好的好的378的博客

20岁，我开始认真看自己的身体健康了 前几天，我去医院做了一次比较完整的检查。 以前提到体检，我的第一反应一直是：我才二十岁，能有什么问题？ 身体没有明显不舒服，平时该上课上课，该写代码写代码。偶尔睡得晚一点、吃得油一点，第二天照样能正常生活。年轻似乎天然给人一种错觉，好像身体永远有足够的余量。 直到这次真正拿着几张检查报告，一项一项往下看的时候，我才第一次比较认真地意识到：身体并不会因为年轻，就一直替你兜底。 这篇文章不是什么医学科普，也不是健康建议，只是想记录一下这次检查，以及它给我的一点提醒。 这次到底检查了什么 这次做的项目比我原先想象得多，包括血常规、肝肾功能、血脂、血糖、电解质、乙肝相关检查、心脏彩超、腹部超声等。 以前看到医院化验单上几十项指标，我基本不会认真研究。正常就正常，异常就异常，只要医生没特别说什么，拿到报告以后大概率也就放在一边了。 这次反而耐着性子一项一项看了一遍。 血常规整体没有看到明显异常。白细胞 6.08 × 10⁹/L，血红蛋白 147 g/L，血小板 254 × 10⁹/L，红细胞 4.83 × 10¹²/L，主要指标都在报告给出的参考范...

午饭这件小事 每天临近中午，手头的事情还没有做完，屏幕上的窗口一个叠着一个，桌边也散着纸张、鼠标、水杯和各种随手放下的小物件。可当饭盒打开，热气冒出来的时候，忙碌的上午就像被按下了暂停键。 这些照片没有精心布景，也谈不上什么美食摄影。它们只是我坐在桌前，准备动筷子之前，顺手留下的几顿中餐。现在再翻出来看，饭菜的味道也许已经记不真切，但那一刻的饥饿、满足和短暂放松，却都藏在画面里。 回头看，这些饭菜真正值得记录的，也许并不是它们有多特别。它们来自普通的日子，装在普通的餐盒里，陪我度过一个又一个普通的中午。照片中的桌面有些凌乱，饭菜也偶尔已经吃了几口才想起拍照，但生活本来就是这样：不会每次都摆好姿势，更多时候只是匆匆向前。 而午饭，是这匆忙之中一件很小、也很确定的事。 它提醒我，无论上午多忙，中午都要好好吃饭；无论生活看起来多么重复，每一天也都有具体的味道。也许多年以后，我记不起那天处理了什么事情，却可能还会记得某一盒油亮的烧味、某一口带着辣意的卤味，以及打开饭盒时，那一点真实而踏实的期待。 这些照片记录的不是盛宴，而是我的日常。平凡，却有滋有味。

如同嚼蜡——观《功夫女足》有感 首先声明：以下内容只代表我个人极其强烈的主观观点。看完《功夫女足》，我不是普通的失望，而是真的非常伤心，甚至有些愤怒。因为它消费的是“周星驰”这三个字，交出来的却像是一具只剩招牌、没有灵魂的空壳。 我印象里，第一次真正走进电影院看的电影，是大鹏的《煎饼侠》。那时候的我当然说不出什么镜头、节奏、人物弧光，只记得银幕很大、声音很响，一群看起来并不体面的人，为了一个近乎荒唐的梦想拼命折腾。《煎饼侠》当然不精致，甚至有些粗糙、有些喧闹，可它至少有一股笨拙的真诚：一个跌得很难看的小人物，还想把自己摔碎的梦重新拼起来。那是我对电影最早的印象之一——它可以不完美，但不能没有一点真的东西。 我和周星驰其实不算一个年代的人。真正开始认识他，是在初中看《赌神》一、二部的时候，顺着看到了《赌侠》。我现在还记得那种感觉：赌桌上，一帮人一本正经地耍帅、一本正经地装高手，周星驰带着一身“特异功能”，脸不红心不跳地做着最荒诞的事，旁边再配一个吴孟达，两个人像踩着同一种节拍，你说一句莫名其妙的话，他接一句更莫名其妙的。明明谁都没在认真搞笑，可整张赌桌就是好笑得不行。 后来我又顺着...

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...

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...

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 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 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 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 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...