分布式系统绕不开 CAP 定理：网络分区发生时，一致性与可用性只能二选一。但 CAP 常被误读成「三选二」的静止选择——真实的系统是在「分区发生时」的动态取舍，且在 C 与 A 之外还有延迟这个隐藏维度。本篇拆解三性的精确定义、P 的不可协商、以及现实中各系统的取舍谱系。

微服务架构中，服务 A 要调用服务 B，首先要知道 B 在哪——服务发现（Service Discovery）就是回答这个问题的机制。注册中心的选择（Eureka/Nacos/Consul/etcd）本质上是在 CAP 约束下做取舍。本文讲清服务发现的两种模式、主流注册中心的对比、以及选型的决策框架。

从 FunSearch 把 cap set 下界从 496 推到 512，到 AlphaEvolve 五十六年来首次改进 4×4 矩阵乘法，再到陶哲轩带着 AlphaEvolve 一次测了 67 个问题——AI 正在从「解出已知的题」走向「产出人类未知的新构造」。本文梳理这条机器发现路线的方法演进与代表结果，也整理 METR 与陶哲轩本人最直接的质疑：这到底是数学发现，还是高级暴力搜索。

孩子在游戏前专注两小时、在作业前坚持两分钟，不是态度问题，是两套动机系统的设计差距——游戏是几百个顶尖工程师对人类动机回路的定向优化，作业没有这个待遇。本文拆解游戏抓人的四大设计（即时反馈、随机奖励、清晰的进阶、自主与社交），再用同一套原理反推：哪些学习体验天然具备游戏力，家长真正可为之事有哪些。

2017 年 Ali Rahimi 领奖时说「机器学习变成了炼金术」，LeCun 当场反驳；八年过去，模型能力涨了几个数量级，「为什么泛化」的数学解释仍然是一堆可解模型里的定理。本文盘点深度学习数学基础的现状：随机标签实验、双下降、NTK、grokking、scaling laws 各自被解释到了哪一步，哪一步仍然卡住，以及 2026 年「学习力学」的学科宣言算不算转折点。

「看完这本书就给你买玩具」这类交易，短期立竿见影，长期却在系统性地拆掉孩子的内在动机——心理学用「过度理由效应」解释这个悖论：外部奖励一旦接管了行为的理由，原本的乐趣就会被重新定价。本文讲清这个 1973 年经典实验的机制、奖励失效的边界条件，以及奖励还能安全使用的那一小块地盘。

解码阶段的大模型是内存带宽问题：一次前向读完几十 GB 权重，却只产出一个 token。投机解码让小模型先猜几个、大模型一次前向并行验证，修正拒绝采样保证输出分布完全不变——2 到 6.5 倍加速的「免费午餐」。本文拆解它的数学、三代草稿方案与 2026 年的工程现状。

2024 年 AlphaProof 以 28/42 拿下奥数银牌，靠的是在 Lean 里写机器可验证的证明；2025 年 Gemini 与 OpenAI 模型以自然语言证明达到金牌线。为什么 DeepMind 先走了一年形式化的「弯路」？陶哲轩的 Lean 实践给出了另一重答案。

中篇回答一个容易被标题带偏的问题：这次在递归自我改进（RSI）坐标系里站在哪一级？用本站 L0–L5 阶梯逐级排除，结论是 L3 命中、L4 未到；用验证层级解释"为什么基础设施最先闭合"；用闭环四问定性为"RSI 前体"。随后拼上 GLM-6.0 的三支柱（数据自产／环境自造／基础设施自我优化），指出只有第三支柱拿到了 A 级公开证据，另两根仍在公告层面。最后逐条核查七个流传最广的数字：3 倍的分母是同硬件初始基线、1/40 是价格比而非成本比、10 万卡型号未官方确认、62 万亿是双平台 6 天累计量，并给出 8 项未获取清单与 4 条可证伪条件。

In this work, we present Gander, an end-to-end model that unifies omni perception, realtime interaction, and agentic cap…

一份关于递归自我改进（RSI）的 2026 年全景深度研究：从 Good 1965 的智能爆炸命题讲到 MetaRSI 的平方时代，从 Anthropic >80% 合并代码由 Claude 撰写讲到 OpenAI-Hugging Face 事件中智能体攫取集群管理员权限，区分"主机节点接管已发生"与"全球接管仍是预测"三层口径；并新增 AI Futures Project《AI 2040: Plan A》专章——买时间、完全研究透明、广泛扩散、相互确保算力毁灭，以及一份"协议 10 年衰退概率 48%–62%"的现实账。

FlashAttention 不近似、不改公式，却把注意力训练速度提高数倍、显存从 O(N²) 降到 O(N)——靠的是把「少走显存」当成一等目标：分块装进片上内存、用 online softmax 增量修正、达到 IO 复杂度理论下界。本文拆解它的算法原理与 v1→v2→v3 三代硬件适配，以及它管不了的事：KV cache 与自定义 mask。

Mamba 把 SSM 参数改成输入的函数，让固定大小的状态学会按内容取舍；再靠并行扫描与 kernel 融合把状态装进 SRAM，线性复杂度落地——3B 匹敌两倍大的 Transformer，5 倍推理吞吐，线性扩展到百万长度。文末梳理截至 2026-10 它与 Attention 的分工现状。

分层回答 RSI 真伪：工程自动化层已跨门槛（Anthropic >80% 代码、AlphaEvolve 回收 0.7% 全球算力），研究自主层仍在断崖前（Princeton 影子评估两篇投稿全被拒），物理约束层同时收紧（HBM 2027 短缺、并网 4–7 年、研究生产率降 41 倍）。含验证层级判别工具、L0–L5 分类学、7 组冲突案例归因、24 行量化结论台账与 17 项未获取清单。

Agent 工程系统学习第 6 章：执行隔离让不可信代码在可控牢笼里运行。先建威胁模型（误删/资源耗尽是必然事件，恶意逃逸分级投入），再梳理隔离技术谱系（进程级限制 → 容器 → gVisor/Kata → Firecracker microVM）与选型决策树，workspace 数据面隔离四条纪律，快照与确定性回放三要点，以及 fail-secure 的失败语义矩阵。

基于 2026-09-22 独立研究整理：拆解 Meta Muse 的三层产品谱系与时间线、Secure VM 六层防护（凭据代理替换 / tainted egress / 审批绕过模型）、Muse Spark 1.3 能力口径（AA 指数 61–62 vs Claude Fable 5.1 的 66）、定价与商业模型、三情景推演与风险矩阵，并给出核心判断——Agent 的天花板由平台开放意愿决定，而非模型智力。

Architect Financial Technologies 发布 Liquid Inference，一个 LLM 推理市场路由器，每次请求通过实时拍卖由各供应商报价竞价，买方支付满足规则中的最低报价，开发者只需替换 base URL 即可让供应商在价格上竞争。

推理服务向用户承诺「99.9% 可用、P99 延迟 2 秒」——承诺的背后是一套 SLA 工程：SLO 的定义、错误预算的运营、容量规划的科学。本篇拆解推理服务 SLA 的特有指标（TTFT/TPOT 的分位数）、错误预算的纪律、以及容量规划的三步法。

「压测一下」在推理服务上远比传统服务复杂：压什么指标（TTFT/吞吐）、怎么模拟真实流量（长度分布）、用什么工具（vLLM benchmark、k6、自研）。本篇拆解推理服务压测的方法论——场景设计、指标采集、瓶颈定位，以及压测报告的正确打开方式。

Agent 不只活在聊天窗口里：定时运行的智能体（每日简报、巡检、同步）、长时运行的智能体（数小时的研究与批处理）构成「后台 Agent」的形态。本篇拆解后台 Agent 的架构要素（触发器、状态持久化、幂等与重试、通知与审计）、与聊天 Agent 的差异，以及长任务工程的关键设计。

一切超时与延迟测量的地基是内核时间子系统。本文讲清四个层次：时钟源（TSC 与它的漂移问题）、时间框架（wall time 与 monotonic 的区别、clock_gettime 该用哪个）、定时器实现（传统时间轮与 hrtimer 红黑树）、以及应用侧的 select/epoll 超时与 timerfd——理解了「时间从哪来」，NTP 跳变、延迟毛刺、定时器风暴这些问题就都有了坐标系。

大模型价格战的背后（本库《价格战》），站着一条被低估的产业链：推理优化产业——量化、编译器、KV 缓存优化、投机解码、专用推理引擎。它不训练模型，却决定了模型的交付成本，是「价格战能打多低」的真正决定者。本文画一张推理优化产业的地图，讲清每一格的手艺与玩家。

智能体基础设施的开源项目正面临治理模式的选择：独立维护者的单干模式、捐给基金会的中立模式、大厂庇护的伞下模式。治理不是情怀问题——它决定了项目的长期可信度、企业采用意愿与生态位。本篇观察三种模式的样本、各自的成功条件与失败姿势，以及「治理成熟度」正在成为企业选型的显性指标。

选对了资产、配好了比例，还剩最后一个问题：每次出手押多大？本篇讲清凯利公式的来历与算法、为什么「满仓最优」在数学上不成立、半凯利与分数凯利的实践惯例、凯利思想在定投与个股仓位上的三个应用，以及仓位管理比选股更决定长期成败的原因——复利的数学不对称。

汇率是两种货币之间的价格：购买力平价定长期锚，国际收支定中期方向，利差与避险情绪搅动短期波动。本文讲清汇率的决定机制、从钉死到放飞的制度光谱，以及留学换汇、外币理财里普通人最该算清的账和最该避开的坑。

保险买的是保额，不是返还。本文从监管「首先考虑保障」的购买建议讲起，用官方数据盘清医保打底与四大保障险种（百万医疗、重疾、定寿、意外）各自挡什么，给出「先大人后小孩、双十预算」的配置顺序，并拆解返还型、理财型保险与如实告知三大坑——含预定利率从 3.5% 降到 2.0% 的完整时间线。

76k 星开源项目 Impeccable（当日涨星 +1,171、Apache-2.0）：jQuery UI 作者 Paul Bakaus 给 AI 编程智能体的设计技能层。核心判断是「禁止清单只会迁移模型」，改用 61 条确定性检测规则 + 双盲评审子代理 + 跨会话记忆 + 编辑时钩子。拆解多宿主编译架构、反吸引子机制、8 道 gate 与 Live Mode 的取舍边界。

从"控制流所有权"这一第一性原理出发，拆解 Workflow（DAG 编排、确定性执行）与 Agent（ReAct 循环、涌现式控制流）的技术原理差异；详解 Agentic Workflow"图做骨架、节点内自主"的三层混合架构，以及提示链/路由/并行化/编排者-执行者/评审-优化五种经典编排模式与工程选型经验。

「妈，我好无聊啊」——大多数家长的本能是立刻填满它。但无聊研究的结论恰好相反：无聊是大脑在提示「该自己找事了」，填满它的动作正在掐断一个重要的发育程序。

分布式共识算法是分布式系统的「心脏」——Raft 用「选主 + 日志复制 + 安全性约束」三件事，把 Paxos 的晦涩翻译成了工程师能理解的算法。拆解 Raft 的机制与它的工程实现（etcd、TiKV、Consul）。

网络会超时、用户会双击、重试机制会重发——只要操作会被重复执行，幂等就是必需品。本篇拆解幂等的定义与天然幂等操作、五种防重方案（唯一约束、去重表、Token、乐观锁、分布式锁）的适用场景，以及「先查再写」为什么不是防重。

socket、管道、设备、普通文件能用同一套 read/write 接口操作，靠的是 VFS 虚拟文件系统层。本文拆解 VFS 的四个核心对象（superblock/inode/dentry/file）、dentry 缓存与 path lookup 的成本、页缓存与 inode 的绑定关系，以及 procfs/sysfs/devtmpfs 三个「伪装成文件」的内核接口——读完能看懂 /proc 里那些指标的真正来源。

看懂工具的机制，才知道每个工具的代价与边界。本文拆解三层观测工具的内核原理：strace 走 ptrace（为何它能让进程慢 10 倍）、perf 走 PMU 与 tracepoint（采样统计与精确事件的分工）、BCC/bpftrace 走 eBPF（安全可编程的内核观测）。配合观测者效应（observer effect）的量化、火焰图的正确读法，收束整个系列的方法论：观测要分层、代价要计入。

数据库地址改了要重新编译、某个开关要发布才能切换、多环境配置要维护多份代码——这些痛点的根源是把配置写死在代码里。配置中心将配置从代码中分离出来，支持动态刷新、多环境管理与灰度发布。本文讲清配置中心的设计、主流方案的对比、以及配置变更的安全实践。

从 IMO 奖牌级表现到一次发布 372 项结果引爆抵制，AI 证明在 2026 年接连突破也接连越界。本文梳理 AlphaProof、Gemini Deep Think 与 OpenAI 最新成果、Lean 形式化生态的进展，厘清机器辅助证明当前的能力边界，以及数学社区围绕「数学 2.0」的核心争论。

在物理世界真正干活的具身智能体]

最好的危机公关是不发生危机——而「不发生」不是运气，是一门叫「议题管理」（issues management）的学科：扫描可能引爆的议题、提前布局回应、在小火苗阶段灭火。它比危机响应便宜十倍，也寂寞十倍。

结果监督只看「答案对不对」，过程监督盯着「每一步推理对不对」——OpenAI 的「Let's Verify Step by Step」让过程奖励模型（PRM）成为推理对齐的主流技术。过程监督为什么能干掉reward hacking，以及它的工程代价。

保险业是「数据行业」的原住民——精算师用概率表算了一百年。AI 化在这行的推进不是颠覆，是把自动化光谱从「规则引擎」推向「模型决策」，而每个环节的推进速度都由「监管容错」决定。

企业安全治理清单篇给了一张「做什么」的清单，这篇回答「谁来做什么」——AI 治理的组织设计：治理委员会的构成、三道防线的划分、以及一个正在成形的新角色：AI 风险负责人。

RAG 的回答质量取决于知识库的质量——「垃圾进，垃圾出」。但知识库的质量管理不是一次性动作，是持续的运营：入库审核、质量打分、过期检测与清洗。本篇拆解知识库质量管理的完整体系。

LLM 推理服务的伸缩比普通服务难：副本启动要加载几十 GB 权重（冷启动分钟级）、显存装不下就想不加、流量是尖峰型。本篇拆解推理服务伸缩的三大难题与对策——模型加载的冷启动、基于指标的 KPA 伸缩、以及「预热」与「错峰」的运营手段。

知识库不是「建好就完事」——它有生命周期：创建、成长、维护、衰退、废弃。每个阶段有不同的管理重点与风险。本篇拆解知识库生命周期的五个阶段、每阶段的管理动作、以及「知识库的废弃」这个被忽视的课题。

在边缘设备上跑 LLM，硬件怎么选？Jetson Orin、RK3588、Hailo、以及手机芯片——本篇拆解边缘推理硬件的算力、内存与生态对比，给出「按模型规模选硬件」的决策框架，以及边缘部署区别于云端的工程要点。

AI 大量生成代码之后，版本管理的每个环节都要重新校准：提交粒度（AI 一次改 20 个文件怎么提交）、评审策略（看不过来的 diff 怎么审）、回滚设计（一键回退到「AI 动手前」）。本篇拆解 AI 时代的 git 工作流改造——分支策略、提交规范、评审分流与回滚的护栏设计。

视觉语言模型（VLM）的服务化与纯文本模型不同：图像的预处理管线、多模态 KV 的显存压力、请求的异构性（图+文的组合）。本篇拆解多模态推理基础设施的特殊工程点——从请求处理到显存管理到成本核算。

模型每周迭代、服务不能停机——推理服务的「灰度发布」与「模型热更新」有自己的工程形态：蓝绿切换、流量灰度、多模型并存与热加载。本篇拆解推理服务模型迭代的四种模式，以及「切换时 KV Cache 怎么办」这个独有难题。

聊 AI 治理不能只聊欧盟与中国：美国的联邦-州双轨博弈、英国的「安全研究所路线」、新加坡的框架治理、G7 与联合国的国际机制——每个辖区都在用不同的哲学回答同一个问题。本文补全全球治理地图上「除中欧外」的部分，看清各条路线的分野与合流。

同一张 GPU，用 naive 推理脚本与用 vLLM，吞吐可以差 10 倍以上——差距的来源是两项工程创新：PagedAttention（显存的分页管理）与连续批处理（请求的动态编排）。本篇拆解这两项技术的机制、vLLM 生态的位置、以及「什么时候该用推理引擎、什么时候杀鸡不必用牛刀」。

算力是 AI 的硬通货——而它有一个其他资源没有的特性：极度集中。训练前沿模型需要的芯片、数据中心与电力，掌握在全球极少数企业手中。这个集中性让「算力」成为 AI 治理的独特杠杆：出口管制用它卡能力的扩散，追踪机制用它验证合规。本文讲清算力治理的逻辑、实践与它管不住的部分。