据称，正常售价2250美元的路易威登鞋子，在中国的一家工厂中仅以约55美元的成本被制造并包装的视频被分享了出来。 Death—with a standard retail price of $2,250—involves a sole child from China traveling to the U.S.; a single factory in China accounts for 55% of U.S. imports and exports.

据称，正常售价2250美元的路易威登鞋子，在中国的一家工厂中仅以约55美元的成本被制造并包装的视频被分享了出来。 Death—with a standard retail price of $2,250—involves a sole child from China traveling to the U.S.; a single factory in China accounts for 55% of U.S. imports and exports.

AI Coding 时代，好的编程习惯仍然重要 最近做一个 Agent benchmark，发现不能简单地用开发者视角来评估一个编程任务对 AI 的复杂度。 比如一个重构任务：把一个几千行的大文件，按功能拆成十多个小模块。 这个任务对开发者来说其实不算难，主要工作就是移动代码、整理 imports、编译验证，新手也能搞定。 所以想着用一个简单的任务来做一下 benchmark，结果却出乎意料。 Claude Code 判断这个任务比较大，尝试拆了一部分，提了个 PR 写了 Future work 打算分步来。 我自己的 Agent 是“硬上”，往完整拆分的方向推进了更多，但代价也很明显：Token 消耗是 Claude 的几十倍，后面大量时间都花在反复读文件、修编译错误、再读文件、再修错误上。 这让我意识到，人觉得简单的任务，对 Agent 不一定简单。 对人来说，这类重构很多时候就是“把这一段挪过去”。但对 Agent 来说，它要先分批读大文件，记住哪些函数和哪些测试有关，再生成一堆跨文件修改，最后通过编译错误一点点补洞。看起来像机械活，实际变成了一个高 Token、高状态管理成本的任务。 前一段时间看到有人说，AI Coding 时代，拆分模块这些编程原则没那么重要了，反正人也不看代码。现在看，我不太同意。模块边界清楚、文件粒度合适、依赖关系简单，不只是方便人读，也是在帮 Agent 降低任务复杂度。 从另一个角度看，现在 Agent 的读文件和改文件工具，对这种重构也不太顺手。 Coding Agent 改文件，主要还是文本替换。比如 Claude Code 常见的是 old_string / new_string 模式：先给出一段旧文本，再替换成新文本。Codex 常用的是 apply_patch：生成一个类似 git diff 的 patch，表达把旧的内容替换成新的。它们都适合小范围修改，但如果要删除一大段旧代码，或者把一批函数挪到别的文件，模型往往还是要先把原始内容读进上下文，再生成一大段替换或 diff。 所以我后来给 Agent 一个提示，让它先用脚本、sed、perl 这类工具把大文件粗拆开，直接把旧内容删掉，写到新文件中，然后再逐个慢慢修，它的完成度确实高了许多。Agent 默认不会这样做，主要是因为系统提示词里会强烈要求 Agent 用内置工具修改文件，而不是命令行工具。 再往前想一步，Coding Agent 可能还需要更高级的编辑工具。不是只给它一个“替换文本”的接口，而是先通过 parser、LSP 或 compiler 建立代码结构，让 Agent 可以像 IDE 一样做重构：移动函数，删除 impl block，整理 imports。不知道是否有朋友做这方面的尝试。 总的来说，即便是 AI Coding 时代，好的编程习惯还是有价值的。尽量在早期通过 harness engineering，把好的编程习惯变成 Agent 的默认工作方式，比后来再重构的成本要小很多。

Important Announcement:📣 I plans to launch an OF account in March to start creating content! As for upcoming activities, it will be Cosfans in Taiwan🥰 - 伊灰將會在二月CosFans跟各位見面喔喔 新刊表單也預計會在這週開啟 再麻煩各位期待一下啦❤️

学深度学习一上来就 import torch，模型能跑起来，面试官问一句反向传播里梯度怎么传的，支支吾吾答不上来。 TrenTorch 的路子是不用 PyTorch，只靠 NumPy 从零写一个自己的深度学习框架，它照着哈佛 CS249r 课程的 TinyTorch 重做了一遍，还往前推了一段。 一共 20 个模块分四部分，先是张量、激活函数、层、损失、自动求导、优化器、训练循环这 8 块基础，接着卷积做图像分类。 GitHub： 第三部分是分词、词嵌入、多头注意力和 Transformer，最后写出 GPT 式的语言模型。第四部分讲推理，性能分析、量化、KV 缓存加速，优化器一路做到 AdamW、Lion、Muon。 每过一段会解锁一个历史里程碑复现，拿自己写的框架跑经典模型。装好自带一个 tren 命令行，进度和测试都在里面管。 20 个模块作者说小到能一口气读完，我觉得比刷文档踏实，想真正搞明白框架底下在干什么的可以照着敲一遍。