突然发现自己好久没更新博客了，整整两个月什么都没发 （说的跟之前每个月都发似的）。
于是我简单说说看最近一段时间的一些感悟、发现、发生的事情之类的内容。
我感觉还是得定时更新一点东西， 要不然就长草了（
2022年，医生在为一名87岁的癫痫患者做脑电监测时，意外记录下了人类历史上第一次完整的临终脑电：心脏停跳前后的三十秒里，伽马波骤然爆发——那正是与回忆、做梦高度相关的脑波。研究者推测，那一刻大脑也许正在“回放”一生。
我们常把这种现象叫作“走马灯”。有研究称，这场临终的神经风暴，强度可达清醒状态的十倍之多。人死之前，一生的画面会在眼前呼啸而过。
我盯着这条消息看了很久，冒出一个荒诞又迷人的念头。
作为常与大语言模型打交道的开发者，我对“上下文窗口”再熟悉不过：模型的记忆有配额，token一点点填满，临近上限时，系统会执行一次压缩总结——把冗长的对话浓缩成一段摘要，作为新窗口的起点。
把这个机制套到人生上，竟严丝合缝。
从第一声啼哭开始，我们的上下文就在不断写入：母亲的手温、夏夜的蝉鸣、某次心碎、某场大雪。而遗忘，不过是注意力机制的截断——无关的token被丢弃，重要的片段被加权。到了终点，配额用尽，大脑执行最后一次总结：把一生的喧嚣压缩成一束光，在三十秒里全部点亮。
走马灯不是幻觉，它是生命在做 compaction。
我甚至觉得，这个比喻反过来也成立。每次盯着对话窗口的上下文占用一点点涨上去、逼近那条看不见的红线时，我总会生出一种奇异的代入感：原来“记忆有限”这件事，连机器都要精打细算地面对。我们只是看不见自己的进度条罢了。
而遗忘，现在想来，竟是一种慈悲。如果每一个token都被原样保留，上下文早就被噪声塞满——排队时的焦躁、无意义的争执、刷过去的无数条短视频。大脑替我们做了剪枝，把空间让给真正重要的事。只是它从不告诉我们，它按什么标准加权。这大概是生命最固执的隐私。
如果死亡只是一次总结，那么摘要去了哪里？
《西藏度亡经》在说“死亡并非终结，而是‘中阴’”——意识在旧窗口关闭与新窗口开启之间的过渡态。佛家把这叫轮回：上一世的业力，正是这一世的初始上下文。
尼采则从另一个方向抵达了同一处。他在“永恒轮回”说：“你的一生将无数次重演，每一个细节都不差分毫。”这并不是诅咒，而是一次拷问——如果同样的上下文要反复展开，重复经历，作为执行者的“你”是否愿意？
而庄子的话更早，也更轻盈：“方生方死，方死方生。”生与死不是两端，而是同一枚硬币的两面；庄周梦蝶，蝶梦庄周，谁是谁的上下文，本就说不清。
于是乎，我便在想，所谓“下一个窗口”，未必非要玄学来担保。
此刻的我，本来就是许多人总结后的产物：母亲说话的口音，父亲沉默时背手的姿势，某位老师随口一句话在我这里活了十几年，某个早已失联的朋友留下的一个习惯。他们的一部分，早已作为初始上下文写进了我。而当我退场，我的摘要也会散落在认识我的人那里——被谁在某个瞬间想起，被谁无意间复述，被谁带着继续走下去。
这或许是一个不需要信仰也能验证的“轮回”：我们都在彼此的上下文里，继续活着。
这个猜想真正锋利的地方在于生命的持续。
模型的总结从不是平均的：它保留高权重的信息，丢弃噪声。人生也一样。临终的走马灯里，闪回的几乎不会是加过的班、吵过的架，而是那些被反复“加权”的瞬间——爱人的眼睛、孩子的第一声啼哭、某个晚霞里忽然涌上来的，“活着真好”的一瞬。
《金刚经》说“一切有为法，如梦幻泡影”。可正因为如露如电，每一个被认真活过的时刻（或也可以称之为token？）才显得更加弥足珍贵。苏轼写“人生如逆旅，我亦是行人”——行人带不走客栈，却带走了记忆里的灯火。
那么，如果今晚就是配额用尽的那一晚，我的走马灯里会闪过什么？
答案出乎意料，我完全没在想完成了什么项目，更没有回忆起哪次争论里落了下风而沮丧。我所走进的，是某个冬天的早晨，阳光斜着穿过床帘的缝隙，我的母亲在煮粥，雾气漫进我的房里来；是某次夜里的促膝长谈，朋友说到一半无言，泪水已干，而又忽然笑了；是某年海边，浪声大得盖过所有心事，远方的太阳仍缓缓而别。似乎全是些无法写进履历的小事，但也是我所向往的，真正的“高权重片段”。
反过来想，这也让人有点坐立不安。此刻我正在经历的，有多少是我的噪声？刷过去的信息流、反复确认的焦虑、对不重要的人动过的肝火——它们都在占用配额，却大概率进不了最终的摘要。意识到这一点的那一刻，既残忍，又像一种赦免：原来我可以随时停笔，把下一行写成别的。
所以与其恐惧死亡，不如时常自问：此刻正在写入的，是我想留在最终摘要里的东西吗？
生命的结束，也许真的只是一次上下文总结。旧的窗口缓缓关闭，一生的喧嚣被压缩成一粒安静的种子，落向某个我们无法观测的新窗口。
我们无法决定窗口的长度，却能决定它的内容。
我无法预知摘要最终的模样，却能决定此刻写下什么。所以今天的我，想多写一点值得重播的画面：认真看一次晚霞，认真听完一句话，认真记住此刻还在身边的人。
愿你的总结里，写满值得重播的画面。
得益于自己懒+这个月确实事情有点多，感觉自己的博客已经摸鱼很久没更新了。这个月初我自己过生日，在生日当天的话仍然是表演了一下例行节目，发了一个微信朋友圈和QQ说说，祝大家高考顺利，给各位高考生上个buff。
平常写的代码绝大多数都是Python、Kotlin、Java、Typescript之类的，也经常用Markdown写写文档。最近我还打算折腾折腾Rust。
这几天里，我在开始尝试用Zed来写这些代码。
我又在群里跟别人吵架了，这次吵架的话题如标题所述。而正是因为这篇post来自于吵架，所以内容显然是松散的（好像我之前写的所有内容都是松散的
正如我在「写在2026年刚开始的时候」里写的那样，「AI的发展真快啊，确实是超出了我的想象了」。AI越来越强了，它能够替我们完成许多许多繁琐的工作了。与此同时，对我自己来说，我自己越来越觉得自己是一个废物了。
或许「学习」这件事在AI盛行的当下，变得越来越没有意义了？「传统教学」这件事在AI盛行的当下是不是已经变成了一个彻头彻尾的笑话呢？
今天在群里在群里跟网友吹比，吹着吹着突然发现一个问题。现在AI技术日新月异，我们似乎一直没有关注过上下文这一块的问题。
起因是发现 Wakeup 课程表更新后被塞入了一大堆冗余功能（搜题、提示登录等），本来想去官方反馈一下好歹给一个关闭的选项，结果到了 QQ 频道发现此 App 已经被售出并商业化，只能自己设法回退版本。
谷歌搜索之后，得到了如下解决方法，在此记录一下，方便以后使用。
首先，下载 ipatool：
前言 今天打算把我的 256G SD卡 换到一张 521G 的 SD卡。在拷贝了文件过去之后发现开机进 HEKATE 无法开机进入虚拟系统，显示如下错误： 因为太久没有动过破解了，所以完事了之后才想起来 emuMMC 是有个单独的分区的。 于是本次教程直接过一遍我个人感觉比较方便的 SD 卡迁移流程
brew install ipatool
然后，执行登录：
ipatool auth login -e <your_apple_id_email>
随后输入提示和 2FA 码，完成登录：
9:52PM INF email=<your_apple_id_email> name="Your Name" success=true
使用 search 命令搜索你想要降级的 App：
ipatool search <app_name>
此例中，搜索：
ipatool search Wakeup --format json
得到如下 JSON 结果：
{
"level": "info",
"count": 5,
"apps": [
{
"id": 1553402284,
"bundleID": "com.wakeup.schedule",
"name": "WakeUp课程表-超级好用的课程表",
"version": "6.0.80",
"price": 0
},
// ...
],
"time": "2025-11-28T22:21:57+08:00"
}
很明显，第一个是我们要的，记录下来他的 bundleID，也即 com.wakeup.schedule。
使用 list-versions 命令列出该 App 的所有版本
ipatool list-versions -b com.wakeup.schedule --format json
得到结果如下：
{
"level": "info",
"externalVersionIdentifiers": [
"840461360",
"842067932",
"842408761",
"842433648",
"842569452",
"842608243",
// ...
],
"bundleID": "com.wakeup.schedule",
"success": true,
"time": "2025-11-28T22:21:43+08:00"
}
你可以直接使用 jq 来对结果进行排序：
ipatool list-versions -b com.wakeup.schedule --format json | jq '.externalVersionIdentifi
ers | sort_by(tonumber) | reverse'
得到结果如下：
[
"879551069",
"879389049",
"878503093",
"878288344",
"878285945",
"877806886",
"877585055",
"877474991",
"877453456",
"876777068",
// ...
]
当前的最新版本是 6.0.40，最后一个无广告、冗余功能版本是 6.0.32。然而并不是往回数 8 个版本就是 6.0.32，我们可以通过 get-version-metadata 命令来获取实际版本：
ipatool get-version-metadata -b com.wakeup.schedule --external-version-id 877585055
得到结果：
10:36PM INF displayVersion=6.0.32 externalVersionID=877585055 releaseDate=2021-03-14T08:00:00Z success=true
可以看到，877585055 对应的版本才是 6.0.32。
找到这个 externalVersionId 之后，我们可以使用 download 命令下载该版本：
ipatool download -b com.wakeup.schedule --external-version-id 877585055
然后我们就能得到对应的 ipa 安装包文件 com.wakeup.schedule_1553402284_6.0.32.ipa。
首先，下载 Apple Configurator，安装后打开。
使用数据线连接到你的 iPhone，完成授权后直接将上一步下载得到的 IPA 文件直接拖入到你的 iPhone 中，即可完成安装。
此时，会提示你「已存在名为“WakeUp课程表”的 App」，选择「替换」即可。
由于身处医学部，修读信双的我一节线下课都去不了，所有信双课程都必须自学，所以在过往的三年里，为了监督自己学习，我为大部分课程都同步撰写了笔记，在此过程中，AI 使我受益匪浅，它不仅能够帮我答疑解惑，详细地讲解 Slides 中没写明白的地方，还能帮我省去许多苦力活，敲出许多近乎完美的 LaTeX 代码，形成高质量、通俗易懂的笔记，成为了我信双学习生涯不可或缺的助力。
在过往的学期内，很多的笔记都是我对着 PPT 硬问 AI 然后结合录播自行增改所撰写，但随着 Gemini 的横空出世，我总结出了一套很棒的 Pipeline，感觉很适合信科课程的学习，在此分享给大家，希望能对大家有所帮助。
前言 如果你去 Apple Store 看过 M 系的 iMac 的话，你会发现它们的系统强调色是经过定制的，与机身颜色相符。这些颜色比起 macOS 自带的那个几个要显得更加低调，不扎眼。我个人非常喜欢，想要在自己的 Mac 使用。发现这些颜色在 macOS 中都是有的，只不过被禁用了而已。如果你
gemini-2.5-pro 模型生成 Markdown 笔记（方式见后），建议不要全文送入，尽管上下文可以 Cover，但有可能对于重点和细节的关注有所下降，我一般就是一节课（约 50 min）一次输入。关于 AI 的使用：
尽管使用了 AI，但如果用心整理笔记，仍会花费接近甚至超过课程的原始时间（对我而言，基本上是原始时间的 1.5x），不过的确能在此过程中充分理解课程内容。
希望对大家有所帮助。
{TEXT}
根据以上转录稿（请注意，其中可能存在大量的识别错误，你可能需要自行猜测并修正之）以及所给 PPT 内容，撰写详细清楚的笔记，要求使用 markdown。 风格类似
```md
## 线性模型
线性模型：线性模型就是要学习特征 $X$ 的一种线性组合来进行预测，进行运算 $y = wX + b$，其中 $w$ 是 $X$ 的权重，$b$ 是偏置，$y$ 是预测值。
我们希望通过学习得到最优的 $w$ 和 $b$，使得预测值 $y$ 与真实值（ground truth） $y_{GT}$ 的误差最小。
其中，$X$ 具有 $n$ 个特征，$X = (x_1, x_2, ..., x_n)$，其每个分量都代表一个特征，$y = w_1x_1 + w_2x_2 + ... + w_nx_n + b$，是 $X$ 各个特征的线性组合。
**线性回归**：给定数据 $D = \{(x_1, y_1), (x_2, y_2), \ldots, (x_n, y_n)\}$, 用一个线性模型估计最接近真实 $y$ 的连续标量: $f(x_i)=w^T \cdot x_i + b$， 也就是要 $f(x_i) \approx y_i$
其中，$(w, b)$ 是要学习的模型参数。
也就是要：
$$
f^{*} = \arg \min_f \mathbb{E} [ ( f ( X )-Y )^{2} ]
$$
由于我们不能无限地获得数据，所以我们只能通过有限的数据来估计这个期望，也就是：
$$
f^{*}= \arg \min_f \frac{1}{N} \sum_{i=1}^{N} ( f ( x_i )-y_i )^{2}
$$
这也被称为 Empirical mean（经验均值）。
其中，$n$ 是数据的数量，$x_i$ 是第 $i$ 个数据的全部特征，$y_i$ 是第 $i$ 个数据的真实值，$f(x_i)$ 是第 $i$ 个数据的预测值。
```
如你所见，我希望笔记可读性很强，详细介绍所有出现的公式、符号定义，深入讲解讲稿中的核心 insight 与重要知识点，同时兼顾思维的连贯性，我希望你尽量少运用加粗语法与列表语法，并尽量使用中文标点符号，除非必要情况。
请直接输出 md 格式内容，无需外包代码块。
此为视频内容，点击此处查看本视频 >>
一次配置，轻松读取！
一款简单便捷的通用配置文件加载、读取与更新工具，可自定义配置的格式。
项目地址: https://github.com/CarmJos/configured
我的Github账号地址: https://github.com/CarmJos
核心：预设计并计算轨迹，随后只是重放轨迹，实际上是不断 “重放”
问题：
如果想要足够通用，则需要像人，才能实现 “通用机器人”（Task generalists），能够形成 perception-action loop（感知 - 动作循环）。
实际上是形成了一个神经网络：
神经网络：
思维活动：
人脑：
观点：没有具身智能，就没有 AGI。
具身智能最大的问题：缺少真实数据，不能满足 Scaling Law 所需的数据量。
和智能驾驶不一样，在真实世界中快速采集到所需数据是几乎不可能的。
神经网络还有一个问题，就是泛化性，因为在真实世界中数据的分布可能会与训练集的分布不一致。
可能的解决方法：合成数据。
优点：
本设计想法来自微信群，有同学发了一张伪造的校长获奖图片，于是我也想自己试一试，表彰一下我同学在过去几年内在鸽子学领域里所做出的卓越贡献。
首先，分析一下由插画家设计的原图：
我们发现，伪造一张类似图片的最大难度在于人物图像处理，其包括了外围的黑色简笔画和内部金色的人像阴影。
思路有了，接下来就是制作了，本来已经用同学的照片做了一张了，但是出于版权考量（鸽王本人不太愿意直接用他的肖像公开在网络上），我们使用来自 pexel 网站的免费可商用人物肖像做示例。
Source: https://www.pexels.com/zh-cn/photo/220453/
简单抠个图：
ok，接下来进行风格化处理。我们打开 Snap Art，开始挑选适合的绘画风格，这一步时我们发现 SnapArt 不支持 PNG 格式图片，故而重新先用 Photoshop 将其转化为白底 JPG 图片后导入，这个过程我一共做了三张图片，分别为黑色基础照片、灰色阴影照片、衣物描边照片。
从左至右依次为：衣物描边照片、黑色基础照片、灰色阴影照片
如此一通操作，简单的模仿便完成了，由于原图模特同时具有大胡子 + 眼镜，所以这种非绘画形式的图片处理就会显的有些拙劣。当然你也可以选择用 SnapArt 处理完简笔后再用 Procreate 自己填充金色阴影，不过由于我是个手残，于是只能选择相信机器处理 2333。
做完这些后，我们再新建一个画布，调整大小、填充背景纸张纹路，仿制原图色块和文字（字体为大名鼎鼎的 Avenir，需调整字间距进拟合），期间需要使用色彩选择工具去除仿制图片的纯白色以凸显底部纸张纹路，最终，我们便能得到我们想要的效果：
连着好几天零点抢入校预约，经历了好几次 1 分钟秒没，气急败坏的我决心彻底自动化这个过程...
于是，就有了这个仓库
https://github.com/zhuozhiyongde/PKU-Auto-Reservation
此为视频内容，点击此处查看本视频 >>
本视频解答了 BV1kM411X7uA 视频下一些常见的问题，并额外提供了部分建议。
CMakeList文件地址: https://github.com/CarmJos/CWorks
我的Github账号地址: https://github.com/CarmJos
国内访问文件可以尝试使用：cdn.jsdelivr.net/gh/CarmJos/CWorks@master/CMakeLists.txt
—[额外链接]——————————————————
JetBrains官网(中文): https://www.jetbrains.com/zh-cn/
CLion下载地址: https://www.jetbrains.com/zh-cn/clion/download/
0x00 简介 本文仅适用于配置 Debian 13 Trixie 文中包含 KDE Plasma X11 桌面配置 文中使用 debianuser 代替用户名，执行命令或复制配置时请注意替换 文中涉及的带版本号的软件包/环境，版本号使用 xxx 代替，请根据实际情况安装最新版本或自己需要的版本 本
前言 macOS用着很不错，这台2009年的Mac Pro跑的甚至比我的2017 iMac还快。配置如下： X5690 *2 32GB DDR3 ECC RX580 8G Sandisk SSD 但，我有个基于Unity的神秘街机游戏想要跑在上面，得益于以上的配置我认为这台Mac Pro可以轻松的在
2025年5月18日，这天我于纽约理工学院以研究生的学位毕业。 五年是过的如此之快，在最后一个学期同时上四节研究生课，还在作为教授助理工作，IT工作，以及社团团长，让我忙的团团转。 但毕业之后，感觉突然一切都结束了，有种莫名的空虚感，以及这种突然闲下来的手足无措。 最终四门课的最终判定都是A，学期G
前言 Kubernetes 的官方中文文档内容全面，表达清晰，有大量示例和解析 无论任何情况下都推荐先花几个小时通读官方文档，来了解配置过程中的可选项，以及可能会遇到哪些问题 本文基于官方文档中 入门 - 生产环境 一章来整理部署流程 Kubernetes 文档 | Kubernetes 架构 OS
问题 Debian开机不进入GUI界面而是进入BusyBox命令行页面，页面如下： Gave up waiting for root file system device. Common problems: - Boot args (cat /proc/cmdline) - Check root
前言 无论什么时候在Linux上面装中文输入法是真的头痛，所以这次写一个教程教如何在Debian Linux中安装基于Fcitx5的Rime输入法。 正文 删除已经安装的版本 如果你之前已经安装过了ibus或者fcitx，可以用以下指令先删掉: sudo apt purge fcitx* sudo
前言 Debian 12目前带的是Gnome 43.9，对比Fedora和Ubuntu的45、47版本来说已经比较过时了。近期切换到Debian时候发现了这个问题并找到了方法切换到Unstable分支上来获取最新版的Gnome 47。经过测试后相对稳定流畅。 正文 以Root登录 如果你没有将自己设
配置 Device: Dell PowerEdge T630 CPU: Intel(R) Xeon(R) E5-2696 v4 x2 GPU 1: Matrox Electronics Systems Ltd. G200eR2 GPU 2: NVIDIA GeForce GTX 1060 3GB O
配置 Device: Dell PowerEdge T630 CPU: Intel(R) Xeon(R) E5-2696 v4 x2 GPU 1: Matrox Electronics Systems Ltd. G200eR2 GPU 2: NVIDIA GeForce GTX 1060 3GB O
前言 事情是这样的。我这两天尝试从Windows 11 23H2更新至24H2，安装助手却报错提醒这台电脑无法升级到此版本的Windows。你的电脑上有一个驱动程序或者尚未准备好用于此版本的Windows。Windows 更新将在问题解决后自动为你提供此版本的 Windows。 最主要是这一步不会告
前言 前几天从工位拿到了个淘汰的Mac Pro。机箱是真的好看，内部做工精致整洁，可玩性非常强，于是不想放弃这个机会，打算对这台Mac Pro进行一次全方面的升级。 目前这台机子的配置是两块4核的Intel Xeon 5520作为CPU，两根1GB的DDR3 ECC SDRAM内存条，一张苹果于20
复习册：Azure 云服务 1. Azure 服务性能优化 问题描述：Tradewind Traders 的电子商务网站在某些时段响应速度很慢。 解决方案：使用负载均衡，它能够分散网络流量，确保没有服务器过载，从而提升应用响应速度。这虽然需要增加成本以运行多实例，但能有效改善性能。 相关概念：负载均
虽然很闲得慌，但是如果OEM信息意外丢失的话，这里就只会显示System Product Name，看起来很膈应人。或者如果你想自定义这里改成你想要的文字，也可以遵循本文章教程。 很简单，首先使用Windows+R快捷键打开运行。在新弹出的窗口输入"regedit"打开注册表编辑器。 点击确定，然后
时隔上次发这个标题的博文过去了两年多，いぬすく社团更新了《妹!せいかつ～ファンタジー～ 》的DLC内容！其中一个和公会成员一起去温泉旅行的休息BGM再一次抓住了我的耳朵。由于这次的作曲风格依然很像是まんぼう二等兵的作曲风格，因此这一次很容易就可以找到乐曲的名字，おきらくシュガー！就和作者说的那样：
前言 终于从本科毕业了。虽然还有一年的研究生，但是这四年过的真的很快。讲真，这次的毕业设计我不是非常满意，但也拿到了还算不错的成绩。于是就用这个文章来聊聊我的毕设经历。 美国的毕设(Senior Design Project)是啥样的？ 我对中国的毕设了解不多（因为没在中国上过大学）。但是根据朋友描
基本信息 GL.iNet 的配置信息（例如 S/N 码、设备 ID、区域代码等）位于设备 Flash 分区内，不随固件更新 注意：操作过程中请务必对分区原始数据进行备份 导出分区 注意：不同型号设备的区域代码所在分区位置有可能不同，数据存储的形式也可能不同，未经验证 此处以 GL-B3000 为例，