在树莓派终端前，我发现自己可能并不会写代码
当项目一直在 Build，而我很少 Review，也很少真正 Coding。 最近在玩树莓派时，我尝试做了一件现在看来很普通、对我来说却有些陌生的事情：不用 AI 生成代码，也不开代码补全，只在终端里用 vi 和 nano 编辑文件，再分别用 Python、gcc 和 javac 运行或编译程序。 面对一个几乎空白的文件，我原本以为自己很快就能写完。真正动手以后，我才发现事情并没有想象中顺利。 写 C 语言输入时，我一时想不起 scanf("%d", &a); 为什么需要取地址符 &；定义函数时，也会短暂忘记形参前必须写类型。换到 Python，又需要重新确认 input() 返回的是字符串，如果要读取整数，还得写成 int(input())。Java 的 Scanner、类名、入口方法和各种括号，也不再像以前那样自然地从手指里流出来。 这些语法并不难，查一下文档也很正常。真正让我不安的不是忘记某个符号，而是我已经很久没有独立面对一个空白文件了。 离开 AI 以后，我还剩下多少能力 过去一段时间，我做过不少项目。 我搭建过 Hexo 博客...
深圳，不只是有大厂，还有我想去的大学
香港中文大学（深圳） · 南方科技大学 · 深圳大学城参观记录 很多人提到深圳，第一反应都是腾讯、华为、大疆、比亚迪这些科技公司。而这次来到深圳，我发现支撑这座城市持续创新的，除了企业，还有一批同样优秀的大学。 前几天，我花了一天时间，先后参观了香港中文大学（深圳）、南方科技大学以及深圳大学城。离开的时候，我最大的感受并不是“校园很漂亮”，而是第一次真正理解了深圳为什么能够成为中国科技创新最活跃的城市之一。 港中深：第一次有了“国外大学”的感觉 在网上，我看过很多国外大学的视频。 大片的草坪、现代化的建筑、开放式校园，还有学生自由交流和学习的氛围。以前总觉得这些离自己很远，直到真正走进香港中文大学（深圳），这种感觉第一次出现在现实里。 校园建筑大量采用玻璃幕墙和现代设计语言。与印象中教学楼密集排列的传统校园相比，这里更强调空间感和开放性。站在宽阔的广场上，看着建筑与绿地自然连接，我终于理解为什么很多人说港中深“不像一所传统意义上的国内大学”。 让我印象更深的是这里的书院制度。 学生不仅属于学院，也分别属于不同的书院。书院更像一个共同生活和成长的社区，会组织各种活动，也为...
读《在 AI 浪潮下，如何留在牌桌上》：AI 时代，我想成为怎样的开发者
原文：在 AI 浪潮下，如何留在牌桌上 作者：Innei｜发布于 2026 年 6 月 28 日 建议先阅读原文，再回来看这篇文章。 最近读到 Innei 的《在 AI 浪潮下，如何留在牌桌上》，我停下来想了很久。 这篇文章真正触动我的，并不是“AI 会不会取代程序员”这个已经被反复讨论的问题，而是另一个更具体、也更难回答的问题：当 AI 已经能够快速生成代码、页面甚至完整项目时，一个开发者还能提供什么不可替代的价值？ 从“会不会被取代”到“我能负责什么” 原文从职业焦虑写起。AI 编程工具在很短的时间里从辅助补全发展成可以独立处理复杂任务的 Agent。过去我们可能会担心，过度依赖工具会不会让自己的基本功退化；现在更现实的压力却是，几乎所有人都开始使用这些工具，仅仅“会用 AI”已经不足以成为优势。 我很认同这一点。 如果两个人都可以让 AI 在几分钟内生成一个项目，那么真正拉开差距的，不再只是生成速度，而是后面的一连串问题：需求是否定义清楚，方案是否适合真实用户，代码是否可靠，异常是否被考虑，最终结果是否真的可以交付。 AI 可以给出答案，但开发者仍然要对答案负责。 所以...
AI 的下一个关键词，不是 Agent，而是 Loop
AI 的下一个关键词，不是 Agent，而是 Loop 过去一年，几乎所有人都在谈 Agent。 它能读文件，能调用工具，能写代码，能拆解任务，甚至能像一个员工一样连续工作几个小时。于是很多人开始相信，AI 的下一阶段就是“智能体时代”。 但最近，一个更值得关注的词正在出现：Loop。 Agent 解决的是“AI 能不能行动”的问题。Loop 解决的是“AI 能不能越做越好”的问题。 这两者差别很大。 从一次回答，到持续闭环 过去我们使用 AI，大多是一次性的。 你输入一个问题，它给你一个答案。答案好不好，主要靠你自己判断。它像一个很聪明的临时顾问，但每一次对话结束后，经验很难沉淀下来。 Agent 往前走了一步。它不只是回答，而是可以执行。 比如你让它改代码，它会读项目、找文件、修改、运行测试，再根据错误继续修复。它已经不像聊天框，更像一个可以被委派任务的执行者。 但真正让 AI 进入生产系统的，不只是执行，而是闭环。 什么是 Loop？ 简单说，就是一个持续循环： 目标 -> 行动 -> 反馈 -> 修正 -> 再行动 如果 AI 写了一段代码，测试失...
数据库第六章作业答案
数据库第六章作业答案 第六章作业，共 50道单选题，主要覆盖关系规范化、函数依赖、无损连接与保持依赖、事务 ACID 特性、并发控制、封锁协议、数据库恢复等内容。 说明：第3题选项存在一定不严谨之处。若按题库常见答案，应选 A；若严格按“最小函数依赖集”定义，AED→C 可由 A→C 推出，应删除，因此严格结果应为 {A→E, A→C, B→D}，但选项中没有完全正确项。 答案速查表 题号 答案 题号 答案 题号 答案 题号 答案 1 A 14 A 27 C 40 C 2 B 15 A 28 C 41 B 3 A* 16 B 29 B 42 C 4 D 17 B 30 C 43 D 5 B 18 B 31 D 44 D 6 C 19 A 32 C 45 B 7 D 20 D 33 B 46 C 8 B 21 A 34 C 47 C 9 D 22 A 35 D 48 C 10 C 23 B 36 D 49 A 11 D 24 A 37 C 50 A 12 A 25 B 38 B 13 A 2...
机器学习期末复习资料：老师重点整理版
机器学习期末复习资料：老师重点整理版 0. 使用说明与重点来源 这份资料根据你拍摄的老师重点清单整理，并结合机器学习课程的常见考试方式进行补全。照片中有反光和遮挡，个别词我按课程常见写法修正：PACA 按 PCA 处理，AKSAISZ 按 batch size 处理，K算法按 KNN 和 K-means 分开整理。整体识别置信度为中，核心知识点置信度为高。 复习时不要只背定义，要能判断题目属于分类、回归、聚类、降维还是优化问题。考试中最容易丢分的地方不是概念本身，而是把 KNN 和 K-means 混淆，把逻辑回归当成普通回归，把 PCA 当成分类算法，把准确率当成唯一评价指标。 1. 机器学习总览 机器学习是让计算机从数据中学习规律，再用学到的规律对未知样本进行预测、分类、聚类、降维或决策。传统程序通常是“人写规则，机器执行规则”；机器学习是“人提供数据和目标，机器从数据中学习规则”。 1.1 机器学习基本流程 明确任务目标：先判断是分类、回归、聚类、降维、推荐还是异常检测。 收集数据：数据可以来自数据库、传感器、日志、图片、文本、表格等。 数据预处理：处理缺失值、异常值、重...
机器学习题库综合提取版
机器学习题库综合提取版 根据原复习范围、题库导出文件和新增手机图片范围综合整理。 使用说明：前半部分为题库原题提取，保留原题号、题干、选项、答案和解析；后半部分为图片范围中题库缺失或覆盖不充分的补充题，便于考前背诵和答题。 识别说明：手机图片中部分文字被反光和边框遮挡，本文按可辨识内容整合。其中“PACA”按 PCA 处理，“AKSAISZ 大小”按 batch size 大小处理。 一、整合后的范围索引 模块 覆盖考点 题库原题号 图片补充点 机器学习任务类型、监督学习与算法选择 覆盖分类、回归、二分类、多分类、聚类、监督学习与无监督学习差异，以及算法选择依据。图片中“房价、肿瘤、信用卡、身高体重”等场景也归入本节。 1、14、15、16、20、23、25、32、38、39、40、44、45、86、99、102、106、107、133、134、151、197 房价/肿瘤/信用卡等任务识别；KNN评价；SVM判断；PCA衡量。 数据预处理、特征工程、评价指标与交叉验证 覆盖数据预处理包含内容、标准化、异常值、缺失值、特征工程、交叉验证、模型评价指标、Ac...
学校-计网知识点总结
Computer Network 期末中文复习资料详细版 说明：本资料按你上传的期末复习提纲和照片中的参考题整理。正文用中文讲解，关键英文术语保留在括号中，方便你理解后再转成英文答题。照片中个别题目因拍摄角度不完整，原题按可识别内容整理，若不影响题意则做了少量顺句处理。 0. 考试范围与复习优先级 0.1 题型和分值 题型 数量 分值 复习策略 判断题 10 题 10 分 记概念、协议特点、设备层次 选择题 20 题 20 分 记关键定义、协议区别、字段含义 计算题 5 题 40 分 重点练时延、信道容量、CSMA/CD、CIDR、IP 分片、TCP 窗口 综合应用题 3 题 30 分 重点练子网划分、路由表、RIP 更新、TCP 序号确认号 0.2 最高优先级章节 第四章 网络层：CIDR、子网划分、路由表、最长前缀匹配、IP 分片、ARP、RIP、NAT。 第五章 运输层：UDP/TCP 区别、TCP 首部、序号和确认号、窗口、三次握手、四次挥手。 第三章 数据链路层：CSMA/CD、争用期、最小帧长、二进制指数退避、MAC 帧格式。 ...
一个中文乱码检测修复工具 AI Text Encoding Guard
一个中文乱码检测修复工具 AI Text Encoding Guard 最近整理了一个开源项目，叫 AI Text Encoding Guard。 事情的起因很具体：用 Claude Code 改含中文的文件，改完一看，中文全变乱码了。 修复前（乱码） 修复后（正常）───────────────────── ─────────────────────// 鐢ㄦ埛鐧诲綍鎴愬姛 // 用户登录成功// 鏁版嵁搴撹繛鎺ュけ璐� // 数据库连接失败// 璁㈠崟鍒涘缓鎴愬姛 // 订单创建成功 这不是个例。Claude、Cursor、Copilot、Codex 都会中招。根源是 UTF-8 字节被误读为 GBK，等你发现的时候用户已经看到乱码了。 它做的事 扫描文件 → 七种乱码模式打分 → 可疑文件标记 → 一键修复（带备份） 核心流程： 扫描项目目录，默认覆盖 20 种常见文件扩展名 七种检测维度逐行分析，每种有独立权重 文件总分 > 0 标记为可疑，...
一个个人调研 Agent TopicScout
一个个人调研 Agent TopicScout 最近把我一直在做的一个工具整理出来了，名字叫 TopicScout。 做这个东西的起因很简单：每次做视频、写文章之前，都要花大量时间到处搜资料、翻帖子、看视频，信息散落在 B站、知乎、小红书、微信公众号、网页各个地方，最后整理起来又是一堆乱七八糟的链接。 所以我想，能不能有一个工具：输入关键词，自动帮我把全网资料爬下来，AI 总结归类，最后直接导出一份结构化的调研报告。 核心流程： 关键词输入 → AI 追问细化 → 并发爬取多源 → AI 总结归类 → Notion 式前端展示 → PDF/JSON 导出 它能做什么 1. AI 追问 不是你丢个关键词就闷头爬。它会像聊天一样问你几个问题：你想研究哪个方面？时间范围是？关注商业方案还是开源？ 问到它觉得够了，自动标记 [READY]，提取标题和描述让你确认。超过 10 轮还没问清楚也会自动兜底，不会卡死。 2. 多平台并发爬取 目前支持： 通用网页（基于 Crawl4AI） B站（视频搜索 + 内容提取） 微信公众号（关键词搜索，调 we-mp-rss 微服务） 抖音、微博、知...