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 宝石商リチャード氏の謎鑑定」
宝石商リチャード氏の謎鑑定」 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 宝石商リチャード氏の謎鑑定」 的推特
《肛塞怎么挑?材质、底座与尺寸标示一次看懂》 小涵姐姐的雌堕百科 #3# #后庭开发# 第一次买肛塞,最容易被商品页里那一排颜色、造型和尺寸弄得眼花。有人先挑最可爱的一颗,有人直接选“进阶款”,仿佛购物车结账以后身体也会自动升级。 其实,真正该先看的不是刺激感,而是它能不能安全取出、材质能不能清洁、尺寸有没有写清楚。 一、先看底座,不要先看塞体有多漂亮 后庭使用的玩具必须有明显外扩、无法整体滑入的底座,或有可靠的取出结构。直肠没有像阴道末端那样的天然阻挡,底座太窄、太软,或只是细细一圈装饰,都可能随着肌肉收缩滑进去。 判断时别只看正面照。找侧面尺寸图,确认底座最宽处明显大于塞体最宽处,而且握持位置不会一拉就弯折。尾巴、宝石和拉环可以好看,但“看起来像把手”不等于真的能阻挡。若商品页完全不标底座宽度,我会把它当成重要资料缺失,而不是留给自己用想象力补完。 二、材质名称要具体,不接受神秘配方 较容易清洁的非多孔材质包括完整标示的百分之百硅胶、硬质塑料、不锈钢与防碎玻璃。重点不只是名字,还要看表面是否完整、有没有接缝毛刺、裂纹、脱皮、发黏或无法散去的强烈气味。玻璃若出现缺口,金属若有锈蚀,硅胶表面若已经破损,就不该继续使用。 三、尺寸要看数字,不看大中小 同样写“小号”,不同品牌可能差很多。至少确认可进入部分的最大直径、可进入长度、颈部宽度和底座宽度。直径决定通过入口时的扩张程度,长度决定进入范围,颈部与底座则影响稳定和取出。只写总长度却不写最大直径,参考价值很有限。 第一件玩具不需要证明勇敢。选择比自己预想更克制、表面平滑、前端渐进且有明确底座的款式,通常比追求粗、重、强震更容易观察身体反应。每个人的解剖、旧伤、痔疮状况、肌肉紧张与敏感度都不同,所以不存在一个人人通用的“新手神尺寸”。 四、润滑与清洁必须跟材质一起看 水性润滑通常能配合多数玩具与保险套;硅基润滑可能损伤部分硅胶玩具,油性产品也可能破坏乳胶保险套。不要凭网络口诀猜,使用前应同时核对玩具、润滑液与保险套的制造商说明。 五、这些情况不要继续 有活动性肛裂、明显出血、感染、手术恢复期或持续疼痛时,先暂停并询问医疗专业人员。使用过程中若出现尖锐疼痛、明显出血、麻木、强烈腹痛或不适持续加重,应立即停止。玩具若滑入后无法轻松取出,不要用夹具盲目挖取,也不要因为尴尬拖延;尽快就医会比在浴室里展开救援电影安全得多。 如果你想继续学习身体感官开发、界线判断与器材安全,我已经把相关内容整理在雌堕频道里。 频道介绍与加入方式,请看置顶贴文❤️ #肛塞选择# #器材安全# #身体感官开发# #成人健康教育# #雌堕教学#
显示更多
0
1
440
25
转发到社区
【琅河财经】科技越进步,为什么很多小城市越艰难? 我这几年越往小城市跑,越觉得一件事。最近我去了广西梧州。 科技进步,对梧州这样的城市不一定是好事。 过去的经济效率很低,但它养活人。 一件商品从工厂出来,要经过运输、批发、仓储和零售,最后才能卖到消费者手里。 每座城市都要有自己的批发市场、商店、银行、货运站和一大批小老板。 这些人的效率不高,挣得也不算多。 但他们可以养活自己,也能在本地养活一个家庭。 现在整个系统越来越高效。 一家电商平台,可以替代全国成千上万个批发市场。 一个大型仓库,可以把货物配送到周围几座城市。 一家只有几百人的人工智能公司,就可能为几千万甚至上亿人提供服务。 公司做的生意越来越大,需要的人却越来越少。 科技公司总部一般放在北京、上海、深圳和杭州。 利润、人才、数据和高收入岗位,也都集中在这些地方。 梧州这样的城市,得到的是更便宜的商品和更方便的服务。 失去的却是批发商、店员、搬运工,以及原本能够留住年轻人的工作。 这种变化在梧州特别明显。 以前两广批发市场可以养活一大批商户。 现在消费者直接在网上下单,梧州这个中间环节被省掉了。 以前梧州有十多万人加工人工宝石。 现在机器越来越先进,只需要几万人,就能生产比过去更多的宝石。 西江上的货运量也越来越大。 但是港口有了大型机械,几千吨货物不再需要大量工人装卸。 市场还在,商品还在,货船也还在。 只是越来越不需要梧州人参与了。 我们总觉得,生产效率提高以后,整个社会都会变得更好。 但效率提高,首先意味着同样一门生意需要的人更少。 其次意味着小公司被大平台取代,小市场被全国统一市场取代。 最后意味着工作、利润和年轻人,一起向少数大城市集中。 大城市可以不断产生新的技术岗位。 小城市被拿走的工作,却很难再补回来。 所以科技进步最大的受益者,可能不是所有城市。 它更像一个巨大的抽水机。 一边把廉价商品和互联网服务送到全国,一边把小城市的人才、利润和工作机会抽走。 梧州人现在可以买到全中国最便宜的东西。 但梧州年轻人想找到一份工资高一点的工作,还是要去广州和深圳。 这就是现代科技最矛盾的地方。 它让生活越来越方便,也让越来越多的城市失去了养活普通人的能力。 生活越来越方便,家乡的工作却越来越少。这样的科技进步,你真的觉得是好事吗
显示更多
【琅河财经】科技越进步,为什么很多小城市越艰难? 我这几年越往小城市跑,越觉得一件事。最近我去了广西梧州。 科技进步,对梧州这样的城市不一定是好事。 过去的经济效率很低,但它养活人。 一件商品从工厂出来,要经过运输、批发、仓储和零售,最后才能卖到消费者手里。 每座城市都要有自己的批发市场、商店、银行、货运站和一大批小老板。 这些人的效率不高,挣得也不算多。 但他们可以养活自己,也能在本地养活一个家庭。 现在整个系统越来越高效。 一家电商平台,可以替代全国成千上万个批发市场。 一个大型仓库,可以把货物配送到周围几座城市。 一家只有几百人的人工智能公司,就可能为几千万甚至上亿人提供服务。 公司做的生意越来越大,需要的人却越来越少。 科技公司总部一般放在北京、上海、深圳和杭州。 利润、人才、数据和高收入岗位,也都集中在这些地方。 梧州这样的城市,得到的是更便宜的商品和更方便的服务。 失去的却是批发商、店员、搬运工,以及原本能够留住年轻人的工作。 这种变化在梧州特别明显。 以前两广批发市场可以养活一大批商户。 现在消费者直接在网上下单,梧州这个中间环节被省掉了。 以前梧州有十多万人加工人工宝石。 现在机器越来越先进,只需要几万人,就能生产比过去更多的宝石。 西江上的货运量也越来越大。 但是港口有了大型机械,几千吨货物不再需要大量工人装卸。 市场还在,商品还在,货船也还在。 只是越来越不需要梧州人参与了。 我们总觉得,生产效率提高以后,整个社会都会变得更好。 但效率提高,首先意味着同样一门生意需要的人更少。 其次意味着小公司被大平台取代,小市场被全国统一市场取代。 最后意味着工作、利润和年轻人,一起向少数大城市集中。 大城市可以不断产生新的技术岗位。 小城市被拿走的工作,却很难再补回来。 所以科技进步最大的受益者,可能不是所有城市。 它更像一个巨大的抽水机。 一边把廉价商品和互联网服务送到全国,一边把小城市的人才、利润和工作机会抽走。 梧州人现在可以买到全中国最便宜的东西。 但梧州年轻人想找到一份工资高一点的工作,还是要去广州和深圳。 这就是现代科技最矛盾的地方。 它让生活越来越方便,也让越来越多的城市失去了养活普通人的能力
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
私房拍摄花絮 - 宝石蓝💙
0
23
9.9K
642
转发到社区
在公园发现宝石💎,大家快来寻宝呀 @luchu888 @luchu777
0
0
122
4
转发到社区
预测下老舅宝石gem下一首新歌是《我不行》还是《看中医》。 不得不说最近的新剧《低智商犯罪》是真搞笑 哈哈 老舅站上荧幕 演绎我的心声 多少心事藏眼底 不敢往外吭声 遇事就退缩 遇事就认怂 肩膀扛不起责任 只能原地愣怔 想做个硬汉 偏偏性格太软 想撑起一片天 偏偏步履蹒跚 江湖的套路 人情的冷暖 看透世态炎凉 只剩满心遗憾 羡慕别人活得坦荡 活得有样 我却畏手畏脚 不敢闯不敢扛 一句我不行 道尽所有彷徨 活到这把年纪 依旧满身慌张
显示更多
0
76
36
0
转发到社区