冷知识： Rust 冷编译慢且文件重叠 ，开发效率其实不如 nodeJs应用的。 nodeJs 做 harness code agent 的时候，可以开多个 worktree 并行实现能力， 而 rust 的冷编译锁的问题存在，通常只能串行搞开发。 不知道有没有其他用 rust 的同学有经验，提高 rust 的编程效率 ... 这么下去，我真想转 nodejs 了.

学习一下蒸馏模型所需的数据格式， 以及做后训练需要多少数据量级。 只要高质量的数据集给得足够 ， 算力（卡）给得足够 ，很多模型训练其实都只是用固定的算法范式最佳实践搞搞组合。 难点还是在于高质量已标注的独家数据如何获取。 基于Web的RAG其实并不靠谱， 你以为是白嫖搜索引擎的数据， 其实是 GEO 黑灰产在污染以及利用你的模型做宣发推广。 除非 RAG 检索的是自己的付费广告的商品库，才有价值。

有兴趣的朋友可以上 huggingface 看看业务需要的数据格式，然后自己创造新的，高质量的数据集，然后就能训练出自己的了不起的垂直大模型（或者蒸馏出高质量模型）

冷知识： 实际在做量化交易时，实际工作流： 开发大量候选策略 → 用 FDR 校正筛除假阳性 对存活策略做样本外检验 → 确认非过拟合 通过双重检验的策略才进入实盘

真实机器人交互数据是VLA落地关键瓶颈： 模型架构快速收敛，但泛化到仓库分拣、工厂装配、家庭服务等接触丰富长程任务，仍依赖大规模多样真机数据提升成功率与吞吐量。 少数公司有数千至上万小时专有数据（如Physical Intelligence公开超1万小时、Figure约500小时），形成收购护城河。 开源可验证：Open X-Embodiment（100万+轨迹，22种机器人）、DROID（约350小时）、ABC-130k（约3550小时双臂，Apache）、AgiBot World Beta（约3000小时，非商用许可）、BridgeData V2等。框架与代码见LeRobot、HF及对应GitHub。 以论文与数据集页面为准，避开单纯营销宣称。

/swarm 多 agent 扇出被禁用 — 是什么 一句话解释 /swarm 是 Claude Code 生态中的一种多 Agent 并行扇出（fan-out）模式：一个主 Agent 把任务拆分，派发给多个子 Agent 同时执行，最后汇总结果。 "被禁用"指的是 Claude Code 在近期版本中默认关闭了这种无限制的扇出行为，加了多层硬性限制。 核心机制：扇出是什么 主 Agent (Lead) ├── 子 Agent A (安全审查) ├── 子 Agent B (性能分析) ← 并行执行 ├── 子 Agent C (质量检查) └── 汇总 → 统一报告 主 Agent 像"团队领导"，把大任务按模块/视角拆成小任务，每个子 Agent 独立处理，最后 Lead 合并结果。适用于大型代码审查、批量重构、多角度调研等场景。 为什么被禁用/限制 根因：失控递归 + 成本爆炸。

另外，还有以下几类长期兼职（实习），有兴趣朋友可以报名： 1. Github 开源项目开发与功能维护； 2. 长程任务标注（大模型训练样本数据）； 3. （新）AI产品内测和反馈（冷启动试用与支持宣发）； 有兴趣的朋友可以先私信我加好友，后续有活动时可以联络.

另外，还有以下几类长期兼职（实习），有兴趣朋友可以报名： 1. Github 开源项目开发与功能维护； 2. 长程任务标注（大模型训练样本数据）； 3. （新）AI产品内测和反馈（冷启动试用与支持宣发）； 有兴趣的朋友可以先私信我加好友，后续有活动时可以联络.

冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。

用 loopx 的一个好处是，你可以 使用 loopx 搭档着 codebuddy ，连续开着240小时，不断挖掘 fastjson的0day漏洞，把所有可能的路径都 fuzz 完毕，挖到一个最新版本通杀的0day就是血赚 ，挖不到就只是浪费一台电脑的电费而已。

冷知识： 2024年起，网络安全一级市场几近枯竭 —— 前几年高估值泡沫破裂 + IPO通道收紧，VC大面积退出，并购估值只剩 1-2 倍 PS ，倒推早期估值崩塌。

一个有意思的观察：为什么 ‘最小市值‘量化策略在回测时这么稳，但是很少被学术界发表论文研究？ - 现在量化平台上草根回撤极多（ 聚宽，QMT，Ptrade上一搜一大把），但是严谨的、可发表的学术论文研究机构很少，原因有四个： - 1. 壳价值高估； - 2. 幸存者偏差：那些退市的、暴雷的被平台自然剔除； - 3. 制度以来强； - 4. 实盘不可复制：2017年之后纯策略失效（2010-2016 年化 58% ， 2017-2023年接近0或者微亏）。 所以，千万别信某些平台的‘免费策略’，都是吃人钱财不吐骨头的 东西 ...