又是风平浪静的两周，开始实践白天 build、晚上阅读的方案，确实白天还是有很多那种走神的瞬间，可以慢慢调整。Ariel 不在的两周（她去西藏冰川玩了），我终于获得了理想中的大把时间，但也没用来写代码，用来“还债”了——把一直拖着的《约翰王》《读懂莎士比亚》《莎士比亚的政治盛典》读完了，补完了很久之前看了第一集的《和平使者 2》，看完了一直心心念念的《杀死比尔》1 和 2，写完了一直拖着的《灰色的寒鸦》读书笔记，还捡回来之前打了一半丢掉的 33 号远征队，今天还在玩。下周准备去读《知识分子与社会》，从文学里换个口味。
《灰色的寒鸦》最让我感觉到有趣的是，与卡夫卡在作品中表现出的那种阴郁与灰暗不同，他本人，按作者的说法：“他是我曾遇到过的最逗人快乐的人之一”。卡夫卡的工作也令人羡慕：“我们俩热烈追求的是一种普通频率的职位——即从早晨到中午两点或三点上班”，虽然只在特定的政府或半官方机构有这样的。另外就是一些卡夫卡周围的人的结局的残酷性：卡夫卡的伴侣之一米莱娜·耶森斯卡和他的三个妹妹均死于集中营。
我与 vLLM 的 2025，我很喜欢的 quote：“钱什么时候都可以赚，有技能在身总不至于饿死。历史性的项目，错过了就遗憾终生。”
Heaps do lie: debugging a memory leak in vLLM，非常深入浅出的抓 bug 文章，一路从 debugger 到抓内存的工具到 eBPF，现代软件的复杂性：
Modern software stacks are built on top of layers of dependencies, each adding complexity and potential points of failure.另外，这标题绝对是借鉴了狼姐的《My hips don’t lie》，最近很爱听。The Bitter Lesson of Agent Frameworks，核心观点：
All the value is in the RL'd model, not your 10,000 lines of abstractions.所以当 X 上说 Claude Code 基本全是 Claude 写的我当然是相信的（笑。Which programming languages are most token-efficient，果然不出意外地，动态语言更省 token，然后 DHH 大佬补刀：
Ruby is not just highly token efficient for the LLMs, but even more so for humans. Being able to quickly read and verify what's been written by AI is a real advantage. And AI just doesn't need the types that some programmers cling to.提到 Ruby，LLMs and your career里也有个评论：Zooming out, coding via LLM is not fundamentally different from coding with Rails or coding by perusing Stack Overflow. It's faster and more direct but it's still potentially just a human mindlessly adapting existing code.Giving University Exams in the Age of Chatbots，里面有一些作者作为老师很有意思的观察，让学生可以选择是不是使用 AI chatbot，学生会如何行动。
Opus 4.5 vs Codex 5.2 for Cloud stuff，一直都有很多这样的对比文章，我个人还是喜欢 Codex + gpt5.2-high，慢但是准。
Human In The Loop Policy For AI/Tool-Assisted Contributions，LLVM 也明确了 AI contributions 的一些规范。参考I Know When You’re Vibe Coding里说的，
Don’t leave a codebase’s maintainability to the weights of a model.Unsloth AI on X: “You can now run GLM-4.7-Flash locally on your device!，UnSloth 火力全开啊，真猛，我喜欢他们。
为了验证 DeepSeek 的极限，莫名其妙手撕了 GPQA 和 HLE 数据集，结果发现了 AI 界的“科学失格”，评论区提到 HLE 的问题很大，现在基本上每家都是自己的科学数据。
一个不错的 agent skills 聚合站：Agent Skills Marketplace - Claude, Codex & ChatGPT Skills | SkillsMP
Introducing Agent Readiness，再次，游戏行业的 Agent Readiness 太差了，尤其是那些太忙了在疯狂堆量以至于没空去从头整理的地方。
还有用 AI 来帮助辅助逆向来看性能的，无源码逆向：深度剖析竞品性能，主要 AI 用在了找函数名，肯定比手动的静态分析快多了，但对我工作没啥帮助，毕竟我自己有符号。
总感觉很久之前读过这篇：Jolt 引擎如何实现确定性物理模拟，但最近出现在时间线了，又读了一遍，确定性真难啊，尤其考虑到 LLM 的确定性：Defeating Nondeterminism in LLM Inference。
也是一篇旧文，Hotspot performance engineering fails，我主要是 SQLite 的优化的案例然后翻到这篇文章里有引用的，真的脑子不行了需要外挂大脑，模模糊糊记得有这么篇文章，但是搜不到，然后这里写了点自己的想法jsjtxietian on X。
Why speed matters，又被 Lemire 大佬激励了：
Now stop being so slow. Move!我自己的话，简单调研了下如何让 LLM 读懂蓝图，看下来最好的方式可能还是 MCP，虽然我很不喜欢 MCP。我更倾向于这个作为一个 skill 存在，但是自己去解析二进制的蓝图太麻烦了，而利用 UE 的 python remote execution 效果也因为训练语料，效果很一般。
学到了火焰图还可以看 Bottom-Up View / Inverted Call Tree，我之前的使用方式都是整体看 top down 的耗时，所以倒是一直没关注这块，然后瞬间发现某个要优化的函数里 20% 是 struct 的拷贝。。。
升级了下博客，买了个腾讯云的域名然后设定了下用 Cloudflare 的 cdn 加速，应该解决了大陆访问本博客的 Accessibility 问题。本想整个公众号的，但是它对外链的限制太严格了，加上之前了解到的竹白等产品也无了，还是选择回归博客网页的形式。但是微信的墙我解决不了，已经照着申请恢复访问的步骤都做了，但是，也没任何反馈，也还是有问题。
越来越觉得止损很快乐，那是一种把垃圾资产抛弃掉的感觉，非常上瘾，每一次的下跌都是对于持仓的考验与历练。
最近有一种模糊的感觉，在 LLM 时代，权力对于真理的生产更加顺畅了。当每个人都能以极低成本接触到这样一个巨大的“真理制造机”的时候，真不知道未来的公共讨论会如何。