，测试不是可选项。从 WHY 到 HOW 到 WHAT，一份面向 Python 开发者的全场景测试实战手册。