身材暴力 — 霹靂淫蕩小嬌娃 @reginaeee520 一身搜查官套裝 讓我心甘情願掏出身上所有東西 讓她搜查 聽她叫聲豪邁，毫不掩飾 後來我問： 愛愛時 我想到森林泰山是正常的嗎 感覺到動物都從樹叢裡走出來了 互動超棒又好相處的女生 要不是我後面有事，肯定幹爛她 @ToBulaer @ToBuerma @KawasawaSen #豪乳# #連身皮衣# #身材超色# #更多精彩都在平台裡#

最新骂人的词 来写今天晚上的夜报之前，我正在知乎那里溜达，今天热榜没意思，我看的推荐流。我的习惯是一路往下滚，看到点赞上万的才停下来看看讲了什么。 说说几条让我印象深刻的问答。 一个是有人问如果我能让英伟达来我们镇投资开厂，我能一路提干高升吗？ 下面回答说你把英伟达拉来之前你可能是香饽饽，但是英伟达来了以后你就不香了。想要一路提干高升，你得有能力让英伟达从你们镇搬走。统战的价值在于你有多大的能力搞破坏，而不是你之前做了什么。 我是凭记忆复述，原文可能略有出入，但大致是这意思，我觉得这条说的挺好，应该会启发到不少人。 还有一个是有人问姜萍有没有可能被冤枉了？ 下面回答说在东大，梅西有可能送外卖，迈克杰克逊可能在富士康打螺丝，村上春树有可能在起点写网文，但是高斯绝对不可能读中专。 hahahahaha，看的我在屏幕前哈哈大笑，这就是知乎style，那里最普的用户画像就是高学历直男，他们可以接受自己穷，职业生涯失败，买不起房娶不到老婆，但骨子里还是有作为教育精英的自尊心和优越感。他们最不能接受的冒犯是有人在教育这件事上造假，谁敢挑战就会追杀到底。 前几年有个博士学历的演员叫翟天临，直播的时候随口说了一句“知网是什么东西”。这事在其它平台都没发酵，唯独在知乎捅了马蜂窝，连续多日热度爆炸，铺天盖地的质疑和口诛笔伐，最终查实论文抄袭，北电撤销了博士学位，翟天临道歉退圈。 包括去年的姜萍事件，别的平台声援姜萍的大有人在，唯独知乎从头至尾都是最激烈的质疑和嘲讽，不信就是不信。 另外还有一个高赞回答，说是卖淫女被拘了，警方根据转账记录给我打电话怎么办？ 底下支招的说阿sir我现在不在当地，在外地办事，等我回去了再去派出所报到。挂完电话立刻买票跑外地溜达半个月。派出所通常不会为了一个治安案件去外地抓人，另外真要抓也不方便异地执法，你游山玩水每天换一个城市，异地找派出所协查也不好弄。 等到半个月后，卖淫的妹子也已经放出来了，你再回去，根据一个转账记录也不能把你怎么样。 这个回答几万点赞，我不是教你们学坏，我就是看了觉得好笑分享一下 …… 我这两天在整理老婆早几年买的基金，当时为了帮渠道冲业绩，东一锄头西一榔头的买了不少基金，这两天看看有差不多的就出了。 然后就看到了压舱的债基，我以前在文章里推荐过多次，招商系的那支，我们家平时流动现金管理都放里面，这几年下来浮盈都有几百了。 我拉出了这支债基的历史走势表现，如图： 该债基2017年8月成立，图里面上上下下的那条是沪深300，同期表现+22.72%；橙色平缓向上的是债基平均水平，同期表现+33.63%；我买的债基是蓝线，同期表现+45.68%。 这图倒是揭示一个残酷的事实，中国股市的波动率虽然远远大于债券，但是长期回报率还不如债券。要知道现在还是a股罕见的牛市行情，涨了不少上来，要是选历史上别的时期这个差距会更大。股市承受更大风险的同时获得更少的回报，毫无性价比可言。 我让grok帮我计算债基的年化收益表现，结果按年单利算是5.6%，按年复利算是4.8%。但是要注意，早些年收益高，今年债券被股市虹吸普跌，最近一年的收益率只有1.9%。 总的来说我觉得债基作为家庭活期现金的管理工具还是不错的，这么多年下来碾压跑赢沪深300，我滚期指多余的现金就是放这里面增厚收益，遇到行情有不好的苗头，就赎一些现金出来补充保证金。 …… 这几天身边的人都在聊一个新梗，叫“力工梭哈定律”。 力工，就是体力工人，该定律说的是一些男人一辈子就知道打工赚钱，自己不懂享受也不会花，攒下来的所有钱就是为了买车买房娶老婆养孩子，一把全梭进去。 需要说明的是这个力工梭哈定律不是褒义词，原创语境是嘲讽，认为这种男人没有自我价值，就知道在固定的人生轨迹里当牛做马，繁殖后代。现在互联网上如果有人说你是力工思维，这不是夸奖，算是骂的挺难听的。 我昨天说买两套房子，一套老婆喜欢一套老妈喜欢，底下也有人留言说这是典型力工思维，哈哈哈哈。 感觉这是新一轮男性享乐主义的觉醒。就和前几年很多女性反婚姻反生育，要求活出精彩人生一样，现在男性也开始反婚姻反生育，如果都强调自己挣钱自己花，我觉得大部分男性可以活的比女性更潇洒。 如果青年男女都放飞自我，谁最着急呢？除了老一辈的父母外，还有就是政府，政府现在已经为低生育率开始发愁，互联网上男一拳女一拳的还在鼓吹不婚不育，我猜社会主义铁拳已经蓄势待发。 其实我觉得每个人对人生的理解是不一致的，我觉得娶妻生子组建家庭，多挣钱给家人花，这样的生活很温馨，也给我提供了情感满足。你觉得我像力工可没有人勉强我，这就是我选的人生剧本。 当然有人觉得不结婚不生育自己花钱逍遥自在，我也尊重你的选择，各自安好，互不干涉，这也是一种互联网礼仪。 今晚差不多就聊这些，大家周末愉快呀。

还是多搞搞零撸，银河5.4万美元奖励： 零撸适合大家，大佬看不上小散机会多，银河嘴撸相对容易得多对普通用户很友好 怎么个事儿 Starboard平台刚与Galxe开启联合活动汇聚6个优质项目，11月4日开始—12月底，完成简单任务就能参与，且能为后续解锁更多奖励 重要关键事项： 只有带有“Airdrop Guaranteed”标签且属于Mission Starbound任务才会计入活动进度 在6个不同项目的 Starboard 平台页面上创作内容以提升奖励积分，并通过完成尽可能多的任务来收集代币抽奖任务的参赛机会，从而提高中奖几率 记得要关注12月即将开启的额外奖励等级 每个合作项目的Starboard页面都有各自独立的活动周期，任务结构和奖励等级 每个合作项目都设计了独特的活动周期和任务结构，就像探索不同的星球，各有各的精彩，建议小伙伴们去各个项目的Starboard页面详细了解规则

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#

推只是冰山一角！ 更多精彩都在👇 91PORN 暗网 抖音： 快手视频 海角乱伦 萝莉岛 新哔哩

现在的大学生真的是什么都会，看着斯斯文文的小淑女，只要一进入状态马上就进入小淫女模式，什么动作都玩的非常好 推只是冰山一角，更多精彩都在 进去就爱上了再也出不来了

"我就是这么好看，快干我" 05年新闻专业校花，长腿丰乳，完美嫩穴，被小哥用玩具调教，白浆四溅，要求随机打电话，于是打给自己的备胎，电话里关心备胎的生活，中间好几次都没忍住，叫出了声音，精彩～ 完整版已发门槛群(搜 #a164#) 更多精彩都在主页