注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 你的目的就是殺死我3
你的目的就是殺死我3 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 你的目的就是殺死我3 的推特
伊斯蘭從先知穆罕默德在七世紀創立以來,就是一直在向外擴張,但基督教也是這樣,沒有奇怪。有這麼一說,佛教在東南亞形成了一個盾,擋住了伊斯蘭往東亞傳播的路,從這個角度來說,東亞文明受到了佛教的庇護,你可以想像如果今天的東亞國家都成了穆斯林王國,東亞還能有今天的繁榮嗎?寫到這裡,大概有人要罵我「恐伊斯蘭」、充滿了自大與偏見了吧,但我覺得世人恐伊斯蘭的程度還不夠,因為伊斯蘭並沒有宗教改革,伊斯蘭沒有歐洲十六、七世紀的理性啟蒙對基督教的反思,所以伊斯蘭還處在中世紀的黑暗時代,伊斯蘭嚴重阻止信徒、非信徒成為自由人,所以只要伊斯蘭還持續地要穆斯林殺異教徒、不准女人不戴頭巾,我就要「恐伊斯蘭」,我就要反對穆斯林無限制的移民到任何國家。 就算有佛教這麼強的盾,東南亞還是極大程度地伊斯蘭化,東南亞的伊斯蘭化歷史,要作為今天限制穆斯林移民政策的重要參考依據。如果去峇厘島觀光,你會看到處處都是印度教的寺廟,印度教和佛教在印尼歷史悠久,這本來也該是印度尼西亞群島的模樣,但為什麼後來就改信了伊斯蘭?在讀台灣史的時候,我們知道,十七世紀的荷蘭已經靠著東印度公司,殖民了印尼群島,鄭成功就是把荷蘭人趕回了爪哇的巴達維亞總部,那時的印尼已經是遍地穆斯林,但三寶太監在十五世紀初下西洋到爪哇的時候,爪哇還有個印度教/佛教的帝國,叫滿者伯夷。從鄭和首次出航的1405年,到荷蘭東印度公司成立的1602年,兩百年間,伊斯蘭就完全征服了印尼,不靠武力征服,只靠著貿易和分裂的政治局勢,印尼就這樣一步一步地伊斯蘭化。 伊斯蘭最早到東南亞的地方是蘇門答臘,因為就在印度洋邊上,貿易風吹來的阿拉伯和波斯商人,在宋元時期就到了泉州,海上絲路中間當然要有據點,中南半島和印尼群島就是這個中間點。穆斯林商人不相信異教徒,所以為了貿易的利益,東南亞出現了改信伊斯蘭的土著。蘇門答臘有個王子,叫拜里米蘇拉,他本來也控有新加坡,但滿者伯夷帝國把他打敗趕走,拜里米蘇拉逃到馬六甲,改信伊斯蘭,在馬六甲成立了東南亞第一個伊斯蘭蘇丹王國,隨著鄭和下西洋宣揚國威,馬六甲王國稱臣於中國皇帝,取得了阿拉伯人和中國人兩邊的信任,馬六甲順勢拿走原來爪哇香料交易的中心位置,並且成為散播伊斯蘭的中心。隨著滿者伯夷帝國勢力衰退,鄭和之後的明朝轉向面對北方敵人,印尼群島失去主導的勢力,於是就一個島一個島轉信伊斯蘭,誰要和錢開玩笑呢?在宗教教義上來說,也許伊斯蘭比印度教讓人更容易接受也不一定,但我不是這方面專家,沒辦法評論。 鄭和後的南洋,最後取得主導權的當然是大航海時代的西方的帝國主義,但不管是葡萄牙人也好,英國東印度公司也好,荷蘭東印度公司也好,他們一開始的目的都是商業,而不是政治,伊斯蘭在他們眼皮底下擴張,說不定還利於他們的統治,因此這十五、六世紀的兩百年,伊斯蘭要拿下整個印尼,也不是很困難的事。國際左派現在熱情擁抱巴勒斯坦,反猶成了左派的新信仰,連帶著開大門接納穆斯林移民,這是一個類似印尼在十五、六世紀的情況,政治分裂,而人漸漸失去傳統信仰,高度組織化的伊斯蘭取得機會影響這些文化開放的地方,甚至變成安撫人心的力量,等到他們在移入國佔據了相當的人口比例,舊有文化被洗掉的機會相當大。底特律現在是美國最大的穆斯林聚集地,底特律所在的密西根州的民主黨,剛剛選出一個穆斯林要競選年底的聯邦參議員,這傢伙是公開宣稱美國人碰到九一一,是應得的報應。我不知道正常的美國人,怎麼可能接受這種言論,怎麼可能看著國家伊斯蘭化而無動於衷。民主黨為了利益,就像印尼人一樣,慢慢把自己變成穆斯林,但這不是我們要的美國,我們要積極對抗這個反動的宗教逆流。
显示更多
0
10
172
27
转发到社区
性癖测试的目的就是给你们这些傻逼分类啊 恋臀想吃黄金的入女厕做马桶 恋物的去宗门门口做刷鞋机 当然 如果你的性癖是恋足的话 自然会有最下贱的工作分配给你的🙄
显示更多
0
3
2K
100
转发到社区
你可以任意设计一个筛选中证1000的股票的算法。不管机器学习还是线性回归。有明确的买入,卖出。 算法客观就行。然后严格按照算法推荐出来的前面几十只股票进行操作。几十只股票你可以进一步按照你的喜好筛选,买入。但是卖出由算法决定。 算法不需要多强大,算法的目的就是杜绝有人操控舆论影响你的心智。 就这样操作几年,收入也是很高的。
显示更多
大多数人一定要记得,在整个社会上,其实社会就是一门教育,而且是一门活生生的教育。如果你在上学的时候,没有认真好好的读书,那你出来社会一定要好好的去学习,学习怎么去在社会上赚钱,怎么跟别人打交道,怎么去赚别人口袋里的钱。当你学会赚别人口袋里的钱,你才能是个合格的社会人。 如果说别人从你口袋里拿钱,那只能证明你依旧是个穷人依旧是被人拿捏的韭菜。所以社会这堂课是普通人一终身要去学的一门课。哪怕你不学,你小孩也得要学。既然这样,为什么不指呢?把这一堂课给学会,记住一件事,你的目的就是为了赚钱,赚你的钱就够了。不要想着替小孩赚钱,更不要替子孙赚钱,不然你的子孙都会倒霉,你把他们的钱都赚完了,他们就会堕落。
显示更多
一定要告诫家里的老人:十个红线千万不能碰 1.不要跟着一群老年人去听课、领鸡蛋或毛巾、或体验免费治.疗,这些活动后续多半是要你掏钱买高价东西。 2.别信那些穿白大褂的“专家”在酒店、菜市场里搞的“免费体检”——他们测出来的血压、血糖全是假的,目的就是吓唬你,然后让你买几千块一盒的“特效药”,吃不死人但绝对治不好病。 3.凡是打电话说“你孙子被抓了”“你儿子出车祸了”,让你赶紧转账交保证金、手术费的——挂掉!先打给子女本人确认,哪怕对方哭得再惨、背景音再真,都是骗子演的剧本。 4.路边摆摊算命的、寺庙门口拉你“化太岁”的,说你最近有血光之灾,要花几千块请个符、烧个香才能破——全是套路,钱一出手,灾就变成你自己的穷灾。 5.小区里突然来了“免费理疗仪”“免费按摩椅”体验店,每天排队送鸡蛋、送挂面,最后让你交押金办会员卡——押金大概率退不回来,老板换个地方继续开新店。 6.网上或微信群里的“高收益理财”,什么“国家扶持养老项目”“年化20%稳赚不赔”——记住,超过银行利息三倍以上的,基本就是盯着你的本金,最后连本带利全没了。 7.陌生人上门推销净水器、燃气报警器、蟑螂药,说是政府统一安装、补贴优惠——别开门!政府不会派人上门收现金装这些东西,这些人装完就跑,机器几天就坏。 8.公园里、广场上认识的“干女儿”“干儿子”,天天嘘寒问暖比亲生的还亲,然后带你参加“高端养生旅游”“会员制养老公寓”——等你交了十几万会费,人就不见了。 9.电视购物、收音机里的“祖传秘方”“诺贝尔奖技术”“航天员专用”——全是夸大宣传,很多连生产批号都没有,吃了不仅没用还可能伤肝肾。 10.任何让你把银行卡、身份证、手机验证码告诉别人的事——不管对方说是银行客服、社保局、公安局还是快递公司,只要提到转账、验证码,一律不信!立刻挂断,打110核实。 11. 身体不舒服时,要去正规医院,不要相信街头巷尾的游医、或手机里短视 频主播卖的神药,那些都是专门针对老年人的骗术。 12. 遇到拿不准的事情别自己瞎琢磨,一定要联系子女,孩子会帮你拿主意。
显示更多
求职系列(1):如何准备一份让面试官想面你的简历 最近又到了春招和暑期实习招聘季,有不少同学找我咨询简历和面试的问题。 先说说我的背景:在职大厂工程师,从实习、校招到社招,累计面试超过上百场。给几十位同学做过模拟面试和求职辅导,现在在牛客上还能搜到我的号(安妮的心动录),校招时拿下了多个大厂的 offer,最近在看新机会,社招通过面试率也超过 90%。 这些数字不是用来装的,是用来告诉你:接下来说的东西,全都是亲身总结出来的真本事,放在别人那里是可以拿去卖课的。 同样的话我重复说了太多遍,决定把整套求职心得整理出来开源,帮到更多的人。 这是求职系列的第一篇,聊聊简历。 简历的本质 很多人把简历当成个人信息登记表来写。教育经历、工作经历、技能列表,从上到下老老实实填一遍。 但你想想,面试官看一份简历平均花多少时间?绝对不到10秒。 10秒,他要决定你值不值得花一个小时聊。 所以你的简历不是一份档案,它是一份销售文案。 它唯一的目的就是在10秒内让面试官得出一个结论:这个人好像很厉害,我想面面。 所有的技巧都围绕这一个目标展开。 1️⃣ 只能有一页 不管你有多少年经验,不管你做过多少项目,简历只能有一页。超过一页的简历,面试官大概率不会翻到第二页。 一页纸的限制会逼你做一件极其重要的事:筛选。你不得不砍掉那些可有可无的内容,只留下最能证明你价值的部分。这个筛选过程本身,就已经在帮你梳理自己的核心竞争力了。 如果你觉得一页放不下,说明你还没想清楚自己最值钱的东西是什么。 2️⃣ 一行一句话,一句话一行 这是排版层面最重要的原则。 每一个点尽量只写一句话,并且尽量这句话不换行,在一行内说完。 面试官扫简历是跳着看的,如果一个要点写了三行,他大概率只看第一行的前半段就跳过了。 一行一句话还有一个好处:强迫你精简表达。 如果一句话说不完,说明你要么没提炼出重点,要么塞了太多细节。 3️⃣ 最亮的点放在最前面 大部分人写简历按时间倒序:最近的工作排第一,然后依次往前。 这在大多数情况下没问题。但如果你有一个特别亮眼的经历,哪怕它发生在三年前,打破时间顺序,把它放到最前面。 面试官的注意力在前5秒最集中。前5秒他看到了什么,决定了后面5秒他是继续看还是扔掉。你最强的武器必须第一时间亮出来。 比如你大二做过一个开源项目拿了几百个 star,但后来的实习经历平平。那就把那个开源项目提到工作经历前面。 规则是死的,说服力是活的。在必要的时候,请你主动站出来,让我看到你的优秀。 4️⃣ 量化一切,遵循 STAR 法则 每段经历都用 STAR 来组织: -Situation:什么背景 -Task:你负责什么 -Action:你做了什么 -Result:结果如何,用数字说话 举个例子 -坏的写法:负责服务端性能优化,提升了系统性能。 -好的写法:主导核心接口性能优化,P99 延迟从 800ms 降至 120ms,QPS 提升 5 倍,直接支撑了 10 万级并发。 同样一件事,第二种写法的信息密度和说服力碾压第一种。没有数字的作为论据,在面试官眼里就是空气。 每段经历的 bullet point 控制在 1-5 个,最多不超过 5 个。太多了面试官不会看,太少了显得没做什么事。 5️⃣ 不要堆技能列表 很多人简历上专门有一栏 Skill Set,列了一排技术名词:Java、Python、MySQL、Redis、Kafka、Docker、Kubernetes…… 大部分面试官看到这种列表的反应是:所以呢? 列了20个技术名词,我不知道你哪个精通哪个只是了解,不知道你在实际项目中怎么用的,不知道你解决了什么问题。这就是一堆没有上下文的关键词,毫无说服力。 更好的做法是让项目经历来证明你的技能。你写了一个高并发系统用了 Redis 做缓存、Kafka 做异步解耦,面试官自然知道你会这些。而且他知道你不是停留在知道的层面,你是真正用过、解决过问题的。 技能列表可以保留,但只作为补充,不要指望它帮你加分。 因为同一个岗位大部分候选人的skill list都是高度趋同的,所以很难通过skill list脱颖而出,它更多的作用是过机筛,以及充当一个背景板(校招、实习除外)。 6️⃣ 不要写空话,要有论据 简历里最常见的废话: -自驱力强 -学习能力强 -团队协作好 -责任心强 面试官每天看几十份简历,每一份都写着这些。你写了和没写一样。 空洞的形容词没有任何信息量。 加上论据: -自驱力强,半年减重 50 斤。 -自驱力强,非科班出身自学编程拿到大厂 offer。 -自驱力强,工作之余坚持技术博客输出,累计阅读量 10W+。 一个具体的事实胜过一百个形容词。 7️⃣ 埋钩子 简历上不要把一件事说得太详细。要留白,让面试官好奇。 比如你写:主导 XX 平台架构设计,上线一周用户数突破 1000+。 面试官看到这行,自然会想:怎么做到的?架构怎么设计的?遇到了什么挑战? 这个好奇心会驱动他在面试时主动问你这个问题。而这个问题,恰恰是你最擅长回答的,因为你做过。 好的简历是一个钩子矩阵。 每一行都在埋一个问题,每个问题你都有准备好的深度回答。你在用简历引导面试官走你的剧本。 8️⃣ 实事求是 这一条听起来很基本,但很多人做不到。 有些人为了让简历好看,把别人做的事写成自己做的,把参与写成主导,把了解写成精通。 短期内可能骗过简历筛选,但面试官一问就穿帮。你说你主导了一个系统的架构设计,面试官问你为什么选 A 方案而不是 B 方案,你答不上来,当场社死,面试通过率骤降。 实事求是不是软弱,是自信。 做得好的地方大方展示,做得不够好的地方也坦然面对。面试官更看重的是你的思考过程和成长潜力,而不是你是不是每件事都做到了完美。 一个项目的 well done 和 bad done 都说出来,反而体现你有复盘意识和自我认知。 9️⃣个人总结怎么写 个人总结很重要!很重要!很重要!并且推荐写!推荐写!推荐写! 很多简历的自我评价写得像小学生作文:热爱技术、积极向上、吃苦耐劳,这种话跟没写一样。 个人总结只写三句话: 第一句:你在行业或专业上取得的结果。比如大厂 T7 工程师,开源项目 500+ star,某个方向的技术专家。用事实建立第一印象。 第二句:你是一个什么样的人,带论据。比如坚持每天阅读一小时,累计阅读时长 500 小时以上。比如投资年化收益 30%+,具备独立的判断力和风险管理能力。 第三句:你未来想成为什么样的人。这句表达你的方向感和成长诉求。比如希望在 AI Agent 方向深耕,成为该领域的核心开发者。 三句话,过去、现在、未来。面试官 10 秒扫完就能对你形成一个清晰的画像。 最后 把你的简历拿出来,对照上面的每一条检查一遍。 -超过一页了吗?砍。 -有没有量化?没有数字的经历,删掉或者补上数字。 -有没有空话?每一句自我评价都问自己:我有论据吗? -最亮的点在哪?它是不是在简历的第一屏? 简历不是写给自己看的。它是你递给面试官的一张名片,只有 10 秒的生命。 在这 10 秒内,让他觉得你值得花 60 分钟来聊。这就够了。
显示更多
决定代码复杂度的东西不在代码里,在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium( tl;dr:Peter Naur 的《Programming as Theory building》指出,真正的程序——他称之为 Theory,大写的 T——存在于工程师的脑子里。代码和文档只是下游的(因而不完整的)产物。我对 LLM 最大的抱怨之一,就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念:也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而,读完 Naur 之后我意识到,我们想降低的那个复杂度是 Theory 的复杂度,不是代码的复杂度,而这方面没有任何可用的度量,因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》( LLM 能做什么、不能做什么的看法,也改变了我对如何给它们写提示词、当前 agent 系统的主要局限,以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文,我真的建议你读一读。说实话,我写这篇文章的主要目的,就是让一些人去读原论文。它值得花这个功夫。这也是练习(或学习!)在 Solveit 里做精读的绝佳机会,因为在 Solveit 里这要容易得多:你可以在阅读过程中随时提问,钻进任何你感兴趣的兔子洞,或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文( fork 我的对话记录快速上手( 话说回来,如果你还是决定不读,这里是论文的 tl;dr: 程序是构建和维护它的人所持有的 Theory:一种理解——程序如何与现实世界的问题相关联,哪些约束和权衡塑造了它,它为什么能工作,以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物,永远无法完整地承载它。 工程师通过经验发展出这种理解:与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习,不擅长和用户交谈,也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢? 我想我们都同意:LLM 总体上倾向于让代码库的复杂度上升,如果没人管的话。原因有很多:它们没意识到某个方法已经存在,于是又写了一遍;它们写过度防御的代码,比如为不可能发生的边界情况做防护;或者过早地过度优化。顺便说一句,大多数前沿实验室从你消耗的 token 里赚大钱,所以它们多少有动机去推广 token 最大化。总而言之,LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码,要想让程序保持简洁,也需要主动付出努力去尽量削减复杂度。 在我天真的日子里(大约两周前),我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标,但我们都同意,有时候一行代码比两三行更复杂。另一个选项是圈复杂度(cyclomatic complexity),它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到,这些东西无法真正解决问题(也许能稍微缓解一点)。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个(我编的)例子里,我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样,只有请求体参数略有不同,于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里,我们有两个不同的类,带重复的样板代码(即 prepare 和 with_retries)。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类,做到 DRY。按很多指标看这都是更好的实现:行数更少、Halstead 容量更好(V=N×log2(n),N 为程序长度,n 为词汇量)、可维护性指数(Maintainability Index)也更好。 合并版 —— 按指标看确实更好:DRY,行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说,第二个版本(或者类似减少 LoC 和重复的版本)复杂度更低。但是,如果我告诉你,下个月我们很可能就停止支持 Anthropic 了呢?在那种情况下,我更倾向于让它们保持分开,这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然,这种简单的例子很容易解决,尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商,而是像 LiteLLM 那样支持 165+ 个供应商呢?那种情况下,直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗? 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约,不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包,它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样:「文本进,文本出」。然而,当契约不再可靠时,这一切就会崩塌。原因可能是它有 bug,可能是 API 背后藏着大量你拿不到的状态,也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时,那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商,越来越多地把数据藏在服务端,比如加密的压缩数据或推理 token(更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商,那么 LiteLLM 或类似的库可能值得用。反过来,如果你看重控制力、调试和对技术栈的理解,那可能就不值得。不存在「正确的」复杂度(虽然我非常偏好第二种选择)。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止,LLM 几乎接触不到这些信息,因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索,但那些永远只是局部的(最好的情况下)。 其中一些信息可以作为上下文提供给 LLM,比如业务优先级、预期的产品变化、运维约束,以及早期决策背后的原因。这样做也许能改善它的选择,但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好,但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢?那样的话,这篇博客后面的内容说服不了你。如果你处于两者之间,我来描述一个我们在 亲身经历的真实情况,关于 Solveit 的计费系统。 剧透警告:在 最初的计费系统 Solveit 是一个平台,你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的,所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费(比如 5 美元)。这笔月度订阅费变成当月可以消耗的积分(credits),如果全部用完,下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一,积分 + 订阅的机制会把人(比如我自己)搞晕。第二,它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑,以及剩下的积分怎么办。在 Stripe 这一侧,它有两个不同的代码路径:手动充值和订阅服务。 对不熟悉的人来说,Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期(扣款周期、发票、重试全在他们那边)。 你大致只需要这样创建订阅: stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook,在订阅状态变化或付款到达时更新你的数据库(还有很多其他事件可以选择)。 直接收款则需要你启动一个 checkout session,让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer?用户注册时?他们尝试付款时?还是别的时机?全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧?如果你对 Stripe 或支付没有太多经验,很可能你已经感到吃力,没法把这一切全装进脑子里。也许你设法把它简化成了: • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是:使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端,而你必须保证本地数据库和它同步。另一个问题是,调试的时候,你既要查 Stripe 的服务,又要查自己的数据库。比如,一笔付款没到账,是 Stripe 没发 webhook(「他们的错」),还是我们没把它存进数据库(「我们的错」)? Stripe 订阅服务很棒、很容易上手,但它是为支持海量用例而设计的。这意味着,即使设计得很好(它确实很好),这个 API 抽象最终也相当复杂。在这种情况下,你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡:只要契约成立,外部抽象能极大地简化你的 Theory;但每当你需要调试、修改或超出契约去推理时,它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论,我们最终定下了一个简单得多的系统。 首先,我们只做积分(credits),按用量收费。这是一个超级简单的模型(和 Theory!):充值积分,用多少付多少。 订阅一去掉,我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条:手动充值和自动充值。要做自动充值,你需要能保存客户的信用卡,以便随时扣款。而 Stripe checkout 不会保存信用卡,你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说,我们最终发现最简单的办法是:用户一注册就保存他们的信用卡。卡一旦在档,用户可以用它手动充值,也可以设置成自动充值。因为全部是我们自己处理的,同步问题几乎为零。我们只监听支付成功事件(没有订阅了!)。 结果就是,我们支付系统的 Theory 可以用一句话概括: 客户注册时添加信用卡,之后我们对该卡扣款——要么手动(充值),要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度,但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么?一切顺利吗?没有。上线后我们发现,印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session,仍然可以工作,因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程;但自动充值不行。 在寻找解决方案时,我们发现 Stripe 托管订阅在印度确实能工作。为什么?因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图(payment intent),这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时,就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么? 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里,你会怎么说?你的意见是什么?我们应该迁回去吗? LLM 列出了两个选项:要么同时支持两套系统(随时可以开工,你一句话就行!),要么完全迁回旧的系统。我们做了什么?什么都没做。我们非常看重 Theory 复杂度,于是我们决定:让印度用户手动充值就好了(抱歉了各位!),换来一个更简单、更健壮的平台。 如果你不同意我们的选择,反思一下为什么不同意。真的,现在就停下来想一想。 这个问题没有正确答案,而这篇博客的目的之一,就是帮你看清你的答案来自哪里。你的论据是什么?更具体地说,它们是从哪里来的? 有很多场景下 Stripe 托管服务是更优的选择。举几个例子: • 公司收入最重要,手动充值的额外摩擦可能会让我们损失一些印度销售额,那我们应该迁回去(或者同时支持两套) • 销售团队用 Stripe Dashboard 的 UI,所有支付信息都放在我们自己的数据库里并不理想,因为他们没法在那里管理 我的观点是:你的代码的复杂度,真的取决于一大堆和代码无关的因素,而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢?在我看来,最妙的答案是:我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate(借记授权)的方式和世界其他地方不一样。Stripe 试图解决这个问题,但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中,我们学到了产品之外有价值的东西。在我看来,这类洞察是可以转化为竞争优势的。 努力去理解,本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为,你可以很快产出大量代码。选择简化路线更长、更费劲,但长远来看我认为它是值得的,而且你可能会在路上发现隐藏的宝石。 原文: #LLM# #编程# #代码复杂度#
显示更多
实在不行,找个有钱人嫁了。 这话说的,你嫁给有钱人,好像你很委屈似的。 可现实情况是,你是一个普通女人,你能嫁给有钱人吗?有钱人就一定娶你吗? 这可不一定,有钱人择偶更挑剔,有钱人比女人择偶更挑剔,有钱人他首先考虑的不是女人漂亮不漂亮,首先考虑的是这个女的靠不靠谱,女人如果不靠谱,不能给男人在事业上有所助力,男人是不会娶你的。 有的女人,嫁给有钱人的目的就是想把有钱人的钱装进自己的口袋里,那怎么可能?有钱人的钱又不是大风刮来的,有钱人也是经过自己一番拼搏奋斗才有的财富,怎么可能轻易交给你?那些轻易交钱的男人,最后都怎么样了?不是人财两空,就是倾家荡产。 所以真正的有钱人,对女人都是高度戒备的,女人不可能轻易拿到有钱男人的钱。 所以说,作为一个普通女人,想找个有钱人把自己嫁出去,这件事情挺难的,不是只靠漂亮就能做到的。
显示更多