这里按时间收着文章、技术笔记，以及那些在公开写作里慢慢想清楚的事情。
Coding Agent 正在重塑软件工程的成本模型：代码生成日益廉价，而人的注意力成为新的串行瓶颈。软件可信性不应依赖作者或 reviewer 的权威，而应来自可验证、可反驳的系统机制。本文提出 Agent-legible Systems：从设计之初就让运行状态、关键不变量与因果证据可被 Agent 查询、实验和验证，以类型系统、测试、CI、profiling、tracing 等形成自动化验证闭环。人的判断力则从逐行审阅实现，上移到领域模型、系统契约与不可逆架构决策。
数组型红黑树、高考压轴题、PhD找不到工作，本质上是同一件事：封闭系统能筛选出局部最优解，但这个“最优”的定义本身是被封闭条件扭曲的。信息环境决定智力的产出效率，而你又没有办法给你认知以外的东西定价。
人类平均能力的抬升，并不主要来自个体学习时间的增加，而来自知识扩散、压缩与调用机制的持续升级。
说应试教育公平是一种根本性的误认：它只是把没有选择权，重新命名为唯一选择的优越性。
前现代性与现代性的根本撕裂在于，优化目标不再是我是否全能、是否什么都不错过，而是我在供应链中究竟能解决哪一种需求。
从 std::fma 到 allocator_traits、SFINAE、PMR 与 Concepts：C++ 的锋利之处，正在于它把硬件事实和类型系统同时推到你面前。
多数院校、企业和个人，并没有真正理解 AI；他们理解的只是围绕 AI 的焦虑、口号和跟风姿态。
应试最深的副作用，不在于它要求人完成题目，而在于它把世界训练成一套可被裁判的标准答案：奖励“正确”，惩罚“错误”，并在长期的否定性反馈中，使人对犯错、偏离与风险本身产生恐惧。
选择之所以难以彼此理解，往往不是因为答案不同，而是因为背后的地图不同；人的动人之处不在于承受了多少苦难，而在于面对苦难时仍能主动选择爱、善与正义。
当操作数并不源自 IO，所谓运行时往往只是工程取舍，而非本体论命运。
不少量化团队确实在抓取 Reddit 数据，将其加工为 sentiment index；在这个意义上，梗图、哀嚎与狂热本身都可能成为市场的可观测量。
从 OpenMP、pthreads 到 CUDA，并行化并非只是工具链的扩张，而是对计算能力、硬件边界与形式化模型的一次重新解释。
社交大体有两种形态：一种是交心，另一种是交换。交心看机缘，交换则是常态；真正的问题不在算计，而在价值如何被看见、被感受、被往复。
这指向科研范式的转换。以 PUCT (Predictor + UCB applied to Trees) 为例，面对这类任务，重心已从解题转向找题，转向设计能够精确反映科学目标的评价尺度。
编译器优化的历史近似一场开源节流：一端是优化算法自身的演进，另一端则是持续向编译器供给更多信息，以推移语义约束的边界。若从现代 C++ 的视角重新审视模板元编程，就应回到模板作为过程族抽象与 policy-driven 设计工具的本义；用模板计算编译期斐波那契数列，更像是 C++11 之前不得不借道而行的技术折返。
正如学术品味需要长期磨练一样，对需求的识别同样包含大量隐性知识，也同样需要被训练；而这恰恰是支撑大学运行的那套叙事所拒绝提供的东西：它教你如何“解题”，却不教你如何“找题”。而“找题”的能力——也就是发现并定义有价值问题的能力——在未来会远比“解题”的能力更加珍贵。
年轻计算机人（包括我自己）应当尽早建立的一组低成本基础实践。
当下对深度学习的一拥而上，更近于 investor 的投机姿态，尚远未抵达 AI-native believer 的自觉。
我承认，自己在B站的使用频率不足，账号画像或许尚未得到充分训练；但其推荐算法的个性化仍然显得相当粗糙：它也许能够捕捉我的身份轮廓与兴趣方向，却无法匹配相应的内容深度和信息密度，而只是停留在标签层面的相似性上——信噪比过低，体验自然难称理想。
纯粹的形式模型往往是现实的一个投影，是一种选择性的反映，作为逻辑模型的算法在现实中也面临着适用范围的审慎。
没有绝对完美，只有具体语境中的最适宜；在现实约束与可能性边界之间起舞，正是计算机科学的魅力所在。
GPT-5 在接口、类型约束与分配器语义上，确有几分标准库风范。
AI 已经是一项具有显著门槛的技术，早已不再是玩具式或学生式的实践。
Concept 并不是给模板换一套体面语法，而是在向编译器递交代数结构的信息。
虽然大多数情况下我们会把 C 视作 C++ 的 subset，但二者之间仍有一些不应被忽略的细微差异。
CS 入门的关键并非神秘的天赋，而是 passion 与 taste 在方法论、元认知和制度环境中的生成。
在抽象、推导与冷板凳之间，重新理解计算机科学的半山腰。
做一只在计算机科学中自由飞翔的小鸟，不也是很好吗？