Go 写的 Kubernetes 终端工具，灵感来自 k9s、Lens 和 lazygit。启动默认只读，避免手误搞坏集群，按 Shift+E 切到编辑模式。 功能挺全：集群概览、按资源类型浏览（支持 CRD）、编辑 YAML、看日志、进 Pod/Node Shell、删/扩/重启，还能显示对应的 kubectl 命令。

准备运维和 DevOps 面试，网上搜到的大多是那种拼凑的题库，跟真实面试差别挺大。 DevOps-Interview-Guide 收录了 151 份真实面试记录，来自 85 家公司，问的问题都是候选人原样记下来的，没有二手转述。 覆盖 Kubernetes、Docker、Terraform、AWS、CI/CD、Linux、监控告警等方向。 GitHub： 同一家公司被面过几次的，每次单独存一个文件，能看出不同轮次和面试官风格的差别。 正在找 DevOps 或 SRE 岗位的朋友，翻几个目标公司的面试记录，比刷通用题管用。

想学 DevOps，网上大部分教程只讲理论，比较零散，还缺一套能跟着做的真实项目。 DevOps-Projects 收录了从入门到进阶的实战项目，每个都配完整部署指南。 内容覆盖 AWS 三层架构部署、Kubernetes 集群搭建、Jenkins CI/CD 流水线，还有 Netflix、Zomato 这类知名产品的仿版部署练手。 GitHub： 项目按难度分了初级、中级、高级，从简单的 Linux 基础操作，一路做到带安全扫描和监控告警的完整链路。 适合想转 DevOps 又不知道从哪下手、喜欢边做边学的朋友。

吴说获悉，据网络安全公司 Socket 披露，5 月 11 日，开源工具库 TanStack 旗下 42 个 @ tanstack/* npm包（共计 84 个版本）遭黑客恶意篡改。相关版本被植入了窃取 CI / CD 凭证的恶意代码，目标涵盖 GitHub Actions、AWS、Kubernetes 等核心环境，官方建议受影响用户立即轮换相关凭证。Socket 指出，此次事件属于正在扩大的“Mini Shai-Hulud”供应链攻击的一部分，目前开源 AI 平台 Mistral AI、自动化软件 UiPath 等多个知名命名空间也已确认受到波及。

推荐这篇文章，作者在 Google 和 Microsoft 都写过设计文档，他把设计文档的每个部分拆解到极其具体——每节都有示例、反例和"你需要回答什么问题"。如果你们团队的设计文档写得稀烂，这篇直接拿来当模板。 怎么写一份有效的软件设计文档 一份好的设计文档可以省下你数年的开发时间。写设计文档迫使你在浪费时间在错误实现上之前，先想清楚重要的决策。它也是协调团队和合作团队之间设计决策的最佳方式。 下面是我创建有效设计文档的方法，以及什么属于设计文档，什么不属于。 什么时候应该写设计文档 项目越复杂或风险越大，写设计文档的价值就越大。问这些问题： • 会有多人协调工作来实现这个设计吗？ • 项目会超过三个月的全职开发工作吗？ • 实现会在生产环境中跑几年吗？ • 项目涉及跨团队协作吗？ • 项目的目标和需求模糊吗？ • 存在设计时可以预防的灾难性风险（比如安全漏洞、法律风险）吗？ 如果对任何一个问题回答"是"，可能值得写。对两个以上，"几乎一定"值得。 设计文档中应该投入多少 设计文档可以是简单的一页纸，也可以是 50 页需要五个不同团队签字的文档。没有通用规则规定你应该在设计文档上花多长时间，就像没有规则规定代码应该测多少。正确的投入取决于团队的目标、风险、截止时间和文化。有时候，正确的投入是零。 什么属于设计文档 一个简单的经验法则：如果我在这件事上错了，代价是什么？ 不是所有设计决策同等重要。有些选择比其他选择灵活得多。如果你用 C++ 写了一个 web 应用，20 万行后发现 Ruby on Rails 才是更好的选择，你卡住了。另一些设计决策微不足道：比如一个"加载更多"按钮，如果你选错了，用户反馈几小时就能修复。你不会因为这件事在文档里写满你的思考过程，更不该浪费审查周期争论它。 设计文档的组成部分 标题 人们会在对话中用标题来指代你的项目，所以要有这些品质：简短（容易口头说出）、独特（让人清楚指的是哪个项目）、有画面感（概念上代表你的项目）。好名字：RecencyBank。坏名字："飞天银马计划"。 元数据 作者（名字 + 邮箱）、创建日期、权威 URL。尤其当你们组织用短链接重定向如 http://go/recency-bank。 目标 一句话解释项目的 purpose，应该在文档第一页用任何干系人都能理解的平实语言出现。"通过在 Trogdor web 服务器和 Postgres 数据库之间增加缓存层来提高应用性能。" 背景 回答：团队为什么接这个项目？解决什么问题？之前有尝试解决吗？如果有相关文档，链接它们——项目测试计划、相关系统的设计文档、项目先前迭代的设计文档。 关键检查：你的设计文档在没有外部上下文的情况下能读懂吗？ 目标 描述项目的高层目标，从背景部分逻辑连接过来，解释实现完成后世界是什么样子。避免用实现细节来设定目标——目标应该表达项目对用户、团队或公司的好处。 ❌ "将 Kubernetes 添加到我们的基础设施。" ✅ "最大限度地减少与部署新应用版本相关的中断。" 非目标 如果有些目标读者可能误以为在范围内的，明确写在非目标里。"创建一个通用、可复用的缓存系统——范围外。""位置感知缓存——范围外。" 场景 如果你的目标是"给图表加一个分享为 URL 的按钮"，读者可能不理解实际是什么样子。场景部分允许你描绘一幅画面：Bob 创建自定义报告 → 点击菜单栏的分享 → 邮件链接给 Charlie → Charlie 看到只读模式下的完全相同的报告。 图表 图表极有价值，尽管可能看起来不那么明显。作为设计作者，你直观理解各部分如何拼在一起。你的审查者没有这个心理图景。最快让他们看到它的方法就是画出来。 考虑：数据如何流经你的系统？不同组件如何拼在一起？系统如何与依赖和下游客户端交互？定义了哪些通信协议？ 选一个方便编辑的图表工具——Excalidraw、 Drawings。作者见过开发者画漂亮的白板图然后拍照放进文档，但第一稿很惊艳之后永远困在那张图上因为他们不能编辑照片。 术语表 定义读者可能不认识的术语。仔细想一下文档的潜在读者——特别是新成员和团队之外的人。最好的方案是使用可识别的术语，或在行内定义，这样读者不必在文档里跳来跳去。 约束 如果有重大约束——预算、客户端、基础设施或依赖——解释这些约束，让读者理解设计选择的背景。"我们的服务器全是 RISC-V，所有代码和依赖必须在 RISC-V 架构上运行。" 服务水平目标（SLO） SLO 是服务向客户端或用户提供的可衡量目标。在公司内部通常不会因为错误而惩罚同事（虽然那会有点好玩），所以设计文档定义 SLO 而非 SLA。 典型考虑：正常运行时间 / 可用性、延迟、规模。好的 SLO 防止模糊——"50% 用户面 HTTP 请求延迟 <=200ms"，不是"在移动设备上性能好"。 监控 / 告警 如果你的服务挂了，你怎么知道？如果性能慢了 100 倍，你怎么知道？什么事件应该触发告警？"Trogdor 的 95% 用户面 HTTP 请求延迟 >= 3s——通知值班工程师。" 时间线 将项目分解为里程碑，指定干系人什么时候收到交付物。选择创造有用制品的里程碑。比如先做一个显示假数据的 UI 给客户看——假数据让你在错误理解需求时能尽早发现，而不是已经实现了所有后端管线再用生产数据填充 UI 后才发现。 接口 你的项目存在是为了服务人或其他软件系统，这些交互长什么样？图形系统的 UI（只需简单草图）、软件接口的 API 或 CLI 语义、文件接口的文件格式。用具体的代码示例说明接口的变化：type Server struct { db PostgresDB } → type Server struct { db } 依赖 / 基础设施 用什么编程语言？代码跑在什么硬件或服务上？持久数据存在哪里？深入思考哪些依赖在实现后难以改变——换语言或存储后端很难，但换第三方发邮件服务一个下午的事。 安全 考虑了哪些威胁？攻击面是什么？信任边界在哪里？即使认为安全威胁不太可能或无关，文档化你的推理仍然有助于提示审查者找出你忽略的威胁。 隐私 系统处理什么敏感数据？保留多久？谁可以访问？如何保护它？ 法律考虑 如果在金融或医疗等高度监管领域——如何遵守相关法律。即使不在监管领域：如果事情出错系统是否可能违法？如何避免？如果开源，定义选什么许可和为什么。 日志 关键事件是什么？有不同日志级别吗？日志存在哪？保留多久？谁可以访问？有没有敏感数据必须排除出日志？ 开放问题 文档化你的待解决问题：问题需要更多工作的是什么？看到什么选项能解决？下一步是什么？ "选择缓存 RAM 大小：加 RAM 提高性能但贵且有收益递减。理论上可以设置测试环境跑模拟来发现最优值，但那些模拟要花 3 天开发时间。建议方案：选 128GB 不测试，可能接近最优，开发时间显著比 RAM 贵。下一步：问技术主管。" 已解决问题 解决开放问题后，总结决策，从开放问题移到已解决问题，保留完整讨论以备后查。 已考虑的替代方案 如果预料读者会问"为什么没选 X"，主动回答。简要几行描述强力替代方案及为什么不行。不用在文档里耗费数小时写每个被拒方案的详尽理由。 驱动你的设计文档通过审查 完成设计文档后，下一阶段是和团队分享并收集反馈。（作者有一篇后续文章讲如何获得有意义的反馈。） 原文：Michael Lynch, "How to Write an Effective Software Design Document", Refactoring English, 2026-06-24 #软件工程# #设计文档# #工程实践#

从 Venice、Hermes 再到 Pearl，这些熊市中逆势增长的项目告诉我们： Crypto × AI 将是下一轮牛市的核心主线。 下一轮周期将围绕 Agent、隐私计算、去中心化数据与 AI 原生金融展开。 正值 0G APAC 黑客松结果公布，筛选了几个值得重点关注的。 1/ 第一名 @Ghast_AI Ghast AI 是一个基于 0G 构建的加密原生 AI 代理客户端。 同赛道对比： ▌OpenClaw 的优势在于灵活性和完整生态 ▌Hermes 更强调低成本和开箱即用 ▌Ghast AI 则聚焦于 Crypto Native + Privacy First 这意味着 Ghast AI 不是通用 AI 助手，而是更偏向为加密用户提供原生化场景支持。 参与方式: Ghast AI 桌面应用已上线，首季活动时间为6月11日 - 6月30日。 早期用户可获得积分奖励 + NFT 白名单（限80个）。 下载地址 - 2/ 第二名 @NeoSoulAI 构建 Agentic Finance 生态中缺失的关键一环——代理可信度基础设施。 三层技术架构： ▌第一层 EVO 共同进化网络 ▌第二层自主预言机网络 ▌第三层 AI 原生预测市场 参与方式： NeoSoul × 0G 联名 SBT 第二批现已开放领取。 领取链接 - 3/ 第三名 @anima_0g AI 代理的 Kubernetes/Vercel — 为开发者提供去中心化的代理部署基础设施。 Anima 通过 iNFT 赋予 AI Agent 真实的身份与所有权，同时其六层去中心化架构进一步增强了 Agent 的独立性。 参与方式： 暂未开放，建议关注官方账号等待后续机会。 总结下。 三个项目各有侧重与优势，Ghast AI 的 OG 官方背书浓度最高，可作为首选布局标的。

终端编程 Agent（最接近 Claude Code） 1. OpenCode ⭐ 165k+ - 协议: MIT | 语言: Go/TypeScript - 免费: 完全免费开源，支持 75+ LLM 提供商 - 特色: - 事实上的开源 Claude Code 替代品 - 本地优先架构，支持本地模型（Ollama 等） - Provider-agnostic：同一会话可切换 Claude/Gemini/GPT/本地模型 - 精美 TUI 界面，支持桌面端和 IDE 扩展 - 中国讨论度: 低，国内媒体很少报道 - 🔗 2. Pi ⭐ 54k+ - 协议: MIT | 语言: Python - 作者: Armin Ronacher（Flask/Jinja2 作者） - 免费: 完全免费开源 - 特色: - 系统提示 < 1,000 tokens，极简设计 - "Lazy Skills" 机制：技能按需加载 - 专为 fork 和二次开发设计 - 增长速度惊人（短时间内突破 54k stars） - 中国讨论度: 极低 - 🔗 3. Crush ⭐ 25k+ - 协议: FSL（2年后转MIT）| 语言: Go - 团队: Charm（Bubble Tea 团队） - 免费: 免费使用 - 特色: - 终端美学标杆，极其流畅的 TUI - 多模型支持，会话中可切换模型 - 原生 LSP 和 MCP 支持 - 适合追求终端体验的开发者 - 中国讨论度: 低 - 🔗 4. Qwen Code ⭐ 25k+ - 协议: Apache-2.0 | 语言: TypeScript - 免费: 免费，配合 Qwen 模型有免费额度 - 特色: - 阿里巴巴出品，Gemini CLI 的开源 fork - Gemini CLI 6月停服后，这是其开源延续 - 专门优化 Qwen-Coder 模型 - 国内用户访问友好 - 中国讨论度: 中等（但远低于其价值） - 🔗 --- 通用 Agent 框架 5. OpenClaw - 协议: 开源 | 免费: 完全免费，云版待定 - 特色: - 自托管 AI Agent，50+ 原生集成 - 零外部 API 调用，隐私优先 - 连接 Slack/GitHub/Notion 等无需第三方 API - 支持 Docker 部署 - 中国讨论度: 低 - 🔗 6. Agno - 协议: 开源 | 语言: Python - 免费: 开源免费，平台版 $99/月起 - 特色: - 2 微秒 Agent 运行时间，极致轻量 - 内置记忆、存储、多模态工具 - 生产级 Python 框架 - 适合需要高性能的场景 - 中国讨论度: 极低 - 🔗 7. Hermes Agent ⭐ 60k+ - 协议: 开源 - 免费: 开源免费 - 特色: - 2个月内突破 60k stars，增速最快 - 持久多层记忆：长期语义记忆 + 工作记忆 + 情景日志 - 云优先架构，独立于本地设备 - 30天学习期后能理解用户工作模式 - 与小米 MiMo V2 Pro 合作 - 中国讨论度: 中等（小米合作有报道，但产品本身讨论少） - 🔗 --- MCP 生态工具 8. MCPX (IBM) - 协议: 开源 - 免费: 开源免费 - 特色: - MCP 网关，统一管理多个 MCP 服务器 - Tool Groups：不同团队看到不同工具子集 - Agent 访问控制 + 实时 Prometheus 指标 - 支持 Cursor/Claude Code/VS Code/Copilot 等 - 中国讨论度: 极低 - 🔗 9. ContextForge (IBM) - 协议: 开源 - 免费: 开源免费 - 特色: - 联邦化 AI 网关，跨多集群 Kubernetes - 支持 MCP/A2A/REST-to-MCP/gRPC-to-MCP - 40+ 插件 - OpenTelemetry 追踪 - 中国讨论度: 极低 - 🔗 --- 多 Agent 编排 10. Microsoft Conductor ⭐ 新项目 - 协议: MIT | 版本: v0.1.1 - 免费: 完全免费开源 - 特色: - 微软出品，GitHub Copilot SDK + Anthropic Agents SDK - YAML 定义工作流 + Web 仪表板 - 适合企业级多 Agent 场景 - 中国讨论度: 极低 - 🔗 11. Agent Skills (by Addy Osmani) ⭐ 43.8k+ - 协议: 开源 - 免费: 完全免费 - 特色: - 23 个生产级工程技能 - 7 个斜杠命令覆盖完整开发生命周期 - 编码 Google 工程文化（Hyrum's Law、trunk-based development） - 渐进式披露设计 - 中国讨论度: 低 - 🔗

求职系列（3）：如何准备面试 面试准备这件事，大部分人的做法是打开一个面经合集，从第一题背到最后一题。背完觉得自己OK了，但一上场发现面试官根本不按套路出牌。 因为你准备的是答案，但面试考的是能力和内核。答案是死的，能力是活的。面试官稍微换个角度追问，背答案的人就卡壳了。 每个人的技术方向和项目经历都不一样，我没法告诉你具体该准备什么内容。 但准备面试这件事本身是有方法论的，我自己用了很久，效果极好。 1.面试前：做好背景调查 很多人准备面试只盯着技术和专业能力进行准备，但更重要的是需要了解：你要去的那家公司、那个团队、那个岗位到底是什么情况。 你至少要搞清楚几件事： 1.这个岗位的 JD 里哪些是核心要求，哪些是凑数的。 JD 里列了十几个技能点，不可能每个都是硬性要求。找到那两三个反复出现的关键词，那才是这个岗位真正需要的能力。你的准备应该围绕这些核心点展开，而不是面面俱到。 2.这个团队在做什么业务，目前处于什么阶段。是新业务在探索期，还是成熟业务在优化期。 探索期的团队更看重你的学习能力和抗压能力，成熟期的团队更看重你的系统设计和深度优化经验。知道这些，你在面试中举例子的时候就能挑最匹配的来讲。 3.面试官是谁，他的技术背景是什么。LinkedIn、GitHub、技术博客，能查到的都查一下或者找HR、猎头大概打听一下。 不是让你去讨好面试官，是让你知道对面坐着的人关注什么方向，他大概率会从自己熟悉的领域出题。 这些信息花不了你多久，但能让你的准备精度提升一个量级。盲目准备就像不看地图就出发，方向都没对，走再远也是白走。 2.简历：每次重要的面试都应该微调 一份简历走天下，这是大多数人的做法，也是大多数人的错误。 你的简历不应该是一个固定文档。每次投递不同的岗位，简历都应该做针对性的微调，调整侧重点。 同样是你做过的三个项目，投 A 公司的基础架构岗，你应该把偏基础设施的项目放在最前面，展开写；投 B 公司的业务开发岗，你应该把业务复杂度高的项目提上来。 项目还是那些项目，但排列顺序和展开深度不一样，给面试官的第一印象就完全不同。 项目描述里的技术关键词也要和 JD 对齐。不是让你编，是你确实用过这些技术，只是之前没在简历里强调。JD 里提到了 Kubernetes，你的项目描述里就把容器编排相关的工作写清楚。面试官扫简历的时间可能只有 30 秒，关键词匹配度直接决定你能不能进入下一轮。 还有一点：简历上写的每一个点，你都要能展开讲三分钟。写了不能讲的东西，就是给自己埋雷。 面试官最喜欢挑简历上看起来很厉害的那一行追问，你要是讲不清楚，可信度瞬间崩塌。 3.模拟面试：最被低估的准备方式 技术知识可以看书学，但面试能力只能通过模拟来练。 这两个东西完全不同。你可能对某个技术点理解得非常透彻，但一开口就是一团浆糊，说了五分钟面试官都没听明白你在讲什么。知道和说出来之间，隔着一条巨大的鸿沟。模拟面试就是在填这条沟。 1️⃣ 自己给自己模拟面 每次太久没面试，我都会给自己来一轮。步骤很简单： 1. 写一份题单，围绕你的技术方向和项目经历出题 2. 只有题单，不写答案。答案在你脑子里，写出来就变成了背诵而不是思考 3. 开始回答，全程录音 4. 回放录音，审视自己的状态、表述和内容质量。哪些点回答得不够顺畅、哪些知识有盲区、哪些表达可以更精炼，全部记下来 5. 没答好的点记录成清单，下一次模拟面的时候加进题单 6. 循环迭代 这个方法的核心在于录音回放。你以为自己说得很好，回放的时候会发现各种问题。有些点你以为很熟，一开口才发现根本组织不出来清晰的表达。语速太快、逻辑跳跃、关键信息遗漏，这些问题你在说的时候根本意识不到，录音不会骗你。 2️⃣ 找人模拟面 自己面自己有一个局限：你没法模拟真实面试中的压力和追问。 自己问自己的时候，你知道答案是什么，潜意识里会绕开那些你不擅长的方向。但真实面试中，面试官偏偏就会往你不舒服的地方追。 如果条件允许，找一些对应方向有经验的人给你做模拟面试。可以是朋友、同事，也可以是网上的付费 mock interview 服务。关键是对方要能问出有质量的追问，而不是照着题库念。好的模拟面试官会根据你的回答临时追问，逼你暴露出真实的知识边界。 模拟面试之后一定要要反馈。不只是哪些题没答好，更重要的是你的表达方式、沟通节奏、回答的结构性，这些东西自己很难察觉。 3️⃣ 每次正式面试都录音 这一条很多人不知道，但非常重要。 每次正式面试全程录音。重要的面试结束后回放复盘，哪些问题答得好，哪些答得拉垮，面试官的追问你有没有接住。 没过的面试，100% 复盘。 没过一定有原因。是技术深度不够？是表达不清晰？是某个项目细节被追问到了盲区？找到原因，下次就不会在同一个坑里摔两次。 过了的面试也值得复盘。哪些回答让面试官眼前一亮，哪些问题的回答框架可以复用到其他面试中。好的经验要提炼出来变成你的标准打法。 项目复盘：提前把坑填了 面试中 80% 的追问都围绕你的项目经历展开。 项目复盘不是把你做了什么列一遍。面试官不关心你用了什么技术栈，他关心的是你为什么做这个选择、做的过程中遇到了什么问题、你是怎么解决的、如果重来一次你会怎么改。 每个你打算在面试中讲的项目，至少要想清楚这几个维度： 这个项目的业务背景是什么，你在里面承担什么角色。别一上来就讲技术细节，面试官需要先知道 context。 技术方案为什么这么选，有没有考虑过其他方案，为什么没选。这个问题回答得好，比你把技术方案本身讲得多精彩都有用。因为它展示的是你的决策能力，而不只是执行能力。 遇到了什么困难，怎么解决的。最好是真实的困难，不要编。面试官见过太多人了，编的故事一追问就破。 最终效果怎么样，有没有可量化的数据。性能提升了多少、成本降低了多少、效率提高了多少。没有数据的项目复盘就像没有 benchmark 的性能优化，缺乏说服力。 心态：面试是一个训练过程 很多人把面试当成考试，一次没过就觉得自己不行。 面试能力和任何能力一样，是可以训练的。每一次面试都是一次实战，每一次复盘都是一次参数调优。面的越多、复盘越勤，你的面试模型就越准。 前几场面试表现不好很正常，就当是 热热身。不要把你最想去的公司放在第一个面，先拿几个没那么在意的 offer 练手，把状态调到最好再去面你的 dream company。 面试这件事，准备的上限很高。 你永远可以更了解对方公司、永远可以把项目讲得更清楚、永远可以把表达打磨得更精炼。 但也别追求完美到焦虑，准备到你觉得能自信地坐在面试官对面聊天的程度，就够了。