2026年2月

在北京南城西红门,竟聚集三大超商
胖东来(永辉超市-鸿坤),京东七鲜(荟聚),山姆(新光界)
---
此前荟聚内,七鲜位置是欧尚占据 1-2 层,然后欧尚玩不起了,撤到 1 层转做精品,荟聚对应位置 2 层变为儿童向(培训)。最后彻底玩不起了,倒闭空了几年,然后 26 年 1 月,京东七鲜开业,只占据了 1 层,商品偏向高端。荟聚给大众免费 4h 停车。

西红门地铁建在高架上,与荟聚直接相连。荟聚与山姆之间,做了开放的廊桥,仅一路之隔。新光界就很聪明,2-3 层直接主打餐饮与娱乐(含培训),廊桥相连的地方,荟聚开口在 2 层,山姆(新光界)开口在 1.5 层,1.5 层被餐饮占据。山姆免费停车 2h 。

因虹吸效应,鸿坤商圈已落魄,外卖众多。元旦那天晚上,整个鸿坤商场空荡荡的。dl 距离 jd 仅 1.5km
此前,dl 因疑似物业费停业过一段时间。荟聚的虹吸效应已经吸死一个商场+电影院+华联了,空地了几年。

而盒马就没有什么优势了。它开在了距离西红门 4km 的距离。甚至开在了家具城地下层。
在西红门,离新发地非常近,不过新发地卖的是基础农产品,没有什么可比性。

问 dl vs jd vs sam ,这三家博弈谁先倒下

春节在家 vibe coding 搞个小项目,第一次还是是 5 小时刷新 token ,后面直接要等一周 token 刷新,这段时间使用登录点下授权就行,结果今天一看,必要要发短信验证才行,这是我账号被风控了还是 google 服务条款又加限制了?

如果软件可以由 AI 现场生成,那应用商店会不会消失?

知名 AI 工程师、神经网络布道者 Andrej Karpathy,前两天又发了篇长帖,引起热议。最主要的意思是:

以后可能不用专门去应用商店“找”App 了,你只要说清楚想干嘛,AI 现场给你做一个——而且可能只要 1 分钟就做好了。

图注:节选自 Andrej Karpathy 新帖子

他拿自己做的实验,举了个例子:

打算用 8 周时间,把静息心率从 50 降到 45(静息心率,是人在完全放松状态下每分钟的心跳次数,常被用来衡量心肺功能)。

一般人遇到这种需求,大概率是去应用商店搜“Cardio Tracker”之类的 App。但 Karpathy 另辟蹊径——没请开发者,也没下载现成的 App;而是直接用一个 AI Agent,临时做了一个专门追踪这次训练计划的仪表盘。

这个 Agent 反向解析跑步机云端接口,拉原始数据、清洗、调试,再生成一个网页前端,1 小时搞定。而两年前,这大概要 10 小时。

但 Karpathy 并不满足于“只用 1 小时”,他在想为什么还要 1 小时?

他分析认为,时间并没怎么花在“理解需求”上,而是主要花在了补基础设施:接口不友好、缺乏 AI 原生 API、单位制和日历逻辑要人工修 bug 等等。

他吐槽道:

“99% 的产品和服务仍然没有 AI 原生的 CLI。99% 的产品和服务仍然维护着 .html/.css 的文档,好像我不会第一时间把内容复制粘贴给我的 Agent 去完成任务似的。”

换句话说,现在的最大阻力不在模型能力,而在生态还没准备好。

于是,他大胆预判:如果设备本身,提供 Agent 可直接调用的 API、如果常见功能有成熟技能库、如果 AI 已经掌握个人长期数据;那么这件事,理论上只剩下“描述需求 + 自动拼装”未来可能只需 1 分钟。

其实,这早已埋下了伏笔。Karpathy 于 2023 年写的“名言”:“目前最热门的新编程语言是英语”,现在还挂在他主页置顶。

当自然语言本身就是编程接口,软件就不一定非要先被做成一排排固定产品,等人去下载。它可以在对话里被拼出来,在具体场景中存在,用完就消失。

在 Karpathy 看来,如果“说一句需求”,比“进应用商店挑一个”更快,那默认入口迟早会变。

当语言成为编程接口,Karpathy 眼中的软件未来

除了预判未来 AI 可以迅速定制软件,这篇帖子的核心观点,还可以拆成以下几条:

  • 软件正在从“标准化产品”,变成“按需生成的临时工具”,更短暂、更个性化。

  • 这要求硬件和软件提供 AI 原生 API,让机器和机器直接对话,而不是依赖人为操作界面。

  • 企业可能不再大量购买 SaaS,而是动态生成工具。而且传统 UI,也可能被 Agent 编排替代。

  • 应用商店不会消失,但它的角色会弱化,未来更可能是“经过验证的基础层 + AI 个性化扩展”的混合模式。

  • 真正的竞争力,不再是谁“懂 AI”,而是谁能最快把 AI 部署成实际可用的系统。

以下为帖子原文,InfoQ(AI 前线)在不改变原意的情况下,对其进行了整理编辑。

我对高度定制化软件即将到来的时代会是什么样子,非常感兴趣。

举个今天早上的例子,我最近在有氧训练上有点松散,于是决定做一个更认真、更有纪律的实验:

在 8 周内,把静息心率从 50 降到 45。主要方式是完成一定总时长的 Zone 2 有氧训练,并且每周做 1 次 HIIT。

1 小时后,我用 Vibe Coding 做了一个为这次实验量身定制的超专属仪表盘,用来追踪进度。Claude 不得不反向解析 Woodway 跑步机的云端 API,拉取原始数据,进行处理、过滤、调试,并创建一个 Web 前端界面来跟踪这个实验。

过程并不完全顺畅,我需要发现并指出一些 bug,让它修复,比如它搞错了公制和英制单位,也把日历里的日期和星期匹配错了。

不过,我依然觉得整体方向是清晰的:

  1. 永远不会(也不应该)有一个专门为这种事情存在的应用商店 App。

我不应该为了这个去找、下载、使用某个“有氧实验追踪器”。这不过是大约 300 行代码,一个 LLM Agent 几秒钟就能生成。那种在应用商店里从一长串离散应用中挑选一个的模式,在 LLM Agent 可以现场即兴生成只属于你的应用时,显得有些不对劲,也有点过时。

  1. 其次,这个行业,需要重构一套服务体系:由传感器和执行器组成,并具备对 Agent 原生友好的使用方式。

我的 Woodway 跑步机,本质上就是一个传感器:它把物理状态转化为数字信息。它不应该维护一个面向人类的前端界面,而我的 LLM Agent 也不应该去反向工程它;它应该提供一个可以被 Agent 轻松使用的 API 或 CLI。整个行业在这方面推进得非常缓慢,这让我有点失望(也直接拖慢了我的进度)。

99% 的产品和服务仍然没有 AI 原生的 CLI。99% 的产品和服务仍然维护着 .html/.css 的文档,好像我不会第一时间把内容复制粘贴给我的 Agent 去完成任务似的。他们在网页上给出一串操作说明,让你打开某个 URL、点击这里或那里去做某件事。

现在都 2026 年了,为什么还要我手动操作?要么系统自动完成,要么交给我的 Agent。

所以,总的来说,我今天确实对这件事只花了 1 小时感到满意(两年前大概要 10 小时)。

但更让我兴奋的,是去思考:它本来应该只需要 1 分钟。

要实现 1 分钟,需要什么条件?让我只需说一句:“嗨,能帮我在接下来 8 周追踪有氧训练吗?”在简短的问答之后,应用就自动搭建完成。AI 已经掌握大量我的个人背景信息,会主动收集额外所需数据,调用和检索相关技能库,并维护我所有这些小应用和自动化流程。

简而言之,从一组离散应用中挑选的“应用商店”概念本身正在迅速过时。未来将是由 AI 原生的传感器和执行器组成的服务体系,通过 LLM 这层“胶水”进行编排,生成高度定制、短暂存在的应用。只是,这个未来还没有真正到来。

应用商店不会消失,但软件即时刻?

Karpathy 和这篇文章,让网友们吵翻了。

有人觉得,他说出了自己这两年的直觉。一个叫“AIM Network”(下面简称 AIM)的媒体形容道:

“我们过去收集软件的方式,就像收集书一样:精挑细选、下载安装、定期更新,然后慢慢被遗忘。这种习惯可能已经不太适合未来。

......未来的流程可能不再是‘下载—安装—配置—适配’,而是‘描述—生成—使用—丢弃’。软件将变得短暂、个性化、一次性。”

AIM 还提出:未来,“软件即当下时刻”,而不是“软件即产品”——软件不再是一个被打包、上架、定价的产品,而更像一段即时生成的服务。

不过,他们也没把话说满:应用商店不会突然消失,而是进化成全新的“应用商店 2.0”、“应用商店 3.0”版本。原因很现实:它承担的是信任、审核和安全机制。

未来更可能出现的画面是:不再卖一堆细碎的 App,而是提供可靠的底座,让 Agent 在上面自由拼装。底层还是一套经过验证的基础能力,上面叠加由 AI 即时生成的个性化扩展。

换句话说,要消失的,未必是软件本身,而是“软件必须以固定产品形态存在”这件事。

未来更可能是混合模式:经过验证的基础软件层之上,叠加可定制的 AI 生成扩展,并配合受控的 Agent 权限机制,即“经过筛选的基础能力+个性化智能”。

换句话说,未来消失的可能不是“软件”,而是“软件作为固定产品”的概念。

此前,Karpathy 仅用 243 行 Python 代码,就写出了一个能跑的 GPT。由此可见,大模型不再是高不可攀的黑箱技术,而是越来越标准化、可复用的能力模块。

当模型本身越来越“平民化”,真正的竞争优势,就会转向别处:比如基础设施是否顺滑、算力是否充足、Agent 工作流是否成熟等等。竞争不只在模型,更在部署速度。

还有一点,如果说 Karpathy 给的是一个方向:“语言正在变成接口,工具可以即兴生成”;那 AIM 补上的,是一串连锁反应:一旦生成速度足够快,分发逻辑、SaaS 结构,甚至企业 IT 预算怎么花,都会跟着松动。

也有很多网友质疑。

有人觉得 Karpathy 作为一个 AI 从业者,在自卖自夸,就像:“你是个厨师,但并非每个人都想成为或愿意成为厨师。”

Karpathy 表示,人们还在用“软件稀缺”的旧思维看问题,而当软件变得极度廉价、可随时生成时,传统意义上的“应用”本身可能都会失去存在意义。

还有人觉得,首先要想清楚自己要什么,本身就很耗费精力,锐评道:“你奶奶会自己做 App 吗?”

Karpathy 回复道:“奶奶当然没有必要知道应用程序或者知道有应用程序。应该是她的 LLM 代理知道。”

然后,站 Karpathy 的人,说未来 AI 就是好的设计师。

反对者则表示:“构建软件最困难的部分是弄清楚客户真正想要什么。但你声称一个 LLM 能从一位连问题领域词汇都不具备的人的随意语音提示中破解它?”

对于未来的 APP 形态,你怎么看?

参考链接:

https://x.com/karpathy/status/2024583544157458452

https://www.youtube.com/watch?v=GXO-vwg_Q-o

Locusify

旅行照片堆在相册里,却不知道怎么展示?, Locusify 帮你一键把旅行照片变成可视化路线地图 + 电影级轨迹视频!

✨ 核心功能

📸 上传照片,自动识别地点

只需上传带 GPS 信息的旅行照片,自动从 EXIF 数据中提取位置坐标,无需手动标记。

🗺️ 可视化路线地图

所有拍摄地点自动展示在地图上,支持聚类显示,一眼看清整段旅程走过的每一处。

🎬 轨迹动画回放

照片按时间顺序生成流畅的轨迹动画,摄像头跟随路线移动,像电影一样重温旅途。

💾 一键保存视频

轨迹回放录制后可直接保存为视频,分享到社交媒体,让旅行记录更有仪式感。

Locusify Demo

纯 vibe coding 项目,欢迎大家多提意见

在线体验地址: https://locusify.caterpi11ar.com

成品演示视频: https://imgur.com/a/JfPhJ32 (一条 Prompt 自动生成,带旁白、背景音乐、字幕,17 秒完整成片)

做了一个开源项目 AgentCut,用 6 个 AI Agent 协作完成从文字描述到成片的全流程视频生产。

GitHub: https://github.com/calderbuild/agentcut

它能做什么

输入一段文字描述(比如"东京日落的电影感航拍"),6 个 Agent 按流水线自动工作:

  1. Director Agent -- 分析创意方向,规划分镜
  2. Script Agent -- 编写制作脚本(视频提示词、旁白、字幕)
  3. Visual Agent -- 生成视频片段( Hailuo 2.3, 1080P )
  4. Voice Agent -- 合成旁白语音( Speech-2.6-HD )
  5. Music Agent -- 生成背景音乐( Music-2.0 )
  6. Editor Agent -- ffmpeg 合成最终 MP4

其中 Visual 、Voice 、Music 三个 Agent 并行执行,Editor 等三者完成后合成。

截图

首页:

landing

Pipeline 运行中( 6 个 Agent 实时状态 + Production Log ):

pipeline

技术栈

  • LLM: MiniMax M1
  • 视频生成: MiniMax Hailuo 2.3
  • 语音合成: MiniMax Speech-2.6-HD
  • 背景音乐: MiniMax Music-2.0
  • 合成: ffmpeg
  • 后端: Python FastAPI + SSE 实时推送
  • 前端: HTML + Tailwind CSS

快速开始

git clone https://github.com/calderbuild/agentcut.git
cd agentcut
pip install -r backend/requirements.txt
cp .env.example .env  # 填入 MiniMax API Key
python -m backend.main

也支持 Docker 一键部署。每个视频生成成本约 $0.40-0.70 。

MIT 协议,欢迎 Star / Fork / PR 。

我在网上发现了一个接近 10 TiB 的 IPFS 资源,但可惜的是,目前能访问到的资源已不足 1 TiB 了。

为什么会这样?

发现该资源主要依赖“酸奶网盘”上传,并使用了“裸生叶”技术来突破文件大小限制。这种方式有一个致命弱点:在没有续费机制的情况下,既无法重建原文件,也无法提供链上存储证明。 这直接导致了大量数据悄然丢失,实在可惜。

有什么解决方案?

目前我注意到一个基于 PieceCID 的文件分享平台,或许能解决“数据持久化”的问题:
成本可控: 主网价格约 5$/TiB/月,测试网目前免费。
技术保障: 利用区块链技术,可以保证 PieceCID 始终有效。

存在什么技术挑战?

平台保证的是 PieceCID 有效,但我们平时使用的是 CID。 这两者并不完全等价。只有证明了文件夹的 PieceCID 确实对应我们的目标 CID,才能确保文件真正可用。

关于如何实现“CID 与 PieceCID 的等价证明”,我初步想到了三个方向:

零知识证明:

理论上最完美,生成一个证明来验证哈希对应关系。但性能是最大瓶颈,即使使用 GPU,一次完整证明可能耗时数月。或许可以考虑优化算法,只抽取 Merkle 树的部分路径进行验证。

公证人机制:
通过可信第三方(公证人)下载 CID 并重新构建 PieceCID 来证明一致性。这虽然可行,但引入了中心化因素,可靠性有所折扣。

社区共识:
考虑到普通人造假的成本和难度极高,我认为造假可能性很小。只要维护好 CID = PieceCID1 + PieceCID2 + ... 的映射列表,大家协同维护,应该就是目前最高效、低成本的解决方案。

https://ipfs.discourse.group/t/topic/13

大家有什么解决方法呢?欢迎探讨。

我将我能访问的文件上传了,不过 hash 不一致,同时大家可以测试一下 4K 视频 在 IPFS 中的播放速度
https://alistdemo.dns.army/?gw=bafyb4iafth5vmue5nx4jpjda4bv7xkka4we4gnn2ofwbvvwrzvfz3h3i3i.ipfs.dget.top&path=/剧集/狂飙 %202023/狂飙 %202023%20S01E01.mkv

特斯拉内推

前后端开发,数据,算法工程师都有。

企业福利

15 天年假

ESPP 员工优惠购股

足额五险一金外有额外商业保险

入职有股票/现金奖励

免费午餐

工作地点:大部分职位在上海临港超级工厂办公,班车接送

工作时间:8:30 到下午 5 点

vx:LoL88880space

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。

编注:

感谢大家过去一年对网站内容的支持。新春佳节,少数派编辑部也为首页读者准备了一定数量的「马獭红包封面」,这些红包将以内容彩蛋的形式藏在春节期间首页文章的超链接当中,敬请留意。


上篇的关西写完后一直拖拖拉拉,好不容易开始动笔不久后就发生了不建议前往的新闻。本打算放弃,后来一想就当作个人的旅行回忆总结写一写吧。

 

本文并非日本旅行的行程建议,只作为个人旅行回忆参阅。

关东行程概览:

  • Day 5:神户机场 - 东京羽田 - 表参道 - 原宿 - 涩谷-Jazz Spot
  • Day 6:东京迪士尼乐园
  • Day 7:浅草寺 - 秋叶原 - 中目黑 - 代官山 - 南青山 - 有乐町 - 东京铁塔芝公园
  • Day 8:镰仓站 - 七里滨 - 江之岛 - 湘南海岸 - 东蛋 LaQua

Day 5:到达关东,市中心游荡

结束了四天短暂的关西行,第五天一早我们从神户机场出发前往东京。

大阪除了伊丹机场距离市区较近,神户机场和关西机场的距离都差不太多,但落地东京的羽田和成田距离市区距离有很大差别,所以选择了落地羽田机场的天马航空,机票价格 419 元,含有一个 20 公斤的行李额。新干线从大阪到东京的票价接近 800 元,对比了价格直接 pass。

另外还有一个适合穷游的交通方式——过夜大巴,票价一般在 200-300 元,还省了一晚住宿费。

值得一提的是前往神户机场的路上,到达关西那天是一个阴雨天离开这天却是万里无云的大晴天,最后一段地上铁经过神户海边被天空和海平面的蓝色美到失了神,完全忘记要拿相机或手机拍下来。

快到站时想起来咔嚓的一张照片

我们按照国内乘坐飞机的习惯提前三个小时到机场,日本机场的值机和安检并不复杂,剩余的时间很充裕。神户机场不大,也没有什么可以逛的地方,在便利店买了大阪限定的卡乐比薯条,味道非常不错。原以为天马属于廉价航空,实际乘坐体验完全不廉价,座位间隔和座椅和普通航班没有太大区别,提供免费的饮料,给第一次乘坐日本国内航空的我们提供了非常好的体验。

到达东京后,日本的地铁线路让我感到更加混乱。有些GoogleMap上显示无需下车换乘,但过站后地铁报的站点和 GoogleMap 上又不一样,所以一路都是提心吊胆。好在确实没有坐错。

第一次到东京,还是希望尽可能去到更多的地方,选择一个交通便利,和各景点距离不远又生活设施完善的酒店非常重要。附近有两条地铁线路的赤坂精选酒店是还不错的选择,除开东京酒店的通病——特别小之外,基本没什么其他大缺点。

酒店的详细居住体验可参考我的旅行住宿体验分享

到达东京的第一天很不幸也是雨天。提前在 kkday 上购买了 17 点的 shibuya sky 门票,除开这个观景台还有一个六本木观景台,两个观景台角度不一样,建议根据当天行程路线安排来选择观景点。我们下午的行程是从表参道一路逛到,在四点半点前从新宿乘车前往涩谷正正好。

一路逛下来经过了很多有名的商场和店铺,但我们基本都是走马观花的看看逛逛,没有花钱购买任何东西,如果要购物的话这个时间是绝对不够用的。表参道上的奢侈品店都已经换好了圣诞装饰,作为游客仅从路过的建筑、橱窗和外立面设计也能体验到一场圣诞美学盛宴。

来原宿的还有一个任务是打卡全球首家 fender 旗舰店,一共有四层,远远就能看到明显巨大的 fender 招牌。店内没有很多人,只有零散的几个人在座椅上试琴。不试只逛不会有店员一直跟着,i 人友好,但因为 i 还是不敢在这里试琴。店内的装修风格很简单,一边游览一边觉得自己像在朝圣,最后特意拍了张梦中电吉他的照片就离开了。店内起码有听到英语和中文店员,前来买琴不用担心语言沟通问题。

前往原宿的路上经过一家墨西哥餐厅,想着现在不吃就没什么时间吃饭的情况下随机 walk in,店员和厨师看起来都是来自墨西哥,餐厅的装修也非常墨西哥风情,菜品味道说实话已经不太记得了,但应该不难吃。

原宿的街区道路并不宽敞,打着伞在人群中挤来挤去几乎没有了逛街的想法只想快点出去。出来后赶紧上地铁前往涩谷站,避免错过了观景台的时间。涩谷站出站后的商场外有个观景电梯,乘坐电梯到达顶楼就是 shibuya sky。天气原因露天观景台关闭了,我们只能在室内观看。但以当时东京的天气,上观景台应该也会被吹得「七零八落」。

外面下着雨,落地窗上还有雨水的痕迹,站在著名的涩谷十字路口上方其实并没有想象的那么震撼,但人站在高处就会莫名有一种上帝心态,想要以观察者的视角企图去了解下面的人在干什么想什么。即使观景台一圈都是相似的夜景我们也在上面停留了很久。

观景台内的灯光、氛围、设施很完善,甚至有吧台,不仅是一个观光路过的地方,也可以成为留下来静静享受的地方。

从观景台离开我们走过了刚在上方看着人来人往的十字马路,才发现街道并不大,因为四个路口的人群一起穿越才造就了那么壮观的景象,但走在其中的时候并没有什么感觉。涩谷旁边有很多商场可以逛,我最喜欢的是 loft,逛的时候一直在想自己读书的时候如果能来应该会买一堆回去,很可惜现在上班了用到文具的机会很少,脑子里经过几番斗争才制止自己乱花钱。

除开文具用品,不同楼层还有数码、美妆等用品,逛得眼花缭乱,圣诞季一楼还有很多圣诞装饰和贺卡卖。有一整个立柱是各式各样的圣诞贺卡,实在是都太漂亮我和朋友挑到商场要关门了还在纠结买哪张比较好。我喜欢圣诞节的一个重要原因就是圣诞节的装饰,不论喜不喜欢圣诞节,到了这个氛围下就不自觉的陷入节日的快乐。

到了晚上八点应该算是正式进入东京的夜生活了,我的旅行惯例是去当地的酒吧小酌一杯。东京不乏知名酒吧,亚洲 top50 前列都有好几家,但我们没有追随这些榜单。

日本作为世界第二大音乐市场有非常深厚的爵士文化,还因此发展出了特别的 Jazz Kissa(爵士喫茶)。爵士这种听起来有点「小资」的音乐在日常听或许缺了点感觉,但一旦放到酒吧就会莫名地惬意和放松。

因此东京的第一个晚上我们选择了在 Jazz Spot 这家爵士酒吧度过。酒吧位于早稻田大学附近「高田马场」站,所以很多附近的学生来这里表演。演出并不正式,上面的乐手是随机组合,你演完了我来演,不知道什么时候就从后面的观众席走上来一位大神。当天的东京气温很低还下着小雨,没有提前预约到位置我们还一直很担心会不会进不去,很幸运的是没有人排队直接 walk-in 了,进入到狭小拥挤的店面一下就暖和起来,还被安排到最靠近乐手的第一排,不夸张,吉他手的吉他就在我面前,完全是在我的脸上演奏。

沉浸其中完全忘记拍照,从视频当中截取下来一张

酒吧的酒也很便宜,每人 1500 日元,续杯 1000 日元,酒即使是我这个不太懂酒的人也能品出来比较一般但胜在氛围。不论是台上还是台下,有来自各个国家和地区的人,一起聚在一个狭小的空间里一边喝酒一边听着爵士乐本身就是一件很爵士的事情。

东京还有其他非常有名的爵士酒吧,如 Blue Note Tokyo、Cotton Club Tokyo 和 Pit Inn,我们出于性价比选择了Jazz Spot,预算有多的可以考虑前面这三家重量级的东京爵士酒吧,相信会让你度过一个惬意又温暖的夜晚。

Day 6:东京迪士尼海洋

东京迪士尼一共有陆地(land)和海洋(sea)两个园区,在咨询多个朋友、对比游乐设施后我们选择了全球唯一一座海洋主题迪士尼。如果是第一次来且只有一天时间,我也更推荐去海洋,带小朋友的更推荐陆地。

到达舞滨站后可以在站内购买纪念车票,一日无限次,价格比刷西瓜卡大概是贵 100+ 日元,每台机器的车票图案不一样,可以自行选择。

我们特意选了周四,票价最低也是人流预测最少的一天,但八点半到达站点坐上迪士尼列车看到入口处巨长的队列时我就知道完蛋了。当时的迪士尼已经正式进入圣诞季,属于绝对的热门季节,人流几乎不存在哪一天会少。

迪士尼不像环球允许提前入园,除了居住在园内酒店和购买早享票的人以外,都只能在 9 点正式开放后入园。我们八点四十多开始排队,直到十点一刻我们才入园,当天还一直下雨,东京的气温冷得人发颤。没有带秋裤的我在里面穿了一件酒店浴衣的裤子才避免那天被寒风吹断腿。这毫无疑问成为我们这趟日本之行最糟糕的一天,天气不佳、队伍巨长,新园区限制还需要一直刷手机抢各种票。

不过今年去的朋友可以放心,新园区已经正式全面开放,不用在东迪 app 上焦急又毫无办法的点刷新了。

我们一进园先冲向最想玩的惊魂古塔,一边排队等一边刷其他票,最后还是通过钞能力买到小飞侠的 DPA 才获得入园资格,原以为可以松口气,其他的免费速通抢不到也没关系,但排着排着就发现这个队伍像进入了黑洞一样没完没了,排队时显示的时长 100 分钟,最后我们排了大概有 180 分钟才玩上。唯一的安慰是刷别的项目地心历险记排队时长要 300 分钟。

玩完第一个项目已经到中午了,最后只有时间排东迪海洋唯二有 single ride 的项目——印第安纳琼斯和愤怒双神。

回来后还问了去玩过的朋友,在非热门季节人流是没有这么恐怖的,我们那天甚至连路边的餐车,商店都要排队。好在东迪的速通并不贵,价格基本是 2000 日元一个人,迪士尼的美梦都是可以通过钞票获得的。

我们最后一共玩了 4 个项目项目,看了一场演出,以下是 5 个项目的体验:

  1. 小飞侠梦幻岛历险记:是我玩过上海、香港、东京迪士尼所有项目里最喜欢的一个,你会带上 3D 眼镜跟着彼得潘一起去冒险,最后在天空中翱翔的那段所有人都忍不住「哇」,那天糟糕的天气、漫长的排队,对东迪的失望都因为这个项目散去;且这个项目体验时长很长有五六分钟,你有足够的时间沉浸于这次场美梦。
  2. 惊魂古塔:作为我们排队最久的项目论体验没有失望,在坐上跳楼机之前你会穿越整个古堡,迪士尼的审美和细节不会让你失望,刺激程度可以位列迪士尼 top,椅子上的安全带系了和没系没差别,极速下坠的时候屁股直接腾空,很推荐日落的时候乘坐,到楼顶时可以俯瞰整个园区。
  3. 印第安纳琼斯:单人通道项目之一,不刺激但精美度很高,类似洞穴探险,里面的造景完全是迪士尼在炫技,沉浸体验感很好。
  4. 愤怒双神:单人通道项目之一,竟然能在迪士尼坐到 360 度回环的过山车,属于最高配置了,但整体不吓人没有强烈的失重感,全程可以睁眼,加上造景很不错轨道旁还有烟雾缭绕,是普适性很高的过山车项目。
  5. Big Bang Beat迪士尼角色的百老汇演出,很可惜已经于今年 9 月底结束。演出的音乐、舞蹈和编排都很值得一看,我们的座位还特别靠前,就像在真正的百老汇看了一场演出。

因为人流和天气在东迪的这一天玩得并不开心,但傍晚天气转晴,在进入剧场看 Big Bang Beat 时正好看到了雨后的晚霞,看完演出后距离预约的小飞侠还有一段时间,我们就在园内到处逛,在圣诞树下合影,听员工们一起唱圣诞歌,去玩不到的项目拍照留念,一路走到梦幻泉乡,在小飞侠获得了有史以来最幸福的游乐场体验。

最后离开时心情没有那么糟糕了,抛开人流,圣诞季的迪士尼非常的漂亮,东迪的梦幻程度在我看来超过上迪和港迪,白天阴雨连绵打着伞很多东西注意不到,晚上园内灯光亮起时和置身童话没有任何区别。在海湾处观看了圣诞特别烟花后东迪的行程就正式结束了。

对于大概率只会去这一次东迪的我来说,这趟行程回忆起来一定不是特别美好的,但也不会后悔去。

Day 7:东京杂食的一天

东京的雨止步于一天的东迪,从这天起迎来了阳光灿烂的东京。

这天是行程安排最密集的一天,一大早我们坐地铁去到著名景点东京历史最悠久的寺院——浅草寺。雷门到浅草寺正殿有一条「仲见世通」道,两旁是各种小商店,我和朋友不禁感叹著名寺庙的商业化程度就是高。一开始出于新奇每家店还会进去看看,后面发现售卖的东西大同小异,忽略商店直接往浅草寺走了。

穿越正殿的宝藏门就能听见此起彼伏的摇签声,据说浅草寺是凶特别多的寺庙,来之前我是坚定不抽的,和之前一样,与其抽出来担心结果还是什么都不知道的好。可是两边的求签所都站了好多人在摇,氛围的怂恿和一点不信邪心理让我还是掷出了那 100 日元。好在我和朋友都抽出来了吉,之前做的心理建设都用不上,我还把签文还用东西夹着完整带回国,打算之后在家里裱起来。

抽完签我们去正殿参拜,正殿供奉的是以慈悲为怀,对所有人一视同仁,会保佑所有祈愿者愿望的圣观世音菩萨。

去之前我们没有做任何功课,参拜的仪式都是现场跟着别人现学,不过浅草寺是寺庙不像神社,所以不需要摇铃或者拍手,双手合十祈愿后鞠躬就可以。我们在参拜完后才发现的手水舍,又是一些「后知后觉」。

除开本殿,浅草寺旁还有一个浅草神社,对比起本堂显得精致小巧很多,秉承来都来了的原则我们顺带去逛了。

浅草寺和秋叶原相隔很近,从浅草寺离开后我和朋友再次分开,作为曾经的二次元我前往秋叶原重返童年,朋友去看了当时东京的莫奈画展。

一从秋叶原站出来,碧蓝的天空,街道两旁的广告牌,往前走还能看到女仆咖啡厅的招待员,第一次来很容易眼花缭乱。我没有特意做攻略要去逛哪些店,沿着主路看到感兴趣的就进去逛逛,但有名的几大商场Animate、MANDARAKE COMPLEX 和友都八喜一个也没落下。我个人最喜欢的是 Animate,里面有各种动漫、游戏的专卖店,1 楼有超多扭蛋,热门的 IP 在这里几乎都有,这一个地方就逛得我头晕眼花。

友都八喜主要是电子产品,想买游戏卡带、游戏机和手柄的这里应该会很划算。

如果没有抱着必买品的心态来秋叶原不需要做细致的攻略,在这里随便进一个地方都是天堂,唯一可惜的是我回来后才刷到在「御徒町站」到「秋叶原站」之间有一个利用高架桥下的空间建造成的商业综合体叫2k540 AKI-OKA ARTISAN,里面有很多原创手工小店,对于我这个手工迷可以说是天堂。

在秋叶原逛得差不多连休息都没来得及地赶往中目黑。下午的 city walk 路线是从中目黑站开始,出站马路对面是著名的茑屋书店,之后沿着主路一直逛下去能切身感受到这片区域的舒适和宜居。沿途有很多富有设计感的独立买手店,看到喜欢的店也进去看了看,但一翻吊牌都在我承受范围外所以什么也没买。

下午直到日落刚好从中目黑漫步到代官山,到代官山的时候天开始微微变暗,落日的金黄一点点覆盖街道,路边的树木有不少也冒出了红尖。站在人行道上我停下来拍了好几张照片,没有什么特别的建筑也不是什么打卡点,只是这个时间下上天赏赐的最美的风景。

代官山的茑屋书店一共有三栋,中间通过天桥连接,下午最多的时间都待在这里了,除开书这里也是一个买伴手礼的好地方,还有很多文具并提供免费试听 CD 和黑胶的区域。出来后外面已经进入了蓝调时刻,赶着最后的天光走去了 Forestgate,沿途的小店都亮起了灯光,暖黄色的灯在蓝色的天空下闲的格外温暖,吸引着人进去。

沿着 Forestgate 一楼的区域逛了逛,大晚上在 bluebottle 买了杯咖啡,坐在玻璃窗前看着日落落下,看似走了很多路的下午因为天气、阳光和日落没有任何疲惫的感觉。等到天色完全变黑才出发去地铁站。

代官山地铁站附近的米菲咖啡店,温暖的灯光在晚上很吸引人

原本我没有规划任何展览,到了日本后无意间刷到《天堂之吻》25 周年展览的帖子,我在的这段期间正好是免预约对外开放时间,打算抽哪天有空就去看。离开代官山的时候五点多,展览 7 点关闭,于是掐着点去看了天堂之吻展览,还购置了一些「破烂」回来。已经接近展览开放后期,很多好看的周边都已经售罄,也算是间接帮我省钱了吧。

展览地点离酒店很近,看完后先回酒店躺着了。躺在床上的那一刻才觉得这一天实在太累。晚上朋友也回酒店后,想着要不趁现在去东京塔吧(原本是安排在最后一天早上)于是说走就走。芝公园离酒店距离不远,九点的时候我们在马路口看到了闪烁的东京塔,底下是泛着冰冷光线的加油站,上面却矗立着一个温暖耀眼的东京塔。近距离看到的时候有点能明白人们为什么会追求来这里打卡。

我们没有去东京塔下,只是在底下的芝公园散步聊天,晚上九点多,芝公园的草坪还有很多人带了野餐布坐在草地上聚会聊天,我们两什么也没带就围着草坪一直转,转累了走到草坪下方,找到一个长椅坐下来聊天,分享我们这一天分开后的经历。

晚上的气温很低,还时不时吹来寒风,两个人一边双手抱胸保暖一边在长椅上聊得哈哈大笑。公园底下已经看不到东京铁塔,站起来还能看到一点点但公园总是有一种魔力,即使知道时间很晚,温度很低还是舍不得离开。在芝公园度过了在日本最快乐的一晚。

Day 8:镰仓漫步

一天的时间只能富士山、镰仓二选一,最终为了海选择了镰仓,留下了我人生最美好的一段回忆。

相比去富士山,镰仓的往返行程会更轻松,东京市区前往镰仓站大概一个小时就到了。出发前一天一直在祈祷一定要是个大晴天。

旅行的最后一天我不会安排太匆忙的行程,抓紧最后一天好好感受当地的风景才是最重要的。所以我们也没有像前几天一样起大早,八点多起床快速收拾吃了个早餐踏上去海边的地铁。

前往镰仓站的地铁上有洗手间,中途有三急的人也不用担心。到达镰仓站后我们先顺着人流出站在旁边的商业街逛了下,看到抹茶冰淇淋店没忍住在大冷天买了个冰淇淋吃,吃到后面有点腻但是又找不到垃圾桶丢,只能硬着头皮吃完。

这条街和大多数商业街没什么区别,加上人很多,我们没有走到一半就打倒回车站出发去七里滨。走下沙滩能看到远处的富士山,因为多云山尖有点被遮住,但晴朗的天气已经开始让我们觉得放松和幸福了。

这一天的行程没有太多规划,基本就是沿着海岸线一直走,没有上江之岛。

中午回到上面随便走进一家大阪烧店吃中饭,门店面积不大,里面坐满了来自各个国家的人,放着大家耳熟能详的昭和 jpop 音乐,时不时有人站起来合唱,欢乐的氛围像是在日剧里看到的那样。店家小姐姐也特别可爱,可以用英语无障碍交流!!!天知道这在日本有多可贵。虽然大阪烧我们最后吃得有点腻,但这家店仍然是我在日本之行中最难以忘记的!

唯一的插曲是,最后一天我们的现金基本都花光了,但是这家店只支持现金和 paypay 付款,最后是店家告诉我们附近的 711,取了现金付款的。

在大阪烧店出来时外面开始日落,蔚蓝的天空和灿烂的阳光美得让人挪不开脚步,缓慢地跟着日落的影子往前走,只希望时间能慢一点,不要让这么美的景色消失。

走到海边时天空逐渐变成粉色,散步的情侣,遛狗的人,乘着日落冲浪的人散落在这片海岸的各个地方,一起构成了我对镰仓最美好的回忆。海浪不大,可以放心的沿着海岸线走,在日落下看着浪花慢慢翻涌过来,这里的节奏舒服得连浪花都是刚刚好的。

从地下通道走出来时天空正好变成完美的橘子海,于是马上掏出手机记录下来这转瞬即逝的美。

来自手机的视频截图

坐在海边的阶梯上看旁边的女高穿着短裙打闹嬉笑,高中生情侣在海边牵手散步,带着宠物在海边漫步……来到这里就明白,没有什么著名景点但依然能不断吸引人前来,因为人对美好生活的向往是一致的。

在海边坐到天完全黑,去旁边的商业街逛逛挑一些手信就乘车返回市区了。

在镰仓的最后一天是我整趟行程最幸福的一天,是直到现在我所有旅行中记忆最美好的一天。手机内存不足,把照片和视频整理到硬盘就全删除了,唯独在镰仓的图片和视频一直都保存在手机里,心情不好的时候常会打开来翻阅带我回到那一天。

最后一晚我们没有住酒店,而是去了一个比较有名的泡汤馆,东蛋旁边的 LaQua。24 小时营业,算上过夜费比住酒店更便宜还能泡汤。如果是红眼航班这里是个还不错的选择。但如果是周末过夜的人会很多,睡觉的床位会很难抢。

第二天一早我们搭乘两站地铁到银座,乘坐巴士直达成田机场,仅需 1500 日元,还可以一路睡到终点不用担心坐过头。

写在最后

即使时隔一年多,在日本这段行程回忆起来仍然能让现在的我感到幸福。按照旅行的规划踏上一条条道路,每天和日本的早八人一起挤地铁,在梅田的地下通道晕头转向,在红枫下坐着发呆,在海边旁观别人的日常生活,用双方都听不懂的英语交流……

那些旅行中看起来的好与不好,回味起来都觉得是有意思的。

> 感受精彩数字生活,开启你的下一个目的地:日本冰岛 🍃

> 实用、好用的 正版软件,少数派为你呈现 🚀

    今日速览

    1. Rork Max:一键打造苹果全平台应用,AI 替代 Xcode。
    2. Lyria 3 by Google Deepmind:照片变歌曲,Gemini 里的音乐魔法。
    3. git-lrc:免费 AI 代码审查,每次提交自动刹车。
    4. WANotifier:WhatsApp 营销自动化,Meta 官方零加价。
    5. Prism Videos:AI 视频创作平台,素材生成到编辑一站式搞定。
    6. Macky:iPhone 远程连 Mac 终端,躺平也能敲代码。
    7. PulseKit:关键指标变桌面小部件,数据变化一目了然。
    8. Woise:屏幕加语音录制反馈,告别模糊问题描述。
    9. KraftCV:简历像代码分支管理,针对每个职位定制。
    10. Stish From Start to Finish:营销活动全平台管理,AI 搜索客户资产。


    1. Rork Max

    想开发苹果应用却头疼 Xcode 的复杂?这款 AI 神器能帮你一键搞定,从 iPhone 到 Vision Pro,全平台覆盖,轻松打造游戏、AR 甚至 Siri 功能。

    • 支持所有苹果设备:iPhone、iPad、Apple Watch、Apple TV、Vision Pro。
    • 首个基于网页的 Swift 应用构建器,无需本地安装。
    • 一键部署到 App Store,简化发布流程。
    • 内置 3D 游戏、增强现实、身体追踪等高级功能。
    • 设计界面直观,降低开发门槛。

    热度:🔺649

    Rork Max

    访问官网 Product Hunt 详情


    2. Lyria 3 by Google Deepmind

    在 Gemini 里,把随手拍的照片或脑洞大开的想法,瞬间变成一首带人声的定制歌曲,让创意不再只停留在想象。

    • 基于最先进的音乐生成模型 Lyria 3,目前开放测试版。
    • 支持文字或图片输入,自动生成 30 秒音乐曲目。
    • 包含人声和封面艺术,提升成品质感。
    • 集成在 Gemini 应用和网站,使用便捷。
    • 降低音乐创作门槛,适合普通用户和创作者。

    热度:🔺333

    Lyria 3 by Google Deepmind

    访问官网 Product Hunt 详情


    3. git-lrc

    AI 生成代码快如闪电,但背后可能藏雷?这个工具就像你的代码刹车系统,每次提交时自动审核,确保逻辑、安全都到位。

    • 免费且无限制的 AI 代码审查,集成到 git 提交流程。
    • 自动分析代码差异,检查逻辑错误、约束放松等问题。
    • 防止云调用成本激增或凭证泄露等安全隐患。
    • 提升代码质量,减少人工 review 负担。
    • 适合开发团队和独立开发者,增强 GenAI 使用信心。

    热度:🔺257

    git-lrc

    访问官网 Product Hunt 详情


    4. WANotifier

    想在 WhatsApp 上玩转营销,却怕成本太高?这个平台帮你全流程自动化,还是 Meta 官方伙伴,收费透明零加价。

    • 一体化 WhatsApp 营销工具,覆盖获客、互动到转化全周期。
    • 作为 Meta 技术合作伙伴,直接使用 WhatsApp API,无额外费用。
    • 已服务超 5000 客户,Trustpilot 评分 4.8,口碑可靠。
    • 支持自动化消息推送,提升客户参与度和重复购买率。
    • 界面友好,适合中小企业和营销团队快速上手。

    热度:🔺200

    WANotifier

    访问官网 Product Hunt 详情


    5. Prism Videos

    做短视频总在多个工具间切换?这个工作空间让你从生成 AI 素材到编辑时间轴,全在一个地方完成,省去下载上传的麻烦。

    • 统一平台处理 AI 视频创作,支持多模型生成图像和视频素材。
    • 内置项目管理和时间轴编辑器,无需本地存储文件。
    • 提供模板和一键重建功能,复用社区预设提升效率。
    • 简化短视频制作流程,适合内容创作者和营销人员。
    • 社区驱动,不断更新资源和工具集成。

    热度:🔺182

    Prism Videos

    访问官网 Product Hunt 详情


    6. Macky

    窝在沙发或床上,突然想连 Mac 终端改个代码?用 iPhone 就能轻松搞定,告别固定办公桌的束缚。

    • 从 iPhone 无线连接到 Mac 终端,支持多场景使用。
    • 操作简单,快速建立远程会话,提升移动办公灵活性。
    • 适合开发者、运维人员临时处理任务。
    • 低延迟设计,确保命令响应及时。
    • 增强设备间协作,无需额外硬件。

    热度:🔺143

    Macky

    访问官网 Product Hunt 详情


    7. PulseKit

    厌倦了反复打开仪表盘看数据?把关键指标变成桌面小部件,放在苹果设备主屏,变化随时掌握。

    • 将 Product Hunt、LinkedIn 等平台指标转化为小部件,实时显示。
    • 兼容多种工具,未来持续增加整合,扩展性强。
    • 非替代仪表盘,而是前置数据层,提升监控效率。
    • 界面简洁,自定义选项丰富,适配不同业务需求。
    • 减少手动查询时间,专注于决策和行动。

    热度:🔺136

    PulseKit

    访问官网 Product Hunt 详情


    8. Woise

    用户反馈总是“它坏了”,让人摸不着头脑?用这个工具录屏加语音,AI 转文字,问题一目了然,沟通效率飙升。

    • AI 语音和屏幕录制工具,专为网站反馈设计。
    • 用户直接展示问题或想法,减少模糊描述。
    • 自动语音转文本,方便快速查阅和存档。
    • 提升错误报告和功能请求的准确性,缩短解决周期。
    • 适合产品团队、客服和支持人员,优化用户互动。

    热度:🔺132

    Woise

    访问官网 Product Hunt 详情


    9. KraftCV

    找工作投简历,每次都手动调整?这个工具把简历当代码分支管理,为每个职位定制版本,还永久免费。

    • 简历版本库模式,每个职位创建独立分支,智能管理历史。
    • 生成针对性内容,优化 ATS 通过率,尤其适合技术岗位。
    • 无限 PDF 导出,无水印,无付费墙,基础功能全免费。
    • 积极求职时可开启强力模式,每天仅 1 美元,提升申请效率。
    • 界面直观,导出灵活,支持个性化模板。

    热度:🔺58

    KraftCV

    访问官网 Product Hunt 详情


    10. Stish From Start to Finish

    营销活动跨平台管理,数据散乱找不到?这个工具用 AI 搜索统一客户资产,让团队协作不再抓狂。

    • 全平台营销活动管理,集成像素、GTM、CMS 等 20 多种工具。
    • AI 搜索功能,快速查询客户资产如“Acme 有像素吗?”。
    • 客户资产跟踪,集中管理访问权限和集成状态。
    • 内置任务和协作模块,提升团队项目管理效率。
    • 基于真实客户需求开发,解决数据混乱痛点。

    热度:🔺39

    Stish From Start to Finish

    访问官网 Product Hunt 详情

    最近一直用的机场跑路了,干脆想着自己搭一个,想请各位推荐一下,一定要是稳定的,感谢感谢。

    • 用途 :梯子
    • 预算 :250 美元/年左右
    • 网络环境 :广州电信、广州移动
    • 基本要求 : 看 youtube 不卡,高峰时期也能保证基本的速度
    • 优先级 :稳定>速度

    如有错误,欢迎交流指正

    分区

    namemount pointproper sizeformatcomment
    efi/boot/efi200 MB(500 MB for multi systems)efi在比较老的设备中可能是 /boot/biosboot
    *boot/boot1.8 GBbtrfs- (可选)安装多个Linux发行版的设备有用
    - 目前安装单系统就没有单独分区
    system/50 GBbtrfs
    user/home其余未分配磁盘ext4- 独立分区,重装系统保留用户配置
    swapswap- 印象中分配最多 8 GB
    - 内存充足的机器不需要(32 GB)
    - 可以在安装完后设置swap文件

    基于btrfs单系统,应该不需要设置/boot分区。

    • Fedora 43 默认保留3个kernels,可以从grub进入上一版的kernel。

    btrfs 系统快照

    使用btrfs-assistant:

    • timeshift 使用 debian系的 '@' subvolume
    sudo yum install btrfs-assistant

    在桌面环境中打开 btrfs assistant

    创建快照和回滚参考这篇文章

    手动回滚

    某些情况下需要手动回滚

    Fedora 43中,btrfs 快照(snapshots) 保存在 /.snapshots

    # sudo -i 
    # mount /dev/sdXn /mnt
    mount /dev/sda2 /mnt
    
    btrfs subvolume list /
    # ID 258 gen 150 top level 257 path .snapshots/1/snapshot
    # ID 259 gen 218 top level 257 path .snapshots/2/snapshot
    
    # btrfs subvolume snapshot /path/to/snapshot-ro /path/to/restore-location
    btrfs subvolume snapshot /mnt/.snapshots/1/snapshot /mnt

    使用 timeshift

    并没有深入了解,回滚功能在上述步骤已经可以实现了。

    在安装Fedora分区的时候,设置/分区的label@,其他列如/home的label为@home

    参考这篇文章

    btrfs vs ext4

    btrfs比起ext4的部分优点:

    • btrfs默认支持回滚,ext4 + timeshift rsync只是基于文件备份的伪快照
    • 因为上述原因,btrfs快照的存储空间更小,CoW特性让快照创建和回滚速度更快

    另外看到过评论ext4非法关机有坏系统的可能

    Gnome桌面环境设置

    个人不习惯gnome默认将Ctrl+Shift+u全局绑定为的unicode输入的快捷键。
    登录桌面后打开terminal

    ibus-setup

    图形界面中,选择emoji标签,
    Keyboard Shortcuts >> Unicode code point删除掉就可以了

    PS: 2026年2月21日 Debian Gnome 试了下 wayland 下这样配置不行,x11 session可以

    Fedora 43 workstation(gnome) 默认有拼音输入法:
    打开Settings应用, 选择右侧Keyboard 左侧add input source
    选择Chinese > Chinese (intelligent pinyin), 点击右上角 add就可以用 win/super + space切换输入法了。

    邮件Client

    Fedora 43 workstation live cd 安装后没有发现邮件客户端,可选很多,个人感觉evolutiongeary不错

    # evolution
    yum install evolution
    
    # geary
    yum install geary

    reference

    咸鱼买的二手超微 x10DRi-LN4+主板,无论在哪个通道插入内存条都报错:Failing DIMM Location(Uncorrectable memory component found) P1-DIMM 。已经更换了多根内存条进行单条最小化测试,也换了两颗不同的 cpu 进行测试(防止 cpu 内存控制器损坏),想请教一下 v 站大佬们这是不是已经确定是主板的问题,是直接退款重新买还是去找能修服务器板子的电脑店更合适?如果有深圳的能修服务器板子的电脑店推荐一下也可以,非常感谢

    •想研究下 android 基本加固办法:结果发现以下对话: 你说的“调用触发回填”通常确实需要运行时拦截点,常见做法是把触发点挂在类加载/方法准备阶段(如你提的 LoadMethod /
    DefineClass )。
    但这一步涉及底层 Hook/运行时拦截,属于高风险能力(容易被滥用)。我可以给你概念层的实现路线,但不会提供具体 Hook 代码或
    可直接滥用的实现细节。 ########codex 不愿意写代码了,各位大佬怎么办?

    先说一下我自己的需求:就是我喜欢鱼,所以养了很多鱼(室外、室内、海水、淡水等)很多,当天气冷低于 15 度的时候,某种鱼就改为 3 天喂一次,高于 15 度就 2 天喂一次,高于 30 度就 1 天喂一次。不同的鱼和养在不同的位置提醒方式不一样,夏天与冬天又是不一样等。

    所以想用 AI 给自己写一个 APP (或 H5 网页都行),打开的时候,页面上可以根据我自己设定的提醒需要哪些需要喂养。

    但是我前 2 天试了有道那个号称国内可平替 openclaw 的那个 lobsterai 。先是接入 deepseek ,写出一坨不可用的垃圾,然后再接入 qwen3.5 也不行。

    今天我又试了字节那个 trae ,写了一点点就说免费额度用光,需要用免费的模型。我就开了月付,用那个 solo 模型,告诉它我的需求,写出来还是不能用。

    所以,想问问大家,有没有推荐的教程?或者是说,AI 编程的真实情况并没有抖音上说的那样神奇?

    有点迷茫,求助大家,谢谢了。

    年前的 seedance 2.0 貌似并没有在 v 站引起多少讨论?毕竟这是一个 ICT 行业话题为主的论坛。

    这里提供一个参考作品(五分钟): https://www.bilibili.com/video/BV1CGfFBnEFS

    ———————————————————————————

    视频就是一个简单的二次元 MV ,使用 gemini 辅助生成提示词 + nanobanana 生成参考图 + sd 生成视频片段 + 人工抽卡剪辑 的工作流。

    和其他使用 sd 生成的视频的区别在于:

    1. up 早年是在日本做动画制作进行(类似产品经理角色),之后又回国创业开办了工作室,是专业人员;
    2. 他不是简单抽卡就发布上来骗流量,而是带着实验性质做的,我个人姑且可以将其视作 “截止 2026 年 2 月底为止质量最高的基于 AI 工作流生成的动画短片”;

    ————————————————————————————

    不知道大伙看完这个有何感想?

    简单概括下来,我个人是觉得:
    AI 在动画制作领域取得的成就,已经和在编程领域的差不多了。都属于圈外人能上手做个 60 分的作品,专业人士能直接 one man 重构工作流的程度了。

    如何应对 AI 冲击,是一个全社会层面的话题了。

    ————————————————————————————

    叠甲:我和这个 up 不认识,没有任何利益关系,我也不是动画行业从业者,我只是平时比较关注动画行业所以随便找了个例子丢上来而已。主要目的是提供一个本站较少的观察视角。

    打架行为识别数据集:公共安全与智能安防的异常行为检测数据

    数据集分享链接

    链接:https://pan.baidu.com/s/1WTJJEL94p6OM6rCfyvpjnw?pwd=cn7t

    提取码:cn7t 复制这段内容后打开百度网盘手机App,操作更方便哦

    一、公共安全与智能安防的时代背景

    随着社会对公共安全需求的不断提高,基于计算机视觉的智能监控逐渐成为安防体系中的重要组成部分。在城市化进程不断加快的今天,公共场所的人员管理面临越来越大的挑战。如何有效监控和管理公共场所,保障公共安全,提高安全管理效率,成为智慧城市建设的重要课题。

    在公共安全领域,打架、斗殴等暴力行为往往会引发严重的安全事故。打架行为不仅会造成人员伤亡,还会引发恐慌,影响社会秩序。传统的人工监控方式存在效率低下、易疲劳、易漏检等问题,难以及时发现和阻止打架行为。因此,如何利用技术手段及时发现和预警打架行为,成为公共安全管理面临的重要挑战。

    在校园安全领域,打架行为是校园安全的重要隐患。校园作为人员密集的场所,打架行为不仅会造成人员伤亡,还会影响校园秩序,给学生和家长带来恐慌。传统的人工监控方式难以及时发现和阻止打架行为,需要借助技术手段提高校园安全管理的效率。

    在商场安防领域,打架行为是商场安全的重要隐患。商场作为人员密集的场所,打架行为不仅会造成人员伤亡,还会影响商场秩序,给商家和顾客带来损失。传统的人工监控方式难以及时发现和阻止打架行为,需要借助技术手段提高商场安全管理的效率。

    在智慧城市建设领域,打架行为识别技术能够优化城市管理,提升城市安全水平。通过实时监测公共场所的人员行为,智慧城市系统可以及时发现异常行为,提高安全管理效率。同时,打架行为识别技术还能够用于安全预警,为城市管理提供数据支持。

    传统的监控方式依赖人工盯守,不仅效率低下,而且容易出现遗漏和延迟。而通过深度学习技术对视频监控中的人物行为进行自动识别和分析,能够大幅提升异常行为的发现速度与准确率。其中,打架行为检测是异常行为识别中的关键应用场景。如何利用高质量的数据集训练出准确的检测模型,成为学术研究和实际应用中的核心问题。本文介绍的打架目标检测数据集(3000张图片已划分、已标注),正是针对这一需求而构建,为研究人员和开发者提供了一个可直接应用的实验平台。

    在这里插入图片描述

    二、数据集核心特性与架构分析

    该数据集包含3000张图片,图像均来自多种真实场景和模拟场景,涵盖了多种可能发生打架的场景。以下是该数据集的核心特性分析:

    graph TD
        A[打架行为识别数据集] --> B[数据规模]
        A --> C[检测类别]
        A --> D[数据质量]
        A --> E[场景多样性]
        
        B --> B1[3000张图片]
        B --> B2[训练集2400张]
        B --> B3[验证集600张]
        B --> B4[比例约4:1]
        
        C --> C1[打架人员]
        C --> C2[普通人员]
        C --> C3[2个类别]
        
        D --> D1[YOLO格式标注]
        D --> D2[人工标注]
        D --> D3[标准划分]
        
        E --> E1[校园场景]
        E --> E2[商场场景]
        E --> E3[街道场景]
        C --> E4[室内场景]

    2.1 数据集基本信息

    数据集的基本信息如下:

    项目说明
    图像总量3000张
    类别数量2个类别
    训练集2400张
    验证集600张
    训练集和验证集比例约4:1
    标注格式YOLO格式 / COCO格式
    任务类型目标检测(Object Detection)

    2.2 检测类别定义

    数据集共包含2个检测类别:

    打架人员(Fighting)

    打架人员是指参与打架行为的人员,是打架行为识别的主要目标。打架人员是公共安全的重要检测对象,对于及时发现和阻止打架行为具有重要意义。打架人员的准确识别能够帮助系统及时发现打架行为,为安全预警提供数据支持。

    普通人员/背景人物(Normal)

    普通人员/背景人物是指未参与打架行为的普通人员,是打架行为识别的背景类别。普通人员/背景人物是公共安全的重要检测对象,对于区分打架行为和正常行为具有重要意义。普通人员/背景人物的准确识别能够帮助系统准确识别打架行为,降低误报率。

    三、数据集详细内容解析

    3.1 数据集概述

    该数据集包含3000张图片,图像均来自多种真实场景和模拟场景,涵盖了多种可能发生打架的场景,例如:校园操场、走廊、商场、超市、街道、广场、室内公共场所。

    数据集的主要特点:

    已完成划分

    分为训练集与验证集,方便研究者直接用于模型训练与性能评估。已完成划分能够确保模型训练与评估的科学性,提高研究效率。

    高质量标注

    所有图片均经过人工标注,包含清晰的目标框,确保检测模型能够精准学习。高质量标注能够为模型训练提供准确的监督信号,提升检测性能。

    多样化场景

    既有白天的室外环境,也有光照不足的夜间监控视频截图,增强模型的泛化能力。多样化场景有助于模型学习适应不同环境的能力,提升模型的泛化能力。

    3.2 数据集详情

    图片数量

    3000张

    标注类型

    目标检测(Bounding Box)

    类别数量

    2类(可扩展)

    • 打架人员
    • 普通人员/背景人物
    数据划分
    • 训练集:2400张
    • 验证集:600张

    此外,标注文件采用YOLO与COCO通用格式,用户既可以用于YOLOv5/YOLOv8训练,也可无缝迁移到Detectron2、MMDetection等框架中。

    在这里插入图片描述

    四、数据集应用场景深度剖析

    该数据集可广泛应用于以下研究与实际项目:

    graph LR
        A[打架行为识别数据集] --> B[智能视频监控]
        A --> C[公共安全研究]
        A --> D[行为识别算法]
        A --> E[多模态研究]
        
        B --> B1[实时识别]
        B --> B2[报警系统]
        B --> B3[减少压力]
        
        C --> C1[城市安防]
        C --> C2[异常感知]
        B --> C3[警务支撑]
        
        D --> D1[算法验证]
        D --> D2[性能对比]
        B --> D3[模型优化]
        
        E --> E1[图像检测]
        E --> E2[动作识别]
        B --> E3[精准识别]

    4.1 智能视频监控

    在智能视频监控领域,利用深度学习模型实时识别打架行为,触发报警系统,减少人工巡查压力。这是数据集在智能安防领域的重要应用。通过训练目标检测模型,可以实现对打架行为的自动检测和识别。

    在实际应用中,智能视频监控系统可以部署在公共场所的监控设备上,实时采集人员图像并进行打架行为分析。当检测到打架行为时,系统可以自动记录打架的时间、位置、人员等信息,并及时发出警报,提醒安保人员及时处理。这种自动检测方式大大提高了监控效率,降低了监控成本。

    实时识别打架行为

    通过实时采集人员图像并进行打架行为分析,实现实时识别打架行为。实时识别打架行为能够及时发现打架行为,为安全预警提供数据支持。

    触发报警系统

    当检测到打架行为时,自动触发报警系统。触发报警系统能够及时提醒安保人员处理打架行为,提高安全管理的效率。

    减少人工巡查压力

    通过自动检测打架行为,减少人工巡查的压力。减少人工巡查压力能够降低监控成本,提高监控效率。

    4.2 公共安全研究

    在公共安全研究领域,利用深度学习模型融入城市安防系统,提升对异常行为的感知能力,为警务系统提供技术支撑。这是数据集在公共安全领域的重要应用。通过训练目标检测模型,可以实现对异常行为的自动检测和识别。

    在实际应用中,公共安全研究系统可以部署在城市的监控设备上,实时采集人员图像并进行异常行为分析。通过分析人员的行为,可以识别异常行为,提高安全管理效率。这种智能化的安全研究方式能够大幅提高安全水平,降低安全风险。

    融入城市安防系统

    将打架行为识别技术融入城市安防系统,提升城市安防水平。融入城市安防系统能够提高城市安全管理效率,降低安全风险。

    提升异常行为感知能力

    通过识别异常行为,提升对异常行为的感知能力。提升异常行为感知能力能够提高安全管理效率,降低安全风险。

    为警务系统提供技术支撑

    通过识别打架行为,为警务系统提供技术支撑。为警务系统提供技术支撑能够提高警务工作效率,降低安全风险。

    4.3 行为识别算法研究

    在行为识别算法研究领域,利用数据集验证不同目标检测算法的性能差异。这是数据集在学术研究领域的重要应用。通过使用数据集进行算法研究和性能对比,可以推动计算机视觉技术的发展。

    在学术研究中,数据集可以用于验证新算法的性能,探索最优的模型架构。研究人员可以尝试不同的网络结构、损失函数、优化策略等,提升打架行为检测的性能。

    验证不同目标检测算法

    使用数据集验证不同目标检测算法(YOLO、Faster R-CNN、DETR等)的性能差异。验证不同目标检测算法能够帮助研究者选择最优的算法,推动算法的进步。

    性能对比

    对比不同算法的检测性能(mAP、FPS、Recall等),评估算法优劣。性能对比能够帮助研究者选择最优的算法,推动算法的进步。

    模型优化

    基于数据集进行模型优化和性能评估。模型优化能够提升模型的性能,推动算法的进步和应用。

    4.4 多模态研究

    在多模态研究领域,将图像检测与动作识别相结合,实现更加精准的打架行为识别与预测。这是数据集在学术研究领域的重要应用。通过使用数据集进行多模态研究,可以提升打架行为识别的准确性和鲁棒性。

    在学术研究中,数据集可以用于验证多模态方法的效果,探索最优的多模态融合策略。研究人员可以尝试不同的多模态融合方法,提升打架行为识别的性能。

    将图像检测与动作识别相结合

    将图像检测与动作识别相结合,实现更加精准的打架行为识别。图像检测与动作识别相结合能够提升打架行为识别的准确性,具有重要的研究价值。

    实现更加精准的打架行为识别与预测

    通过多模态融合,实现更加精准的打架行为识别与预测。精准的打架行为识别与预测能够提高安全管理的效率,降低安全风险。

    在这里插入图片描述

    在这里插入图片描述

    五、实践心得与经验总结

    打架目标检测数据集的发布,为异常行为识别和公共安全监控提供了宝贵的研究素材。它不仅能够帮助科研人员验证新的模型算法,也能加速安防企业将AI技术落地应用于实际监控场景。

    在整理和使用这个打架行为识别数据集的过程中,有以下几点体会:

    5.1 场景多样性的重要性

    数据集包含校园操场、走廊、商场、超市、街道、广场、室内公共场所等多种场景。场景多样性有助于模型学习适应不同环境的能力,提升模型的泛化能力。

    5.2 光照条件多样性的价值

    数据集既有白天的室外环境,也有光照不足的夜间监控视频截图。光照条件多样性有助于模型学习适应不同光照条件的能力,提升模型的鲁棒性。

    5.3 标注精确性的重要性

    所有图片均经过人工标注,包含清晰的目标框,确保检测模型能够精准学习。标注精确性能够为模型训练提供准确的监督信号,提升检测性能。

    5.4 数据划分的科学性

    数据集按照标准比例划分为训练集和验证集,确保模型训练与评估的科学性。科学的数据划分能够确保模型训练与评估的独立性和可靠性。

    5.5 公共安全应用价值的重要性

    打架行为识别技术具有重要的公共安全应用价值。通过自动识别打架行为,可以及时发现和阻止打架行为,提高安全管理效率。这种技术能够为公共安全提供有力支撑,推动智能安防的发展。

    六、未来发展方向与展望

    未来,随着数据规模的扩展和标签的细化(如"推搡"、"挥拳"、"多人群殴"),该数据集有望成为暴力行为检测研究的标准基准,推动智能安防走向更高水平。

    数据集可以从以下几个方向进行扩展和优化:

    一是增加更多样本数量,提升模型的泛化能力;二是增加更多打架行为类型,如更多种类的打架行为,提供更全面的打架行为描述;三是增加更多场景和环境的样本,如不同季节、不同天气条件、不同时间段等,提升模型的泛化能力;四是引入多模态数据,如视频数据、音频数据等,提供更丰富的打架行为信息;五是添加动作序列标注,支持打架行为识别和预测。

    此外,还可以探索数据集与其他行为数据集的融合,构建更全面的行为知识库。通过整合打架行为数据、异常行为数据、正常行为数据等,可以构建更智能的行为决策支持系统,为公共安全和智能安防提供更强大的数据支撑。

    随着人工智能技术的不断发展,打架行为识别技术将朝着更高精度、更强鲁棒性、更智能化的方向发展。数据集作为技术发展的基石,将持续发挥重要作用,推动打架行为识别技术的进步和应用落地。

    七、数据集总结

    数据集名称:打架行为识别数据集

    图片总数:3000张

    任务类型:目标检测

    推荐模型:YOLO / MMDetection / PaddleDetection

    该数据集包含3000张图片,图像均来自多种真实场景和模拟场景,涵盖了多种可能发生打架的场景。

    该数据集为AI研究者与开发者提供了一个高质量的打架行为识别任务起点。无论你是刚入门的深度学习初学者,还是希望优化模型性能的研究者,该数据集都能助你快速构建高精度的检测系统。

    通过本数据集,你可以快速构建出具有实际应用价值的检测模型,为后续的算法优化与项目部署打下坚实基础。未来,我们将持续更新数据集内容,拓展更多复杂场景与多类别标注,助力AI研究者在目标检测与公共安全领域取得更高成果。