这件事如果只是当成个体公司的管理问题，其实很容易误判。因为它背后并不只是某一个老板更贪或者某一个团队更卷，而是 AI 作为一种通用技术，正在重新定义劳动、雇佣关系、市场竞争和人的心理预期。
本文想整理几个问题：
国际劳工组织 ILO 在 2025 年的更新里提到，一个很重要的判断是：全球大约四分之一的劳动者处在某种程度会受到 GenAI 影响的职业里，但多数工作更可能是被改造，而不是立刻被完全替代。
这个判断很重要。因为它说明，AI 的第一波冲击，未必表现为“大规模失业立刻发生”，而更可能表现为：
也就是说，AI 先改变的是劳动的组织方式，然后才会进一步改变岗位结构、收入分配和职业路径。
过去很多岗位，本质上是公司购买一个人稳定的时间、经验和执行力。现在 AI 进入以后，雇主越来越像是在购买一种可持续调用的能力组合：
这会带来一个明显变化：同样是 8 小时，老板不会再只看“你做了多久”，而会更看“你为什么没有在 AI 帮助下做得更快”。
于是，AI 很容易从辅助工具，变成新的考核基线。
这也是为什么很多人的真实体验不是“减负”，而是“同样工资下，被要求产出更多”。因为技术提高的是潜在生产率，但潜在生产率并不会自动转化成工资，它首先会被企业当成新的绩效空间。
OECD 在 2025 年关于 algorithmic management 的研究，把它定义为：用软件系统去完全或部分自动化原本由管理者执行的任务。它的好处很明显：效率更高、决策更一致、监控更细、排班更快、指标更容易统一。
但问题同样明显：
这意味着 AI 改变的不只是“怎么干活”，还改变了“谁有权定义你的工作表现”。以前你面对的是一个主管，现在你越来越可能面对一套指标系统、看板、自动化评分逻辑，甚至一个你无法申诉其判断依据的模型。
从劳动关系角度看，这会进一步增强雇主和平台一侧的组织能力，也会削弱劳动者对过程的可见性和谈判能力。
很多知识型劳动者现在都已经感受到一个变化：工作不再只是“从零写出来”，而变成：
这会让劳动本身发生几个结构性变化。
第一，劳动从“直接生产”转向“编排、判断、复核”。
第二，很多原本依赖隐性经验的工作，会被逐渐显性化和流程化。换句话说，以前靠多年积累才知道怎么做的事，现在会先被拆成 SOP，再被工具化。
第三，初级岗位会先承压。因为大量初级工作本来就是整理、归纳、改写、搜索、汇总和标准化输出，这恰好是当前 AI 最容易切入的区域。
第四，工作的边界会进一步模糊。既然“写初稿”的时间下降了，那老板就更容易把额外的修改、补充、比稿、调研、方案分支一起压进来。劳动时间不一定显著增加，但单位时间内的精神负荷和切换成本会明显上升。
从雇主角度看，AI 带来的吸引力非常直接：
但雇主也不是纯粹获益的一方。OECD 关于 workplace AI 的调查显示，整体上员工和雇主都倾向于认为 AI 对绩效和工作条件有积极影响，但研究也同时强调，培训和员工协商与更好的结果显著相关，失业焦虑也仍然存在。
这说明企业不是只要“上 AI”就能自然得到收益。真正困难的部分反而是：
所以很多公司今天其实处在一种中间状态：战略上要求全面拥抱 AI，组织上却没有为此提供足够训练、权责边界和收益分配机制。于是最先发生的，往往不是组织升级，而是对员工提出更高交付要求。
这个问题不需要从道德上理解，直接从激励结构就能解释。
AI 提升的是单位时间的潜在产出。但潜在产出能否转化为工资增长，要看劳动者有没有议价能力，或者有没有掌握不可替代的稀缺资源，比如客户关系、关键领域知识、流程控制权、最终责任权。
如果没有，那么生产率增长最先体现出来的，通常不是涨薪，而是：
一旦团队里有人用 AI 做得更快，原先的平均线就会失效。管理层会迅速把这件事理解成新的组织潜力，然后把个别人的高效率，外推成整个团队的基准效率。
这就是典型的绩效抬杆：
于是 AI 在现实中并不只是“节省时间”，它经常会把节省下来的时间重新吞回去，变成新的任务量。
这几乎是企业的自然反应。尤其在增长压力大、市场不稳定、劳动力供给并不紧张的时候，企业首先想到的是：
所以“要求必须用 AI 提效 30%-50%，但工资不涨”，并不是反常，而是现阶段非常典型的组织选择。它说明 AI 的收益分配机制现在主要偏向资本、管理和流程拥有者，而不是偏向普通执行者。
如果说在公司内部，AI 改变的是劳动关系；那么在公司外部，AI 改变的是市场竞争的速度和形态。
AI 让很多产品和服务的试错成本显著下降。
过去做一个功能、一个文案方案、一个客服系统、一个市场分析报告，可能都需要多人协作、较长周期和较高预算。现在，很多行业都能先用 AI 快速生成可用但未必完美的第一版，再由人补齐关键部分。
这会带来两个直接后果：
当供给变多、速度变快时，竞争自然会加剧。于是企业会更倾向于追求：
这反过来又会继续把压力传导回劳动者，因为更快的市场节奏一定对应更快的内部节奏。
AI 时代，真正有价值的未必只是模型本身。大量产品和服务会变成四个部分的组合：
这意味着很多中等复杂度、可模板化、可标准化的产品，会被迅速压价和同质化。真正能保住溢价的，往往是：
也就是说，AI 会降低很多服务的入门门槛，但不会自动消灭信任成本。模型可以生成答案，但客户真正购买的，往往仍然是“谁敢为这个答案负责”。
OECD 在 2026 年关于 AI 与贸易的研究里给出一个很有代表性的判断：在其基准情景下，AI 带来的生产率提升，可能在未来十年把不同国家的人均实际收入增速每年抬高 0.1 到 0.95 个百分点，但各国收益差异会很大。落后国家可以通过更便宜的 AI 密集型进口品获得部分收益，但如果本国自身 AI 采用不足，在高暴露行业里的竞争力还是会被削弱。
这背后的意思很简单：AI 的好处确实会扩散，但扩散不代表平等分配。
对企业是这样，对国家也是这样。能掌握算力、模型、平台、数据、关键应用场景的一方，会拿走更大份额的收益；只做末端执行和低附加值整合的一方，很容易被压缩利润空间。
IMF 在 2025 年关于 AI adoption and inequality 的研究里提出了一个很有意思的区分：AI 未必一定像过去的自动化那样同时扩大工资不平等和财富不平等。因为 AI 可能优先冲击一些高工资岗位的任务，从而在某些条件下压低工资差距。
但另一方面，财富不平等仍然可能扩大。原因是：
这也是为什么我觉得，未来真正值得警惕的，不只是“有没有岗位消失”，而是“新增价值究竟被谁拿走”。
心理压力很多时候不是来自已经失去工作，而是来自你不知道自己还值多少钱，不知道自己的技能还能维持多久，不知道半年以后公司会不会用新的标准来评价你。
这种不确定性会带来三种很常见的感受：
对很多知识工作者来说，这种压力比纯粹加班更消耗人，因为它侵蚀的是职业身份的稳定感。
JFF 在 2026 年的调查里提到几个很值得注意的数据：
这里最关键的并不是“大家在焦虑”这么简单，而是：人被要求改变，但没有被充分赋予改变所需的资源、训练和决定权。
这会制造一种很典型的心理结构：责任在你，控制权不在你。
很多人对 AI 的态度并不是单纯的支持或者反对，而是一种撕裂状态：
于是，AI 成了一个很矛盾的东西：它一方面提高了个人能力，另一方面又削弱了个人对自身能力稀缺性的信心。
这一点也要说清楚。并不是所有 AI 使用都会恶化劳动者感受。OECD 的研究指出，培训和员工协商通常和更好的工作体验有关。JFF 的研究也提到，如果劳动者对技术如何在工作中被使用更有影响力，其工作满意度会明显更高。
所以问题并不只是“有没有 AI”，而是：
如果这些条件缺位，AI 就更像是管理强化器；如果这些条件存在，AI 才更可能成为减负工具。
未来几年，很多岗位对 AI 的要求会像今天对 Office、搜索引擎、协作软件的要求一样，从可选技能变成基础设施级能力。
问题不在于你会不会打开一个模型，而在于你能不能：
换句话说，“会不会用 AI”很快不会构成优势，“离开 AI 还能不能负责关键环节”才是新的差异来源。
更可能发生的事情是：
这对年轻劳动者会特别不友好。因为很多人成长，本来就是靠做大量基础工作逐渐进入复杂工作。但如果基础工作先被 AI 吃掉了，职业成长的台阶就会变少。
随着内容生成、代码生成、分析生成越来越便宜，真正贵的东西会变成：
所以长期看，最有价值的劳动者可能不是“最会写提示词的人”，而是那些既能利用 AI 扩张能力，又能在关键节点承担责任的人。
我觉得未来几年和 AI 相关的劳动争议，大概率会集中在这些问题上：
换句话说，未来劳动关系的重点，可能会从单纯的工时和工资，进一步扩展到数据、监控、模型决策、流程控制和收益分配。
如果一句话总结，我会这样说：
这不是 AI 在单独压榨你，而是组织正在把 AI 转化成新的劳动标准，而收益暂时主要被组织拿走。
因此，眼下最现实的观察不是“AI 会不会替代我”，而是：
如果不能，那么 AI 带来的很可能就是更高强度的劳动；如果能，那么 AI 才可能成为你的杠杆，而不只是你的考核器。
我自己的一个基本判断是：未来真正区分劳动者处境的，不只是 AI 能力，而是劳动者有没有在组织里占据一个不容易被价格化、模板化和随时替换的位置。
AI 并不只是一个新工具，它更像是一台重新分配劳动价值、管理权力和市场收益的机器。
所以它带来的核心问题，从来不只是技术问题，而是关系问题：
如果这些问题不被认真讨论，那么很多公司口中的“AI 赋能”，最后都会落成劳动者的现实感受：工资没涨，工作更多，节奏更快，人更焦虑。
但反过来说，如果未来组织治理、培训机制、劳动协商和收益分配能够跟上，AI 也并不是只能通向更坏的劳动环境。它完全可能把一部分人从低价值重复劳动里解放出来，让工作更像判断、创造、协作和负责。
问题不在于 AI 本身，而在于我们准备用什么样的劳动关系去容纳它。
辩证法（Dialectic），一种化解不同意见的哲学论证方法，是一个解决涉及对立双方之间的矛盾过程。三种基本形式为：苏格拉底反诘法，以黑格尔为代表的唯心辩证法和马克思主义的唯物辩证法，细节参考Wiki。
古典的辩证法是由对话形成的，包括：
中古时期哲学辩证法形式：
伊壁鸠鲁学派对最大的快乐是什么有着非常具体的理解，他们的伦理道德的重点是避免痛苦而不是寻求快乐。为了证明这一点，伊壁鸠鲁学派认为，大自然似乎命令我们避免痛苦，他们指出，所有的动物都会尽可能地避免痛苦。伊壁鸠鲁主义把快乐分为两大类：身体快乐和精神快乐。
和现代的脑科学也是有点相近的，人类有着脑部的生物本能，情绪需求和逻辑能力。
目的论
]]>以The Chicken为例子。
即兴段落大致分成:
很多都是看乐手间的默契，有几个比较通用的手势：
当然如果熟人的话，有比较默契的交流方式当然是更好的。
有几个比较需要注意的点：
主要记录了几个概念，简单介绍数据的类型，数据库的结构，数据库的生态。
几个概念：
- 数据；
- 数据库，指一个数据集合；
- 数据库管理系统，指管理数据库的系统；
- 数据库系统，包含数据库和数据库管理系统的一整个系统。
ps. 语雀的分享只有半年有效期，如果看到失效了可以提醒我更新下链接。
数据库内核主要分为两大部分，一个前端部分包括查询语句的解析，优化，查询执行计划的生成和分发；一个后端部分负责查询执行计划的执行，数据持久化和故障恢复等。
数据库存储引擎的功能，设计原理，存储结构，页面组织，文件组织，缓冲区的管理等等。存储引擎是数据库的灵魂。
文档介绍了
文档介绍了：
并发控制不仅是数据库，也是后台开发中高性能服务器实现的关键!
文档介绍了：
分布式锁和分布式时钟与并发控制强相关，其介绍及其实现分别记录在分布式锁和分布式时钟中。
文档中介绍了：
之前做的LSM-tree的分享: LSM-tree分享
文档中包括：
在此文档的基础上，笔者研究了Doris的存储引擎代码，并记录了该数据库的查询执行代码的原理和设计思路。Doris 查询执行
数据库安全在各个方面的考量，从数据库外围设施，数据库访问和数据级几个方面上讨论数据库的安全隐患的防范方式。
分布式数据库的起源，架构，事务和查询优化等，记录在文档中。
OLAP数据库的起源，相关技术，记录在文档中。
]]>由于一直学习的是后台的技术，对状态同步了解更多一点，对帧同步了解比较少。这里学习了解一下两种同步机制的原理和使用场景。
状态同步是一种不那么实时同步的方式。客户端会预测其他玩家的状态，并在接收到实际的状态后进行校正。这种同步方式容忍其他客户端的网络时延，等待其他玩家的信息同步时可以继续进行计算和渲染。
基本原理：
这种实现上，客户端使用RPC协议向服务器发送各种指令，服务器向客户端同步各种角色属性状态等信息。这种设计有几个可能的问题：
典型的使用状态同步的游戏类型有SLG、绝地求生这几类游戏。
此类游戏有一个大世界地图，且每个地图服务器上有大量玩家，无法使用帧同步，否则会导致巨大的游戏时延。服务器向每个玩家在同步其自身状态的同时，还会同步其视界范围内的信息（全服信息无法完全同步，太多了）。
只同步视野范围内信息的实现可以参考AOI（Area Of Interest），根据玩家位置，维护一个动态的视野列表，视野外的对象会被完全忽略。实现方式有很多，常见的是基于格子的空间划分算法。
绝地求生的玩家数量每局有100个人，因此无法进行所有人状态之间的帧同步，会造成很大的延迟。
LOL为了防止开挂作弊，以及保证玩家游戏体验，使用状态同步的方式开发。玩家局内的属性，技能效果等都由服务端进行计算。
2011年的时候，LOL官方还（很装地）出了一个50000QB悬赏外挂的公告，虽然游戏局内没有bug，但是局外进游戏的时候设置天赋这些出现了bug。再后来，英雄联盟盒子修改皮肤，无限视距篡改客户端，因为英雄联盟客户端游戏局内并没有把这些东西做强限制绑定（不过后面出补丁了，篡改客户端封号）。
帧同步（Lockstep）是一种严格同步的方式，LockStep意为锁步。所有客户端在每一帧都必须等待其他客户端的输入，然后再进行计算和渲染。这种方式确保了所有客户端在每一帧都拥有相同的状态。
帧同步有几个可能的问题：
Dota 2使用的是状态同步，但Dota使用的却是帧同步。
如果说，我要偷懒点的话，开发上全部选用TCP就可以了。但是TCP的传输有时候需要进行繁琐的确认和重传机制，速度会远远不如UDP；而使用UDP的话，则需要在自己业务层进行数据的确认和重传机制的实现。幸运的是，TCP现在可以选择打开NODELAY选项，大部分情况下网络性能尚可。而且随着现代网络基础设施的健全，大部分人的网络环境很好，没必要搞太复杂的网络设计，引进新的开发负担和运行维护风险。
一般形状包括锥体，钝体：
另外还有切拱形，椭圆球形等；比如天宫一号是冯·卡门曲线/冯·卡门拱（在鼻锥的顶端改为一个相切的球），它能满足在给定拱长以及直径的情况下阻力最小。
🤔其实设置里面有一项随机失败因素的选项，关掉的话风向，风阻这些导致失败的概率会小一点。
超音速或者超高音速下，钝体的空气阻力很大会导致速度上不去，因此有的火箭设计上会在火箭头上加一个减阻杆。减阻杆是一根杆子，末端连接着一个小圆头。潜艇导弹，洲际导弹很多都有这个应用。
ps. 很多战斗机头上的针不一定是减阻杆，很多组要是用来当空速管（测速度的）。
如果是火箭/导弹，需要穿过大气层之后再入，为了能在高速再入时产生一定的升力以滑翔，从而在末段具有一定的机动制导能力，研发出一种双锥体弹头。
另外，考虑载人火箭可能在发射阶段出现故障，会在火箭头上加装一个逃逸塔，下面连着航天员所在的部分舱体，可以拽着舱体跟火箭分离，并降落在安全地带。
卡门线：是一个试图定义外太空与地球大气层的分界线，目前认为卡门线位于海拔100千米（62英里）处。
]]>LRU 算法利用最近的访问时间来淘汰缓存，但是有个问题：它根据太少的信息来决定从缓冲区中删除哪个页面，将自己限制在最后引用的时间。具体来说，LRU 无法区分被引用频率相对较高的页面和被引用频率很低的页面，会导致系统浪费了大量的资源，将不经常引用的页面在缓冲区中保存了很长一段时间。
常用的页面，比如索引（如B树上的索引节点）容易被大量的叶子节点访问淘汰。
比如有页面[1, 1000]，其中1-10页面会反复访问。LRU管理的缓存大小有10个页面。执行以下访问顺序：
可以看到，重复访问的页面没有与仅访问一次的页面区分开，每次都需要重新载入缓存。很多数据库应用中也包括需要顺序扫描页面而导致常驻在缓存中的页面淘汰的情况。
LRU无法区分那些具有相对频繁引用的页面和那些引用极少的页面。文献中已提出了一些解决这个问题的方案。前述的解决方法可以归入以下两大类:
而在这两种类型之外，LRU-K提供了内部的，自适应的缓存淘汰算法。
LRU-K 效率的论证主要基于统计学，在概率上对于缓存的命中率上，LRU-K要高于LRU算法。k一般取值为2，太大会导致缓存难以被淘汰。
]]>会做花束了，想学做花盒，花篮，花环（呃，还有花圈）都可以学一下。
制作花束前需要准备：
制作花束的过程主要是包装。
花的寓意是人赋予的，不同的文化会赋予不同的花不同的寓意，所以如果要送的人不知道花的寓意那其实也没必要太讲究。因此，我觉得大概了解几种常见花的寓意就行了，收花的人一般也只懂常见的，不一定深究这些。
这里简单列一些寓意（更完整的请自行搜索）：
花束分为单面和四面两种类型。
平行技法和螺旋技法。
花材的选配主要考虑
色彩
花束包装主要使用的材料和工具包括：
🤔
在国语歌中，经常能听到一些歌手会为了押韵而写出非常难懂/匪夷所思的歌词。相比于英文，中文的声调更加复杂多变，尤其是粤语，潮汕话这种地方的方言，想要利用中文的韵律结构来配合歌曲创作难度远大于英文歌的创作。
同样地，韵律结构也是我们使用的表现技巧，与编曲，以及用词，形容，隐喻等，如果与其他表现手法有冲突，可以选择表达效果最好的组合，不必拘泥于必须遵循韵律结构。
汉语音韵学把一个音节为声母和韵母两部分，声母在前，韵母在后。例如：“春”，拼音chun，ch是声母，un是韵母。当诗词句末字使用相同韵母时，称其此字为韵脚，该效果称为押韵。
普通话分为四个声调:
古代的平仄将音调分为平声和仄声，其中入声已经消失：
格律，指韵文在创作时的格式、音律等方面所应遵守的准则。一般用于近体诗、词，也可作为创作借鉴。诗词的格律一般有四大要素：
跟现代歌词的创作注意的点其实很相近！实际上格律本来就来自于音乐，但是古代的音乐却大部分失传了。
文中提出了一个猜想，我们无法为存储系统设计一种在以下三个方面（读(Read)、写(Update，或者Insert)、存储空间(Memory，这里只包括内存，硬盘等一切存储介质)）都达到最优的访问方法。该猜想提出，我们总是必须牺牲一个方面来使另外两个方面达到最优，使得这三个方面构成了一个竞争三角形，与著名的CAP定理非常相似。
在日常的工作上，可以在该猜想的基础上做这几方面的权衡。理想的存储开销，既有最优的读写性能，又不使用额外存储空间–是不可能的。
下文中“主数据”指要更新或者读取的数据本身，其他数据均为辅助数据。
存储引擎读取数据时会产生读开销。一般的数据结构都需要辅助的数据结构（索引）或者自身按照一定结构设计（比如），通常不会一次磁盘访问即马上命中。
读开销通过读取放大来衡量，它定义为读取的总数据量（主数据 + 辅助数据）与要读取的主要数据量之间的比率。
当存储引擎对辅助数据或某些未修改的原数据执行写入操作以及对原数据执行预期更新时，就会发生写开销。
写开销通过写入放大来衡量，它定义为写入的总数据量（主数据 + 辅助数据）与要更新的主数据量之间的比率。
当存储系统使用辅助数据结构来加速读取、写入或满足常见访问模式时，就会产生内存开销。此存储是主数据存储需求之外的额外存储。
存储开销通过空间放大来衡量，它定义为辅助数据和主数据所使用的空间与主数据所使用的空间之间的比率。
如果追求最优的读取性能，需要添加一些额外的辅助数据结构（比如多级索引等）来加速读取，但维护提供高性能读的辅助数据结构需要增加存储空间和写入开销。
比如，支持点查常数级复杂度的数据结构（哈希索引），以及提供对数级复杂度的结构（B树，跳表等）都属于这一类。
写优化通常需要尽量避免写入数据的写放大，以及随机写入。一般使用辅助数据结构保存差异数据，并在批量更新时再合并到主数据结构上，从而提供比较低的更新开销。使用辅助数据结构需要增加存储开销，读取的时候也需要检查主数据结构和辅助数据结构，增加了读开销。
写优化的例子有：LSM-tree、分区B树等
存储优化主要在于减少访问和更新主数据所需要的辅助数据结构空间大小。通常会使用压缩主数据和辅助存储，或允许一定的错误率，如误报。
存储优化系统提供一些有损索引结构（即. 不一定准确，得到的数据位置也不一定具体），比如Bloom-filter，Count-min sketches，稀疏索引等；主数据也有可能进行压缩存储。因此读写该系统会增加额外的读写开销（索引和主数据都包含额外开销）
]]>