坏代码像葛藤：一旦种下就难以清除
代码一旦加进项目就很难删掉，因为人会不断在上面叠加新功能。作者建议每次加功能时就要想好怎么删，并在博客实测：加了 hashtag 气泡功能几个月后发现几乎没人用，果断删掉。 AI 时代更容易堆代码，更要把删除复杂度当成日常任务。 
评论
点赞
收藏
本地模型现在真的很好用了
<p>自从本地模型问世以来，我一直在使用它们1。如今，这些模型的表现竟然出人意料地出色。</p><p>我有一台2022款的Mac M2，配备64GB内存和1TB存储空间。我曾多次使用</p><p>• </p><p>• </p><p>• </p><p>• ,以及许多其他Qwen变体，比如</p><p>在各种不同的系统配置中进行测试，例如</p><p>• 原始的Llama CPP，搭配</p><p>• Llama-CPP-Python</p><p>• Ollama</p><p>• LLAMAFILES</p><p>• LM Studio</p><p>本地模型如今何去何从？</p><p>早期，本地模型运行缓慢、使用不便，而且在大多数编程任务上也谈不上多么精准。 直到我接触到GPT-OSS，人们普遍认为本地模型落后严重的想法才逐渐被打破。 不过，我并没有确凿的科学证据来佐证这一点——我个人对“一个模型是否足够好”的判断标准是： “我是否需要再用API模型来验证一遍？ ”而GPT-OSS正是我开始少用这种验证方式的第一个模型。</p><p>因此，目前我更多地将本地模型用于快速、个性化的开发需求，尤其是那些不需要实时更新的项目。对于这类任务，我更倾向于使用本地模型，而不是依赖云端的大型预训练模型。</p><p>然而，随着谷歌最新发布的系列模型，我终于得以在本地实现代理式编程，并且让循环的运行精度和速度达到了前沿模型的约75%水平——这简直令人惊叹！</p><p>截至目前，我主要…</p>
我们应该比模型更累。
<p>最近，我总觉得在与代理式代码生成协作时，自己对所编写的代码逐渐失去了掌控力。</p><p>当我完成一次代理式编程会话后，虽然表面上看起来像是写出了代码，却完全忽略了那些在我们手工编写代码时才会发生的内在过程——比如那些由手写代码所带来的种种细节与流程。</p><p>简单来说，人类大脑拥有多种记忆类型：短期记忆、工作记忆和长期记忆。 短期记忆能够暂时储存信息并快速处理这些信息，就像RAM一样。 而长期记忆则包括你之前学过、早已深藏于心底的知识，比如数据库中的数据存储。 工作记忆则从短期记忆和长期记忆中提取信息，并将它们加以整合、加工，从而综合出解决方案或对信息进行深入分析与处理。</p><p>当我们着手编写代码时（这里的“着手”指的是大多数情况下阅读他人的代码），这些过程都会在我们的大脑中同时展开，以帮助我们更好地理解并适应编程环境。</p><p>这其实并不令人意外：默认模式下的代码生成，往往与技能的持续积累背道而驰——尤其是因为它的用户体验设计， 与老虎机如出一辙：你拉一下杠杆，就能获得一份奖励（即解决你的编程问题的方案）。 某种程度上，我们已经用一串串标记取代了社交媒体的动态流； 而我期待着十年后的某一天，能再次研读那些论文。</p><p>要真正从单纯地生成答案，转变为有意识地运用工具，需要付出额外的努力。 有一次我在X平台上发帖，有人建议我：“如果你觉得在一次代理式编程会话后头脑一片昏沉， 那很可能是因为你自己动手改写了部分代码。 ”</p><p>受到这一建议…</p>
用BERTopic和LLM给我的博客文章打标签
作者详细记录了使用BERTopic结合多种LLM工具（Claude Code, Pi, Deepseek等）为博客自动打标签的工程实践。文章不仅包含具体的技术实现细节（从LDA到Embedding再到BERTopic的演进），还深入探讨了LLM在压缩而非生成方面的潜力、标签系统的历史演变以及个人项目中的UX思考。 这是一篇典型的Hacker News风格深度技术复盘，兼具工程细节与行业洞察。 
为自己种花：在AI时代重寻机器学习工程师的工匠精神
作者以荷兰黄金时代花卉画家Rachel Ruysch为隐喻，探讨在LLM生成代码普及的今天，传统机器学习工程师为何仍需追求技术卓越与工匠精神。 文章结合其构建语义搜索引擎Rijksearch的个人实战经验，详细拆解了数据清洗、Embedding模型选择、Redis Vector Sets索引及Go语言服务搭建中的具体决策与踩坑过程，强调数据直觉（Data Sense）、刻意练习和长期积累的重要性，反对过度依赖AI导致的工程能力退化。
机械同情：为何优秀的工程师也是出色的产品设计者
作者结合Don Norman的产品设计理论与软件工程中的机械同情概念，指出优秀工程师具备理解代码与产品边界的能力。文章批评当前AI编程代理缺乏这种同情心，列举了其在测试修复、类型使用、依赖管理等具体场景中的失败案例，强调人类积累的上下文直觉是AI难以替代的。
论编程之乐与Octocat
作者借GitHub频繁宕机之机，回顾了过去互联网初创时期的纯真与趣味，以Octocat生成器为例，感叹如今在裁员、AI焦虑和增长导向下，那种无实用目的的 whimsy 已难生存，虽对Claude Code的小趣味感到欣慰，但仍怀念那个充满编程快乐的时代。 
NASA报告揭示工程卓越的核心要素与失败根源
作者分享NASA 2012年发布的《工程卓越要素》报告，指出NASA失败的五大根源，包括从亲手工程转向监督、偏差正常化、缺乏批判性思维、权力下放及复杂性。 作者特别强调第一点：工程师失去对设计和硬件的亲手经验，导致技术敏锐度下降，并引用书籍说明保持一线工程文化的重要性，认为需重建基于亲手工作的技术卓越文化。
给开发者的解药：在效率至上的时代重拾构建的乐趣
作者针对当下开发者因追求效率而产生的职业倦怠，提出“慢下来”的建议。文章鼓励工程师回归构建的乐趣，通过阅读纸质书、手写代码、深入理解底层原理（如Transformer架构）以及参与社区互动来重获掌控感，强调过程本身的价值。
查询30亿向量：从工程实践到需求定义的反思
作者受Jeff Dean关于查询30亿向量的讨论启发，尝试实现最优Map-Reduce方案。文章记录了从朴素实现到向量化优化的过程，揭示了内存溢出和性能瓶颈。 最终指出，面对大规模向量搜索，明确需求（如ANN、压缩、硬件限制）比单纯的技术实现更难。
2025年度最爱书单：为什么程序员该多读小说？
知名技术博主 Vicki Boykis 分享其2025年最爱的五本书，包括小说和非虚构作品。作者提出一个反直觉观点：做代码的人应该多读小说而非非虚构，以打破灵感枯竭。 书单涵盖存在主义科幻、经典中篇、俄罗斯政治报道、爱尔兰文学及悬疑小说，每本都带有强烈的社会批判或哲学思考。文章体现了浓厚的人文关怀和个人阅读体验，适合喜欢深度阅读和技术人文交叉领域的读者。
部署的仪式：工程师面对不确定性的心理博弈
作者将软件生产环境部署比作古代航海和太空探索中的仪式与迷信，探讨了工程师在面对不确定性时的心理状态。文章指出，尽管拥有现代技术，但在上线那一刻，开发者仍会遵循各种潜规则和心理安慰行为，因为生产环境充满了不可控的人为和技术风险。 这是一篇关于软件工程文化、心理和不确定性的深度反思。
2025回顾：在生产的黑暗中点亮火炬
作者以《地穴》隐喻生产环境开发的黑暗与恐惧，通过从零构建一个Tokenizer服务的具体案例，详细拆解了从单一方法到完整微服务架构中遇到的无数边缘情况、工程决策及调试过程。 文章强调软件是随时间演进的，并在黑暗中通过日志和测试点亮路径，最终在年底完成系统硬化。 
我想看到狮子的利爪：在AI时代重拾软件工程的匠心
作者Vicki Boykis通过个人职业经历，探讨了软件工程中“匠心”与“平庸”的区别。她批评了当前由AI生成的代码带来的普遍平庸化趋势，强调了对代码质量、正确性及开发者关怀的追求。 文章引用Redis、cURL等优秀案例，呼吁开发者重视技艺精进，反对被AI生成的CRUD垃圾淹没，主张在技术世界中寻找并珍视人类智慧留下的卓越印记。
“漫步应用”：一种对抗软件熵增的日常工程心态
作者提出构建AI应用时需每日进行“漫步应用”式的测试，不仅检查功能，更要关注UI细节、性能及代码维护性中的“破窗效应”。这是一种强调日常习惯和整体体验的工程心态，而非传统的QA流程。
什么是Embeddings？一份给工程师和产品经理的基础指南
作者Vicki Boykis针对Embeddings概念缺乏通俗且深入的技术入门资料的问题，撰写了一份PDF指南。文章以毕加索早期绘画需掌握传统技法为类比，阐述理解机器学习基础概念的重要性。 内容旨在为非纯学术背景的工程师、产品经理和学生提供关于向量在推荐系统和NLP中应用的清晰工程与业务视角，强调建立正确的概念模型以打破大模型的黑盒性质。
现在的嵌入向量有多大？背后的原因是什么
作者回顾并分析了嵌入向量维度从早期的300维发展到如今4096维甚至更高的原因。文章梳理了从Word2Vec、BERT到GPT-3及现代大模型的演进历程，探讨了GPU优化、开源社区标准化、API商业化以及向量数据库普及对嵌入尺寸选择的影响。 同时提及了Matryoshka表示学习等新技术，旨在解释工业界在召回率、精度与硬件成本之间的权衡。
使用 Lunr.js 为 Hugo 静态站点启用搜索功能
作者介绍了如何在基于 Hugo 的静态博客中集成 Lunr.js 实现站内搜索。文章分享了利用 Claude 生成 Python 脚本构建索引、在 GitHub Actions 中自动化流程以及前端渲染的技术细节，并探讨了 LLM 在小功能开发中的实际应用场景。
AI我最喜欢的用途：写日志
作者深入分析了PyCharm中Full Line Code Completion插件的技术实现，探讨了JetBrains如何通过训练小型本地模型（基于Llama2架构，量化至INT8）来优化代码补全体验。 文章详细拆解了从数据清洗、Tokenizer设计到Beam Search推理的工程细节，指出在特定垂直场景下，小而精的本地模型比通用大模型更具实用价值，为开发者提供了关于AI工程化落地的深刻洞察。 
你的样本量应该有多大？
文章通过一个虚构的“治疗嗜睡症山羊”的创业公司案例，探讨了在大数据背景下如何确定合适的样本量。作者引用Hadley Wickham的观点，指出许多大数据问题本质上是小数据问题。 文中详细解释了置信水平、误差范围等统计概念，并提供了使用Python和在线工具计算样本量的具体方法，旨在帮助数据科学家在计算资源有限或处理速度受限的情况下，高效地进行数据采样和分析。