Linux 命名指南：命令和参数，到底哪些能还原成英文？ 很多人学 Linux，第一反应是背命令，第二反应是背缩写，第三步就开始被各种“民科助记图”带沟里。 真相没那么玄：有些命令和参数确实能还原成英文，有些只是历史缩写，有些根本不能硬编。 学 Linux 最省力的方式，不是死记字母，而是搞清楚：哪些能翻译，哪些只能接受。 先说结论 Linux 命令的名字，大致分三类： 完整英文单词：比如 find、sort、less 可以还原的缩写：比如 pwd = print working directory，mkdir = make directory 历史遗留 / 约定俗成：比如 grep、awk、sed，这类别硬猜，查手册更快 参数也一样： 长参数通常就是完整英文：--help、--recursive、--ignore-case 短参数通常只是取一个字母：-r、-i、-v 同一个字母在不同命令里可能不是一个意思 所以核心原则只有一句： 能还原的就还原，不能还原的别硬编。先理解动作，再记字母。 一、命令名：哪些值得还原？ 先看一组最常用、而且值得记英文原意的命令。 1. 直接就是英文单词 这些最省心，看到名字就能大概知道它是干嘛的： find：查找 sort：排序 less：分页查看 touch：创建空文件 / 更新文件时间戳 clear：清屏 kill：向进程发送信号 export：导出环境变量 这类命令不用过度解释，按英文单词理解就行。 2. 能还原成英文短语的 这类是最适合新手建立“语义感”的： cd = change directory pwd = print working directory mkdir = make directory rmdir = remove directory cp = copy mv = move rm = remove ps = process status man = manual chmod = change mode chown = change owner 你会发现一件事： ...

📰 AI 博客每日精选 — 2026-03-09 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天技术圈的焦点，集中在“AI 已从辅助走向实质性智力参与”：从前沿模型解答计算机科学难题，到开发者在高压场景下借助生成式工具快速交付，AI 正在逼近研究与工程生产力的核心环节。与此同时，围绕“AI 重写软件”引发的许可、伦理与历史正当性之争明显升温，开源世界开始重新审视“重新实现”这件事在 AI 时代的边界。另一个值得注意的信号是，行业对 AI 的态度正变得更冷静——无论是对商业 AI 权力结构的质疑，还是对 ELIZA 式拟人错觉、伪包管理器和“最小可用工具”的反思，都说明技术圈正在从狂热转向务实。 🏆 今日必读 🥇 Donald Knuth 谈 Claude Opus 解出一个计算机科学问题 Donald Knuth on Claude Opus Solving a Computer Science Problem — daringfireball.net · 5 小时前 · 🤖 AI / ML Knuth 记录了自己研究数周的一个开放计算机科学问题，被 Anthropic 在三周前发布的混合推理模型 Claude Opus 4.6 解出的经历。核心信息不只是“模型答对了”，而是它给出了让 Knuth 认可的、漂亮且可验证的解法，这对长期以严谨著称的理论计算机科学语境尤其关键。文章强调，生成式 AI 在某些高难度推理任务上，已经不再只是辅助写作或代码补全工具，而开始触及真正的数学与算法发现。Knuth 也据此公开修正自己对 generative AI 的既有看法，把这次结果视为一次具有标志性的能力跃迁。 ...

📰 AI 博客每日精选 — 2026-03-08 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天技术圈的主线，正在从“AI 能做什么”转向“AI 该如何持续供给、分发与治理”。一边是面向开源维护者的 AI 扶持计划、基金会新工作组等动作，说明大模型能力正加速嵌入开源基础设施；另一边，关于算力紧张、免费层商业模式和平台信誉的讨论升温，暴露出 AI 普及背后的成本压力与治理焦虑。与此同时，开发者工具、个性化阅读和轻量化 Web 体验持续受关注，也反映出技术社区开始重新重视效率、控制权和更可持续的数字生态。 🏆 今日必读 🥇 面向开源的 Codex Codex for Open Source — simonwillison.net · 4 小时前 · 🤖 AI / ML OpenAI 针对开源项目维护者推出了与 Anthropic 类似的扶持计划：为符合条件的热门开源项目维护者提供 6 个月 ChatGPT Pro 使用资格，定价对标 Claude Max 的 200 美元/月套餐。该计划的核心卖点不只是 ChatGPT Pro 本身，还包含 Codex，以及“有条件的 API 额度”，明显瞄准需要借助 AI 提升维护、审查和开发效率的开源作者群体。时间点上，这一动作紧随 Anthropic 在 2 月 27 日宣布向满足 5,000+ GitHub stars 或 100 万+ NPM 下载量项目维护者赠送 6 个月 Claude Max 之后，形成直接竞争。两家模型公司都在争夺高影响力开源维护者，因为这类用户既是技术意见领袖，也是 AI 编程产品的重要示范人群。作者传递出的关键信号是：面向开源维护者的 AI 补贴战已经开始，OpenAI 正在正面回应 Anthropic 的攻势。 ...

📰 AI 博客每日精选 — 2026-03-07 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天技术圈的焦点，正从“功能创新”转向“底层控制权”之争：一边是持续多年未被察觉的 iOS 高强度利用工具包曝光，提醒人们移动安全与供应链防御仍存在深层脆弱点；另一边，AI 公司与国防体系的合作加速，显示大模型竞争正从产品赛道升级为国家战略与产业分层的博弈。与此同时，工程实践也在回归现实主义——无论是代理式测试、遗留系统审计，还是自建邮件与基础设施折腾，核心都指向一个共识：技术价值不只在“能做什么”，更在“是否可验证、可掌控、可长期运行”。平台治理与生态控制同样升温，从应用商店反垄断到去中心化社区再评价，行业正在重新审视“谁拥有入口、谁定义规则”。 🏆 今日必读 🥇 Google 威胁情报团队披露：来源神秘的强大 iOS 利用工具包 Coruna Google’s Threat Intelligence Group on Coruna a Powerful iOS Exploit Kit of Mysterious Origin — daringfireball.net · 6 小时前 · 🔒 安全 一套名为“Coruna”的高强度 iOS 利用工具包，暴露出 2019 年 9 月发布的 iOS 13.0 到 2023 年 12 月发布的 iOS 17.2.1 之间，苹果 iPhone 长时间存在可被系统化利用的攻击面。Google Threat Intelligence Group 识别出该工具包包含 5 条完整 iOS 攻击链、共 23 个漏洞利用，核心价值不在单点 0day，而在于覆盖面完整、组件化程度高，足以支撑稳定实战攻击。它表明攻击者不仅掌握内核、沙箱逃逸等关键环节，还具备把多代系统漏洞串联成“可运营武器库”的工程能力。对防御方而言，这类 exploit kit 的危险在于可复用、可组合、可迁移，意味着补丁管理和版本滞后会被持续放大。结论是，Coruna 不是零散漏洞集合，而是接近工业级的 iOS 攻击平台，反映出高端移动端攻防已进入体系化阶段。 ...

📰 AI 博客每日精选 — 2026-03-06 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天的技术讨论集中在两条主线上：一是 AI 代码生成与重写带来的身份与授权边界问题，洁净室模式与“忒修斯之船”式重实现引发新的法律与项目归属争议。二是生成式 AI 在高风险场景的可靠性与责任缺位被再次敲响警钟，税务与医疗等领域强调可解释、可审计而非概率拼接。工程实践层面则关注构建与系统机制的“隐形规则”，从包管理器的魔法文件到 Windows 消息派发时序，体现了基础设施细节对行为的决定性影响。工具生态继续探索更统一的交互体验，把复杂版本控制操作抽象到 LSP 级别，试图跨编辑器复用能力。 🏆 今日必读 🥇 编码代理能否通过“洁净室”实现重新许可开源代码？ Can coding agents relicense open source through a “clean room” implementation of code? — simonwillison.net · 6 小时前 · ⚙️ 工程 核心问题是编码代理生成的“洁净室”式实现是否会改变开源代码的许可边界与法律风险。文章回顾了 Compaq 1982 年通过双团队隔离逆向 IBM BIOS 的经典洁净室案例，说明其关键在于规格与实现团队的严格隔离。作者指出如今的编码代理可以从测试、接口描述或自然语言需求生成全新实现，形成“功能等价但路径不同”的代码。以 chardet 等项目为例，新的实现可能不含原代码，却在行为上兼容，模糊了许可与衍生作品的界限。结论是：技术上可行不等于法律上安全，必须重新审视“洁净室”在 AI 时代的合规标准。 💡 为什么值得读: 它把 AI 代码生成与开源许可的灰色地带讲清楚，适合需要评估合规风险的开发者阅读。 🏷️ coding agents, clean room, open source, licensing ...

📰 AI 博客每日精选 — 2026-03-05 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天技术圈的主线集中在两端：一边是开源大模型快速迭代与提示工程边界的再讨论，反映出对“能力提升”与“方法论风险”的双重关注；另一边是工程实践的自省，从反模式、依赖冷却期到“看似不会失败”的 API，都在提醒稳定性和协作质量才是底盘。与此同时，硬件与平台话题继续升温，苹果的产品兼容与芯片定位变化折射出生态重心的迁移。整体看，行业在性能竞速与工程秩序之间寻找新的平衡点。 🏆 今日必读 🥇 Qwen 的局势似乎有变 Something is afoot in the land of Qwen — simonwillison.net · 11 小时前 · 🤖 AI / ML 核心焦点是阿里 Qwen 团队近期发布的 Qwen 3.5 开源大模型家族与团队动向。作者认为 Qwen 3.5 过去几周的密集发布非常突出，可能代表该系列的里程碑。与此同时，过去 24 小时内的高层离职引发对团队未来的担忧。文章以 Junyang Lin 的一条推文为导火索，串联事件背景。作者的态度是希望 Qwen 3.5 不会成为“绝唱”。 💡 为什么值得读: 既有模型发布进展，也涉及团队变动与风险判断，适合关注国产开源大模型生态的人快速把握风向。 🏷️ Qwen, open-weights, LLM, Alibaba 🥈 反模式：应避免的做法 Anti-patterns: things to avoid — simonwillison.net · 10 小时前 · ⚙️ 工程 ...

我最近一直在用的学习方法，借助AI直接做成skillhttps://github.com/originem0/agent-skills/tree/master/skills/PEROlearn 关键词：建立有缺口的框架、把单个的知识点或概念串成逻辑链、事后主动复述。 自从有了AI的辅助，我才体会到什么是因材施教，不厌其烦，由此生出学习渴望。 我与它交互的经验有：1、尽可能的暴露自己的缺口，让它真正理解你的需求，才更好针对解答。2、个人主动性，以前老师常说“不懂就问”，现在这种机会唾手可得，所以不要吝啬追问、不要停于表面。3、开始前，与它探讨以确认自己真正的目标。事后，怎么验收成果。 终身成长，自我约束 步骤 核心动作 目的 P - Priming（启动） 快速浏览，建立有缺口的框架 让大脑知道"这是相关的，要留意" E - Encoding（编码） 找核心锚点，建立逻辑链 深度加工，形成神经连接 R - Reference（外包） 细节放笔记，大脑只记核心关系 释放认知负荷 R - Retrieval（检索） 主动回忆，不看资料说出来 强化神经通路，暴露漏洞 I - Interleaving（交错） 混合不同主题练习 训练"识别问题类型“的能力 O - Overlearning（过度学习） 学会后继续练习达到自动化 可选，针对需要熟练度的技能 学习理论 油管博主Justin Sung的学习理论或学习方法有何亮点？ Gemini：Justin Sung 是一位专注于高效学习（High-Efficiency Learning）的 YouTuBer 和学习教练，他的核心理念建立在认知心理学和神经科学的基础上。 不同于市面上常见的“番茄工作法”或单纯的“记笔记技巧”，Justin Sung 的理论更侧重于大脑如何处理和存储信息。他主张通过改变大脑的编码方式（Encoding）来减少对重复记忆（Rote Memorization）的依赖。 以下是 Justin Sung 学习理论和方法的几大核心亮点： 核心系统：PERO 模型 他将高效学习拆解为一个完整的流程，称为 PERO System： P - Priming (启动/预习)：在正式学习前，先快速浏览内容建立“脚手架”或“蓝图”。亮点：这不仅是预习，而是为了让大脑建立“相关性过滤器”（Relevance Filter）。如果不做 Priming，大脑会因为觉得新信息“无关”而迅速遗忘。 E - Encoding (编码)：这是他理论中最核心的部分。指将原本杂乱的信息转化为大脑易于理解和存储的结构（如分类、简化、建立联系、类比）。亮点：他认为大多数人学习效率低是因为"编码"这一步做得太浅（Lower Order Learning），导致只能靠大量重复来弥补。高效学习者在"编码"阶段花费最多脑力，从而在无需大量复习的情况下也能记住。 ...

基于 Anthropic 内部最佳实践（Boris 分享）+ 个人实操总结的可执行操作手册。 核心理念：头脑风暴 → 计划 → 执行，前期功夫占最大分量。 底层逻辑见 [[AI协同开发的第一性原理]] 总览：三阶段工作流 模糊想法 │ ▼ ┌─────────────────────────────────────────────┐ │ 第一阶段：头脑风暴（该不该做？做什么？） │ │ ├─ 关卡1：问题审视（这个想法在解决什么？） │ │ ├─ 关卡2：最小可行性验证（技术上做得到吗？） │ │ └─ 关卡3：方案比较 + 预验尸（用哪种方案？） │ │ │ │ ⚠️ 占总精力 30-40%（最容易被跳过，也最值钱） │ └──────────────────────┬──────────────────────┘ │ 三个关卡全部通过 ▼ ┌─────────────────────────────────────────────┐ │ 第二阶段：计划（怎么做？） │ │ ├─ Plan 模式出详细方案 │ │ ├─ 创建/更新项目 CLAUDE.md │ │ └─ 规划测试场景 │ │ │ │ 占总精力 20% │ └──────────────────────┬──────────────────────┘ │ 计划审查通过 ▼ ┌─────────────────────────────────────────────┐ │ 第三阶段：执行（动手做） │ │ ├─ 并行 worktree 工作流 │ │ ├─ 建立测试 → 自动修 bug │ │ └─ 子代理分流 │ │ │ │ 占总精力 40-50% │ └─────────────────────────────────────────────┘ 大部分人的精力分配是 5% / 10% / 85%。这就是做到后面越偏越远的根本原因——计划建立在未经验证的假设上，执行得越好偏得越远。 ...

从零建立 LLM 知识体系 从"语言模型是什么"出发，沿 基础原理 → 架构 → 训练 → 对齐 → 应用 的主线展开，每个模块建立因果逻辑链。 语言是人类知识的通用载体。学会预测语言 ≈ 被迫学会语言中编码的知识和推理。规模放大了这个效应。 前置知识 LLM在更大的技术体系中的位置？ 人工智能 (AI) └── 机器学习 (ML) └── 深度学习 (神经网络) └── 自然语言处理 (NLP) └── 语言模型 (LM) └── 大语言模型 (LLM) 简要认识一下： 人工智能 (Artificial Intelligence)：让机器做通常需要人类智能的事。 机器学习 (Machine Learning)：AI的一个子集。核心区别，不是人写规则，而是让机器从数据中自己学出规则。 深度学习 (Deep Learning)：ML的一个子集。用的工具是多层神经网络，很多层简单计算单元叠在一起，深就是层数多。 自然语言处理 (Natural Language Processing)：AI里专门处理人类语言的分支。 LLM是深度学习在语言领域的一个特定应用。 LLM是什么（程序员视角）？ 很多技术我们不知道它是什么，不妨先把它整体看作一个有输入和输出的黑箱。 你觉得它和传统软件或应用程序有什么区别？比如一个计算器程序，用户输入1+1，输出为2。如果你用过ChatGTP，你就会发现输入同样的问题，它每次回答的内容都不尽相同。 传统软件，是程序员根据需求严格编好的一套规则——代码，每一步行为都是人预先定义好的。 ChatGTP，没有人写过“如果用户问X就回答Y”的规则。它是吃了互联网上几万亿字的文本，然后从中学出来的，没有人能完整说清他内部到底学了什么。 我们可以确认模型内部形成了某种对语言世界的理解结构，不停的预测下一个输出是什么。 LLM是一个从海量文本中学会了**”给定上下文，什么是合理的下一套token“**这套规则的模型。 基础概念 Token（输入的基本单位） ↓ 概率分布（模型对下一个 token 的预测方式） ↓ 上下文窗口（模型能看到多少 token 来做预测） token(BPE分词) 我们使用各家厂商的模型，经常听到花费多少token，那token究竟是什么？这个我们要回到自然语言处理，有一个专业术语叫tokenization（分词/标记化）。 人类认识文本以字或词来为最小的一个意义单元。 ...

📰 AI 博客每日精选 — 2026-03-04 来自 Karpathy 推荐的 92 个顶级技术博客，AI 精选 Top 10 📝 今日看点 今天技术圈的主线集中在两端：一方面是低价高效的大模型与“讨好式”风险的再讨论，既追求性价比也在追问可靠性边界。另一方面，苹果以 M5 系列带动的硬件升级密集发布，性能与 AI 能力成为新品叙事核心。与此同时，工程实践层面继续关注基础设施的痛点与自动化落地，从包管理命名难题到 AI 直接写入代码库的工具化趋势。 🏆 今日必读 🥇 Gemini 3.1 Flash-Lite Gemini 3.1 Flash-Lite — simonwillison.net · 1 小时前 · 🤖 AI / ML Google 发布了 Gemini 3.1 Flash-Lite，定位为低价高效的 Flash-Lite 系列更新。定价为输入 $0.25/百万 tokens、输出 $1.5/百万 tokens，仅为 Gemini 3.1 Pro 的 1/8。模型支持四档“思考级别”，可在推理深度与成本之间做权衡。作者展示了用不同思考级别生成四种鹈鹕结果，体现可控推理风格。结论是该版本以极低成本提供可调推理能力，适合大规模调用场景。 💡 为什么值得读: 值得读是因为它直接给出新模型的价格/能力定位与可控推理特性，便于快速判断是否适合你的成本与质量需求。 🏷️ Gemini, LLM, pricing, model-release 🥈 苹果推出搭载 M5 Pro 与 M5 Max 的 MacBook Pro ...