一次千赞项目的 pr
无心插柳 柳成荫，只是测试一下使用，觉得它的项目缺少本地测试的前端页面，vibe了一个 就给提交了，没想到被 merge了
Read more
Mac 上 Skill CLI 无法执行的坑：最后其实一条命令就够了
我在做 Amazon skills 的过程中，逐步把本地 CLI 从 Python 脚本切到 Go 二进制。这样做的好处很明显：用户不用装 Python、不用配依赖，解压 skill 后直接运行。但在 macOS 上，我们反复遇到一个看起来很玄的问题：同一个二进制，在 Linux/Windows 上正常，在 Mac 上就是执行不了。 当时遇到的现象 常见报错大概有几类： * 双击或 agent 调用 CLI 时，系统提示文件来自未知开发者，无法打开。 * 终端里执行时提示 Permission denied。 * 已经 chmod +x 了，仍然被 macOS 拦截。 * Apple
当我把全世界人群的基因 PCA 跑出来后，看见了一个倒 L 型
最近我把之前学的一些分子人类学知识，终于真正落地了。 不是停留在看论文、看别人画图、看别人解释“人群结构”这些概念，而是自己把数据处理完，自己跑 PCA，自己把全世界不同人群放到一张图上。 然后那一刻，我真的被击中了。 图上出现了一个非常漂亮的倒 L 型。 一端是非洲，另一端逐渐拉向东亚，中间有中东、欧洲、南亚、欧亚大陆上的各种过渡人群。它不是那种随机散点图，而是有方向、有骨架、有历史感的结构。 我第一眼看到的时候，脑子里直接冒出一句话： 这不像是一张普通统计图，这像是人类迁徙史在二维空间里留下的影子。 当然，后来我也提醒自己，PCA 不能被过度浪漫化。它不是地图，也不是时间轴，更不是“谁从哪里走到哪里”的直接证据。PCA 本质上是把高维基因差异压缩到几个主成分上，用最大方差方向把样本摊开。它可以帮助我们观察人群结构、相似性、分化和混合，但不能单独承担全部历史解释。PCA 在群体遗传学里常用于观察 population structure
吞吐与延迟:一个厨房比喻讲透性能压测
写于 2026-06-26。背景: MCP 服务 跑在 3 台 ClickHouse(每台 16 核 / 64G,1 分片 3 副本)上。 我们花了一整轮做公网压测,把这套系统的极限、天花板和杠杆全摸清了。这篇把"吞吐 / 延迟 / 排队"这三个最容易混的概念讲透,配我们自己的真实实测数据。 一句话结论 我们这套系统的吞吐天花板 ≈ 76 req/s。 往里塞再多并发(100、200、300、500),每秒"做完"的还是大约 76 个,多出来的全在排队。系统不会崩,只会让每个人等得更久。 天花板能不能抬?
四卡 3090 本地模型部署复盘：Ollama 跑通 35B，以及 GPU0 掉卡问题
这次做的是一轮真实的本地模型部署摸底。 目标不是搭一个临时 Demo，而是把一台四卡 3090 GPU 机器接进自己的日常 AI 使用环境：本机跑 Open WebUI，负责账号、会话和前端配置；GPU 机器只负责模型推理。这样以后换模型、换推理框架、重启服务，都尽量不影响本机的使用入口。 最后结论比较清楚：qwen3.5:35b 的 GGUF Q4_K_M 量化版已经通过 Ollama 跑通，本机 Open WebUI 可以接入，热加载后的聊天速度也能用；但 GPU0 存在明显稳定性问题，重启后能短暂恢复，跑过负载后又会掉到 NVML 异常状态。 状态快照 当前能用的部分： * 本机 Open WebUI 已部署，
陕公网安备61011302002223号