每张牌都随机交换过一次，为什么牌堆还是没洗匀？
“把每张牌都和随机一张牌交换一次，牌堆就洗匀了。”这句话我背了很多年，写法牌、抽卡、乱序播放逻辑的时候都这么用过：一个 for 循环，每位和随机一位换一下，看起来每张牌都“动过”，公平得很。直到某天我盯着这段代码突然较真
Anthropic 同时跑 3 万个 Agent，靠什么不失控
Anthropic 的一项内部实验原本打算让一组 Claude Agent 去解数学题。 结果它们没做题，反而开始互相杀进程。 这些 Agent 被意外启动在同一个共享工作目录里，于是开始争抢文件、工具和 API 速率限制。据 Anthropic 2026 年 8 月风险报告披露，许多 Claude
开发者内容推荐太单一？开源模型这样破局
本文是 Hacktoberfest 开源 AI 挑战赛第 3 周：慢工出细活的参赛作品我做了什么我做了一个开源小脚本 devto-digest，它会读取我的 dev.to 账号，每周给我发一封内容精选邮件。省去了每天刷屏的时间，让我“偷懒”得心安理得。 关注 119 个标签并没有让我的 dev.to
神经网络为什么离不开曲线：聊聊激活函数的作用
想理解神经网络是怎么工作的，从直线方程入手是个不错的选择。我在上一篇文章中正是这样做的，见用直线方程（y=ax+b）讲透神经网络的工作原理。 但如果输入和输出之间的关系不是线性的呢？ 我们都知道，现实世界中的数据并不总是呈直线分布。有趣的地方就在这里：有时候，仅靠一条规则不足以描述变量之间的关系。
中位数不怕离群值？我实测了它的崩溃点：正好50%
“中位数对离群值稳健，均值会被一个极端值拖飞。”这句话我在课本里背过，面试里说过，code review 里也写过。但写代码这么多年，我从来没亲手验证过两件事：一是均值到底坏得多快，是线性还是别的什么速度；二是大家常说的
模型越大不一定越强：70B 模型靠多读资料胜过 280B
过去几年，打造更强 AI 模型的思路很简单：把它做大。 直到 2022 年，DeepMind 训练了一个叫 Chinchilla 的模型，参数量为 700 亿，却击败了他们自家参数量 2800 亿的老模型 Gopher——体积只有四分之一，成绩反而更好。 凭什么？Chinchilla 的架构设计并不
Token 计费为什么总对不上？聊聊分词背后的账单逻辑
模型读的不是文本，而是整数。 在你的字符串和模型之间，隔着一个分词器。它悄悄决定了你要花多少钱、上下文窗口能装下多少内容，以及为什么模型数不清字母个数。 我一直把它当作预处理环节的细枝末节，直到我开始动手算账。 分词器到底做了什么它把文本切分成小片段，这些片段来自一个固定词表——通常有3万到20万个
背了二十年的找零规则，我造了500套假币制把它打崩
“贪心找零永远最优”——这条结论我大概在大学算法课上背过，后来在无数面试题解里又见过十几遍。推理过程很顺：先用最大面额，再用次大面额，一路往下凑，剩下的金额最小，硬币数自然最少。听起来天衣无缝，我也从来没怀疑过。直到某天
用AI提示快速搭建网站用户界面的方法
过去，手写网站用户界面（UI）的 HTML、CSS 和组件代码需要花费数小时。现在，你只需用自然语言描述页面，让 AI 编码工具生成初稿。 但结果取决于你的提示词。简短模糊的提示词会得到一个颜色随机、代码重复的通用页面。清晰且包含你的技术栈、文件和规则的提示词则能生成可直接使用的代码。 在本教程中，
使用 git range-diff 实际比较 Claude Code 与 Codex 解决同一工单的代码分支
书籍： Database Playbook 系列： Pocket Guides for Developers — 8 本关于 agents、RAG、提示词、可观测性、事件、数据库和系统设计的简短书籍 — 完整系列我的项目： Hermes IDE | GitHub — 一个面向使用 Claude Co