DASD-651 松雪乃 (#松ゆきの#) 人妻為學習英語，出發去外國留學並寄宿於外國黑人家中！誰知道英語沒學好，倒是學會怎麼包容黑人的大屌，更被調教開發屁眼！最後與房東和他的朋友進行双穴内射‼️

有人問我怎麼快速學外語？ 這取決於口袋深度 當你窮到只能在當地雜貨店買水時 會知道要怎麼生存 別人是過豪華旅居生活 我是過遊牧生存戰😩😩

视频1：美国空运的全副武装特勤局车队进入北京街道，路人吃惊又开眼界。 马斯克将陪同川普出访。 视频2：川普对委内瑞拉总统很满意，搞笑委内瑞拉有人要求川普竞选委内瑞拉总统加入美国，川普说正在学西班牙语。 视频3： 川普称伊朗的协议书就是垃圾，只看了一部分就不再看了，更大的轰炸等着伊朗。

长发小姐姐驾校学车把车开成“火箭” 教练无语：你告诉我你是咋做到的？！ 网友：教练，这是科目几，我想学！ 长发小姐姐：“我已降落，准备出仓”

此《于景素先生愿学斋亿语》由明代于孔兼（号泰景）撰。全书共四卷（附续亿语一卷）收录作者诗文作品，包含：论易诸篇、书信题辞、诗集等。此为明万历三十六年刊本。介绍下载：

不會任何語言的人就是這樣 我發誓我真的會認真學英文日文😥 我終於把歌詞整理好了剩下的自己加油 啊～～～～～緊張死定了（ 🫠🫠🫠🫠🫠🫠🫠🫠🫠🫠🫠🫠

《經濟學人》：特朗普是否在出賣台灣？ 「軍售變籌碼？」特朗普一句話，讓台北政壇瞬間炸鍋 大家好，您現在看到的是《明鏡郵報》。這兩天，台灣政壇最刺耳的一句話，不是北京說的，而是來自美國總統 Donald Trump 特朗普本人。他在北京與中國國家主席 Xi Jinping 習近平會談後，竟然公開表示，價值130億美元的對台軍售案，「可能批准，也可能不批准」，還說這是「非常好的談判籌碼」。這句話一出，台北很多人恐怕連咖啡都喝不下去了。 《經濟學人》這篇文章的標題相當直接：《特朗普是否在出賣台灣？》。老實說，這種英國式標題，已經算很克制了。因為特朗普這次不是「暗示」，而是幾乎把美國過去四十多年對台政策的底牌，直接拿到談判桌上公開展示。自1979年《台灣關係法》生效後，美國歷屆政府都刻意避免把對台軍售與中美談判綁在一起。甚至1982年，前總統 Ronald Reagan 里根還曾向台灣作出「六項保證」，其中之一，就是不會事先與北京協商軍售問題。 結果特朗普一句：「80年代已經過去很久了。」哇，這句話在北京聽起來像香檳開瓶聲，在台北聽起來則像空襲警報。 更敏感的是，特朗普不只是談軍售。他還把台灣領導人 Lai Ching-te 賴清德描述成可能把美國拖入戰爭的人。他說，美國不希望有人因為「美國支持我們」，就跑去宣布台獨。這其實已經不是單純「戰略模糊」了，而是開始出現「責任轉移」——也就是說，如果未來台海爆發危機，美國可能會說：「是你們自己太衝動。」 這種語氣，跟拜登時代完全不同。過去幾年，美國政界主流對台灣幾乎形成「政治正確」式支持。共和、民主兩黨競相比誰更挺台。但特朗普顯然不是這種玩法。他的思維更像房地產交易員：台灣不是價值同盟，而是一張可以交換利益的牌。今天能換農產品採購，明天能換稀土出口，後天甚至可能換伊朗問題上的合作。 但《明鏡郵報》老編認為，《經濟學人》也有點故意放大了「特朗普賣台」的戲劇效果。因為特朗普真正的邏輯，不是「親中」，而是「交易優先」。他對所有盟友其實都差不多。從北約、日本、韓國，到烏克蘭，特朗普一直都認為：「安全保護不是免費午餐。」所以他現在對台灣的態度，本質上是：「你們得證明自己值得我保護。」 問題是，台灣現在偏偏正在大幅增加軍費。文章裡提到，台灣立法院剛通過約250億美元的補充國防預算，就是為了支付美國軍售。結果台灣這邊剛刷完卡，美國總統那邊卻說：「我先放著看看。」這種感覺，很像剛付完訂金，房仲突然告訴你：「房子可能不賣了，看隔壁鄰居願意出多少。」 北京這次顯然是有收穫的。從特朗普描述來看，習近平幾乎整晚都在談台灣，而且效果不小。特朗普甚至說：「我聽了他的話。」這句話在外交語言裡很危險。因為它代表，北京已經成功把「台灣問題」重新塑造成「中美避免衝突的核心議題」，而不是單純的民主與安全問題。 對台灣內部政治來說，衝擊也很大。國民黨現在一定會抓住這句話猛打民進黨：「你看，美國根本不可靠。」尤其2026地方選舉、2028總統大選臨近，這種「疑美論」會迅速升溫。北京其實最希望的，不一定是立刻武統，而是慢慢讓台灣社會開始懷疑：「如果真的開戰，美國到底會不會來？」 但另一方面，北京也未必能完全放心。因為特朗普有個特點：他今天可以把軍售當籌碼，明天也可能突然翻臉加碼。他對外政策最大的特徵，不是親中，而是不確定性。這也是為什麼很多中國學者其實對特朗普既期待又害怕——期待他削弱美國盟友體系，又害怕他哪天突然加倍出牌。 原文來自英國《經濟學人》： 《Is Donald Trump selling out Taiwan?》 網址： The Economist 原文報導 最後，《明鏡郵報》想問大家一個問題： 如果有一天，美國真的把對台安全承諾變成「可談判商品」，那麼台灣未來最大的風險，究竟是中國的武力，還是美國的不確定性？

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。