Claude Code的创建者Boris Cherny，用24分钟介绍产品逻辑。Anthropic官方，直接把创建者的头衔给他。Cherny曾任脸书Principal Engineer。他的职业访谈提到达到IC8，远高于资深工程师岗位。在生成式AI热潮之前，他已经在编程语言及软件开发领域积累了专业资历。也是Programming TypeScript作者。

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#

🗺️ 一本用 Python 做地理空间分析的书，全书代码全开源 作者是田纳西大学副教授、Amazon Scholar，也是 geemap 和 leafmap 的作者 想入门地理空间分析，最难的是找到一条从环境配置到实战的完整路径。网上教程要么只讲某个库的用法，要么依赖商业软件，学完做不出完整的东西。 这本《Introduction to GIS Programming》把路铺完整了：从软件环境配置、Python 基础，一路讲到地理空间编程实战。涉及的工具是这个领域的主力阵容，GeoPandas、Rasterio、Xarray、Leafmap、WhiteboxTools、MapLibre、Earth Engine、Geemap、DuckDB、GDAL 都在里面。 作者 Qiusheng Wu 本身就是 geemap、leafmap、segment-geospatial 这些包的创建者，等于是工具作者亲自教你用。配套代码按章节组织，MyBinder、Colab、Docker 都能跑，还有配套视频。 英文纸质版 556 页全彩，电子版有 15 种语言，中文也在其中。 跟着工具的作者学工具，这是最短的路。 GitHub：

根據報導，特朗普媒體與科技集團（Trump Media & Technology Group）將推出一項資料傳輸服務「Truth API」，為華爾街交易員和其他感興趣的客戶，提供旗下社群平台 Truth Social 最具影響力帳戶的即時貼文存取權。API 為「application programming interface」（應用程式介面）的縮寫，是一套讓不同軟體彼此溝通的介面，可用來傳輸資料。購買此服務的客戶，能夠比一般公眾提前「數毫秒」看到 Truth Social 上特朗普的貼文。 特朗普的社群貼文經常引發市場劇烈波動，而許多交易公司、對沖基金和金融服務公司的收益，很大程度上取決於交易速度。其中，高頻交易公司將速度視為核心競爭力，每年投入大量資金優化光纖網絡等基礎設施，只為了縮短幾毫秒的交易延遲——在某些交易中，幾毫秒的優勢就可能帶來數十萬美元收益。 👉請點擊連結，註冊免費閱讀全文：

说真的，GitHub上藏着一堆宝贝，大多数人根本不知道。 我整理了35个仓库，分四类给你，建议截图收藏，以后用得上。 一、学习类（打基础用的） 1️⃣ public-apis — 免费API大合集，做项目直接拿来用，不用自己造轮子 2️⃣ build-your-own-x — 边做边学，比看书强十倍 3️⃣ developer-roadmap — 不知道学什么方向？进去看一眼，路线图全给你画好了 4️⃣ free-programming-books — 免费编程书，能省不少钱 5️⃣ coding-interview-university — 自学计算机科班内容，有人靠这个进了大厂 6️⃣ the-art-of-command-line — 终端用得溜，效率直接翻倍 7️⃣ project-based-learning — 项目驱动学习，学完就能上手 8️⃣ you-dont-know-js — 你以为你懂JavaScript？进去看看再说 9️⃣ freeCodeCamp — 免费编程课，从零开始也能跟上 二、工具类（干活用的） 1️⃣ system-design-primer — 系统设计必读，面试聊架构全靠它 2️⃣ tech-interview-handbook — 面试准备手册，刷完通过率肉眼可见地高 3️⃣ javascript-algorithms — 算法可视化，看得懂，记得住 4️⃣ 30-seconds-of-code — 实用代码片段，复制粘贴直接用 5️⃣ gitignore — 各语言.gitignore模板，别再手写了 6️⃣ the-book-of-secret-knowledge — 黑客资源合集，懂的人懂 7️⃣ awesome-selfhosted — 想自建应用？这里全是开源替代品 8️⃣ markitdown — 各种文件一键转Markdown，省事 9️⃣ maigret — 3000多个网站OSINT查询，信息收集神器 三、AI基础设施类（现在最值钱的方向） 1️⃣ ollama — 本地跑AI模型，不花一分钱API费 2️⃣ langchain — 构建AI应用的基础框架，绕不开 3️⃣ n8n — AI自动化工作流，能替你干很多重复活 4️⃣ dify — 可视化创建AI代理，不会代码也能玩 5️⃣ langflow — 拖拽式搭AI管道，门槛极低 6️⃣ mem0 — 给AI代理加记忆层，让它记住你说过的话 7️⃣ open-webui — 自建ChatGPT界面，数据留在本地 8️⃣ aider — 终端里的AI编程助手，写代码快很多 9️⃣ huggingface-transformers — 现代AI的地基，绕不开这个 四、多代理AI类（下一波红利在这） 1️⃣ browser-use — AI直接控制浏览器帮你干活 2️⃣ crewai — 多个AI代理组团协作，像个虚拟团队 3️⃣ autogen — 微软出的多代理框架，稳 4️⃣ metagpt — AI代理模拟整个软件公司，细思极恐 5️⃣ tradingagents — 交易多代理框架，量化方向的人注意了 6️⃣ lobe-hub — 可视化多代理平台，管理起来方便 7️⃣ cocoindex — 长文本代理引擎，处理大文档用得上 8️⃣ agency-agents — 完整AI代理机构框架，直接拿来二开 这35个仓库，光是AI这块就够你研究半年。 现在不收藏，等你想用的时候根本找不到。

兄弟们，40个有用的GitHub仓库，强烈建议收藏起来！ 1. public-apis — 免费API合集 2. build-your-own-x — 边做边学 3. developer-roadmap — 学任何技术 4. free-programming-books — 免费书籍 5. system-design-primer — 掌握系统设计 6. coding-interview-university — 自学计算机 7. the-art-of-command-line — 精通终端 8. project-based-learning — 项目式学习 9. you-dont-know-js — 深入学JavaScript 10. the-book-of-secret-knowledge — 黑客资源 11. tech-interview-handbook — 面试通关 12. awesome-selfhosted — 自建应用 13. javascript-algorithms — 可视化算法 14. 30-seconds-of-code — 实用代码片段 15. gitignore — 各语言模板 16. ollama — 本地运行AI模型 17. langchain — 快速构建AI应用 18. n8n — AI自动化工作流 19. openclaw — 本地AI助手 20. dify — 可视化创建AI代理 21. langflow — 拖拽式AI管道 22. mem0 — AI代理记忆层 23. browser-use — AI控制浏览器 24. ruflo — Claude代理编排 25. crewai — 多代理AI团队 26. hermes-agent — 开源AI代理 27. markitdown — 文件转Markdown 28. maigret — 3000+网站OSINT 29. open-webui — 自建ChatGPT界面 30. aider — 终端AI编程助手 31. agency-agents — 完整AI代理机构 32. tradingagents — 交易多代理框架 33. browserbase-skills — Claude网页SDK 34. autogen — 微软多代理框架 35. metagpt — AI代理软件公司 36. lobe-hub — 可视化多代理平台 37. huggingface-transformers — 现代AI基础 38. cocoindex — 长文本代理引擎 39. freeCodeCamp — 免费编程学习 40. stable-diffusion-webui — 本地AI画图

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！

新版的 GLM 5.2 基本稳稳站住全球开源模型第一的位置了，作为开源模型可以排到全球前三。上一个这么牛逼的还是 DeepSeek，给 AI 圈带去一点震撼。Claude 4.6 之后提升就没那么大了，4.6 也是 AI 编程的可用线。前端时间巨头们开始对 AI 投入算总账，几十亿美金的 AI 账单，现在用开源的GLM 5.2自己部署，就能立即省下高额的 AI 账单，Claude 的收入端可能要大受影响了。 中美顶尖 AI 的差距大概也就是半年左右，另一方面也说明大模型的护城河没那么深，半年时间的差距并非不可逾越，Anthropic 的万亿估值显然是挺虚的。Claude 年初最辉煌的时候，总有人会说 Claude 多牛逼，迭代速度多强，我去看了一下 zcode 的迭代速度基本是一天一更，这次zcode3.0+GLM5.2 真的和 codex 使用起来没什么太大差距了。 还有中国为什么一直追不上，主要是因为算力资源的限制，假如算力限制放开怕是已经 4:6 开了。可怜的智谱算力一直都不足，难以想象要是有充足的算力且模型是闭源的情况下，难以想象收入会高到什么程度。 The new version of GLM 5.2 basically stand firmly in the first position of the global open source model, as an open source model can be ranked in the world's top three. The last one was DeepSeek, bringing a little shock to the AI circle. After Claude 4.6, the promotion was not so big, and 4.6 was also an available line for AI programming. The front-end time giants are starting to take a general ledger of AI investment, billions of dollars in AI bills, and now deploying themselves with the open source GLM 5.2 can immediately save the high AI bills, and Claude's revenue side may be greatly affected. The gap between the top AI of China and the United States is about half a year, on the other hand, it also shows that the moat of the big model is not so deep, the gap in half a year is not insurmountable, the Anthropic trillion valuation is obviously quite empty. When Claude was at its most brilliant at the beginning of the year, some people would always say how awesome Claude was and how fast the iteration speed was. I went to see that the iteration speed of zcode was basically one change every day. This time zcode3.0 GLM5.2 was really not much different from codex. There is also a reason why China has been unable to catch up, mainly because of the limitation of computing resources. If the limitation of computing power is released, it may have already been opened at 4:6. Poor intellectual spectrum computing power has been insufficient, it is difficult to imagine if there is sufficient computing power and the model is closed source, it is difficult to imagine how high the income will be.