LibreChat MCP Stdio CVE-2026-22252远程代码执行漏洞分析
2026年1月
Cursor 推出动态上下文发现功能，提升了 Token 的使用效率
Cursor 推出了一种新方法，用于减少发送给大语言模型（LLM）的请求上下文的大小。这种方法名为动态上下文发现（Dynamic Context Discovery），它摒弃了以往在请求开始时就包含大量静态上下文的做法，转而让智能体（agent）按需动态检索所需信息。这种方式不仅显著减少了 token 消耗，也避免了将可能令人困惑或无关的细节混入上下文。 为了实现动态上下文发现，Cursor 采用了五种不同的技术。这些技术有一个共同特点，即以文件作为 LLM 工具的主要接口，使内容能够由智能体动态存储和获取，而不是一次性塞满有限的上下文窗口。 随着编码智能体能力的快速提升，文件已成为一种简单而强大的基础原语（primitive）。相比引入另一种尚无法完全适应未来需求的抽象层，使用文件是一种更安全、更务实的选择。 Cursor 使用的第一项技术是将大规模输出（比如，shell 命令或其他工具的输出）写入文件，确保关键信息不会因上下文截断而丢失。随后，智能体可根据需要使用 其次，针对上下文过长时被摘要压缩而导致信息丢失的问题，Cursor 会将完整的交互历史保存到文件中，使智能体能在后续需要时检索缺失的细节。同样，领域特定的能力被存放在文件中，智能体可通过Cursor内置的语义搜索工具动态发现相关文件。 对于 MCP 工具（Model Context Protocol 工具），传统做法是在请求初始阶段就加载所有 MCP 服务器提供的工具描述，而 Cursor 修改为仅传递工具名称。当任务实际需要某个工具时，智能体才会动态拉取其完整定义。这一策略大幅降低了 token 总量： 智能体现在只接收少量的静态上下文（包括工具名称列表），并在任务需要时主动查询具体工具。在一项 A/B 测试中，对于调用了 MCP 工具的运行实例，该策略平均减少了 46.9%的总 token 使用量（结果具有统计显著性，但方差较大，这取决于所安装 MCP 服务器的数量）。 此外，这种方法还带来一个额外的优势，那就是智能体可以监控每个 MCP 工具的状态。例如，比如某个 MCP 服务器需要重新认证，智能体可以及时通知用户，而不是完全忽略该问题。 最后，所有终端会话的输出会同步到文件系统。这使得智能体能更轻松地回答用户关于命令失败原因的问题。同时，通过将输出存入文件，智能体可使用 grep 等工具仅提取相关的信息，进一步压缩上下文规模。 在 X 上，用户 @glitchy 指出，虽然减少token是重要目标，但是尚不清楚这种动态机制是否会增加延迟。@NoBanksNearby 则认为，动态上下文发现“在同时运行多个MCP服务器时，对开发效率提升巨大”。@casinokrisa也对此表示赞同： token 数量几乎减少了一半，既降低了成本，又加快了响应速度，尤其是在多服务器场景下。 最后，@anayatkhan09提出了可能的优化方向： 下一步应该是向用户开放动态上下文策略，让我们能针对不同代码仓库调整优化的激进程度，而不是对所有工具一视同仁。 据 Cursor 官方表示，动态上下文发现功能将在未来几周内向所有用户开放。 原文链接： AI-Powered Code Editor Cursor Introduces Dynamic Context Discovery to Improve Token-Efficiencytail等命令读取文件末尾的内容。
二十年，重新出发！第 20 届 D2 技术大会「AI 新」议题全球征集正式开启
二十年，是一个坐标。从 Web 2.0 的萌芽，到移动互联网的爆发，再到云原生时代的重塑，D2 技术大会伴随开发者走过了整整二十载风雨。 今天，我们站在了一个更加宏大的分水岭。AI 不再是遥远的科幻逻辑，它正以一种近乎“重构”的姿态，系统性地改写终端技术的底层范式：从代码生成的协作，到架构设计的逻辑，再到交互体验的边界。 第 20 届 D2 技术大会，年度主题定为——「AI 新」。 它既是我们的时代判断，也是我们的集体宣言。它是 AI 驱动的创新，也是终端人对技术边界追逐的热爱之新。 此刻，我们正式向全球开发者、架构师、技术领袖及创新实践者发出邀请：来 D2，分享你对 AI 时代终端技术的独到见解，共同定义下一个二十年的生产力！ 七大核心专场，期待你的真知灼见 我们渴望真实工程中的突破，珍视深度思考后的落地，让技术回归解决问题的初衷。 这是本届 D2 的主干专场。AI 正在从“辅助助手”升级为“协作伙伴”。 征集方向： AI Agent 编程工具的研发与设计 侧重 Agent 型 AI 编程工具在本地与远程形态下的架构与产品设计。征集议题包括 IDE 深度集成、上下文采集与记忆管理、代码库索引检索、任务规划与工具调用、执行沙箱与权限控制、审计与回放、可观测性、成本/延迟优化与多模型策略等。重点关注可靠性与可控性：减少误改、支持规范化交付与团队协作。 AI-Native 开发实践 聚焦真实项目中 AI 编程的可复用方法。征集包含 Spec 驱动开发（结构化需求/验收标准/契约/测试）、AI 编程 Workflow 探索（从需求到 PR/发布的流水线）、以及团队级 AI 驱动研发实践（流程改造、提示/模板沉淀、质量门禁、效率与质量度量、失败复盘）。重点是“怎么做得稳、做得快”。 AI Coding 前沿研究与技术趋势 关注下一代 AI Coding 的关键技术与趋势。征集议题包括长上下文与复杂依赖、代码语义理解与程序分析结合、自动化评测与基准、对齐与安全、多智能体协作、可靠性与可解释性增强等。重点探讨研究如何走向工程落地与可验证的效果提升。 终端是 AI 被感知的最前线。交互范式的巨变已经发生。 征集方向： UI 范式重塑 探讨从 GUI 向 LUI 或 AUI 的代际演进。聚焦 Agent 驱动下的意图识别、动态 UI 生成及个性化界面即时构建。征集议题包括主动交互设计、多 Agent 协作下的用户反馈回路、以及如何利用 AI 简化复杂业务流的操作门槛。 空间智能体验 聚焦多模态感知与空间计算的深度融合。涵盖视觉、语音、触觉在 3D/XR 环境下的集成交互，以及 AI 驱动的实时场景理解与数据可视化。重点探讨如何利用空间智能让数字世界更符合自然认知，实现高沉浸感的智能反馈。。 具身交互探索 关注 AI 进入物理世界后的交互挑战，从 AI Wearables、AI PC 到机器人具身智能。探讨硬件约束下的自然语言处理、人机交互（HRI）实践及环境感知反馈。重点关注如何通过端侧智能赋予硬件产品生命力，解决真实场景下的交互痛点，探索用户真正愿意买单的终端新价值点。 当 AI 成为“默认能力”，底层技术如何适配？ 征集方向： 语言与编译器演进 探讨编程语言如何适配“人机共写”新常态。征集议题涵盖 LLM 友好型语法设计、智能化类型系统、AI 辅助的编译优化与静态分析等。重点研究如何通过语言特性的进化，提升 AI 生成代码的质量、安全性与复杂逻辑表达力。 Agent 框架重构 当 Agent 成为系统编排者，探讨传统框架的抽象层重塑。征集议题涵盖声明式意图驱动的框架设计、元数据驱动的界面自动生成、以及为 AI 重新设计的组件模型。重点关注框架如何提供更高级别的抽象，以支持多 Agent 在复杂业务逻辑中的无缝协作、状态同步与逻辑自治。 智能运行时与内核 推动 AI 从工具层下沉为系统的核心能力。聚焦内置 AI 推理能力的运行时引擎、模型与容器/内核的深度集成，以及 AI 驱动的动态资源调度策略。重点探讨端云协同背景下，如何模糊开发与运行、模型与逻辑的边界，实现具备自适应、自进化能力的智能运行基座。 测试不再是滞后的环节，而是 AI 介入最深、收益最显性的战场。 征集方向： 用例生成与自愈 探讨利用 LLM 实现测试全生命周期的自动化。征集议题包括基于语义理解的单元/集成测试生成、复杂业务场景下的测试数据合成，以及 UI 自动化脚本的自愈（Self-healing）机制。 风险洞察与优化 聚焦利用 AI 提升质量保障的精准度与效率。征集议题涵盖基于变更分析的智能回归测试缩减、线上异常的实时检测与根因定位，以及多维度的质量风险预测模型。探讨如何利用算法在海量代码变更中快速锁定高风险区域，解决快速迭代与质量稳定性之间的核心矛盾。 治理与角色演进 关注 AI 引入后测试流程与组织效能的系统性重构。核心议题包括 AI 测试工具的 ROI 分析、人机协同模式下的 QA 职责重定义，以及在规模化工程中构建“默认内置 AI”的质量防线。探讨如何通过技术赋能，打破质量与效率的零和博弈，重塑技术团队的质量文化与评价体系。 关注 AI 在真实业务落地时的“最后一公里”。 征集方向： 业务深度嵌入 探讨 AI 如何从外部辅助工具进化为业务逻辑的核心。寻找在复杂业务场景中的落地架构案例，关注如何处理模型输出的不确定性以交付“确定性”结果。重点探讨 AI 对传统业务流程的深度重构，在提升用户价值的同时，确保生产系统的稳定性、安全性与商业收益。 规模化生产交付 聚焦 AI 从原型验证（PoC）走向规模化交付的工程拐点。征集议题涵盖支持大规模 AI 应用的工程底座、端到端 AI 生产平台的演进、以及 FinOps 成本分析与合规治理。探讨如何构建标准化的平台能力，支撑 AI 跨团队、跨业务的高效迁移与持续稳定运行，实现技术普惠。 全链路协同提效 关注覆盖需求、设计、交付及运维的 AI 全链路闭环。核心议题包括新一代人机协作下的流程重塑、领域专用 Agent 的生产环境编排，以及科学的效能度量方法。探讨如何通过技术与组织的双重演进，实现软件生产体系的跨越式提效，将 AI 潜能真正转化为规模化的实际业务产能。 底层基础设施如何承载高算力与高响应需求？ 征集方向： 架构适配与演进 探讨终端架构如何重构以深度兼容 AI 能力，重点研究如何调整传统的软件拓扑结构，以支持 AI 在终端侧的无缝集成、高效编排与复杂的应用状态管理，提升端侧智能的响应实时性。 运行时与性能优化 聚焦通过底层技术突破 AI 运行的性能瓶颈。征集议题涵盖面向 AI 指令集优化的编译器技术、异构算力的极致加速实践，以及轻量化端侧容器演进。探讨如何通过运行时与系统内核的深度协同，在有限的硬件资源限制下，实现极致的推理速度与能效比。 端侧工程与协同 核心议题包括模型量化、蒸馏与剪枝的终端实战、端云协同推理架构，以及隐私安全约束下的端侧学习。探讨如何构建高效的端云配比方案，在保障响应速度与数据隐私的同时，实现计算成本与用户体验的帕累托最优。 这是最具时代情绪的专场。AI 正在让“超级个体”成为可能。 征集方向： 全栈生产力飞跃 探讨 AI 如何打破专业壁垒，实现“一个人就是一支团队”。分享利用 AI 协同完成从需求定义、全栈开发、交互设计到市场增长的全链路实践。 商业闭环与实战 聚焦超级个体的商业化落地与可持续经营之道。征集独立开发者的 AI 实战案例，涵盖极致成本控制下的产品生存策略、AI 辅助的商业决策与自动化运营。探讨在 AI 时代，个体如何构建轻量化、高利润的商业模式，并成功应对从单兵作战到规模化营收的真实挑战。 职业路径重构 探讨从“专项开发者”向“产品主理人”转型的思维重构、AI 时代的个人品牌经营，以及个体长期竞争力的构建。研究在组织边界日益模糊的未来，技术人如何利用 AI 工具集寻找更具自主性的创作路径，定义下一代极简且高效的职业范式。 顶尖出品人矩阵：为议题深度护航 本届 D2 各专场由行业资深专家领衔，他们不仅是评审者，更是议题的“合伙人”。 我们寻找的不仅是一个演讲者 更是一个在 AI 工程深水区挣扎过、思考过、最终破局的见证者 隐风| 淘天集团-用户 &内容终端技术负责人 云谦| 蚂蚁集团-高级前端技术专家 悟石| 淘宝闪购-消费者端技术负责人 渚薰| 前淘宝互动游戏专家 偏右| 蚂蚁集团-支付宝体验技术前端平台负责人 张磊| 字节跳动 Web Infra 技术负责人 泠乐| 淘天集团-淘宝终端质量负责人 茹炳晟| CCF TF 研发效能 SIG 主席 / 复旦大学 CodeWisdom 成员 达峰| 蚂蚁集团-平台体验技术部负责人 穆宸| AliExpress-终端技术负责人 / D2 负责人 永霸| 淘天集团-交易终端技术负责人 崔红保| DCloud CTO / uni-app 跨平台框架负责人 秦粤| 阿里云-数据库高级前端专家 梓骞 | 启智云图 CEO / Lovrabet 产品创始人 出品人寄语：“在 D2，我们致力于将前沿的 AI 实践提炼为系统化的技术范式。我们期待与你一同锚定 AI 时代的工程坐标，让每一份实战洞察都汇聚成定义未来的行业基准。” 🌟 为什么来到 D2 舞台 顶尖技术影响力：D2 是国内终端技术的风向标，线下规模 2000+，线上覆盖数十万专业开发者。 二十周年里程碑：参与第 20 届这一极具纪念意义的盛会，与业内最具创新精神的技术人同频共振。 常态化社区联动：优质内容将同步至稀土掘金、InfoQ、AI 产品榜等联合承办方平台，获得持续的行业曝光与认可。 🗓️ 议题提交指南 截止时间： 2026 年 1 月 23 日（请关注官网最新动态） 议题要求：内容具有前瞻性、实战性或深度思考；拒绝纯广告，强调技术细节与真实的踩坑经验 扫码提交议题 二十年是一个里程碑，更是重新出发的起点。在「AI 新」的浪潮中，让我们一起，用 AI 驱动创新，用终端之心热爱创新。 *本文由极客时间企业版代发01 AI Coding：从写代码开始，重构工程本身
02 AI 创新体验：当交互正在被重写
03 AI 语言 & 框架：模型时代，语言与框架如何进化
04 AI 智能测试：质量与效率，不再只能二选一
05 AI 智能生产：从工具走向生产系统
06 终端技术：重构 AI 时代的性能底座
07 一人公司：技术人的个体放大器
CVE-2026-21877 ：n8n Git 节点远程代码执行漏洞
const repositoryPath = this.getNodeParameter('repositoryPath', itemIndex, '') as string;
if (operation === 'clone') {
try {
await access(repositoryPath);
} catch (error) {
await mkdir(repositoryPath);
}
}
新玩意 233｜少数派的编辑们最近买了啥？
很多读者都会好奇少数派的编辑们到底平时都「买了啥」。我们希望通过「编辑部的新玩意」介绍编辑部成员们最近在用的新奇产品，让他们自己来谈谈这些新玩意的使用体验究竟如何。
内容声明：《新玩意》栏目如含有商务内容，将会在对应条目标注「广告」。
@张奕源 Nick：
拓竹 P2S 3D 打印机 + AMS 2 Pro
- 参考价格：¥3994.15（含 AMS，价格为政府补贴后）
前文有提到，我因为想搞家庭收纳而入坑了 3D 打印，所以在家里摆了一台拓竹的 P2S。
P2S 虽然已经发布了两个多月，但依然算是拓竹的新品。得益于我入坑晚，没经历过 3D 打印在民用化、小型化过程中的历次迭代，一上手就是几乎没有缺陷的成熟产品，所以 P2S 在我眼里已经趋近完美，在使用它的这两周里，我收获的全是新奇感。
首先，它很易用，非常非常容易上手。你可能也对他们的开源模型社区 Makerworld 有所耳闻，这上面有各种各样花里胡哨、稀奇古怪的模型可供下载，而且其中的大部分都针对拓竹打印机写好了配置，只需要下载之后跟自己的机型同步一下，就能直接开打，不用修改任何参数。
而且 Makerworld 上有很多强工具向的冷门模型，恰好满足了我的需要，譬如我在筹备我派的《寻源南疆》项目拍摄，要带一堆拍摄工具，我就打了一套索尼相机的电池盒、镜头盖等。还有一些收纳盒，也都是针对 U 盘之类的小玩意设计的，很适合旅途携带，实用又方便。
如果你和我一样是特别怕麻烦的超级懒人，那可以在购机的时候顺便整一套 AMS（或者直接买套装），耗材也直接用拓竹第一方的。这样一来，机器可以自动读取颜色、余量等信息，上料、退料、换料也都自动完成，几乎可以做到「除了要自己决定想打啥，别的都能撒手不管」，看上什么模型打就完了。
此外，它的易用性还体现在对打印机的摆放环境要求没那么严格。我家里地方小，没有多余空间再摆放很沉重、稳定的桌子了，只好把 P2S 放在厨房一个三脚茶桌上。我本来还担心晃动会影响打印质量，结果完全没事。后来我研究了一下才发现，P2S 有一套内置的平衡补偿机制，对于小幅度的桌子晃动之类都能自动找平和稳定，没有我担心得那么娇气。
其次，它的出品很稳定。我用过的 3D 打印机不多，P2S 肯定是其中出品质量最高的那个。在默认状态下，P2S 打出来的模型就已经足够细腻厚实，而且打印过程几乎没有出过大错。我唯一一次遇到炒面的情况还是模型设计本身的问题。通常来说，打印机的配套 app《Bambu Studio》会自动判断和处理模型是否需要加支撑、加边之类，选择模型时也可以稍微看看大家晒出的成品或者反馈的打印质量，基本就能避免类似的情况。
再次，它的运行噪音很低，这一点超出了我的预期。P2S 采用了全封机身，能有效隔绝大量的噪音，加上它打印时主要发出的是一种持续、中低频的声音，所以不算恼人，响度大体和正在运行中的空调接近。我一开始是把它放在客厅、挨着我的办公桌的，边打印边工作都没什么大碍。但考虑到我之后会利用睡觉时间打长任务，所以还是把它放进了厨房，工作期间在卧室完全听不到声音，不打扰休息。
再推几个我最近比较喜欢的模型吧，如果你也有 3D 打印机可以打打看。
第一个是我目前最喜欢的收纳盒，「机械风格收纳盒」的单色版本。它有方方正正的盒体，所以更便于摆放；默认的尺寸就很合适，容量大，好收纳；支援堆叠，有位置合理的卡槽，可以无限叠叠乐。这个盒子我打了得有十个，把家里的各种乱七八遭的小东西都收纳了一遍，相当解压。
模型地址：https://makerworld.com.cn/zh/models/1018417-ji-jie-feng-ge-shou-na-he-ke-dui-die
第二个是「BUCKETS – 可堆叠收纳盒」，这款是在所有我打过的斜口收纳盒里品质最好也最好看的。它有厚实的外壁和大收纳空间，也做了可堆叠设计，而且这种窄瘦的造型更适合放在边边角角里，装什么都行，很百搭。
模型地址：https://makerworld.com.cn/zh/models/1504594-buckets-ke-dui-die-shou-na-he-wu-xu-zhi-cheng
第三个是个偏冷门的「带滑盖的大卡片盒」，这玩意原本是个塔罗盒，滑盖上的图案也是按着这个路子来的。但这个盒容量大，工艺精致，打印时间还不长，是我目前打过的滑盖盒里综合品质最高的。
模型地址：https://makerworld.com.cn/zh/models/631847-dai-hua-gai-de-da-qia-pian-he
MelGeek 蜜氪奇点 Centauri 60 磁轴键盘
- 参考价格：¥1695.18（首发优惠价）
买这块键盘有一半是冲动消费。它长得挺好看，60% 配列的布局很紧凑，磁轴的手感我也很好奇，所以我在产品刚发布的时候就下单了，也算是当了一把第一批用户。
好在这次冲动没有受到惩罚——奇点 60 好用。它默认配的是「TTC 反斗万磁王白轴」，手感其实和茶轴类似，都是直来直去、清脆不累的手感。我用它基本都是打字办公，长期使用也不会觉得累，而且因为手感酥脆，所以很容易进入某种心流状态，蛮好玩的。
拓展阅读：https://sspai.com/post/105108
奇点 Centauri 系列还有一个更旗舰的 80 款，区别在于使用了 80% 配列，有 F1-F12 功能键区，而且键盘右侧多了一块萤幕，可以查看键盘状态或者调整参数。我更习惯键盘靠近鼠标，希望键盘越小越好，所以就没买大的。而且 60% 配列也让键盘整体更显紧凑，我觉得比 80 好看一些。
我还很喜欢的奇点 60 的 LED 灯带，MelGeek 为它专门做了一个类似贪吃蛇绕圈圈的光亮效果，这让键盘有了些许趣味，而且比 RGB 闪瞎眼高级很多。
至于键盘性能，我反而没太操心。咱毕竟不打 CS 多年，对键盘的延迟、无冲等指标已经没有太多追求。MelGeek 提供的网页版驱动也覆盖了完整的参数调节选项，不仅可以逐键定义，还能照抄职业选手的配置，搞起来十分简单。但其实这把键盘是支援从里到外完全自定义的，从轴体到底棉，再到板簧和定位版，甚至键盘外部的金属装饰框，理论上都能随便更换或者调整。对于喜欢折腾的玩家来说，这肯定是个好消息。
不过，我对奇点 60 也有不满意之处——它的灯效速率太快了，即便是调到最慢也要大概一秒变换一次，做不出那种缓亮缓灭的呼吸感。这其实是个软体层面可以解决的问题，如果 MelGeek 的朋友能看到这篇文章，希望可以考虑再加几个灯光速度的档位，照顾一下我们这些老年人 :)
@克莱德：米家标签打印机
- 参考价格：¥139（带 3 卷标签纸）
每到换季都要翻箱倒柜找衣物和床上用品，每年也都会一遍遍重复那个永恒不变的自我拷问：顶上那个收纳盒里放的什么东西来着？
今年索性决定购入一台标签机，给家里的一切收纳容器都贴上「防呆标记」。因为是自己此前从未主动了解过的新品类，所以首先找到了生活小电器知名品牌米家。
和以往见过的可以打印各种图片、发票样式的标签机不同，米家这款标签打印机主要面向的是需要「贴贴贴」的场景，所以使用的耗材也是宽度固定的、类似透明胶布的长条状标签纸，在米家 app 内可以手动设置打印标签的固定长度（最多 150mm），也可以根据打印的实际内容自动决定。
标签文本的编辑工作自然也是在米家 app 中完成，应用内提供的排版功能包括样式、字体、对齐，样式中又包含基本的加粗、倾斜、下划线、字间距、行间距、文本方向等，移动文本的过程中会提供辅助参考线，也内置了一些固定的对齐方式和微调方向按钮。如果是日常助记的文本标签，没有太多的排版和设计需求，这些工具基本能够满足——但如果你想多点装饰和趣味，它不支持 emoji 输入、仅提供有限的贴纸图案和内置图文模板，就会显得有些力不从心甚至可以说是非常简陋了。
不过在我的使用场景下，标签纸的打印效果可以说清晰锐利，并且标签纸采用的是中间对半剥开的设计，也可以避免在边角手搓导致边角粘性下降的问题。
唯一的问题是标签纸默认为透明背景+黑色字体，且仅支持黑白打印，所以打印的标签用在一些浅色收纳容器或白色家电、电子产品上效果还行，但如果是深色就有点恼火了——这里你只能牺牲一半的标签宽度、剥开一半的胶面，然后将文本打印在没有剥开的那部分，达到白底黑字的效果。
@PlatyHsu：徕芬 Swift 4 吹风机
- 参考价格：560（国补后，原价 659）
我一般是不怎么用得到吹风机的——用我妈的话说，你那几根毛有什么好吹的。（澄清：还是有几根的。）不过，人在深圳，你也不知道什么时候就会天赐甘露，还是需要留一手能让自己快速变得体面的方式。
我的上一个吹风机，就是在这样一个雷雨天抱头逃回的路上，花几十块钱从外卖软件上点的。可想而知，它的风力即使对付我那几根毛都有点过于文明了。正好前段时间看国补优惠信息的时候，刷到了徕芬的吹风机，问了一圈周围买过的人，评价都还行，就弄了一个新型号 Swift 4试试。
素闻徕芬擅长致敬苹果，果不其然，从牛皮纸箱和封口方式，到只印了产品图片的白色包装，再到内附的说明文档排版，甚至拆封后的清洁剂气味，无不散发出浓浓的果味。
说回产品本身，Swift 4 这一代相比过往型号，主要是改进了机身材质，用上了铝合金，看起来还是比较精致的。电源线有理线器，不过长度 1.7 米（也就是不到两根手机充电线的长度）稍微短了一点。
工作性能方面，Swift 4 最高风速标称 23m/s，算是比较快的水平；但是因为机身尺寸不大，出风量肯定还是比不上 Tony 老师们拿的那些大家伙，只能说对我是够用了。工作噪音标称最大 59dB，我用手机量了一下差不多，还是比较安静的。搭配不同工作模式，机身尾部的圆形灯光会显示出四种颜色，是一个醒目也好看的设计。
如今什么家电产品都要赶时髦搭配点「智能」，Swift 4 也不能免俗，内置了蓝牙，可以和徕芬 app 或者微信小程序搭配使用。我贫乏的想象力实在无法理解吹风机为什么要智能——更离谱的是还只能电机呜呜转的状态下配对和操作——但好在除了冷热定时循环之外，并没有什么非要配对才能实现的功能，大多数时候直接忽略这部分就好了。
总的来说，Swift 4 在补贴下的性价比还是可以的，虽然可能在一些细节上比起戴森还是有差距，但对我这种偶尔用用的已经足够了。如果非要挑什么毛病的话，简洁精致并不是只有苹果那一种表现形式，也许在学习的时候可以更有创意和自信一些。
我们近期开通了新玩意的社媒帐号，更有更多新奇产品和服务以视频方式呈现，快来关注我们吧！
如果你也想分享「新玩意」🔉：
- 获取 Matrix 社区写作权限并签署 Matrix 共创计划；
- 新发布一篇文章，在标题中标注「新玩意」前缀；
- 用至少 800 字介绍产品，并配上 2-3 张产品的实拍图片；
- 在网站个人信息中补充支付宝账号。
成功入选还可以得到 108 元的「剁手红包」🧧，并在每周二的社区速递栏目中展示。如果你有兴趣参与，就赶紧来稿吧！
> 下载少数派 客户端、关注 少数派公众号，了解更多的新玩意 🆒
> 特惠、好用的硬件产品，尽在 少数派 sspai 官方店铺🛒
派早报：iQOO 发布 iQOO Z11 Turbo 手机、大疆发布 DJI RS 5 轻量商拍稳定器等
iQOO 发布 iQOO Z11 Turbo 手机
1 月 15 日，iQOO 正式发布 iQOO Z11 Turbo 手机，起售价 2699 元，国补后到手价 2039.15 元起。
屏幕方面，iQOO Z11 Turbo 配备一块 6.59 英寸 OLED 直屏，分辨率为 2750×1260，支持最高 144Hz 刷新率。屏幕采用 TCL 华星 C9+ 发光材料，局部峰值亮度最高可达 5000nit，最低亮度约 1nit。显示调光方面，该屏幕支持类 DC 调光及最高 4320Hz 的高频 PWM 调光，并提供全亮度范围的类 DC 调光选项。同时，屏幕具备最高 3200Hz 的瞬时触控采样率和 300Hz 十指触控采样率，支持 10 亿色显示，表面覆盖肖特金刚盾玻璃。
性能方面，iQOO Z11 Turbo 搭载高通骁龙 8 Gen 5 处理器，并配备一枚自研辅助芯片 Q2，用于游戏相关的性能调度与显示优化。整机采用 LPDDR5X 内存与 UFS 4.1 闪存组合，并配备大面积 VC 液冷散热结构。官方公布的综合性能测试成绩超过 359 万分。在游戏测试中，主流开放世界手游平均帧率约为 60 帧，整机功耗控制在 4.54W 左右。
续航方面，新机内置 7600mAh 电池，采用第二代半固态电池方案。官方表示，该电池在高温或低温环境下可维持较为稳定的放电表现。充电方面，iQOO Z11 Turbo 支持 100W 有线快充，并提供边充边玩的直供供电模式。散热系统方面，机身内部通过多层散热结构以降低核心温度，并改善高负载场景下的热量分布。
影像方面，iQOO Z11 Turbo 在 Z 系列中首次配备 2 亿像素主摄，支持 4 倍无损变焦，并覆盖 50mm、85mm 等常用人像焦段，同时支持多焦段 Live Photo 拍摄。前置摄像头为 3200 万像素，并支持 0.8 倍广角取景。
外观与设计方面，iQOO Z11 Turbo 提供沧浪浮光、光晕粉、天光白和极夜黑四种配色。其中，极夜黑版本采用玻纤后盖，其余配色为玻璃后盖。机身采用铝合金中框设计，宽度约 74.42mm，厚度 7.9mm，重量约 202g，并支持 IP68 / IP69 级防尘防水。
通信与系统方面，新机内部集成多天线设计，以提升复杂网络环境下的连接稳定性。系统方面，iQOO Z11 Turbo 预装 OriginOS 6，系统引入新的流畅度优化方案与动画效果，并整合多项 AI 功能，用于搜索、分享等日常操作场景。来源
大疆发布 DJI RS 5 轻量商拍稳定器
大疆今日正式发布全新轻量商拍稳定器 DJI RS 5，标准版 3099 元，套装版 3899 元。
据悉，DJI RS 5 引入全新 RS 增强智能追踪模块，跟拍对象从人物扩展至车辆、宠物等多类主体；官方称人物跟随识别距离最远可达 10 米，主体短暂离开画面也可重新锁定。该模块采用磁吸式安装，并支持在触控屏上点选或框选主体启动跟随，配合辅助构图能显著降低复杂运镜门槛。
稳定与动力方面，DJI RS 5 电机峰值扭矩较前代最高提升 50%，结合第五代 RS 增稳算法，在快速转动、运动拍摄及竖拍场景下可获得更稳定画面。操控层面，新机支持原生电控手提转接手柄，便于单手与低角度拍摄，并新增 Z 轴稳定指示器，实时提示上下抖动以辅助调整步伐。
续航与机身设计同样强化：充电速度提升 60%，约 1 小时可充满；标配电池续航约 14 小时，搭配 BG70 大容量电池手柄最长可达 30 小时。整机约 1.46 千克，支持第三代原生横竖拍切换，最大负载 3 千克，可覆盖主流微单机身与镜头组合。
扩展能力方面，DJI RS 5 原生支持 Focus Pro 电机与 DJI SDR 图传系统，内置 RSA 通信接口并兼容多种官方与第三方配件；同时开放 DJI RS SDK，支持开发者定制更多专业功能。来源
联发科发布天玑 9500s 和天玑 8500 芯片
1 月 15 日，联发科发布天玑 9500s 与天玑 8500 芯片。两款芯片在硬件层面对生成式推理与多模态模型作出深度优化，原生支持全球主流大语言模型（LLM / MLLM）及 Stable Diffusion 图像生成模型，并引入 AI 超清晰长焦算法、天玑 AI 语义分割引擎与 AI 反光炫光消除技术。同时，芯片支持端侧 AI 实况照片美化与照片编辑，以及基于端侧 AI 算力的通话、会议和文件内容 AI 摘要功能。
其中，天玑 9500s 采用台积电第二代 3 纳米制程，集成超过 290 亿个晶体管，搭载旗舰级全大核 CPU 架构，并配备 Cortex-X925 超大核。联发科表示，该芯片结合第二代天玑调度引擎与超级内存压缩技术，在性能调度效率与应用启动速度方面带来明显提升。天玑 9500s 同时支持光线追踪、8K HDR 视频、端侧 AI 计算，以及 5G 与 Wi-Fi 7 等功能。
面向轻旗舰市场的天玑 8500 同样采用第二代全大核 CPU 架构，基于台积电 N4P 工艺打造。其中，CPU 性能较上一代提升 7%，GPU 性能提升 25%，并配备四通道内存。天玑 8500 同样支持光线追踪技术，并加强了语音与影像 AI 能力。来源
菲律宾对华免签
菲律宾外交部宣布对华免签，自 2026 年 1 月 16 日起，中国公民可免签入境菲律宾，停留时间最长为 14 天。该政策仅适用于经马尼拉和宿务机场入境的游客，且 14 天的停留期限不可延长。来源
千问宣布开放 AI 生活购物功能
1 月 15 日，千问 App 宣布全面接入淘宝、支付宝、淘宝闪购等阿里生态业务，面向所有用户开放 AI 购物与生活服务功能测试。
官方介绍称，千问 App 在对话界面内实现点外卖、AI 购物、订机票等多项服务的一体化操作，同时上线 400 多项新功能，深度接入支付宝政务服务与飞猪旅行服务，并已公布完整功能清单。同时新增「任务助理」功能，用于支持多步骤复杂任务的智能规划与执行。来源
Apple 宣布 Apple Pay 支持 Visa 卡
Apple 于 1 月 15 日宣布拓展 Apple Pay 的跨境支付支持。中国大陆用户在境外旅行时，可使用本地发行的 Visa 信用卡与借记卡，在支持免接触式支付的线下门店与线上场景完成付款。
目前，中国工商银行、中国银行、中国农业银行、交通银行、招商银行、中信银行、平安银行、兴业银行发行的 Visa 信用卡，以及中信银行发行的 Visa 借记卡，均已支持该功能。用户将上述卡片添加至 Apple 钱包 App 后，即可通过 Apple Pay 实现跨境支付。
此外，上海浦东发展银行、中国建设银行、中国民生银行、中国光大银行等机构发行的 Visa 信用卡，预计将在未来数月内加入支持行列。万事达卡方面也计划在未来数月内，为部分发卡机构的中国持卡人支持 Apple Pay 。来源
Google Gemini 现已发布「个人智能」
Google 于 1 月 14 日宣布，名为「个人智能」的新功能已向个人账户开放测试。该功能可整合 Gmail、谷歌相册等应用中的信息，帮助 Gemini 在无需明确指引的情况下理解上下文关系，使聊天机器人具备跨应用理解用户数据的能力，从而给出更贴近个人情境的回答。
该功能将优先向美国地区的 Google AI Pro 与 AI Ultra 订阅用户开放，并在后续加入谷歌搜索的 AI Mode。为降低潜在风险，「个人智能」默认处于关闭状态。
Google 实验室与 Gemini 应用副总裁 乔什 · 伍德沃德 表示，测试版本仍可能出现判断偏差，并希望用户主动反馈相关问题。在涉及关系变化或复杂兴趣取向的场景中，Gemini 仍可能难以准确把握时机与语境。在健康等敏感领域，Gemini 不会主动推断，仅在用户明确提问时基于已有数据展开讨论。
此外，Google 表示不会直接使用用户的 Gmail 内容或照片库训练模型，仅会利用用户输入的提示与模型回复等部分交互信息，用于逐步优化功能表现。来源
微软将删除 Microsoft Edge 收藏集功能
微软近日在最新发布的 Microsoft Edge Dev 版本中向用户发出提示，计划移除浏览器内的「收藏集」功能。相关调整完成后，用户将无法继续向收藏集添加新内容。
针对已保存的数据，微软提供了有限的迁移方式。用户可将收藏集内的网页统一移动至收藏夹（书签），但该方式仅保留网页链接，无法迁移此前添加的图片与笔记内容。若需完整保留图片和笔记，需手动将收藏集数据导出为 CSV 文件用于离线保存。微软提醒，若未提前完成导出，相关数据后续将从用户账户中移除，存在永久丢失的风险。
公开资料显示，Edge 收藏集功能最早于 2020 年推出，支持集中保存网页、图片与笔记，常用于行程规划、资料整理与购物清单等场景。目前，微软尚未就该功能的移除发布正式公告。但鉴于相关提示已出现在 Dev 版本中，仍建议用户尽早完成数据备份，以应对后续可能出现的产品调整。来源
TimeGPT：一套科学的时间精力待办管理系统
利益相关声明：作者与文中产品有直接的利益相关（开发者、自家产品等）
Matrix 首页推荐
Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。
文章代表作者个人观点，少数派仅对标题和排版略作修改。
TimeGPT 是一套科学完善的时间精力待办管理系统，整套系统旨在帮助所有人能够更好地实现自己的目标。整套系统以目标为导向，拆解成更小的项目以及可以执行的待办，为待办事项提供了一套完成的 UCEVI 评分系统；评分系统旨在能够最大化地实现最高价值的目标，并且最终根据待办事项的类型以及精力区域来智能安排待办事项的时间，时间精力以及待办最终能够达成一个完美的正循环来帮助更好地实现目标。
待办管理
UCEVI 评分系统
UCEVI 是紧急（Urgent）、花费（Cost）、努力（Effort）、价值（Value）、影响（Impact）的缩写，这套系统是在艾森豪威尔矩阵也就是大众所熟知的紧急重要矩阵上发展出来的系统。艾森豪威尔矩阵简单来说就是它将任务分为四个象限，基于它们的紧急性和重要性来判断任务的优先级。但是在我的实践过程中发现，这种评判标准有以下的两个问题：
- 对于处于同一象限的任务没有优先级之分；
- 紧急性和重要性是待办事项的开始节点和结束节点，但是却忽略了过程。
针对于以上的两点问题，我对艾森豪尔矩阵进行了一些拓展。首先我要求最终的结果是一套评分系统，对于同一象限内的任务也依旧存在优先级之分。
其次我增加了对于待办过程的考量，也就是待办所需要花费的资源。我增加了一个新的维度：花费（Cost），也就是每一个待办的时间花费。
| Start | Progress | Result |
| Urgent | Cost | Importance |
但是这可能依旧存在一定的问题，目前的三个维度，只关注到了每个待办的本身，没有涉及到待办上级的项目或者是最终的大体目标。也就是说，如果一个待办本身如果有很高的花费和较高的重要性，但是这个待办后面的目标不是一个很重要的目标的话，很有可能最终的优先级高于一个有较高花费、但是是重要目标的待办。
所以为了能够加上对于上级的考量，又增加了两个新的维度：努力（Effort）和影响（Impact）。努力指代待办背后的整个目标所需要花费的努力。而之前的重要性分解为了待办自身的价值（Value）以及待办背后的目标最终带来的影响力。
最终得到以下五个不同的维度：
| Start | Progress | Result |
| Urgent | Cost | Value |
| Effort | Impact |
对于待办的开始是取决于紧迫程度，在过程中取决于所需要花费的资源，最终对于完成待办之后是所能够带来的价值。以下是对于这五个维度的具体定义：
- Urgent：待办的紧急程度
- Cost：待办所花费的资源
- Effort：完成待办所属的目标（Goal）所需要花费的努力
- Value：待办所能够带来的价值
- Impact：待办背后的目标所能够带来的影响
既然是一套评分系统，我们就需要对于每一个维度都设定一个具体的值，如果单纯地按照自己的心理评价来打分（1-10）显然不是一个客观的评分系统。所以对于这五个维度我们需要找到对应的实际值来转化，也就是我们需要实际记录的值，对于不同层级会有不一样的记录。
| Goal | Project | Todo |
|---|---|---|
| 开始日期 | 开始日期 | 开始日期 |
| 截止日期 | 截止日期 | 截止日期 |
| 时间花费 | 时间花费 | 时间花费 |
| 年收入提升 | 所属目标 | 所属项目 |
| 一次性收入 | ||
| 成功的可能性 | ||
| 收入转化比 |
- Urgent：现在的日期到截止日期天数
- Cost：待办本身的时间花费
- Effort：待办所属的目标所花费的时间 + 待办所属的项目所花费的时间
- Value：待办所花费的时间占总目标所花费的时间乘以影响（Impact）
- Impact：如果目标成功的期望收入（收入乘以可能性）- 目标失败所损失的机会成本（失败的概率乘以小时工资） + 目标所带来的精神愉悦
到此为止我们已经能够获得 UCEVI 相对来说客观的数据，当然这其中还有一些系数没有解释，这些我们留到后面再来解决。
有了这 UCEVI 的数据之后，我们又面临了新的问题，对于我们的待办来说，UCEVI 中的维度的影响力对于每一个人来说是不一样的，可能有的人认为自己的时间很多，只看重最终的价值，那么他就会认为 花费（Cost） 以及 努力（Effort） 的影响力需要低一些，反之亦然。如果纯靠自己给予每一个变量一个系数也不是一个客观合理的做法。为了解决这个问题，我们需要引入层次分析法。
层次分析法（Analytic Hierarchy Process，简称 AHP）是一种决策分析方法，这种方法主要用于复杂决策问题的分析与决策，特别适合于那些难以完全定量分析的问题。举例来说我现在想要买电脑，我可能会考虑以下三个方面：CPU、GPU、主板，但是我的预算有限导致我不能够全部买最好的，所以我要在有限的预算中去进去取舍。
我对于这三个变量进行两两比较，例如 CPU 和 GPU 中我更看重 GPU，那么我给 GPU 取 2，CPU 和 GPU 的比较中就只能取得 1/2。最终我获得了以下的表格：
| CPU | GPU | 主板 | |
| CPU | 1 | 1/2 | 1 |
| GPU | 2 | 1 | 3 |
| 主板 | 1 | 1/3 | 1 |
之后我对于每一列进行计算获取百分比，再加总百分比就能够获得每一个变量的权重了。
| CPU | GPU | 主板 | 权重 | |
| CPU | 1 | 1/2 | 1 | |
| GPU | 2 | 1 | 3 | |
| 主板 | 1 | 1/3 | 1 | |
| 0.25 | 0.27 | 0.2 | 0.72 | |
| 0.5 | 0.55 | 0.6 | 1.65 | |
| 0.25 | 0.18 | 0.2 | 0.63 |
这种权重依旧是我们主观（也确实是需要我们的主观）上来获取的权重，但是相较于纯凭照内心来对于变量进行打分更加客观一些。经过计算之后我们就能够获取到自己的 UCEVI 的权重了使用权重乘以变量就能获得我们最终的分数（这之中还有很多的归一化，反值转化的操作）。
如何定义价值
对于不同的目标的价值是不太一样的，有的目标可能是直接能够为你带来金钱，但有的目标可能是为你带来成就感或者是愉悦的时间。我们先讨论比较直接的能够获取金钱的目标，这种目标通常来说更加符合直觉，也应该是我们大部分人追求的目标。
对于金钱的收入也同样有两种不一样的收入，一种是一次性的收入、一种是年收入的增加。要比较一次性收入还是年收入的增加通常的做法是使用净现值的做法，通常使用银行利率作为折现率来计算净现值。
但是如果仅仅只是这样去做比较的话还是有一些问题，按照现在这个算法来说极端情况下的买彩票可能带来的收入是极高的，相较于其他的一切目标，所以在计算真正的目标价值的时候需要计算的是期望效用。期望效用简单来说就是最终目标的各种可能带来的价值乘以这些可能发生的概率的合。
如果以单纯的年收入的增加作为事件的影响结果的话，那么可能会导致的问题就是，买彩票这个事情的年收入增加会非常的高，但是没有考虑这个事情可能发生的概率，所以在最终的决策是应该在世界的某一个状态（State）下做出行为（Action）的结果（Outcome）。对于每一个结果存在自己的效用（Utility）函数，同时要达成这样的结果也存在一个可能得概率（Probability）。
最终的结果就是如下，对于某一个行为的期望效用是这个行为在世界的不同状态下的结果乘以发生的概率合。
上述的方式可能理解起来有一些困难，现在举一个简单的例子来理解。对于出门要不要带伞这一行为做的决定是和世界的状态相关的，也就是和下不下雨是相关的。那么不同的行为对应不同的世界状况就能够得到不同的结果。
| 下雨 | 不下雨 | |
| 带伞 | 舒适 | 身体舒适但是额外带伞 |
| 不带伞 | 身体潮湿 | 舒适 |
那么不同的结果对于每个人来说评判的效用不同，再根据下雨和不下雨可能发生的概率得到一个行为的期望效用。
所以在极端情况下可能会出现的是，我的一个目标可能是我要找到一份一年挣 1000 万的工作，那么这个目标相应的项目和待办的优先度就会非常的高。但是这件事情的最终能够实现的可能性非常低，我们需要考虑在当前这个世界的状态下这件事情能够成功的可能性再去定夺。
通过这种方式得到的结果就会比之前年收入的增加合理很多。可能这时候会有人问到如何精确确定每种事件的发生概率，这对于未来事件的预测的概率不可能做到完全精确，但是这些概率可以随着你在进展的途中进行改变，至于新的概率是使用贝叶斯的理论结合先验概率和新的确凿证据来更新概率，还是杰弗里斯的获取不确定证据后的更新概率，都能够有效地去帮助我们更好地往正确的方向更进一步。
这些概率和很多的因素相关和你内心的信念、所处世界的状态都相关，同样的一件事件不同人给出来的概率也可能截然相反，但是本质上是为了朝着你心中信念的方向去努力。
如何比较精神获得和金钱收入
在设定目标的时候，如果系统只考量金钱收入的话，那对于某一些暂时没有金钱收入的目标会永远得不到考虑。有一些目标可能只是为了自己的心里愉悦，例如发展一些兴趣爱好，健身等等，所以这时候我们就需要考虑精神获得和金钱收入。
在 TimeGPT 中所使用的方法是引出一个彩票机制。假设在某一个时间段你面临一个选择，你可以选择去上班或者在家打游戏。通常来说大家无法做出决定的时候就会选择抛硬币，正面就去上班、反面就在家打游戏。彩票几乎也是类似的意思，只不过你可以自己设定正面和反面的概率。
例如我想要比较上班和打排球，那么这时候我做了一个彩票 1/10 的概率是上班 9/10 的概率是打排球来让我认为这个彩票无论出现哪个结果我都是满意的。那么在我的心中我是更加想要去打排球的，而不是上班的。所以 V 的等价价值是等于一个常数 k 除以概率。
假设的条件是如果概率各自是 1/2 的时候我们认为工作和精神愉悦是相等的。所以就得到 k = 0.5W。
由模型曲线可以看到，这个模型基本上符合我们的需求，且只有在极端的情况下才会由大幅度的上涨，其他的时候基本上是属于 W 周围的正常范围。
所以对于非直接收入的目标的时候，就可以使用达成这个目标所需要使用的时间乘以上面公式计算的等价小时收入，也就是相当于你获得了这么多小时的愉悦和你拿这么多钱是一样的。
推荐系统
至此我们已经对所有的待办都拥有了一个对应的分数，但是这依旧不能够满足我们的推荐系统。如果仅仅是按照分数进行排序，那么可能会出现一些问题：
- 待办可能还没有到开始的日期，但是因为最终的高价值所以获得了很高的分数。
- 相似的待办因为相同的目标或者结果所以全部都获得相同的评分。
- 没有办法根据每天的情况来具体推荐。
针对于以上问题，我们需要再额外加入一些限制条件，不过在这之前最重要的是对待办进行分类。经过我长时间的实践把待办分为了三种：任务、提醒、日程。它们的所要求的方式是完全不一样的：
- 任务 Task：不是有明确时间的任务，例如完成调查研究等等
- 日程 Event：有明确时间点的事件，例如看医生，开会议
- 提醒 Reminder：需要快速完成的小任务，例如交房租
| 开始时间 | 花费时间 | 属于目标 | |
| 任务 | 不固定 | 不固定 | 属于 |
| 日程 | 固定 | 固定 | 属于 |
| 提醒 | 不固定 | 固定且短 | 不属于 |
其中提醒我们不需要在我们任务系统中进行评分，因为它们通常都是很短暂的小任务。所以以下的讨论只会涉及到剩下的两种待办类型。
任务是没有固定的开始时间，同时也没有固定的时长，与之对应的是日程，日程拥有非常固定的开始时间以及固定的时长。理清楚这些待办事项的类型是非常重要的，在此之前如果没有把这些待办分类，全部杂糅到一起那么将会是一片混乱。
在对待办有了分类之后，我们就能够对不同类型的待办进行合理的推荐了。对于任务来说，它们没有固定的开始时间，所以几乎是任何时候都可以作为选择。对于日程来说，如果不到当日，那么这个日程就毫无意义，因为它需要固定的时间，只有时间到了才会发生。对于日常来说，我们可能会同时拥有很多日常，但是每天只需要做一个日常就足够了。所以推荐系统需要选择出是否有当日的日程，之后利用剩下的时间选择合理搭配日常和任务。
用通俗的话来说，推荐系统能够在有限的时间内为每一天安排合适的任务。其实这句话中就包含了这个推荐系统的限制条件，有限的时间以及合适的任务。
有限的时间也就是当天可用于支配的自由时间，合适的任务在于获取必要的日程任务之后，力求剩下的时间能够获取最高评分的日常和任务搭配。为了实现这个系统，我们需要用到线性规划。线性规划是一种数学方法，用于在一系列线性不等式或等式约束下寻找某个线性函数的最大值或最小值。线性规划包含以下要素：
- 变量：这些是你在目标函数中调整以达到最大化或最小化的元素。在商业案例中，这些可能是生产不同产品的数量。
- 目标函数：这是你希望最大化或最小化的线性函数。例如，你可能想要最大化利润或最小化成本。
- 约束：这些是形式为线性不等式或等式的限制，用于限定变量的可行范围。例如，原材料或预算的限制。
对于我们的系统来说，变量就是待办是否执行。待办只有执行（1）或者不执行（0）。
目标函数是所有可执行待办的评分总和，我们希望最大化这个总和。
约束条件是可执行待办的时间总和要小于当日的活跃时间，以及日程任务必须当日执行，同时类似的日常任务每日只执行一个。
拥有了这些设置之后，我们就能够获取当日最优的待办方案了。
时间管理
在文章的最开始提到这是一套能够帮助所有人而存在的系统，对于所有人来说共有的资源就是时间。时间作为一个公平的维度去帮助衡量所有的项目，也能够看到自己在为某个目标所付出的真正的「努力」。
大部分人对于时间的敏感度是非常低的，对于某一项能力的评估大部分人是使用的时间来评估。比如通常会说我学了五年吉他。但是这里的「五年」其实是非常模糊的一个表述，只表达了一个时间区段，这五年里面是一周练习一次还是每天都练习，这对于技艺来说就是天差地别。反过来，如果不能够计算清楚自己所花费的时间是多少，可能也会被这个「五年」所欺骗，会觉得自己已经学习了那么久了，为什么最终还是没有什么太大的进步。
举一个我自己的例子来说，我从 2022 年的 11 月开始打排球，在我有时间意识之前，我只知道自己打球了几年时间，但是我在 2024 年底时候回顾了我过去两年时间在排球上面所花费的时间，其实仅仅只有 350 个小时左右。
按照 K. Anders Ericsson 提出的「10000 小时定律」，要将一项技能练至世界级水平，需要投入 1 万小时。而对比上述两个例子，我最初认为自己两年来投入了不少时间在排球上，但实际上，这 350 小时与 1 万小时相比只是九牛一毛。虽然我的目标并非达到世界级水平，但若仅从 10000 小时的标准来看，这个时间显然远远不够。
根据「二八法则」，我们可能只需投入 20% 的时间，就能掌握 80% 的基础技能。然而，若想在剩下的 20% 上精进，接近世界级水平，通常需要额外投入 80% 的时间。换句话说，即使不追求世界级水平，普通人至少也需要投入 2000 小时，才能在某项技能上达到较高的能力水准。所以我在 2024 年底的时候清楚的意识到自己的水平就仅仅只有 350 个小时而已，为了能够尽快地达到 2000 个小时，我在 2025 年设下了目标要求一年就能够达到 300 个小时。
这就是时间管理的意义所在，如果我不能够清楚的知道自己所花费的时间，我只会知道自己打了两年的球，但是依旧没有什么太大的进步，2025 年可能也继续只能投入 150 个小时左右的时间。
如何记录
目前市面上有很多的时间记录软件（Timing、Toggle、Tyme），但是最终都没有能够坚持下来。市面上的时间记录软件大致有两种，电脑后台的自动记录（Timing）或者是自己手动开始和结束某个任务（Toggle、Tyme），但这两种记录方式都有坚持不下来的问题。
自动记录不能够记录在电脑使用之外的时间，同时对于自动记录下来的时间过于繁杂且真实导致最终不愿意继续记录，手动记录就是单纯需要每一个任务都做一次开始记录时间的操作外加一次结束记录的操作从而导致经常忘记。
最终我的选择是使用间歇日记的方式来进行记录，间歇日记非常简单，只需要记录一个时间戳再附上简短的文字即可。间歇日记不仅能够帮助记录下时间的使用情况，同时也能够帮助我们整理思绪切换到下一个任务，每天记录完成之后只需要计算两个时间戳之间的时间差再进行分类就好。
对于时间的分类，我目前的分类是：主要工作、日常生活、自我提升、健康、人际关系、休息，六个大类。这六个大类几乎能够涵盖生活中的大部分的场景了。
在分类中最容易出现的问题就是，如果有一个时间段我认为同时属于两个不同的类别，应该如何去区分？经过我的实践有以下的解决方法：
- 按照这个时间段的主要目的去分类。例如和朋友一起打游戏，是应该算作打游戏还是维系朋友关系？那就要看自己选择去做这个事情的主要目的是什么，如果是为了放松休息，那么就应该是休息的类别，如果是为了和朋友一起聚会，那么就是人际关系。
- 按照原本的时间去分别记录。例如吃饭的同时看了电视剧应该如何记录？吃饭的时间是每天必不可少的时间，那么有一个本来正常的吃饭时间，超过这个正常时间的部分就算作你的额外目的的时间。例如吃饭的整个过程是 2 个小时，那么正常的吃饭时间是一个小时的日常生活类别，剩下的一个小时就是看电视剧的休息时间。
- 可以同时记录的情况。例如上班摸鱼做自己的事情应该如何记录？本职的上班时间本来就能够给我们带来价值，那么额外利用时间就算作对应的类别记录。也就是说我们可能存在一天超过24小时的情况。
精力管理
之前的内容只获取了当日最优任务搭配，如何能够在最合适的时间去做最合适的任务，是下一步的目标。通过一段时间的时间记录，我们能够知道每天在哪些时间段是做了我们认为重要的工作，这些时间段就是每天的高精力时间段。
把一天分为每 5 分钟一个小时间段，那么一整天就会有 288个五分钟，也就是一个长度为 288 的向量 V，对于每一天来说我们都能够获得一个这样的向量，如果是高精力时间段就会在对应的时间段获得 1、低精力时间段就会获得 0。
把所有天的向量集合起来就能够获得一个平均的精力向量 V bar。
有了这个平均精力向量，系统就能够知道在什么时候是处于高精力的时间段，什么时候是处于低精力的时间段，在推荐系统推荐出合理的任务之后，就能够把任务分配到精力最高的时间段了。
三位一体
至此这套系统之中的时间待办精力是如何管理的已经完全解释了，它们是三位一体的存在。有新的待办产生之后，需要花费时间去完成，时间又能够反应精力的高低帮助下一次更好的去安排待办。这套系统希望能够在这个良性的循环中不断进步完成待办直到达成目标。
FluxTime
上述的整套系统看起来非常的复杂有非常多需要计算的地方，靠个人几乎是没有办法去实现它的。为了能够让更多的人使用上这套系统，我开发了一个软件 FluxTime，让你只需要关注时间记录以及创建待办就好了，其他的任务推荐，精力曲线计算，结果反馈都交给软件就好了。
目前 FluxTime 已经上架 App Store 且完全免费，欢迎各位读者下载测试。
> 关注 少数派公众号，解锁全新阅读体验 📰
> 实用、好用的 正版软件，少数派为你呈现 🚀
CVE-2026-22785：Orval MCP Code Injection 逃逸导致 RCE 分析
从技术选型重识 Apple Intelligence：为什么 Apple 如此设计 AI？
前言
Apple Intelligence，又称 Apple 智能，俗称「苹果 AI」，发布（WWDC24，2024 年 6 月）已有一年半的时间，从 iPhone 15 Pro 系列开始境外开发者 Beta 测试，到 iPhone 16 全系以 AI 作为主要卖点时国行仍为「为 Apple 智能预备好」状态，再到 iPhone 17 全系国行激活数量超千万（2025 年 11 月），目前国行 Apple 设备依旧停留在「为 Apple 智能预备好」的阶段。
考虑到 2025 年 11 月底 Apple 短时间内上线又下线的简体中文 Apple Intelligence 问卷，以及各路小道消息暗示 Apple Intelligence 上线国行 Apple 设备的前期工作已经接近尾声，也是时候再来聊聊 Apple Intelligence 了。
目前在国行设备上「体验」Apple Intelligence 的方式有限，由于 Apple Intelligence 在国行设备的长期缺席，大多数用户只能通过有限的视频演示或是图文介绍等方式了解，对其认识可能不够系统、全面、客观，甚至存在一些误区；国行 Mac 可以通过脚本启用 Apple Intelligence，但过程中需要关闭系统完整性保护（SIP），也可能会给系统带来风险，这种方法对普通用户而言存在一定的操作门槛；Misaka26 利用已知漏洞，可以在 iOS/iPadOS 26 Beta 1 及更低版本的设备上，修改销售地区和型号版本来启用 Apple Intelligence，但此举会导致设备面临概率性变砖、丢失全部数据、失去保修等风险，且该漏洞已在 iOS/iPadOS 26 Beta 2 上修复。
故通过以上方式开启了 Apple Intelligence 功能的国行设备暂不在本文的讨论范围。
本文旨在尝试用通俗易懂的语言，从技术角度出发解释 Apple Intelligence 的设计架构、选型合理性以及现阶段所面临的困境，尽最大可能为大家提供一个更全面、更系统理解 Apple Intelligence 的视角。
Apple Intelligence 的架构
虽然本文并不是要介绍「什么是 Apple Intelligence」，但要正确理解 Apple Intelligence 我们还是不可避免地要看看它的架构，最直观、最高效的呈现方式是下图：
上图比较复杂，又非常重要，快速提炼一下：左半边是设备端侧（On-device），右半边是云端服务器（Servers）。
左半边设备端中间的「个人智能系统」（Personal Intelligence System），由三部分组成：语义索引（Semantic index）、App 意图工具箱（App Intents Toolbox）和端侧模型（On-device Models）。
语义索引能够更深入地理解和利用用户的个人数据。这项功能通过创建一个语义索引库，将用户的照片、日历事件、文件、邮件和消息等信息进行组织和索引。通过语义索引，可以实现智能搜索和信息提取。
App 意图工具是面向开发者用于定义配合 Siri、快捷指令或其他系统与 App 功能交互使用的动作。
端侧模型又分为语言模型和图像模型，其中多个小块是语言模型和图像模型被微调为用于不同的任务的微调模型。
引用自知乎，有调整。
注意，「个人智能系统」虽然实际由语义索引、App 意图工具箱和端侧模型三部分组成，但为了下文方便表述我们暂且将它们用「端侧模型」一个词来指代。
不难发现，一些误区例如「Apple Intelligence = 接入 ChatGPT」「Apple 与 Open AI ChatGPT 合作才推出了 AI 功能」中的 ChatGPT，其实压根儿不是 Apple Intelligence 的组成部分，至少不是狭义上 Apple Intelligence 的组成部分。
那么 Apple 为何如此设计 Apple Intelligence？Apple 所指的设备端侧和云端又是怎样分工、怎样协作的？下文将逐步回答这些问题。
「个人智能」的愿景
要讨论 Apple 为何如此设计 Apple Intelligence，我们必须先探讨 Apple 试图解决什么问题。
在 Apple 的视角里，2023 年（Apple Intelligence 发布的前一年）的 AI 浪潮虽然喧嚣，但当时的 AI 工具对普通用户而言，普遍存在三个主要的体验断层：
- 「AI 孤岛」造成的数据割裂。2023 年的 AI 在形式设计上大多无外乎两种——独立的 App 或网页，当你需要 AI 帮你处理工作时，你需要把邮件里的内容拷贝出来粘贴给 AI，再将 AI 的回复拷贝粘贴回邮件。
- 缺乏个人语境。如果一位用户尝试询问 ChatGPT 自己下午是否有空，ChatGPT 将无法回答，因为 ChatGPT 之类的 AI 并没有获取个人日历日程的权限，也不认识用户的朋友或是同事，通用模型拥有海量的世界知识（World Knowledge），但对于用户本身却一无所知。
- 「隐私焦虑」与「云端算力」存在矛盾。承接上一点问题，用户如果需要获得通用 AI 的智能，则需要牺牲一定的隐私数据上传云端。
Apple 在意的是用户体验的连贯性、软硬结合以及用户隐私保护，因此自然不会满足于已有的 AI 方案。不久前微软 Windows 部门的高管表示要进一步推广 Copilot，将 Windows 打造成「智能体操作系统」(链接)。这一言论引来了大波用户的批评和反对，也证明强行将「聊天机器人」式的 AI 大模型同操作系统各处随意缝合并不是可行之路。
客观上来说，AI 算力设备采购不足以及从 Google 转来的前机器学习与 AI 策略主管 John Giannandrea，彼时并未深度融入 Apple 团队、与 Apple 文化/理念不合，也导致了 Apple 难以拿出与竞争对手匹敌的云端大模型；但或许也是「塞翁失马」，大模型方面的弱势促使 Apple 进一步深入技术、仔细思考「什么才是普通用户都想用的 AI」这个问题，避免了重复造「大模型」轮子。
| 针对问题 | 解法 | 对模型的要求 |
|---|---|---|
| 「AI 孤岛」造成的数据割裂 | 在系统各处无缝集成 | 规模小而精 |
| 「通用 AI」缺乏个人语境 | 在上一点基础上建立基于设备的语义索引(Semantic Index)。理解语言、理解屏幕上的内容、日程以及照片库等 | 多模态 |
| 「隐私焦虑」与「云端算力」的矛盾 | 创造一种全新的计算架构。在本地能解决的绝不上云；必须借助云端服务的，则设计一种不留存数据的私有云计算系统 | 以端侧模型为主 |
在明确了针对问题的对应解法，以及对于 AI 模型的要求之后，我们不难发现：即便基于现有的 AI 大模型方案稍加改良修剪，也无法满足 Apple 的需求。从零开始打造 Apple Intelligence 势在必行。
于是 Apple 选择避开与科技巨头在通用大模型参数上的军备竞赛，转而利用其在芯片、操作系统和隐私安全上的自身优势，去构建一个服务个人、与系统深度集成、端侧优先、隐私至上的混合 AI 架构。Apple Intelligence 没有追求万亿级的参数量，而是选择一条更为艰难但务实的道路：端云协同、以端为主。
可以说 Apple 是用短期技术上的劣势，去验证长期上「个人智能」使用场景路线的可行性。
Apple Intelligence 设计的合理性
Apple 选择将端侧模型作为主力，那么现在的 Apple Intelligence 设计合理吗？
要回答这个问题，我们应该要关注 Apple Intelligence 是否达成了上一节提及的、解决 AI 大模型弊病的目标。
设计目标在实现上的合理性
首先是与系统各处的无缝集成。
目前，写作工具可以在几乎所有地方（有文本框的地方）唤出使用、智绘表情几乎能在所有可以发送 emoji 的位置创作 Genmoji，信息、邮件、备忘录、照片以及提醒事项等众多第一方应用都能见到 Apple Intelligence 的影子。用户不需要为了使用 AI 而打断当前的工作流，AI 不再是喧宾夺主的中心，而是「如影随形」的辅助。
第二是多模态。
写作工具、通知总结、邮件智能回复等功能代表 Apple Intelligence 处理文本内容方面的能力，而图乐园、智绘表情、图像魔法棒等则意味着图像内容的能力。然而语义索引功能，即 Apple Intelligence 最重要的功能之一——基于个人场景的情景智能迟迟未能上线，的确令人失望。
第三是全新的计算架构。
在文章开头我们了解到 Apple Intelligence 中间是「个人智能系统」层，主要有「端侧模型」和「云端模型」两部分，且这两部分都是由 Apple 开发并运行在搭载 Apple 芯片的用户设备/Apple 服务器上；同时我们又已知 Apple Intelligence 能本地解决就不上云的策略，端侧模型能够保证个人数据全部在本地处理，并不会被上传到云端遭受数据泄露的风险。
这里一个最典型的例子是，前段时间基于努比亚 M153 的豆包手机助手技术预览版技惊四座，但频繁截图上传服务器推理的运作方式也令大量用户质疑其隐私安全性。在科技媒体 Android Authority 近日对 ARM 的采访中，ARM 高管 Chris Bergey 也完全认同基于端侧 AI 发展方向。
如果用户最关心的操作无法在本地解决，那 Apple 又是怎么设计云端的呢？这里就引出了 Private Cloud Compute（私有云计算，下文简称 PCC）。
PCC 不是普通的云端大模型，而是一个在硬件层面复刻了 iPhone 安全机制（如 Secure Enclave，安全隔区）的服务器集群。当数据被发送至 PCC 处理复杂任务时，数据是「阅后即焚」的。服务器不保留日志、不存储数据，Apple 的工程师没有权限查看。
Apple 甚至开放了 PCC 的镜像供安全研究人员审查。另外，在用户需要请求 ChatGPT 时，系统会弹窗让用户主动确认，尽最大可能保障用户的隐私安全。这种将隐私保障从「政策信任」提升到「代码与架构信任」的做法，目前在业界应该是独一无二的。
此外笔者认为，结合端侧 AI 功能的技术需求和 Apple 自身的价值观至少这两方面的因素来看，Apple Intelligence 的设计还有以下几点值得讨论：
- 不强制依赖网络，各种状态下都能实时响应
- 响应/处理速度
- 用户的学习成本
- 端侧模型的规模与算力/功耗需求
- 商业模式的可持续性
这些内容分别对应端侧需求在实现上的合理性、易用性上的合理性、架构设计与伦理上的合理性以及商业上的合理性，下文将逐一展开。
端侧需求在实现上的合理性
首先是实时响应。
实时响应就要求模型能够离线使用、不依赖于网络，这就意味着模型必然是运行在本地的。这样的设计使得用户免受因网络这种外部因素的干扰，保障体验的一致性和连贯性，消除「连上网络是人工智能设备，断开网络就是智障设备」的可能。
第二是响应速度。
这一点需要与 Apple Intelligence 所能够解决的问题或是使用场景结合来看。例如通知总结、邮件总结这类实时性要求高的功能，端侧模型可以自动完成，用户无需介入，整个体验是无感的。
这类需求如果交给云端大模型去做就会面临需要联网、排队、推理、回传等问题，尽管得益于云端模型更大的规模，其生成结果的准确度会更高一些，仅仅为了提升一点准确度要牺牲大量响应时间，即便抛开整个链路的延迟不谈，从技术角度而言也是不合理的——让一个千亿甚至万亿参数的模型去判断你的通知是否重要、如何总结，不仅是算力的极大浪费（大材小用），更涉及复杂的上下文传递。
故在此处云端模型的综合用户体验反而是更差的。
易用性上的合理性
本节讨论用户的学习成本，或者说上手使用的难度。在探讨这个话题前，我们不妨简单讨论一下如何利用好 AI。你肯定看到过或听说过以下故事或情景：
- 使用不支持多模态的大语言模型处理图像问题。
- 所有提问都开启「深度思考」功能。
- 完全相信 AI 生成的全部内容。
- 忽略 AI 模型 训练所采用数据集/知识库 的日期截止时间。
- ……
导致上述问题的原因可能并不完全在用户，某些 AI 模型/工具本身的设计也是一方面的因素。目前的 AI 潮流强迫用户学习一种新语言——Prompt（提示词）。这不仅增加了认知负荷，也违背了「科技应当服务于大多数人」的初衷。
这反映出云端大模型的特点：能力上限高、使用难度/充分利用的难度高。
我们说通常如果一个人向他人提出问题，往往具备一定思考、描述更加详细全面的问题会有更高的概率获得更详细更高质量的回答。（如何提出更高质量的问题？这里建议阅读「提问的智慧」，虽然「提问的智慧」起初面向程序员编写，但其中的提问思维则可以供各行各业的人士学习。）
这样的道理对于 AI 大模型来说同样适用。即提示词的质量很大程度上会影响 AI 模型输出回答的质量。例如以下两种提示词：
污水处理厂有哪些种类？请从污水处理厂处理污水的种类、采用的污水净化技术、处理厂的规模等方面介绍一下污水处理厂有哪些种类。
我们可以直观地看到更详细的提问会收获更详细更优质的回答。
又比如 Google 最近推出的令人惊叹的全新图像生成模型 Nano Banana Pro，在此可以给出两个用于生成自行车部件爆炸图(立体装配图，用于示意自行车各零部件的组成和组装的方式)但描述详细程度完全不同的提示词供大家测试：
请生成一张自行车部件爆炸图。生成一张自行车车架和组件的爆炸视图，技术蓝图风格，采用蓝版印刷，以毫米为单位注释测量值，齿轮和链条已拆卸，透视图，干净的线条，白色背景，16:9比例。不幸的是，现实中许多人并不一定擅长将自身需求描述清楚，在这样的情况下很难指望 AI 模型输出高质量的结果。因此云端大模型（尤其指「聊天机器人」式的依赖提示词驱动的 AI）并不适合所有人使用。对于大众用户而言，低学习成本的 AI 才是最好的 AI，要求所有人都写长长的提示词可能并不是现代个人 AI 助手的正确发展方向。
目前 iOS 设备已在全球售出超 20 亿台，iOS 覆盖的用户群极为庞大。尽管这其中并非所有设备都支持 Apple Intelligence，但 Apple Intelligence 有潜力触及到的用户规模仍在不断增长。要为世界级用户规模的操作系统无缝地集成 AI 方面的能力，就必须赋予易用性很高的优先级。
事实确实如此，我们看到 Apple Intelligence 是生长在系统里的，不需要用户费尽心思编写提示词。Apple Intelligence 将 AI 能力拆解为具体的 UI 控件。例如在邮件应用中，它并不是给用户一个对话框让用户输入「帮我把这封信的语气改得更专业」，而是直接提供了一个 [重写] 或 [专业的语气] 的按钮；而在邮件的快速回复中，AI 已经提前阅读了对方发来邮件的内容，并针对可能的回复内容设计了易于选择的选项，用户只要快速点选几个选择就可以得到大差不差的一篇智能回复；又譬如图乐园 App，用户不需要编写冗长的生图提示词，而是可以在上方直接选择生图风格、下方选择内容主题，如需为图片添加更多细节，只需在下方简单输入几个关键词即可。
架构设计与伦理上的合理性
通常 AI 模型会对内存、算力提出很高的要求，功耗也是端侧运行模式下重要的考虑因素。Apple 的做法不是加载一个巨大的通用模型，而是先加载一个核心底座模型（Base Model），然后根据任务动态挂载微小的适配器（Adapters）：需要处理文本时，系统加载「写作适配器」；涉及图像处理时，系统加载「图像适配器」。
这样的做法有效避免了庞大模型在内存中的长时间驻留，节省了系统内存占用，又有可控的能耗表现。
在将 AI 封装为确定功能选项实现 AI 易用化的同时，Apple Intelligence 虽然损失了 AI 的多种可能性，但同时也给用户带来了可控性。这种可控性使得 Apple Intelligence 符合伦理、避免幻觉（参考 Google AI 曾建议用户「吃石头」、微软警告用户 Win11 的 AI 智能体可能出现「幻觉」现象），也降低了被注入攻击的风险，是一种克制下的安全。
事实上，Apple 在生成式内容上表现得非常谨慎，更多聚焦于「改写」、「总结」已有信息，而不是「凭空创作」。作为拥有超 20 亿活跃设备的厂商，用稳健的 AI 策略来避免 AI 胡言乱语可能更加稳妥。对于面向大众用户的产品而言，也许「不出错」比「惊艳但会发疯」更重要。
商业上的合理性
最后浅谈一下 Apple Intelligence 的商业策略。
在 AI 的大潮下，大量企业都在亏钱做 AI。这是由于大部分企业都押注大模型、云计算，例如 OpenAI 和 Google 为了应对不断增长的请求，需要不断扩展服务器计算卡的规模，同时负担持续上涨的电费；不仅如此，OpenAI 还在用户侧限制使用额度、推出更为细分的 Plus（20 美元/月）和 Pro（200美元/月）计划，不断提高 AI 的入场门槛。
而 Apple Intelligence 的架构设计则可能形成目前最为可持续的 AI 商业模式。Apple Intelligence 的计算主力在用户端，即用户设备中的 Apple 芯片。这使得 Apple 能够专注于 Apple Intelligence 本身的功能开发，并以极低的边际成本提供 AI 服务。即便 Apple Intelligence 也有私有云计算服务，相比起纯云端 AI 服务供应商，Apple 也不需要在云端服务器方面持续大量烧钱。
有报道称，OpenAI 正在试图构建属于 ChatGPT 的应用商店，通过将第三方 App 能力接入到 ChatGPT 的形式，用户可以让 GPT 完成原先需要手动操作的功能。然而目前接入到 ChatGPT 的应用数量比较有限，许多已经接入的应用与大模型配合工作的效果也不太理想。而时至今日 Apple 的 App Store 已经坐拥数百万款 App，如果 App 的开发商能够适配 Apple Intelligence 未来的情景智能功能，Apple 的各系统平台更有机会在更短的时间内形成一个 AI+App 的生态。
另据多方媒体消息，OpenAI 也在积极开发各类硬件产品，意在融入公司已有的 AI 能力，试图将旗下的 AI 推广至更广阔的用户群体。这似乎暗示了软件或服务必须要依赖硬件载体才能获得更好的发展。软硬结合对 Apple 来说则是一贯的强项，Apple Intelligence 的定位是服务好系统、服务好硬件的务实功能，而不是用于拉高公司市值的叙事手段。
Apple Intelligence 可以依托既有的成熟硬件（iPhone、iPad、Mac 等）、成熟系统（iOS、iPadOS、macOS 等），通过系统更新就能实现更广的覆盖和更高效的用户触达，降低了用户使用的门槛；同时 Apple Intelligence 又融于系统的方方面面，它不仅仅是一种「能力」，更是一种「体验」。
所以当我们看到邮件 app 自动标出「优先邮件」、或者在备忘录里随手画的草图被「图像魔法棒」美化成精致插画时，感受到的不是不断修改提示词的疲惫，而是设备本身变得更懂自己的需求了。这是一种极其微妙却又极具粘性的体验，也是那些竞争对手难以复制并超越的「护城河」。
Apple Intelligence 推出至今虽有针对其功能方面的批评，但未见大规模的反对声音或者有关从系统当中彻底移除 Apple Intelligence 功能的讨论。至此我们可以下一个结论：虽然 Apple Intelligence 目前上线的功能仍有不全之处，但是其设计理念和思维总体瑕不掩瑜；Apple 通过工程化手段、硬件垂直整合和隐私架构创新，在功耗、隐私、性能和体验之间找到了一个平衡点。
Apple Intelligence 目前的困境
既然 Apple Intelligence 在技术选型和实现上总体是合理的，那么为什么如今对于 Apple Intelligence 的主流评价是喜忧参半的呢？
抛开一些已被反复提及反复讨论的话题，这里笔者认为还有几个方面的内容值得讨论，分别是边界感问题、短时刺激与长期发展的矛盾、预期管理问题。
边界感问题
前文提到，Apple Intelligence 将多种能力封装为确定性功能选项提高了 AI 工具的易用性，但这也使得 Apple Intelligence 具有明显的边界——选项里的操作全部可用，选项外的可能性一概没有。用户以 Apple 所构画的方式使用 Apple Intelligence 时可以获得流畅连贯的体验，而一旦用户的需求超出了可选项的范围则需要寻求其他方案，就会导致使用体验出现一个明显的割裂。
因此平衡易用性与工具能力是 Apple 需要面对的难题。Apple 或许应逐渐提供更多的选项，亦或是将 Apple Intelligence 在某些方面设计成半开放形式，允许用户在一定范围内进行渐进式的需求明确。
短时刺激与长期发展的矛盾
在云端 AI 大模型领域，每个季度甚至每个月都有新的更强的模型/更好的应用出现。这样的更新节奏不断刺激着用户，并在媒体的进一步催化下，普通用户逐渐习惯于快节奏的模型迭代和不断刷新认知的模型能力上限。
相比之下，受限于 Apple Intelligence 的定位（集成于系统各处的功能）和其本身的迭代节奏，Apple 难以高频率地拿出各不相同又抓人眼球营销材料，让用户直观感受到 Apple Intelligence 的变化。因此验证长期上「个人智能」使用场景路线的可行性，与满足短期刺激上的矛盾在一时间可能无法调和。
预期管理问题
从心理学的角度而言，厂商的营销策略作用于消费者预期管理的有效性会在很大程度上影响产品的销量和评价。例如分析师和爆料人员经常放出新一代 iPhone 可能涨价的信息，这可能导致消费者潜意识地认为下代 iPhone 必然会涨价。然而当新一代 iPhone 正式推出并维持与前代相同的起售价时，消费者可能会对现有的价格表现出更高的接受度。
而若从同样的视角看，Apple Intelligence 的营销则是预期管理失误。Apple 的高管在 WWDC 2024 上详细展示了Apple Intelligence 的所有能力，甚至包括技术团队从 Keynote 演示中首次得知的某些功能。尽管对于 Apple 而言，在 AI 浪潮的压力下急于推出解决方案、回应市场需求的做法存在一定的合理性，但这一详细的展示无疑过度拉高了用户对于 Apple Intelligence 的预期值，以至于当用户实际体验 Apple Intelligence 时，演示内容与实际落地功能之间的落差令用户感到失望。
雪上加霜的是，WWDC 2024 上所展示的重头戏——基于个人场景的情景智能时至今日仍未落地，进一步影响了 Apple Intelligence 的口碑。
一些误区
Apple Intelligence 就是套壳的 ChatGPT？
这可能是最大的误解。前文已经展示了 Apple Intelligence 的架构，它是一个完整的、多层次的技术栈，包含了：
- 端侧模型（On-device Model）：处理绝大多数日常、高频、隐私敏感的任务。
- 私有云计算（Private Cloud Compute）：处理端侧算力不足的中等复杂度任务。
ChatGPT 至少并不是狭义上 Apple Intelligence 的组成部分，而只是一个可选的第三方扩展。真正的核心智能则完全由 Apple 自研模型驱动。
Apple 需要放弃隐私才能换来 AI 能力的提升？
有人认为 AI 需要海量的数据来训练和调优，Apple 在严格的隐私数据保障情况下无法提升 AI 的能力。
在这里广泛的「数据」概念不能同「隐私数据」混为一谈，并且 AI 的发展与个人的隐私数据理论上不存在对立关系。个人数据是隐私（Privacy），而互联网上公开领域的数据很多是知识（Knowledge）。
用知识来训练 AI 是行业共同的方式，至于 Fine tuning 微调，理论上也不需要个人数据。因为生的（Raw）训练数据要做标记、要经过清洗等前处理才能利用。可以借助已有的 AI 来生成标准化的「伪个人数据」（pseudo data）提高效率。
其次 Apple Intelligence 的主力是端侧模型，能有效保证推理过程中需要用到的敏感数据全部保存在本地。而私有云计算（Private Cloud Compute）则是通过独特的架构设计和开放安全审查保证个人隐私不会妥协。
Apple Intelligence 由于云端模型国内合作伙伴的问题，导致无法落地？
前文已经展示了 Apple Intelligence 的架构，云端模型并非狭义上 Apple Intelligence 的组成部分，且国内已备案商用的云端大模型已有许多选择，并不构成 Apple Intelligence 落地的障碍。
Apple 在 AI 方面已经远远落后？
结合前文的讨论理性地来看，Apple Intelligence 与其他厂商在 AI 领域走不是同一个方向/赛道。
Apple Intelligence 不是一个仓促上马的 App /「聊天机器人」，而是对 iOS、iPadOS 和 macOS 方方面面能力的深度改进；它将 AI 变成了像文件系统、网络协议一样的基础设施。
其他厂商在 AI 大模型本身领先，而 Apple 则是聚焦于软硬结合，专注于个人智能系统的布局。
尾声
作为一名技术爱好者，剥离营销术语、探索底层技术架构是令人兴奋的。
Apple Intelligence 的出现，意味着 AI 不一定是一种需要用户主动探索的「工具」，而可以是一种无处不在的「能力」。Apple Intelligence 不是成为最会写诗的 AI，但它很有可能是第一个真正了解你、尊重你，并且能默默完成日常任务的 AI——然而不完整的落地功能、失误的预期管理也让 Apple Intelligence 暂时不能让人完全满意，对 Apple 而言实现美好的 AI 蓝图还有很长的一段路要走。
最后感谢您读到这里。以上内容仅为笔者基于现有的信息和理解所做的整理和总结，其中难免存在技术错误或理解偏差。个人水平有限，文中若有不当之处，恳请各位前辈和同行不吝指正，以便不断改进与提升。
扩展阅读：Apple Intelligence 面面观：「果味」模型是怎样炼成的？
> 关注 少数派公众号，解锁全新阅读体验 📰
> 实用、好用的 正版软件，少数派为你呈现 🚀
为了在 Pixel 上优雅地看网速，我让 Gemini 帮我写了 90% 的代码
利益相关声明：作者与文中产品有直接的利益相关（开发者、自家产品等）
Matrix 首页推荐
Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。
文章代表作者个人观点，少数派仅对标题和排版略作修改。
AI 辅助创作声明：
本文由 Gemini 生成题纲，我完成内容创作，文章由 Gemini 后期润色。个人文笔不好，如对 AI 生成内容敏感还请见谅！
引言：原生党的「网速焦虑」与「毛坯房」
正在使用 Pixel 或类原生系统的朋友，对「毛坯房」这个调侃应该也并不陌生。虽然我们享受着最纯粹的 Android 体验，但总有一些本地化功能的缺失让人抓狂，「实时网速显示」就是其中之一。
在国内复杂的网络环境下，网速显示对我而言几乎是刚需。但尴尬的是 Google 似乎从未打算在系统层面支持这一功能。于是我们不得不转向 Google Play 商店寻找第三方解决方案。然而当我翻遍了市场上的同类应用，如 NetSpeed Indicator、Internet Speed Meter 等，却发现这些「老牌应用」在 2026 年的今天体验依然难以令人满意：它们大多有着过时的 UI 设计，许多 App 的界面还停留在 Android 4.4 或初代 Material Design 时期，放在当下的 Android 系统中总会显得格格不入；实际网速显示效果也一般，要么是状态栏上那个看不清数字和单位的小图标，要么是拖着「正在其他应用上层显示」膏药的悬浮窗；另外功能臃肿也是个问题，我只想要一个网速显示，它们却往往附赠了流量统计、详单分析等一堆我不需要的功能。
更致命的是，它们都有一个共同的痛点：开启代理工具时网速统计严重虚高。Pixel 用户应该遇到过这种情况，明明下载速度只有 5MB/s，网速悬浮窗却显示 10MB/s。
为什么这些工具的网速总是不准？
简单来说，这是 Android 旧版统计机制的「锅」。 传统的网速 App 通常直接读取系统的总流量接口，开启代理工具后，数据包首先通过物理网卡（如 wlan0）进入被统计一次，随后数据被解包并转发到代理工具的虚拟接口（如 tun0），这里又会被统计一次。
大多数老牌 App 只是简单地将所有接口流量相加，导致显示速度往往是实际速度的 2 倍。
好在最近 AI 编程确实火热，既然找不到完美的替代品，我萌生了一个想法：为什么不让 AI 帮我写一个专门适配 Pixel 的网速 App 呢？
于是 Pixel Meter 诞生了。
Pixel Meter 到底好在哪？
作为一款以解决个人需求为出发点的 App，Pixel Meter 主要解决了两个核心问题。
精准的流量统计（告别虚高）
Pixel Meter 摒弃了过时的全局统计方案，转而利用 Android S (API 31) 引入的新 API TrafficStats.getRxBytes(ifaceName)。
这个 API 允许 App 精确获取指定网络接口的流量数据，通过内置的网卡白名单与黑名单机制，Pixel Meter 能智能过滤掉代理工具虚拟接口的重复数据。最重要的是，实现这一功能不需要 Root 也不需要 Shizuku 权限，做到了既高效又精准。
可能是目前最优雅的展示方式
实时活动通知（Live Update Notification）是我认为 Pixel Meter 最大的撒手锏，在 Android 16 及部分支持该特性的高版本系统中，实时活动通知相比于传统状态栏图标，不会有显示空间受限、可读性差等问题，允许我们灵活展示更丰富的内容。
不妨看个对比：
Pixel Meter 则利用通知区域的实时更新特性，虽然有字符限制（ 7 个字符），但足以清晰地展示「数字+单位」：
更重要的事，它看起来不像是第三方的补丁，而更像是系统自带的原生功能——做到了干净、自然、无缝融合。
幕后故事：我负责提想法，AI 负责写代码
AI 时代的到来彻底改变了个人开发的门槛。
以前我也曾尝试开发过一些小工具（比如自动跳过广告的 App），但往往因为初期繁琐的代码构建和漫长的正反馈周期而「弃坑」。投入精力太大、产出太慢，热情很容易被耗尽。
但这一次完全不同。在 Pixel Meter 的开发过程中，我采用了一种新的「人机协作」模式：
- 我负责：架构设计、需求分析、以及在 AI 犯错时进行「代码审查」和方向纠正。
- Gemini 负责：编写具体实现代码、生成文档、甚至处理上架素材。
我使用了 AntiGravity，配合自定义的 GEMINI.md 规则文件。这就像是给了 AI 一份「长期记忆」，让它能记住我们之前的架构讨论和代码规范；即使是新建会话，它也能读取这些「记忆文件」，快速进入开发状态。
最终的数据令人惊讶：Pixel Meter 目前已发布了 3 个版本，其中90% 的代码是由 Gemini 生成的。甚至连 GitHub 仓库的 README 文档、隐私政策，以及 Google Play 上的宣传文案和置顶图，都是由它操刀完成的。
邀请你来体验
目前，Pixel Meter 已经在 GitHub 开源，你也可以直接前往 Google Play 商店搜索「Pixel Meter」即可下载安装使用。
无论你是想体验一个纯净的网速显示工具，还是对 AI 辅助开发的代码质量感兴趣，都欢迎来试一试 Pixel Meter。
> 关注 少数派公众号，让你的 Google Pixel 更好用 📱
> 实用、好用的 正版软件，少数派为你呈现 🚀
The Hackers Labs-Securitrona
派早报：ChatGPT 将上线广告
ChatGPT 将上线广告
1 月 16 日，OpenAI 宣布计划在未来几周内，开始在 ChatGPT 中测试广告功能。首批测试将针对美国市场的用户展开，随后逐步推广至全球。广告将主要出现在免费版以及每月订阅费用为 8 美元的低价方案 Go（在印度测试数月后推广至更多市场）中，而 Plus、Pro 及企业版的高级订阅用户目前将不会看到广告。
OpenAI 承诺，广告不会干预或改变 ChatGPT 生成的答案内容。广告将以带有清晰标识的独立方框形式，出现在聊天机器人回复内容的下方。例如，当用户询问纽约的旅行建议时，ChatGPT 会先提供标准的行程规划，随后可能在下方展示当地酒店的广告。OpenAI 应用负责人表示，还将探索更具交互性的广告形式，例如未来用户可以直接向广告内容提问以辅助购买决策。
针对用户普遍关心的隐私问题，OpenAI 明确表示不会将用户数据出售给广告商，也不会向广告商泄露具体的对话内容。广告商仅能获得如展示次数、点击量等汇总后的效果数据。虽然系统会根据对话主题和部分个性化数据来匹配广告，但用户可以随时在设置中关闭用于广告投放的数据权限。此外，OpenAI 设定了严格的屏蔽机制，涉及健康、政治等敏感话题的对话，以及未成年用户的对话中，将不会展示广告。
OpenAI 面临着巨大的商业化压力。尽管 ChatGPT 目前已拥有超过 8 亿的周活跃用户，但其中绝大多数为不产生直接收益的免费用户。作为一家成立十年、累计融资约 640 亿美元的科技巨头，OpenAI 亟需在现有的订阅模式之外开辟新的收入来源，以支撑高昂的模型训练与运营成本，并应对来自 Google Gemini 等竞争对手日益激烈的挑战。
医保药品比价小程序全国上线
1 月 16 日，国家医保局宣布，已在全国完成「定点药店医保药品比价」小程序上线工作。该小程序整合了全国医保定点零售药店的实时数据资源，能够提供及时更新的药品价格、库存状态及生产企业等信息。
据介绍，参保人可通过微信、支付宝搜索进入本地医保服务平台，或直接使用国家医保服务平台 app，找到比价功能模块。输入药品名称后，系统便会显示所在区域内各定点药店的该药品价格区间、具体库存情况，并支持按照价格从低到高、距离由近及远等多种方式进行排序筛选。选定意向药店后，用户还可直接使用内置的导航功能前往，或一键拨打药店电话进行咨询，从而减少盲目奔波与不必要的支出。
在基础比价功能全面落地的基础上，各地医保部门结合群众在使用过程中的反馈，正持续拓展小程序的服务场景与应用功能。例如，针对老年群体可能存在的打字输入困难，多个省份的小程序已新增「拍照识药」功能，只需对准药盒拍照即可自动识别药品并查询比价信息；部分区域还对接了线上购药与配送上门服务，为行动不便或有紧急需求的居民提供便利。
此外，一些地区进一步探索了医用耗材价格查询、处方匹配寻药、药品价格波动趋势分析等特色服务，并同步展示药店基于医保药品「量价比较」的指数评级，辅助群众更全面地做出购药选择。
新规禁止在直播间销售 13 类食品
据新华社报道，市场监管总局于近日发布《直播电商经营者落实食品安全主体责任监督管理规定》，将于 2026 年 3 月 20 日起施行，其中明确了 13 类不得直播经营的食品，包括：用非食品原料生产、添加有毒有害物质的食品；致病性微生物、重金属超标食品；过期、腐败变质、霉变生虫食品；病死毒死或检疫不合格的畜禽水产肉类及其制品；无标签预包装食品；国家明令禁止生产经营的食品等。
《规定》将直播电商平台经营者、直播间运营者、直播营销人员、直播营销人员服务机构全部纳入监管范畴。这些主体都必须按照《规定》要求，履行相应的食品安全主体责任。其中，食品生产经营者开设直播间需要公示许可信息、查验供货资质，非食品生产经营者需要建立严格的选品制度；直播营销人员要加强选品把关；平台要建立审查登记、培训、风险管控等制度措施，配备食品安全管理人员，制定食品安全风险管控清单，建立「智能监测、排查调度、快速处置」的工作机制。
在强化监管措施、完善消费者权益保护方面，《规定》要求市场监管部门将直播经营食品纳入到日常监管和年度抽检计划中，明确技术监测记录可以作为电子数据证据；平台必须开通便捷的投诉举报功能，及时处置消费者诉求。
Setapp 放弃在欧洲开设第三方 iOS 应用商店
近日，乌克兰知名软件开发商 MacPaw 宣布，将于 2 月 16 日正式关闭其面向欧盟用户的第三方 iOS 应用商店 Setapp Mobile。MacPaw 在官方支持页面中解释称，做出这一决定是因为应用市场「仍在不断演变且复杂的商业条款」已不再契合公司当前的商业模式，暗示盈利困难。
Setapp Mobile 于 2024 年 9 月在欧盟地区启动公开测试，通过订阅制为用户提供 iOS 应用分发服务。服务正式关停后，用户通过该平台获取的所有应用将被移除。官方建议用户在截止日期前备份重要数据，以免服务终止后无法访问。Setapp 基于订阅制的 Mac 版将保持正常运营，不受此次移动端业务调整的影响。
Setapp Mobile 的诞生得益于欧盟《数字市场法案》（DMA）的生效，该法案强制 Apple 在欧盟地区开放第三方应用侧载。然而，这一新兴的分发渠道面临着严峻挑战。尤其是 Apple 引入的「核心技术费」（Core Technology Fee）规则，要求应用在超过一定安装阈值后，必须为每次年度首次安装向 Apple 支付费用。这极大地增加了第三方商店及其开发者的运营成本。
目前，欧盟市场仍有包括 Epic Games Store 在内的另外五家第三方商店在运营。Epic 曾多次抨击 Apple 的收费政策阻碍了竞争对手立足，但目前仍坚持运营并等待欧盟监管机构对 Apple 规则的进一步审查。
英伟达博客笔误写错单位，勘误后引起铜价波动
据财新报道，近日，英伟达于 2025 年 5 月发布的一篇博客文章重获市场关注。该文中，英伟达称 1 兆瓦（MW）的机架需要 200 公斤铜母线，1 吉瓦（GW）数据中心的机架母线需要 50 万吨（half a million tons）铜。
由于 1 吉瓦相当于 1000 兆瓦，按比例换算，1 吉瓦数据中心需要的铜应为 200 公斤的 1000 倍，即 20 万公斤。因此，英伟达原文所谓的「50 万吨」应为笔误。英伟达后来修订了该错误。
然而，这一数据已经被许多市场调研报告引用，而英伟达的勘误直接使国际铜价短线大跌：伦铜（LME）在 1 月 14 日创造每吨 13407 美元的历史新高后，连续两日回调，累计回撤约3.4%，暂时跌破了 10 天移动平均线（MA10）。
事实上，受美国关税套利、铜矿供应受限、AI 等新需求因素影响，2025 下半年铜价屡创新高，伦铜从 2025 年 9 月初的 9900 美元/吨，一路上涨，于 2026 年 1 月历史首次突破每吨 1.3 万美元。花旗预计铜价将在未来三个月升至每吨 1.4 万美元。
2025 华为手机出货量 5 年来重回中国第一
据日经新闻援引 IDC 发布的数据报道，从 2025 年中国手机出货量来看，华为时隔 5 年后再次重回首位。从绝对数字上看，华为 2025 年的手机出货量比 2024 年减少 1.9%，为 4670 万部。由于 2024 年位居首位的 vivo 大幅下降 6.6%，华为逆转升至首位。
此前，华为采购高性能半导体受限，无法实现 5G，导致消费者远离。而近年，华为借助麒麟芯片，重振了销售。2025 年 11 月发售最新机型 Mate80 提高了性能，具备 AI 自动处理各种工作的功能，同时相比前代产品降价。
出货量排在第 2 位的是美国苹果，增长 4%，达到 4620 万部。2025 年 9 月上市的 iPhone17 系列销售强劲。2025 年底苹果通过官方销售渠道对高端机型 Pro 和 Pro Max 提供 300 元优惠刺激了需求。
2025 年，中国的整体手机出货量减少 0.6%，为 2 亿 8460 万部，2 年来首次低于上年。虽然鼓励以旧换新的政府补贴起到了推动作用，但有些地区提前用完补贴额度，显得后继乏力。鉴于消费低迷，IDC 预测 2026 年的出货量为 2 亿 7800 万部，持续低于上年。
看看就行的小道消息
- 1 月 16 日下午，西贝莜面村创始人贾国龙在个人微博宣布，将在晚上 10 点，就罗永浩对西贝的重大污蔑诽谤一一全面回应，并邀请媒体、网友和政府有关部门关注。罗永浩随即转发该微博，并表示自己会尽量忍耐。当日晚间 10 点，贾国龙的个人微博并未更新内容。目前，罗永浩、贾国龙两人的账号被禁言。贾国龙所说的回应最终在西贝集团的认证账号（@西贝人心声）上以图文形式发布。贾国龙称，罗永浩曾在发布的文章中暗示贾国龙联合相关部门对其实施了「跨省抓捕」，是恶意煽动公共情绪，要求罗永浩，必须将此事解释清楚，一起去政府部门查明有没有报警或要求抓捕。随后上述微博被删除。微博 CEO 王高飞（@来去之间）发微博援引网信办《网络名人账号行为负面清单》的规定，表示「以后想论战，应该还是需要通过媒体采访的方式来进行」。罗永浩后来承认被禁言 15 天，表示以后不会再评论西贝事件。
- 1 月 15 日，中国内地的 App Store 已经无法查询到近期因名称特别而受关注的独居安全 app「死了么」；其他地区的 App Store 仍然可以下载。此前，1 月 13 日，「死了么」在官方微博宣布将于即将发布的新版本中，正式启用全球化品牌名 Demumu；1 月 14 日，其官方账号表示，之前的更名尝试未能尽如人意，在全网征集创意。
少数派的近期动态
如果你从浏览器访问少数派，可能已经注意到我们于近日优化了首页样式。
如你所见，我们此次主要优化了——
- 整体设计风格，使其更加现代、统一；
- 顶部横幅（banner）区域的版式，新增作者信息、活动信息等多项展示功能；及
- 内容流区域的布局，提供更灵活多变的内容展示栏位。
通过此次更新，我们希望以更清晰的层级关系，让不同类型的信息在同一视野中有序呈现，同时反映少数派立足内容而多元发展的面向。我们还将在此次更新建立的基础上，持续改进并增加更多功能，敬请期待。
我们鼓励各位读者积极探索、尝试新的版式、组件和交互功能，并提出问题和建议。如你有任何反馈，可以通过下方表单告知我们。
你可能错过的好文章
把「搜打撤」玩成模拟经营，我在《逃离鸭科夫》实现「财务自由」
Matrix 首页推荐
Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。
文章代表作者个人观点，少数派仅对标题和排版略作修改。
前言
《逃离鸭科夫》是由碳酸小队开发，bilibili发行的PVE俯视角射击游戏。玩家以一只鸭子的身份在废土世界搜刮资源、修建庇护所、升级装备，并在这个危机四伏的世界生存下去。2025年10月上架Steam后就反响不错，一个月便成功销售100万份。不过这里不是跟大家探讨和分享游戏、也不是盘点游戏中的那些梗，而是与大家分享一个与游戏主线完全无关的，把这游戏玩成模拟经营，成为百万富翁的故事。
鸭鸭市场mod
游戏中玩家主要靠进入不同地图，搜刮宝箱和敌人获取道具与武器。但除了一些关键道具可用作升级外，大多只是囤积或卖给NPC。直到大佬Cyerol在创意工坊上架了一款叫「鸭鸭市场」的mod，第一次让玩家们在游戏中实现了P2P交易（Player to Player Trade）。
这个市场的功能逻辑很简单，玩家支付手续费后把道具上架市场，就可以被其他所有玩家购买。鸭鸭市场最大的作用是以金钱的方式体现道具应有的价值（道具稀缺度的货币化体现）。因此玩家可以把道具以高于NPC的回收价卖出，也能满足玩家快速获取急需升级道具和高级武器的诉求。游戏中的金钱在技能升级和购买弹药上开销还不小，并且初期赚钱也不那么容易，所以这个mod很受大家欢迎，有不错的使用量。
有点金融知识的朋友应该知道，一个公平的市场如果买卖双方都是理性且没有信息差，那么所有的商品应该会自然的形成一个均衡价格，实际价格只会围绕它上下小幅波动。我最初以为，这游戏中所有道具都能被玩家获得，且有一个固定的系统回收价，那么价格的波动应该不会很大。
但是我错了，我在这里看到了超过系统价格几千倍的畸形售价、充满投机泡沫的比特币骗局。不过我是受益者，因为我在这个市场中通过交易，花了几个小时便达成「百万富翁」成就，最终在游戏里实现「财务自由」。
这个游戏中的100万是个什么水平呢？
游戏中主要的金钱来源是搜刮地图中的战利品，回基地卖给NPC。但游戏中有可携带物品数量和总重量的限制，因此在前期每局能实际获得的金钱比较有限。我的个人体感是在5000-8000左右，这还不包括为后续升级做预留而未卖出的道具，以及单纯做任务不搜刮的情况。
百万富翁之路
在这也能炒比特币
逃离鸭科夫的制作人是很懂玩梗的，这游戏里存在一个特殊道具：0.2 BTC（比特币）。玩家在「矿机」中安装上显卡，就能根据算力生产出比特币。矿机只存在一台，插满12个显卡后每10个小时（现实时间）就能生产出1枚0.2BTC。
0.2 BTC在游戏中几乎没有啥使用价值，但NPC的收购价能到8000块。属于单价很高的物品了，起初我都是直接扔给厨师（他的回收价最高）。然而在鸭鸭市场里我却看到惊人的一幕。
是的你没看错，一个几乎没有使用价值的道具，在这里的最低售价超过26000，是NPC收购价的3倍还多。最高售价高达50万，要上架一个就需要提前支付68万的手续费，这非常不合理。一些高价的比特币都是一个个单独卖，后来我才知道当商品只有一个时点击购买不需要二次确认。
观察一段时间后我发现比特币的价格会在一段时间后迅速跳水，然后再被快速炒高，反复循环。种种迹象表明在鸭鸭市场中比特币有着极不合理的价格波动和巨大套利空间。
在我看来这里有人故意拉高价格等人接盘，一群人明知但依旧浑水摸鱼，就像一个庞氏骗局。
现实生活中我会立马远离，但这是游戏（这里巨大的非理性也和虚拟环境有关吧）。我放弃主线剧情，开始刷市场看行情做起逢低买入、遇高卖出的生意，把射击游戏玩成了模拟经营。
比特币的价格波动很大，行情好就加价一两万挂单卖出，行情差就低价买进，没什么机会就玩一两局游戏做调剂。就这样过了两三个小时，我的资金就翻了好几倍来到50多万。
成就百万富翁
我的资金有了一个巨大的飞跃，但新的问题也暴露出来。相对现在的本金，利润已经有点不够看了，而且我很担心比特币泡沫破裂最后砸手里，所以我决定尽早做调整。
经过一番分析和观察，一个叫做「空间晶体」的道具进入我的视线。相比比特币他有着明显的优点
- 有刚性需求：这是一个后期升级技能的必备道具；
- 有一定稀缺性价值高：获取这个道具需要在特殊时间击杀特殊的强力怪物，初期很容易翻车，所以在鸭鸭市场低谷期售价也在3万以上；
- 价格波动大：波动范围在3万～50万不等，有更大的套利空间。
为了降低风险我采取两条腿走路，一边以八成的资金看准时机收购低价，一边继续倒卖BTC。我还发现一旦挂的单被顶到第二页之后售出的速度就会非常慢。如果主动下架再上架，就要付出双倍的手续费，因此每次上架道具时的定价和数量都要仔细考虑。
随着我对这套玩法的熟练度越来越高，我的倒卖生意蒸蒸日上。也就30多分钟的时间我的资产又一次翻倍达到了100万，同时解锁了「百万富翁」成就。
一场豪赌
机遇还是陷阱
机会有时候会在不经意间来到你身边。在看空间晶体行情时突然发现有玩家以8万一个的价格挂了50个「大块空间晶体」上来。这一下震惊到了我。
由于关键词也可以被匹配上，我对这个道具有一定的认识。据我所知，这是目前市场中单价最高的道具，通常在30万以上，且价格波动极大，50万、80万一个都不算罕见。
突然出现的这个「天漏」反倒让我很犹豫。这不是我当前的主业，正所谓恪守本心、不违其性，看似是机会也可能是陷阱。这时候我持有不少的空间晶体，现金已经不多了。但又不忍错过这个获利极丰的机会，考虑再三后还是凑了16万买了2枚。市场的反应就迅速多了，库存显示从50、30、15，很快来到个位数，总价400万的大块空间晶体很快就从市场上消失，一切又恢复平静。
我还是第一次拿到这个道具，还没来得及仔细端详，市场上又出异端。50个标价8万的大空间晶体再次被挂了上来！这一下我彻底懵了。心想：坏了，可能要砸手里了，真是怕啥来啥。市场那边也是没想到还会有人继续低价抛售，直接把这个品类的盘子砸了。这次售出的速度肉眼可见的慢了许多。过了好几分钟库存还有30多枚。
再起波澜
这是一个机会吗？现在8万的价格只是偶然，价格还会再次攀升。会是陷阱吗？这个品类就此走向下坡路，8万甚至更低的售价才合理。
不知道当初是在怎样的状态下做的决定：我要尽可能的买进这批货！我相信价格肯定会涨上去，最坏的结果也就是从损失一些本金。这买卖可以干！
我的现金已所剩无几，为了凑钱我下架了所有的比特币和空间晶体。比特币直接丢给NPC，空间晶体以低于市场价的价格挂单售出。到仓库把所有的备用武器卖出；那些非后期升级必备的道具也一件不留，几乎是掏空家底去博这个机会。
兵贵神速，每攒够十来万就去市场下单，然后再去NPC那边卖道具。在厨师、鸭鸭市场、快递箱之间来回穿梭（市场买到的货和收到的钱会先放到快递箱）。在库存清空前收购了二十多枚大块空间晶体。
有钱是一件无聊的事情
很幸运我赌对了。这批8万的货被清空后就再也没出现如此低价的单了。等待一段时间后我从20万一个的价格开始出货，然后慢慢涨至30万，最后甚至卖到五十万。我的资产也从几万变成几十万，很快突破100万、200万，最后超过500万。
这一刻我觉得自己实现了「财务自由」。
这一连串的数字让我忘乎所以，很快开始买买买模式。之前升级技能、升级建筑的道具直接在鸭鸭市场去买，反正有的是钱。积累下的那些需要上交特殊道具的任务也一并完成。一时间觉得自己挥金如土好不自在。我丢下来那套修补多次的盔甲，换成了防御最高、最顶级的装备；换了最强的武器并配好所有附件；带上各式针剂、血包。重新迈进废土世界。
前五分钟我还沉浸在高级武器带来的爽感里，可越到后面越发现不对劲。准确地说是我的心态发生了极大的变化。
这款「搜打撤」游戏中，搜集各种物资完成任务、提升自己、升级装备是获得满足感非常重要的一环。但如今我发现自己不再有意愿去打开每个宝箱，因为我知道里面都是些我瞧不上的玩意；击杀敌人后我也懒得去搜刮，因为我的装备已经是游戏中最好的。对硕大的地图也没有了探索欲，因为最终的战利品对我已没有任何意义。
回到鸭鸭市场，我的仓库里还剩下市值一百多万的货，花点时间突破1千万也不是啥难题。只是这串数字对我已没有任何意义。最后我退出了游戏，很久都没再打开。
后记
一点小小的触动
鸭鸭市场的基础规则非常简单，但却涌现出现多种玩法与博弈，这几乎就是现实的写照。在这里，我体验到了财富的增长、市场的波动、心态的转变。它让我看到虚拟经济与现实经济的惊人相似：贪婪、恐惧、博弈、风险。
一个多月后我重新打开游戏，又看到那冰冷的500万，他似乎在提醒我：或许游戏里的财务自由只是虚拟的，真正的快乐也不是拥有无限的资源，而是在规则里找到属于自己的乐趣。毕竟，玩游戏也好，生活也罢，最重要的是享受这个过程。
感谢你能读到这里，希望也能对你有所帮助。
注：
- 前期没有刻意记录，因此文中出现的具体交易量、价格等数据可能与实际有偏差；
- 所有内容发生在2025年11月14日和15日，文中的套利方法可能已不再适用。
> 关注 少数派小红书，感受精彩数字生活 🍃
> 实用、好用的 正版软件，少数派为你呈现 🚀
Windows 视觉史 04（下）｜Vista：余烬散去，余晖依旧
接上期：
这的确是一段漫长的旅程。
——Paul Thurrott《通往黄金之路：通往 Windows Vista 的漫漫长路》（后面的引用如未特殊说明均来自于此）
前言
纵有再多遗憾，Longhorn 项目的前半段也已告一段落。2004 年 8 月，微软重置了 Longhorn 项目，希望能借此摆脱之前的积重难返。
同年 8 月底，微软公开了 Longhorn 的新计划，宣布其将于 2006 年上市，并对外表示：
Longhorn 将显著提升用户的工作效率，为软件开发人员提供重要的新功能，并在安全性、部署和可靠性方面带来显著增强。
然而很长一段时间里，外界对 Longhorn 项目的内部情况几乎一无所知。Paul Thurrott 事后回顾时说：
2006 年末，微软以外的人根本不知道，微软事实上已经彻底重置了 Longhorn，基本上从头开始。
今天这篇文章，我们不妨就穿越时空，回到那个 Longhorn 重新开始的时期。
文中将讲述她的重生，以「Vista」的名称展现在世人面前；讲述她是如何被寄予厚望，却在最终面世后遭受批评不断；而当她在无人在意的角落寿终正寝后，她的名字又开始不断被提起……
回到原点
「Omega-13」：穿越时空
上期说到，2004 年 8 月，微软重置了 Longhorn 项目。团队以电影《惊暴银河系》（Galaxy Quest）中的时间旅行装置为名，将这项工作的代号取名为「Omega-13」。
这一时期，微软主要侧重于 Windows 的组件化及重新集成重置前版本的功能，同时保持稳定性。而出于现实考虑，许多原计划包含的功能（例如 WinFS1 和 Castles2）均被推迟或最终放弃。
虽然「Omega-13」只是代号，但重置后最初的 Longhorn 的确给人一种「穿越时空」的感觉。以 Build 5001（编译于 2004 年 9 月 27 日）为例，除了壁纸上的长角牛（Longhorn 一词的实际含义）和「关于 Windows」中的横幅将原来的「xp」改为「lh」之外，系统整体外观和体验与三年前发布的 Windows XP 区别不大，整个 Longhorn 项目仿佛一夜回到计划前。
不过也有人指出，根据版本号和一些零散组件的构建日期，部分重置前开发的组件（如 DWM 等）很可能在重置后毫发无损，因此重置后的 Longhorn 也并非完全是「从头开始」。
5048：缓慢复苏
在外界看来，很长一段时间里 Longhorn 项目都几乎毫无动静。直到 2005 年年中，微软才发布新的 Longhorn 版本，我们又进入了一个充满困惑、恐惧和猜测的漫长时期。
2005 年 5 月，WinHEC 2005 召开，微软展示并发布了 Build 5048。微软集团副总裁 Jim Allchin 在大会上表示，Longhorn 要实现的目标可被总结为以下五点：稳定、安全、易于部署、用户体验、长期支持。Longhorn 的开发正在缓慢复苏。
尽管该版本恢复了 Aero、DWM 等原有 Longhorn 项目已实现的功能，但与重置前的版本相比，它仍然更接近于 Windows XP。许多 Longhorn 原有的特色功能（如侧边栏等）在这一版本中并没有出现。
Paul Thurrott 毫不掩饰自己对这一版本的失望：
它似乎并没有比我们一年前收到的 Build 4074 相比有任何重大改进。事实上，它在很多方面都倒退了一步。
我之前看过 Longhorn 的高级 UI 设计，知道它最终会有多么出色。然而 5048 版本完全没有展现出这些。
步入正轨
经过多年的虚幻希望和拖延，Longhorn 项目似乎终于走到了尽头。但是，在 Build 5048 版本惨淡回归公众视野后，微软凭借出人意料的强劲表现有所反弹……
「Vista」：刷新你的「视界」
2005 年 7 月，微软宣布 Longhorn 的正式名字 Vista3。
Vista 一词源于拉丁文的 Vedere，意为远景、展望，也与它的口号「为您的世界带来清晰」相呼应。微软副总裁 Jim Allchin 表达了对这一产品名称的热情，称其：
为这个新系统的功能勾勒了一幅美丽的图景，能够最大限度的激发人们的想象力，点燃用户的激情。
已知最早使用这一名称的版本是当年 7 月末面向测试人员发布的 Build 5112（Beta 1），但因为这个版本是在更名公告发布短短两天前才编译的，所以只是仓促地在桌面水印上修改了系统名称。
尽管如此，该版本与 Build 5048 相比仍然进步明显：高清图标、重新设计的资源管理器、虚拟文件夹4、新搜索界面等均被集成进来，此外还包含了家长控制、新的网络和音频堆栈、WinFX（.NET Framework 3.0）等诸多功能。
Windows Vista 的开发逐渐步入正轨。
改头换面
经过多年的失望和延误，Windows Vista 终于迈向快速完成的阶段。我们将看到持续的改进，而 5219 版本仅仅是个开始……微软已经出色地扭转了局面。
2005 年 9 月 12 日，PDC 2005 大会如期举行。微软发布了 Windows Vista Build 5219（Beta 2），即社区技术预览版（CTP）。
这一版本在 Beta 1 的基础上进行了多项改进，包括更丰富的 Aero 效果、重新设计的侧边栏、新的内置游戏、Windows 备份、从 Windows XP Tablet PC 版本中引入了适用平板电脑的组件，以及照片库等新应用的出现等。
可以说 Windows Vista 正在稳步推进、一路向好，也是时候看看 Windows Vista 都做出哪些改变了。
「Aero」再归来
Aero 是 Windows Vista 用户体验的名称，这一名称既体现了美学设计中所蕴含的价值，也体现了用户界面背后的愿景……Aero 旨在打造兼具专业性和美观性的设计，其美学理念创造了一种高质且优雅的体验，不仅能提升用户的工作效率，更能激发情感共鸣。——微软《Windows 设计指南》
上一期提到，在 Longhorn 项目中，微软提出了一种名为「Aero」5的视觉风格。项目重置后，Windows Vista 保留了 Aero 在 Longhorn 重置前便已有的毛玻璃模糊效果，并将其更加完善。
如下图，窗口边框带有毛玻璃模糊效果和类似玻璃折射的纹理，鼠标悬停在窗口按钮时周围则会发出柔和的光芒以示强调（这一设计与 Windows XP 类似）。
与重置前一致，Aero 依然由 DWM（桌面窗口管理器，采用了混成器技术）实现。在它的帮助下，窗口的拖动动画流畅了许多，不会再像 WinXP 那样出现残影。
任务栏引入了实时预览窗口缩略图的功能，用户可以通过将鼠标悬浮在任务栏图标上显示对应窗口的页面；即使窗口内正在播放视频，窗口内容也能通过缩略图实时更新。
而按下 Win+Tab 键后，应用程序窗口将以 3D 形式排列，即「Flip 3D 应用切换」。
玻璃效果更是无处不在，比如下图 Windows 媒体播放器的播放控件，播放按键可以称得上是「晶莹剔透」，玻璃质感十足：
内置游戏也针对 Aero 视觉风格进行了重新设计，引入了新游戏墨球6、Purble Place、Mahjong Titans、Chess Titans 等等。但有得也有失：三维弹球在这一版本中就与我们说再见了。7
另外还有一个细节：窗口最大化后，边框的透明效果会消失。这被称为「熄灯特效」。
早在 Longhorn 项目重置前，微软就在 PDC 2003 大会上演示过这一功能，并解释说这样设计的目的是「帮助用户专注于眼前窗口的内容，避免分心」。或许也有性能方面的考虑（调成不透明后就没必要渲染窗口后面的内容，节省性能）。然而这一「小巧思」没能在 Windows 的下一版本中延续下来。
不过，这一切的前提是用户的电脑足够支撑起华丽的 Aero 特效。对于性能稍逊或者安装了家庭基础版 Vista 的电脑，便只能看到一种名为「Windows Basic」的主题（见下图），窗口预览、Flip 3D 等特性更是「查无此人」。
初心未改：边栏的回归
许多人可能已经注意到这里的右侧看起来与 Windows XP 有些不同。我们非常高兴能够随 Windows Vista 一起提供边栏，边栏非常清楚地提供了我一直在关注的实时信息。—— PDC 2005
重置后 Longhorn 的侧边栏设计与重置前的较为相似，但与后者相比它不再包含在资源管理器进程中；同时失去了一些功能，比如与任务栏合并等。
最终的 Windows Vista 版本包含 CPU 仪表盘、时钟、天气等共计 11 个基础小工具，用户也可以从微软网站上获取更多小工具。
顺便提一句，还记得微软最初试验的侧边栏功能叫什么吗？Sideshow。在 Vista 中，微软将这个名称用在了辅助显示功能上，用户可以通过这项功能在辅助显示设备上查看信息，算是边栏功能的延伸。
壁纸：「Aurora（极光）」回归
在上一期文章中，我提到了 Longhorn 项目的一个功能「Aurora（极光）」，它可以在桌面上显示动态的极光效果。重置之后，微软也依然没有忘记这一功能。
不仅如此，「极光」成为了 Windows Vista 的默认壁纸的主要元素。微软如此偏爱「极光」元素也不无道理——微软总部（美国华盛顿州雷德蒙德）正好也是极光现象光顾的地方。
这张壁纸的设计理念是「平和、宁静、开阔」，也契合系统名称 Vista 的含义。其设计灵感甚至有一部分来自于她的上一代——设计团队将其想象成绿色山丘（WinXP 默认壁纸的元素之一）上空的极光。
Vista 中到处有与默认壁纸相呼应的设计，比如「欢迎」页面的横幅，控制面板的侧栏背景等，这些元素与壁纸融为一体，使整个系统充满了清新明丽的氛围。虽然当时还没有系统「主题色」的概念，但很明显 Windows Vista 的「主题色」是明亮的青绿色。
除了默认壁纸，Windows Vista 还内置了其他精美的壁纸，共计 51 张，是前一版本 WinXP 的一倍多。其种类更是各种各样：有实景拍摄，也有绘画作品；有彩色，也有黑白。
DreamScene：让桌面动起来
原先的「Aurora」功能除了有极光效果，还能让壁纸动态显示。Windows Vista 中，这一部分内容成为了一项名为「DreamScene（梦幻桌面）」的功能，允许用户将视频文件设置为壁纸。
然而这项功能限制比较大：其一，一般情况下只支持 MPEG 或 WMV 格式的视频；其二，它只包含在 Windows Ultimate Extras 扩展包里，仅支持 Vista 旗舰版且为付费功能。
到了 Windows 7，微软便不再提供该功能（不过也有人成功将 DreamScene 移植到了 Windows 7 中）。再后来？就是其他第三方动态壁纸软件（Wallpaer Engine、Lively、元气桌面等）大显身手的时代了。
不过就在去年 9 月，微软又在新系统中悄悄带回了动态壁纸功能，此时距 Vista 面世已有近 20 年。
图标：拟物新高度
在 Windows Vista 中，微软为其重新设计了一套符合 Aero 视觉风格的新图标。这一回微软又找到了老朋友——曾为 Windows XP 设计过图标的 Iconfactory。
经过两年的打磨，Iconfactory 成功设计出了符合 Aero 特色的图标。这套图标延续了 WinXP 的拟物化风格，但更为明亮精致，细节也更加丰富。8
而针对同一图标，微软也会根据大小的不同而进行不同的处理。以「计算机」图标为例，其本体采用透视图绘制，但当其缩小到 16x16 及更小时，便会采用其正面图（如下图）。
微软在设计指南中写道：
Windows Vista 图标在透视和细节方面展现出良好的光学平衡和精准度。这使得它们无论放大还是缩小、近看还是远看都清晰美观。此外，这种图标风格也适用于高分辨率屏幕。
这也解决了在 Windows XP 中当图标过小时便难以分辨的问题。
面世：「『Wow』从现在开始！」
在 Vista 长达五年的开发过程中，我们见证了无数次的延期、数不清的承诺落空、大量功能的砍掉，以及最近 Windows 部门的一次彻底重组……终于，一切都结束了。
经历了近六年9的磨砺，终于，2006 年底至 2007 年初，Vista 陆续面向不同渠道（OEM 厂商、企业、个人等）发布，同时期发布的还有 Office 2007。Office 2007 采用的新界面「Ribbon UI」将被之后几代的 Windows 版本所采用——这就是另一个故事了。
最初，Windows Vista 的市场表现强劲。根据 Market Share by Net Applications 提供的数据，其市场份额从 2006 年 12 月的 0.16% 增长到 2007 年 4 月的 3.02%，这与微软最初的预测相符。并且上市仅 100 天，Windows Vista 的销量就达到了约 4000 万份。
按比尔·盖茨的说法「这比我们上一个主要版本 WinXP 的销量增长速度快了两倍」。与此同时，世界各地都开展了各种围绕 Vista 的营销活动。看起来，Windows Vista 将延续其前任版本的成功。
然而事实真是这样吗？
「远景」的「近难」
然而，在最初的强劲势头之后，Windows Vista 却面临了一系列困难。
首当其冲的是硬件要求过高。据 2007 年 3 月的一项调查，在对 1000 家企业的 14.5 万电脑统计后发现，80% 的电脑无法满足 Vista 四项硬件要求（见下图）中的至少一项。比如前面提到，Windows Vista，尤其是「Aero」包含的许多功能，对硬件都有着一定的要求，一旦硬件不达标，Aero 的效果便会大打折扣。
为什么会出现这种情况？一方面是微软期望过高，其 2004 年 4 月的内部文档指出「2006 年的主流电脑将有 4~6Ghz 的 CPU、2GB 内存、1TB 硬盘、三倍于 2004 年水平的显卡」等等，但以内存为例，2006 年出货电脑内存平均仅 800MB；另一方面，由于 Vista 上市不断延误，市场长期被适配 WinXP 的电脑占据，面对 Vista 陡然拔高的硬件需求，许多电脑便难以适应。即便后续电脑配置达标，用户仍倾向于安装 Windows XP。
雪上加霜的是，微软明知一些电脑无法达到 Windows Vista 的建议需求，却仍给这些电脑贴上「Windows Vista Capable」的标签。其中大量机型实际上只能运行功能阉割的基础版，先前提到的华丽 Aero 界面更是无从谈起。这甚至引发了一场美国消费者集体诉讼，成为微软史上的一大营销滑铁卢。
即使在硬件达标的情况下，Windows Vista 也有不小的性能问题。2007 年 1 月，《Tom 的硬件指南》发表应用测试结果，数据表明：在相同的配置之下，Windows Vista 的应用程序运行速度在一般情况下比 Windows XP 要慢。Aero 包含许多炫酷的特效，但代价就是对电脑性能的消耗。而即使关闭 Aero 特效，Vista 的基础界面资源占用依旧显著高于 Windows XP。
除此之外，Windows Vista 的实际体验也有不尽如人意之处：兼容性问题频发、本意是想保护系统安全的「用户账户控制（UAC）」功能却令用户不胜其扰、推出的版本种类繁多导致分界不清晰、用户无所适从……这些问题都严重影响了 Windows Vista 的声誉。
当时的 Windows Vista 就像一个被微软呵护了六年的少女，等到终于能独立了，却发现自己无法适应外部的环境；而在用户眼里，她就像一位长期呆在温室的大小姐，虽然美丽却要求颇多，难以侍候。
同时，微软对 Vista 营销的也存在很多问题（「Vista Capable」事件最为典型），使得 Windows Vista 的市场表现成为一场彻头彻尾的灾难，甚至有人提出了「Vistaster（Vista + disaster（灾难））」一词来形容 Vista 的失败。苹果也趁机推波助澜，最知名的莫过于「Get a Mac」宣传片系列中对 Vista 的讽刺。
不过需要指出的是，上文描述的许多内容多是在 Windows Vista 发布初期的情况，在经过几次更新后，Vista 的许多问题其实已有显著改善。然而，由于最初 Vista 给人的印象实在糟糕，加上受到媒体和竞争对手的影响，这些改进也是无力回天。
Vista 作为一个失败操作系统的命运已经注定。她有着美丽的名字和美丽的界面，却并没有一个美丽的结局。
余烬散去，余晖依旧
Windows 7 发布后，Windows Vista 很快便被人遗忘。2012 年，微软结束了 Vista 的主流支持，扩展支持也于 2017 年结束。此时的 Vista 已如一场大火中留下的余烬，已无人在意她的离去。
然而就当一切似乎尘埃落定时，人们又想起了她：
Vista 奠定了之后几个版本的内核基础。原先被人诟病的 UAC 经过后续改良后已逐渐被人接受，BitLocker、TPM 等功能更是日后 Windows 安全组件的重要组成部分。
UI 设计上的故事也并未结束。重新设计的文件资源管理器（引入了面包屑栏等）成为之后文件管理器的基本界面；侧边栏在起起落落之后又在十几年后的 Windows 11 中重新复出；MDI 窗口10则依旧采用 Vista 的 Basic 主题……
对了，我们的「Aero」呢？
「Aero」从未离去
随着时间不断流逝，「Aero」的意义已经不再局限于 Windows 本身，在某种程度上已经成了一个时代视觉风格的象征。甚至，我们依然能在如今的 Windows 和其他操作系统中看到 Aero 的影子。
Windows Vista 之后，她的继任者 Windows 7 继续完善了 Aero，增加了许多实用功能，这在下一期文章会详细介绍。
Windows 7 之后，尽管后继者 Windows 8 删去了 Aero 的毛玻璃特效，但依然保留了 Aero 的许多功能（比如窗口预览等），并对部分功能进行了完善，至今仍是 Windows 用户界面的重要组成部分。不仅如此，Longhorn/Vista 时期引入的 DWM 目前仍是 Windows 的窗口渲染方式。
而在 Vista 发布前后，也有许多操作系统和产品采用了类似的设计风格，比如苹果 iPhone OS 1.0 和 Mac OS X Leopard、Linux 的 KDE 4.1，以及 Xbox 360、Nintendo Wii 等。
Windows 10 时期，微软推出了一种名为「Acrylic（亚克力）」的视觉材料，作为新推出的 Fluent Design 系统的其中一个组件。正如其名称，其特点便是模糊效果，与「Aero」的毛玻璃效果有异曲同工之妙。
而在 Windows 11，微软又引入了一种名为「Mica（云母）」的新材料，尽管微软官方表示这是一种「不透明的动态材料」，原理是通过提取主题和壁纸颜色来绘制窗口。然而它与「Acrylic」类似的模糊效果背后也有「Aero」的影子。
「Frutiger Aero」：落日余晖
2017 年，Windows Vista 已经推出了近十年，此时占据设计领域主导的是扁平化设计。
也正是在这一年，消费者美学研究所的 Sofi Lee 提出了「Frutiger Aero」这一术语，用以指代 2004-2013 年流行的设计风格。其核心特征包括拟物化、光泽与玻璃质感、自然元素（如水、泡泡、天空、极光等）的大量采用；以蓝色、绿色和白色为主，营造清新、科技感和未来感的色彩等。其中「Frutiger」是一种无衬线字体，由瑞士平面设计师 Adrian Frutiger 设计，曾广泛应用于公共空间导视与平面设计；而「Aero」正是 2006-07 年发布的 Vista 的主要设计风格。
2022 年，此时 Vista 已面世近 15 年，采用微软最新设计语言 Fluent Design 的 Windows 11 也已于一年前正式发布，Aero 似乎已成为遥远的记忆。
但正是在这一年，Frutiger Aero 美学突然爆火。#frutigeraero 标签在 TikTok 上的浏览量已超过 3000 万次，Youtube 等视频网站也涌现出许多关于 Frutiger Aero 的短视频。甚至微软也在其官方 TikTok 账号上发布了一条专门介绍该美学的短视频。
关于 Frutiger Aero 突然流行的原因说法不一。有人认为部分原因是出于怀旧情结，也因为它的视觉风格丰富，与现代简约的扁平化风格形成对比，给人以新鲜感；也有人指出这可能源于 其以自然为中心的意象和乐观精神，与年轻一代日益增强的环保意识相吻合。
不管原因如何，Aero 又重新回归了大众的视野。
「就把她放这里了」
时间来到 2025 年。在这一年的 WWDC 大会上，苹果发布了 iOS 26/macOS 26，新系统一改沿用多年的平面化设计风格，引入了一种名为「Liquid Glass（液态玻璃）」的「全新」设计语言，特点是玻璃模糊效果和丰富的动效设计。
这再度引发了人们对玻璃质感和拟态设计的讨论，自然，以玻璃效果为主要特征之一的 Aero 也再度被提起。
虽然微软官方并没有直接回应，但 Windows 官方账号在 Instagram 上发布了一段视频，背景是 Windows 的 Aero 界面，配文只有一句话「就把她放这里了（just gonna leave this here.）」。
看吧，Aero 从未离去。可以预见，此后「Aero」还会被人不断地提起，而其创始——Windows Vista 也会被人不断怀念，成为独特的时代符号。
结尾：谁来拯救 Vista？
Aero 的故事还在继续，但 Vista 的一生已经结束。
该怎么形容 Windows Vista 的一生呢？
她的开发历程起起落落，曾被微软和人们寄予厚望；但在最终发布后风评急转直下，在各种批评中结束了自己的一生；然而当她孤独地离去后，却又不断有人想起了她。她并非完美，却也倾注了微软大量的心血；她并非成功，却也被人们所怀念，成为独特的时代印记。
无论如何，她确实开启了 Windows 的一个新时代。
2008 年 7 月，微软开展了一项名为「Mojave」的实验，实质是一次营销活动。实验中，微软邀请了约 140 名从未使用过 Windows Vista 的人作为实验者，给 Vista 和代号「Mojave」11的所谓「下一代微软操作系统」打分。结果发现，实验者对 Vista 的态度普遍负面，但都对「Mojave」打出了高分。
然而真相是：「Mojave」只是换皮的 Windows Vista。
尽管实验过程存在一些缺陷，Vista 的处境也并没有因为这项实验而得到较大改善，但它确实反映了部分问题，即 Vista 的失败原因并不能完全归结于她本身。正如 Windows 部门业务主管 Bill Veghte 所言，「现在 Vista 面临的最主要是感受问题」。当抛开偏见，人们自能发现 Vista 与 Aero 的独特魅力。
换句话说，如果微软在 Vista 之外再开发一个系统，既继承了她的优秀特性，又解决了她身上所存在的问题，这一版本是否能成功呢？答案是肯定的，她就是下一期的主角——Windows 7。
Windows 7 与 Vista 在许多方面可以说是「一脉相承」，甚至有「Windows Vista Service Pack 3」12的戏称，但从 Vista 到 7 的历程也不仅仅是「改一下名，换一套皮」那么简单，其中也倾注了微软很多的心血，更不是像一些人所理解的那样「Win7 的成功都是 Vista 的功劳」。
在下一期文章中，我将回顾 Windows 7 的开发历程，以及她在设计上所做出的一系列改进。这些改进，有些在 Vista 就已埋下了伏笔，而有些则是「摸着石头过河」，依据大量用户测试做出的。
而这些改进都是出于同一个目的：让电脑更「简单」。
- 本期完 -
参考资料（主要）
- 个人计算的新纪元、操作系统的大革命 - App-scope
- 18 年后回看 Windows Vista：它真的那么糟糕吗？ - 少数派
- Windows Vista - betawiki
- 雷蒙德·陈 - 我的天啊，这是一部《银河探索》纪录片 - TheOldNewThing
- Paul Thurrott - 通往黄金之路：Windows Vista 的漫漫长路（第三部分）：2004 年
- Paul Thurrott - 通往黄金之路：Windows Vista 的漫漫长路（第四部分）：2005 年 1 月 - 7 月
- Paul Thurrott - 通往黄金之路：Windows Vista 的漫漫长路（第五部分）：2005 年 8 月 - 12 月
- Paul Thurrott - 通往黄金之路：Windows Vista 的漫长征程（第六部分）：2006 年 1 月 - 6 月
- Paul Thurrott - 通往黄金之路：Windows Vista 的漫漫长路（第七部分）：2006 年 7 月至今
- 关于《三维弹球》被从 Windows Vista 移除的原因，雷蒙德·陈曾写过一篇文章：为什么 Windows Vista 系统中移除了三维弹球？，认为是因为三维弹球的代码在 64 位系统上有 bug；对于这一解释，一位名叫 NCommander 的视频博主在视频 三维弹球的消失，背后究竟隐藏了多少故事？中提出了质疑，指出三维弹球在 Longhorn 的 64 位版本（包括 amd64 和 IA-64 版本）中能正常运行，认为真正原因是原来三维弹球的设计不符合 Aero，但因为版权原因无法修改，只能移除。之后，雷蒙德·陈又撰写了一篇文章 填补三维弹球 64 位 Windows 系统故事中的一些空白 进行了补充。
- Windows Vista - Windows Wallpaper Wiki
- 图标（设计基础知识）- Win32 apps | Microsoft Learn
- Windows Vista 图片 - Wow 环游世界的前 100 天 - Softpedia
- 调查称 80% 企业 PC 达不到 Vista 硬件需求 - 中关村在线
- DRAM 市场重现乐观 下半年出现反弹 - 21ic 电子网
- 亚克力材料 - Windows apps | Microsoft Learn
- Mica 材质 - Windows apps | Microsoft Learn
- Frutiger Aero | Frutiger Aero Wiki | Fandom
- Frutiger Aero 美学 - frutiger-aero.org
- 为什么 Z 世代如此迷恋 Frutiger Aero 的设计美学 - Creative Bloq
- 微软用 Windows Aero 复古设计（Windows Vista）嘲讽 macOS 26 Liquid 设计 - Windows Latest
> 关注 少数派公众号，解锁全新阅读体验 📰
> 实用、好用的 正版软件，少数派为你呈现 🚀
ObliInjection：针对多源数据 LLM 智能体的顺序无关提示注入攻击
谈谈公司对员工的监控
今天看到微博上有一个热点事件， 是一个关于某公司做的一个监控员工离职倾向的软件，从截图中可以看到员工访问招聘网站的次数，还有投递的简历以及搜索的关建词等等信息，通过这些信息分析员工的离职倾向。然后我发一个微博，说了一下，我以前工作过的公司无论外国公司还是中国公司都有这样的情况，收到一些人来问我相关的情况，所以，我想还是写篇文章详细地说一下，我对这种事情的看法。 本文分成下面个部分： 目录 下面是我经历过的几个手段： 1）通过网络嗅探的方式。也就是说，你只要上了公司的网络，你个人设备上的通讯信息就可以被人以网络抓包+分析的方式进行分析。当然，这样的手段已经不怎么好用了，因为现在的网络基本上都是HTTPS加密的，网络嗅探的方式只能知道你访问了什么IP，对于其中的数据是没有办法知道的。 2）通过使用公司提供的软硬件工具。你使用公司的电子邮箱，浏览器（或是公司的代理服务器），通讯工具（包括语音电话），手机办公应用……等来处理你的个人事宜的时候，必然会被监控。这样，你只需要不要使用公司的软件来处理自己的私事就好了。 3）通过安装一个监控程序。这个是最可怕的了，因为无论你加不加密都没用了。一般来说，你不安装这个程序，你就没有办法连上网络，包括公司内网和外网。这个监控程序，会收集你电脑或手机上能够收集的到的所有的信息，比如，你的网络信息，按键操作，录屏，软件数据……等等。 4）办公区监控。我见过的还有使用摄像头，在会议室中安装声音和视频监控设备，对整个办公区内发生所有的事情进行监控。 5）通过爬虫。通过爬虫分析员工的社交平台上的各种言论，包括招聘网站。除了公司需要分布和自己相关的舆情，同样也开始监控员工的行为和价值观等。这已经不是监控隐私信息了…… 公司监控的目的最早就是为了防止自己公司内的数据和信息外泄，所以，他们害怕自己的员工访问了什么不合适的网站，或是下载了什么有恶意的软件，或是不小心发错了邮件。另外一些公司也会使用外包人员，所以，对于外部编制的人员更需要有信息泄漏防范的安全需求。当然，也害怕有一些商业间谍或是自己的员工被收买了窃取公司内部的敏感信息。尤其是对于一些本身就是做数据的公司，如我以前呆过的Thomson Reuters，这家公司主要是卖金融数据的，所以，对信息泄漏是非常注重的，其就是需要在员工的电脑上安装监控软件。 还有一些劳动密集型的工作，比如在Amazon里的仓库里工作的人，公司会监控员工的工作量，以此来评估员工的工作绩效。对于用监控软件来评估程序员的工作量，我到今天仅见过监控外包人员的，在中国，外包人员需要使用甲方的电脑进行签到和签退，以及相关的工作。除了上述的信息安全目前，还能够看到员工的工作时长的情况。 所以，一般来说，公司监控的目的主要是为了自己的信息安全，还有员工的工作量评估，一般来说，不会涉及员工的隐私。 但是，随着收集的数据越来越多，有些公司发现还可以做更多的事，比如，上述的员工离职倾向的分析。还有一些公司还会收集员工在外网的数据，比如你在社交平台上的各种言论，来分析你对公司的忠诚度和你的价值观取向……我个人觉得这些已经令人不耻了。 我经历过的公司中，外国公司和中国公司都有监控的经历，这里说一下他们的不一样之处。最大的不一样的地方是，外国公司会让你有知情权，而中国公司则完全没有。 我记得我进入Thomson Reuters 公司的时候，公司要求签署一份监控的知情的同意书，其中用中英文写的，就是说，你授权公司监控你的如下这些信息：1）上网记录，2）下载的软件，3）工作电脑，4）公司的座机电话，5）会议室和办公区的语音和视频监控……大概有两页A4纸，然后也说明了这些数据公司仅用于信息安全的风控，不用于个人隐私分析等等……并且会符合法律要求保护员工的这些数据不外泄……这些条款都经得起法律的推敲。这样的协议是需要员工签字的，并且对双方都有法律约束的。 中国的公司则不会告诉你他们会监控你哪些数据，而这些数据拿来做什么。 我记得我在某公司工作的时候，就有员工发现自己访问自己的gmail的录屏被公司收集后的愤怒…… 一方面，我对于公司通过使用监控软件监控员工的行为我是能够理解的，但是，应该让员工有知情权，并和员工明确一个监控的信息和范围，包括收集的数据的用途和安全措施，以及数据多长时间销毁的协议。如果没有这个协议的话，我觉得本质上就是一种流氓行为。 另一方面，针对监控员离职的倾向来说，我实在不知道有什么意义？公司你知道了又能如何呢？你是要找员工作思想工作，还是要给员工更好的待遇，还是直接开掉？如果你对自己的企业有信心，你就不必担心员工会离开，如果你的企业有问题，你为什么不把心思花在建设自己的企业上来呢？安装这样的监控软件对于企业没有什么帮助，反而只会让你的企业的形象更low…… 再仔细想想，员工有一万种方法泄漏你公司的信息，无论你怎么监控，只要他想，他总是能够找到方法的，不是么？如何让找到或是培养有职业操守的员工，如何管理自己企业的商业信息，如何建立一个更好的企业文化让员工更有归属感，成为企业的共同体，一同维护共同利益，为企业着想，这不才是公司真正应该干的事吗？！监控员工充分暴露了这样的企业没有一个好的企业文化，不懂得高级的管理，所以，只能靠监控这样的手段来管理企业了……这样的企业不去也罢了。
技术手段
公司监控的目的
外企与国企不同之处
我对此事的看法
【开源】PC 端 豆包语音输入工具，Windows 豆包语音输入增强工具
众所周知手机版的豆包输入法很好用，但是阿，没有电脑版～
试了一圈其他的语音工具在 windows 的场景下的适配都不是很好，影响 vibecoding
突然想起用的豆包客户端好像有语音识别功能，试试了一下。但是得自己手动点击或者按回车，文字插入还有点问题。很不方便阿，于是决定手搓一个工具，解放双手。
基于豆包语音识别的增强辅助的工具，帮助实现主流语音输入法效果。
提供两种输入模式（按着说、自由说），可查看实时语音效果，有自动纠正功能，英文支持友好，识别效果不满意支持清空重录
演示效果：
效果还是很 nice 的，现在是我的主力了；约等于 pc 端豆包语音输入法（丐版） ；这里提供给大家多一种选择。觉得不错的帮忙点个 star
项目地址：
想要使用的话要先安装豆包的客户端，同时启用两个软件。（但对于我这种豆包客户端一直挂后台的人来说就没什么区别，他的一些划词还有实时对话、翻译功能确实还挺好用。）
最后坐等官方出 PC 版。
【开源分享】AliasGUI - 可视化 Shell 别名管理工具，告别命令行配置的烦恼
佬友们好！作为一个经常在终端里敲命令的开发者，我相信大家都设置过各种 alias 别名来提高效率。但每次都要手动编辑
.zshrc
或
.bashrc
，是不是觉得有点麻烦？
今天给大家分享一个我写的小工具 —— AliasGUI，一个跨平台的可视化 Shell 别名管理器！
痛点
- 每次添加别名都要
vim ~/.zshrc
，然后找到正确位置添加
- 手动编辑容易出错，比如等号两边加了空格
- 同时在 macOS 和 Windows 上工作，语法还不一样（Bash vs PowerShell）
- 别名越来越多，管理起来一团乱麻
- 换电脑后又要重新配置一遍
AliasGUI 功能
软件截图
核心特性
| 功能 | 描述 |
|---|---|
| 跨平台 | 支持 macOS、Windows、Linux |
| 可视化管理 | 图形界面操作，无需编辑配置文件 |
| 快速搜索 | 即时搜索已有别名 |
| 备份恢复 | 一键备份，随时恢复，再也不怕手残删错 |
| 智能检测 | 自动检测系统 Shell 和配置文件 |
| 安全保护 | 只管理 AliasGUI 区块，保留你原有的配置 |
使用方法
- 添加别名：点击 + 新增 按钮，输入别名名称和命令
- 保存生效：点击 保存并生效 按钮
- 让别名生效：
- macOS/Linux:
source ~/.zshrc
- Windows: 重新打开 PowerShell
技术栈
- Electron - 跨平台桌面应用框架
- React - 前端 UI 框架
- Vite - 构建工具
- Node.js - 后端服务
GitHub 开源
项目地址
欢迎 Star、提 Issue 和 PR！
最后
如果有任何建议或者发现 bug，欢迎在评论区告诉我，或者直接在 GitHub 上提 Issue。
感谢各位佬的阅读！
Zellij 配置文件总是被回写问题
在服务器端我按习惯配置了 Zellij 的配置文件。
nano ~/.config/zellij/config.kdl
内容极简
scrollback_editor "/usr/bin/nano"
default_layout "compact"
mouse_mode true
copy_on_select true
pane_frames false
session_serialization false
on_force_close "quit" 但是每次重新登录就发现被回写了。但是这些配置依然生效。这是什么机制？问 AI 说可能格式不正确。但是格式检查没有任何问题。
zellij setup --check “一把梭：REST API 全用 POST”
写这篇文章的原因主要还是因为V2EX上的这个贴子，这个贴子中说—— “对接同事的接口，他定义的所有接口都是 post 请求，理由是 https 用 post 更安全，之前习惯使用 restful api ，如果说 https 只有 post 请求是安全的话？那为啥还需要 get 、put 、delete ？我该如何反驳他。” 然后该贴中大量的回复大概有这么几种论调，1）POST挺好的，就应该这么干，沟通少，2）一把梭，早点干完早点回家，3）吵赢了又怎么样？工作而已，优雅不能当饭吃。虽然评论没有一边倒，但是也有大量的人支持。然后，我在Twitter上嘲讽了一下，用POST干一切就像看到了来你家装修工人说，“老子干活就是用钉子钉一切，什么螺丝、螺栓、卡扣、插销……通通不用，钉枪一把梭，方便，快捷，安全，干完早回家……不过，还是有一些网友觉得用POST挺好的，而且可以节约时间。所以，正好，我在《我做系统架构的原则》中的“原则五”中反对API返回码无论对错全是200的返回那，我专门写下这一篇文章，以正视听。 这篇文章主要分成下面这几个部分： 目录 编程世界通常来说有两种逻辑：“业务逻辑” 和 “控制逻辑”。 网络协议也是一样的，一般来说，几乎所有的主流网络协议都有两个部分，一个是协议头，一个是协议体。协议头中是协议自己要用的数据，协议体才是用户的数据。所以，协议头主要是用于协议的控制逻辑，而协议体则是业务逻辑。 HTTP的动词（或是Method）是在协议头中，所以，其主要用于控制逻辑。 下面是HTTP的动词规范，一般来说，REST API 需要开发人员严格遵循下面的标准规范（参看RFC7231 章节4.2.2 – Idempotent Methods） 其中， 当然，现实世界中，可能并不一定严格地按照数据库操作的CRUD来理解API，比如，你有一个登录的API 另外，我们注意到，在这个表格的最后一列中加入了“是否幂等”的，API的幂等对于控制逻辑来说是一件很重要的事。所谓幂等，就是该API执行多次和执行一次的结果是完全一样的，没有副作用。 幂等这个特性对于远程调用是一件非常关键的事，就是说，远程调用有很多时候会因为网络原因导致调用timeout，对于timeout的请求，我们是无法知道服务端是否已经是收到请求并执行了，此时，我们不能贸然重试请求，对于不是幂等的调用来说，这会是灾难性的。比如像转帐这样的业务逻辑，转一次和转多次结果是不一样的，如果重新的话有可能就会多转了一次。所以，这个时候，如果你的API遵从了HTTP动词的规范，那么你写起程序来就可以明白在哪些动词下可以重试，而在哪些动词下不能重试。如果你把所有的API都用POST来表达的话，就完全失控了。 除了幂等这样的控制逻辑之外，你可能还会有如下的这些控制逻辑的需求： 也许，你会说，我的业务太简单了，没有必要搞这么复杂。OK，没有问题，但是我觉得你最差的情况下，也是需要做到“读写分离”的，就是说，至少要有两个动词， 一般来说，对于查询类的API，主要就是要完成四种操作：排序，过滤，搜索，分页。下面是一些相关的规范。参考于两个我觉得写的最好的Restful API的规范文档，Microsoft REST API Guidelines，Paypal API Design Guidelines。 排序。对于结果集的排序，使用 过滤。对于结果集的过滤，使用 搜索。对于相关的搜索，使用 分页。对于结果集进行分页处理，分页必需是一个默认行为，这样不会产生大量的返回数据。 注意：这里需要注意一下，在理论上来说 对于简单的查询，很多参数都设计在 restful API 的路径上了，而 filter/sort/pagination 也不会带来很多的复杂，所以应该使用 The authors of Elasticsearch prefer using GET for a search request because they feel that it describes the action—retrieving information—better than the POST verb. （我们推荐使用 GET而不是 POST，因为语义更清楚）However, because GET with a request body is not universally supported, the search API also accepts POST requests （除非你的类库或是服务器不支持 GET带参数 ，你再用POST，我们两个都支持） 陈皓注：但是在 ElasticSearch 7.11 后，GET 也不支持 body 了。这是 ElasticSearch 的设计和实现不对应了。 最后，如果你想在Rest中使用像GraphQL那样的查询语言，你可以考虑一下类似 OData 的解决方案。OData 是 Open Data Protocol 的缩写，最初由 Microsoft 于 2007 年开发。它是一种开放协议，使您能够以简单和标准的方式创建和使用可查询和可互操作的 RESTful API。 下面是对几个问题的直接回应，如果大家需要我回应更多的问题，可以在后面留言，我会把问题和我的回应添加到下面。 Restful API算是一个HTTP的规范和标准了，你要说是最佳实践也好，总之，它是一个全世界对HTTP API的一个共识。在这个共识上，你可以无成本地享受很多的技术红利，比如：CDN，API网关，服务治理，监控……等等。这些都是可以让你大幅度降低研发成本，避免踩坑的原因。 因为API是一种契约，一旦被使用上，就很难再变更了，就算你发行新的版本的API，你还要驱动各种调用方升级他们的调用方式。所以，接口设计就像数据库模式设计一下，一旦设计好了，未来再变更就比较难了。所以，还是要好好设计。正如前面我给的几个文档——Microsoft REST API Guidelines，Paypal API Design Guidelines 或是 Google API Design Guide 都是让你好好设计API的不错的 Guidelines. 不会。 很多同学以为 另外， 总之，你要明白， 不但不会，反而更糟糕。 说这种话的人，我感觉是不会思考问题。 不要以为你回家早就没事了，如果你的代码有这样那样的问题，别人看懂，或是出误用了你的代码出了问题，那么，你早回家有什么意义呢？你一样要被打扰，甚至被叫到公司来处理问题。所以，你应该做的是为了“长期的早回家”，而不是“短期的早回家”，要像长期的早回家，通常来说是这样的： 回应两点： 其一，遵循个规范而已，把“正常”叫“优雅”，可见标准有多低。这么低的标准也只能“为了吃饭而生存了”。 其二，作为一个“职业程序员”，要学会热爱和尊重自己的职业，热爱自己职业最重要的就是不要让外行人看扁这个职业，自己都不尊重这个职业，你让别人怎么尊重？尊重自己的职业，不仅仅只是能够获得让人羡慕的报酬，而更是要让自己的这个职业的更有含金量。 希望大家都能尊重自己从事的这个职业，成为真正的职业化的程序员，而不是一个码农！
为什么要用不同的HTTP动词
方法
描述
幂等
GET
用于查询操作，对应于数据库的
select 操作✔︎
PUT
用于所有的信息更新，对应于数据库的
update 操作✔︎︎
DELETE
用于更新操作，对应于数据库的
delete 操作✔︎︎
POST
用于新增操作，对应于数据库的
insert 操作✘
HEAD
用于返回一个资源对象的“元数据”，或是用于探测API是否健康
✔︎
PATCH
用于局部信息的更新，对应于数据库的
update 操作✘
OPTIONS
获取API的相关的信息。
✔︎
PUT 和 PACTH 都是更新业务资源信息，如果资源对象不存在则可以新建一个，但他们两者的区别是，PUT 用于更新一个业务对象的所有完整信息，就像是我们通过表单提交所有的数据，而 PACTH 则对更为API化的数据更新操作，只需要更需要更新的字段（参看 RFC 5789 ）。/login 你觉得这个API应该是 GET ，POST，PUT 还是 PATCH ?登录的时候用户需要输入用户名和密码，然后跟数据库里的对比（select操作）后反回一个登录的session token，然后这个token作为用户登录的状态令牌。如果按上面表格来说，应该是 select 操作进行 GET ，但是从语义上来说，登录并不是查询信息，应该是用户状态的更新或是新增操作（新增session），所以还是应该使用 POST，而 /logout 你可以使用 DELETE 。这里相说明一下，不要机械地通过数据库的CRUD来对应这些动词，很多时候，还是要分析一下业务语义。
POST 用于新增加数据，比如，新增一个交易订单，这肯定不能是幂等的DELETE 用于删除数据，一个数据删除多次和删除一次的结果是一样的，所以，是幂等的PUT 用于全部数更新，所以，是幂等的。PATCH用于局部更新，比如，更新某个字段 cnt = cnt+1，明显不可能是幂等操作。
GET 操作上建议缓存。GET 表示是读操作，POST表示是写操作。Restful 复杂查询
sort 关键字，以及 {field_name}|{asc|desc},{field_name}|{asc|desc} 的相关语法。比如，某API需要返回公司的列表，并按照某些字段排序，如：GET /admin/companies?sort=rank|asc 或是 GET /admin/companies?sort=rank|asc,zip_code|descfilter 关键字，以及 {field_name} op{value} 的语法。比如： GET /companies?category=banking&location=china 。但是，有些时候，我们需要更为灵活的表达式，我们就需要在URL上构造我们的表达式。这里需要定义六个比较操作：=，<，>，<=，>=，以及三个逻辑操作：and，or，not。（表达式中的一些特殊字符需要做一定的转义，比如：>= 转成 ge）于是，我们就会有如下的查询表达式：GET /products?$filter=name eq 'Milk' and price lt 2.55 查找所有的价柗小于2.55的牛奶。search 关键字，以及关键词。如：GET /books/search?description=algorithm 或是直接就是全文搜索 GET /books/search?key=algorithm 。
page和per_page代表页码和每页数据量，比如：GET /books?page=3&per_page=20。page方式为使用相对位置来获取数据，可能会存在两个问题：性能（大数据量）与数据偏差（高频更新）。此时可以使用绝对位置来获取数据：事先记录下当前已获取数据里最后一条数据的ID、时间等信息，以此获取 “该ID之前的数据” 或 “该时刻之前的数据”。示例：GET /news?max_id=23454345&per_page=20 或 GET /news?published_before=2011-01-01T00:00:00Z&per_page=20。
GET是可以带 body 的，但是很多程序的类库或是中间件并不支持 GET 带 body，导致你只能用 POST 来传递参数。这里的原则是：
GET index/_search里的 DSL，你也应该尽可能的使用 GET，而不是POST 除非客观条件上不支持GET。ElasticSearch 的官方文档里也是这么说的。几个主要问题的回应
1）为什么API 要Restful，并符合规范？
2）为什么“过早优化”不适用于API设计？
3）POST 更安全吗？
GET 的请求数据在URL中，而 POST 的则不是，所以以为 POST 更安全。不是这样的，整个请求的HTTP URL PATH会全部封装在HTTP的协议头中。只要是HTTPS，就是安全的。当然，有些网关如nginx会把URL打到日志中，或是会放在浏览器的历史记录中，所以有人会说 GET 请求不安全，但是，POST 也没有好到哪里去，在 CSRF 这个最常见的安全问题上，则完全就是针对 POST 的。 安全是一件很复杂的事，无论你用哪方法或动词都会不能代表你会更安全。
GET 上有敏感信息，应该加个密，这个跟 POST是一样的。GET 会被中间人修改，你应该做一个URL签名。（通常来说， 我们都在 GET 上做签名，POST 就忘做了）GET 不如 POST 安全的一个问题），你应该用 HMAC 之类的认证技术做好认证（参看 HTTP API 认证授权术）。GET 和 POST 的安全问题都一样的，不要有谁比谁更安全，然后你就可以掉以轻心的这样的想法，安全都是要很严肃对待的。4）全用 POST 可以节省时间减少沟通吗？
5）早点回家的正确姿势
6）工作而已，优雅不能当饭吃
当 AI 开始“代你执行”：企业级 AI Agent 的真实攻击面与安全边界重构
ETCD的内存问题
先说一下为什么要用etcd。先从一个我们自己做的一个API网关 – Easegress（源码）说起。 Easegress 是我们开发并开源的一个API应用网关产品，这个API应用网关不仅仅只是像nginx那样用来做一个反向代理，这个网关可以做的事很多，比如：API编排、服务发现、弹力设计（熔断、限流、重试等）、认证鉴权（JWT，OAuth2，HMAC等）、同样支持各种Cloud Native的架构如：微服务架构，Service Mesh，Serverless/FaaS的集成，并可以用于扛高并发、灰度发布、全链路压力测试、物联网……等更为高级的企业级的解决方案。所以，为了达到这些目标，在2017年的时候，我们觉得在现有的网关如Nginx上是无法演进出来这样的软件的，必需重新写一个（后来其他人也应该跟我们的想法一样，所以，Lyft写了一个Envoy。只不过，Envoy是用C++写的，而我用了技术门槛更低的Go语言） 另外，Easegress最核心的设计主要有三个： 对于任何一个分布式系统，都需要有一个强一制性的基于Paxos/Raft的可以自动选主机制，并且需要在整个集群间同步一些关键的控制/配置和相关的共享数据，以保证整个集群的行为是统一一致的。如果没有这么一个东西的话，就没有办法玩分布式系统的。这就是为什么会有像Zookeeper/etcd这样的组件出现并流行的原因。注意，Zookeeper他们主要不是给你存数据的，而是给你组集群的。 Zookeeper是一个很流行的开源软件，也被用于各大公司的生产线，包括一些开源软件，比如：Kafka。但是，这会让其它软件有一个依赖，并且在运维上带来很大的复杂度。所以，Kafka在最新的版本也通过内置了选主的算法，而抛弃了外挂zookeeper的设计。Etcd是Go语言社区这边的主力，也是kubernetes组建集群的关键组件。Easegress在一开始（5年前）使用了gossip协议同步状态（当时想的过于超前，想做广域网的集群），但是后发现这个协议太过于复杂，而且很难调试，而广域网的API Gateway也没遇到相应的场景。所以，在3年前的时候，为了稳定性的考量，我们把其换成了内嵌版本的etcd，这个设计一直沿用到今天。 Easegress会把所有的配置信息都放到etcd里，还包括一些统计监控数据，以及一些用户的自定义数据（这样用户自己的plugin不但可以在一条pipeline内，还可以在整个集群内共享数据），这对于用户进行扩展来说是非常方便的。软件代码的扩展性一直是我们追求的首要目标，尤其是开源软件更要想方设法降低技术门槛让技术易扩展，这就是为什么Google的很多开源软件都会选使用Go语言的原因，也是为什么Go正在取代C/C++的做PaaS基础组件的原因。 好了，在介绍完为什么要用etcd以后，我开始分享一个实际的问题了。我们有个用户在使用 Easegress 的时候，在Easegress内配置了上千条pipeline，导致 Easegress的内存飙升的非常厉害- 10+GB 以上，而且长时间还下不来。 用户报告的问题是—— 在Easegress 1.4.1 上创建一个HTTP对象，1000个Pipeline，在Easegres初始化启动完成时的内存占用大概为400M，运行80分钟后2GB，运行200分钟后达到了4GB，这期间什么也没有干，对Easegress没有进行过一次请求。 一般来说，就算是API再多也不应该配置这么多的处理管道pipeline的，通常我们会使用HTTP API的前缀把一组属于一个类别的API配置在一个管道内是比较合理的，就像nginx下的location的配置，一般来说不会太多的。但是，在用户的这个场景下配置了上千个pipeline，我们也是头一次见，应该是用户想做更细粒度的控制。 经过调查后，我们发现内存使用基本全部来自etcd，我们实在没有想到，因为我们往etcd里放的数据也没有多少个key，感觉不会超过10M，但不知道为什么会占用了10GB的内存。这种时候，一般会怀疑etcd有内存泄漏，上etcd上的github上搜了一下，发现etcd在3.2和3.3的版本上都有内存泄露的问题，但都修改了，而 Easegress 使用的是3.5的最新版本，另外，一般来说内存泄漏的问题不会是这么大的，我们开始怀疑是我们哪里误用了etcd。要知道是否误用了etcd，那么只有一条路了，沉下心来，把etcd的设计好好地看一遍。 大概花了两天左右的时间看了一下etcd的设计，我发现了etcd有下面这些消耗内存的设计，老实说，还是非常昂贵的，这里分享出来，避免后面的同学再次掉坑。 首当其冲是——RaftLog。etcd用Raft Log，主要是用于帮助follower同步数据，这个log的底层实现不是文件，而是内存。所以，而且还至少要保留 另外，我们还发现，这个设计在历史上etcd的官方团队把这个默认值从10000降到了5000，我们估计etcd官方团队也意识到10000有点太耗内存了，所以，降了一半，但是又怕follwer同步不上，所以，保留了 5000条……（在这里，我个人感觉还有更好的方法，至少不用全放在内存里吧……） 另外还有下面几项也会导致etcd的内存会增加 （很明显，etcd这么做就是为了一个高性能的考虑） Easegress中的问题更多的应该是Raft Log 的问题。后面三种问题我们觉得不会是用户这个问题的原因，对于索引和mmap，使用 etcd 的 compact 和 defreg （压缩和碎片整理应该可以降低内存，但用户那边不应该是这个问题的核心原因）。 针对用户的问题，大约有1000多条pipeline，因为Easegress会对每一条pipeline进行数据统计（如：M1, M5, M15， P99, P90, P50等这样的统计数据），统计信息可能会有1KB-2KB左右，但Easegress会把这1000条pipeline的统计数据合并起来写到一个key中，这1000多条的统计数据合并后会导致出现一个平均尺寸为2MB的key，而5000个in-memory的RaftLog导致etcd要消耗了10GB的内存。之前没有这么多的pipeline的场景，所以，这个内存问题没有暴露出来。 于是，我们最终的解决方案也很简单，我们修改我们的策略，不再写这么大的Value的数据了，虽然以前只写在一个key上，但是Key的值太大，现在把这个大Key值拆分成多个小的key来写，这样，实际保存的数据没有发生变化，但是RaftLog的每条数据量就小了，所以，以前是5000条 2M（10GB），现在是5000条 1K（500MB），就这样解决了这个问题。相关的PR在这里 PR#542 。 要用好 etcd，有如下的实践 最后，欢迎大家关注我们的开源软件！ https://github.com/megaease/ 
今天跟大家分享一个etcd的内存大量占用的问题，这是前段时间在我们开源软件Easegress中遇到的问题，问题是比较简单的，但是我还想把前因后果说一下，包括，为什么要用etcd，使用etcd的用户场景，包括etcd的一些导致内存占用比较大的设计，以及最后一些建议。希望这篇文章不仅仅只是让你看到了一个简单的内存问题，还能让你有更多的收获。当然，也欢迎您关注我们的开源软件，给我们一些鼓励。为什么要用ETCD
背景问题
5000 条最新的请求。如果key的size很大，这 5000条就会产生大量的内存开销。比如，不断更新一个 1M的key，哪怕是同一个key，这 5000 条Log就是 5000MB = 5GB 的内存开销。这个问题在etcd的issue列表中也有人提到过 issue #12548 ，不过，这个问题不了了之了。这个5000还是一个hardcode，无法改。（参看 DefaultSnapshotCatchUpEntries 相关源码）// DefaultSnapshotCatchUpEntries is the number of entries for a slow follower
// to catch-up after compacting the raft storage entries.
// We expect the follower has a millisecond level latency with the leader.
// The max throughput is around 10K. Keep a 5K entries is enough for helping
// follower to catch up.
DefaultSnapshotCatchUpEntries uint64 = 5000
总结
MADV_FREE 的内存回收机制，而在1.16的时候，改成了 MADV_DONTNEED ，这两者的差别是，FREE表示，虽然进程标记内存不要了，但是操作系统会保留之，直到需要更多的内存，而 DONTNEED 则是立马回收，你可以看到，在常驻内存RSS 上，前者虽然在golang的进程上回收了内存，但是RSS值不变，而后者会看到RSS直立马变化。Linux下对 MADV_FREE 的实现在某些情况下有一定的问题，所以，在go 1.16的时候，默认值改成了 MADV_DONTNEED 。而 etcd 3.4 是用 来1.12 编译的。