鬼仔

893 posts

鬼仔 banner
鬼仔

鬼仔

@sunlei

Beijing China 参加日 Şubat 2007
3.1K フォロー中1.6K フォロワー
九原客
九原客@9hills·
需要一个本地 Skills 管理工具,基本功能如下: 1. 精细控制多个Agent 的 skills 加载。 2. 手动触发上游同步。 3. 版本控制。
中文
15
4
61
15.4K
鬼仔
鬼仔@sunlei·
@janxin 确实好了,禁用掉遥测也有1M了。
中文
0
0
0
20
灰机仔
灰机仔@janxin·
@sunlei 今天发现已经默认启用 1M 上下文了,无需开启遥测也可以了,鬼仔你试试
中文
1
0
0
21
灰机仔
灰机仔@janxin·
Claude Code 的 1M Context 多久能推送到我,现在还是 200K 上下文,现在写小说动不动就爆上下文...
中文
2
0
0
273
鬼仔
鬼仔@sunlei·
@janxin 是的,我也是一直关掉的,也没有 1M,启用后就有了。
中文
1
0
0
28
低空飞行
低空飞行@localhost_4173·
这是我见过最难用的 app
低空飞行 tweet media
中文
127
3
302
97.8K
鬼仔
鬼仔@sunlei·
@0xError__ 还没完全想好,之用 tauri 写了个 demo,相当于网页
中文
0
0
0
84
0xError
0xError@0xError__·
@sunlei 不考虑直接写个传统网页程序吗,感觉可扩展性跟方便程度比terminal好太多了
中文
1
0
0
133
0xError
0xError@0xError__·
大多数交易所的网页都对高频交易不怎么友好,一般都有一下两个问题: 1. 一旦订单数量多了,网页就会卡顿,内存,cpu,gpu 消耗也特别高 2. 通知系统没法关闭,订单成交等通知会覆盖部分重要的界面 现在我判断一个交易所质量的一大标准就是网页卡不卡,正确率极高。
中文
3
0
13
3.4K
鬼仔
鬼仔@sunlei·
@0xError__ 当时在 terminal 下画 K 线太难受了,想找时间尝试别的方案,比如 tauri、iced、egui 之类的
中文
1
0
1
169
0xError
0xError@0xError__·
@sunlei 老师太强了,我也一直想自己写一个界面,但苦于没有时间哈哈
中文
1
0
1
250
罗格 | Web3安全 & 套利
罗格 | Web3安全 & 套利@0xLogicLog·
nautilus_trader 是我学习使用并且定制化的量化框架,在它身上理解类似SpringBoot 框架+约定+自定义函数,确实是好思路。每一个组件只要实现特定的函数,那么它就会在系统中作为类似回调函数,在特定事件调用。 也学习了交易系统的设计: 1. 领域驱动设计 (DDD)让代码说业务的语言,避免高度抽象,对象设计就是业务逻辑。 2. 事件驱动架构,组件通过事件通信,而非直接调用,实现松耦合。 3. 消息模式: 3.1 发布/订阅 (Pub/Sub),广播事件给多个订阅者,市场数据广播个多个策略 3.2 请求/响应 (Request/Response),需要确认或返回值的操作,同步通信,保证响应。 3.3 点对点 (Point-to-Point),直接命令路由到特定组件,比如消息类型路由到特定函数。 4. 崩溃式设计 (Crash-only Design),通过重启而非优雅降级来处理故障,适合高可用系统。 4.1 状态持久化,所有关键状态(订单、持仓、余额)持久化到Redis/数据库,持久化事件可重放,内存中不保存关键状态。 4.2 幂等操作,订单提交可安全重试。 4.3 快速恢复,无复杂关闭流程,停止即可启动,加载持久化状态快速重启,事件重放重建准确的先前状态。 github.com/nautechsystems…
罗格 | Web3安全 & 套利 tweet media
中文
6
19
174
15.2K
鬼仔
鬼仔@sunlei·
@jiahao_luo9 是的,学习曲线很陡。我最开始用的时候基本是看着源码才熟悉起来的,熟了之后就慢慢开始提交 PR 了。
中文
1
0
0
313
罗格 | Web3安全 & 套利
罗格 | Web3安全 & 套利@0xLogicLog·
@sunlei 我感觉这里约定太多了,就是光看例子,不看框架,都不知道怎么用,门槛还是很高
中文
1
0
0
657
马东锡 NLP
马东锡 NLP@dongxi_nlp·
「Qwen, Parallel, LLM」 Parallel Scaling Law for Language Models 最接近 Gemini 2.5 Pro parallel thinking的配方? Qwen ParScale 借鉴 Diffusion Model 的 CFDG 增强 LLM 的并行计算能力。 CFDG 本质:在扩散模型生成时并行运行“有条件”与“无条件”两条 (p = 2)去噪路径,再以线性方式融合。 类似的,ParScale 对同一输入 ,生成 p 条前缀流 ,分别插入模型中, 使用一个轻量级的 MLP 根据各流输出特征自适应生成权重。 启发: ParScale 拓展了Diffusion Model中的 CFDG 多路并行+条件融合 思路,将其应用到 LLM,并可控流数p,前实现更高效灵活的的扩展。
马东锡 NLP tweet media
中文
3
2
21
3.1K
图拉鼎
图拉鼎@tualatrix·
维护+暴露在公网的服务已经超过 10 个了,需要有一个监控所有服务的服务了,找了一圈后我选中了“Uptime Kuma”。也是简单干净一目了然,还能连接 Telegram Bot,当服务挂掉时第一时间得到通知。 Uptime 的服务需要部署至少两个,形成相互监控,因为它自己挂掉的时候不会来通知你。
图拉鼎 tweet media
中文
18
55
473
65.5K
低空飞行
低空飞行@localhost_4173·
拿到了新的 M4 Mac Mini, chatwise.app 在开发模式下的 rebuild 速度提升了 50% - M1 Pro: 13秒 - M4: 7秒
中文
2
1
7
2K
laike9m
laike9m@laike9m_·
推荐一个 Chrome 插件,可以一键将 [𝙥𝙖𝙜𝙚 𝙩𝙞𝙩𝙡𝙚](𝙥𝙖𝙜𝙚 𝙐𝙍𝙇) 复制到剪贴板 非常适合需要在 markdown 笔记里引用某个网页的场合。之前我每次都是先手动复制标题,再复制链接,再输入 [](),太痛苦了😖 chromewebstore.google.com/detail/copy-ti…
中文
19
20
163
26K