0X00 Prefix Matching 作为 LLM 的用户，我们没必要深究 Prefix Matching（前缀匹配）的细节机制，但是有必要了解它大概是个怎么回事。下面这张图来自 Anthropic 官网，可以看到当我们不碰其他的什么东西，只是在 LLM 对话框里进行一轮轮的对话的话，那么由于我们是 System Prompt + User Prompt + LLM Response + User Prompt + LLM Response.... 这样一路聊下去的，所以所以每次新的对话的前缀都会和缓存起来的内容匹配上，进而不需要再进行推理，只需要推理计算我们最近一次的 User Prompt 就行了。 为什么我们要尽量利用上缓存呢？理由和平时开发中的缓存是一样的，命中缓存不仅速度更快，还节约了计算资源。LLM 也是一样，命中了缓存就会节约大量的计算资源，并且在使用云端 LLM 服务时节约计算资源就是在节约钱。 以 Opus 模型为例，现在的价格大致如下： 输入 $5/M token 输出 $25/M token 命中缓存 $0.5/M token 假设一种场景，你每次输入 1k…
0X00 正文 看下面这段代码，可以看到这是一个经典中的经典问题：Python 中的全局解释锁 GIL。 我们都知道由于 GIL（全局解释锁） 的存在，Python 在运行 CPU 密集型的任务时不应该使用多线程，因为 Python 解释器并不能真正调动多个 CPU 核心并行执行，所以上面这个代码的输出就很好推断了，双线程“并发”的耗时应该和单线程跑两次的耗时几乎一样，所以它运行起来是这样的： 细心的你一定发现了，我运行了两次，居然出现了截然不同的结果！是的没错，Python 居然“多线程”了！ 好了好了，现在来解释一下情况：Python 自从 3.13 开始就提供了一个叫做 free-threading 的版本了，这是文档。到了 3.14 之后就提供了官方支持。但是此时此刻 free-threading 还是一个单独的版本，所以你能看到我命令里用的是 python3.14t，这里的 t 就是 free-threading 的 tag 了。 0X01 好耶！我这就升级到这个版本 停，打住，换上 free-threading 之前至少需要了解下面这几个问题： Python 的 GIL…
0X00 我的思考 不可否认的是 AI（严格来说是 LLM + Agent 的形式）极大的改变了过去几十年形成的软件开发范式。并且受到重大影响的不只是开发范式，影响更大的可能是开发者的进阶路径。我自己考虑过多次有关开发者晋升路径的问题，所有的思考都基于一个基本的前提人是懒惰的。下面就来分享一下我自己的一点点思考。 0X01 初级开发者如何出头 强如韩立也得从炼气开始修行，强如 Linus 也得从 hello, world 开始写代码。 按照以前的逻辑（至少是我理解的逻辑），一个平平无奇的大学教编程是这么个顺序 学习 C（知道什么是程序、编译、基本的程序逻辑等等） 学习数据结构（至少理解数组、栈这些基础结构） 学习更高级的编程语言（Python/C++/Java等） 学习网络、操作系统、Linux、DB 可以开发稍微大型一些的程序了 现在的情况是什么呢？所有人都知道程序员在大量用 AI，哪怕是纯应付工作的前提下，程序员工作也还是要动不少脑子的。但学生就不是了，我记得当时大一时候 C 语言的期末作业是一份学生成绩管理系统，需要在终端里实现学生信息的…
0X00 Start 很多人其实都已经用上 Claude Code 了，但实际上只是用法却比较随性，直接 claude --permissions-mode bypassPermissions 启动，然后就着这个聊天窗口不分昼夜的聊起来了。虽说这么干也确实能完成最后的工作需求，但这么用并不是很优雅，最重要的是效果也并不好。虽然我自己也不是什么 Claude Code 的资深专家用户，但也根据自己的经验和官方的文档总结了一些可以提升大家使用 Claude Code 体验的方法。 本篇文章以 Claude Code 工具 + Claude 模型为例，但 Codex/OpenCode 等工具也基本都有相似的原理和用法，同样具备参考价值。 0X01 编写 CLAUDE.md 如果你的仓库里还没有 CLAUDE.md 的话，至少先到 Claude Code 里执行一次 /init 让它生成一份。CLAUDE.md 文件可以理解成 Claude Code 在这个项目中的宪法，如果你有一些开发这个仓库时候的核心规则，就要记得加在这个文件里。比如你想最简单的践行 TDD（测试驱动开发），就可以考虑在…
0X00 首先来看 Qwen 3.6 如果你现在打算在本地部署一个 Qwen 3.6，打开 Hugging Face 搜索 Qwen 3.6 至少会看到下面这些模型，大概率会对这些“乱七八糟”的名字感到迷茫。你说你对这些名字门儿清？那你大概率并不能从这篇博客中获得什么有价值的知识/信息了。 🤔 好了，我假设你看到这些东西是迷茫的。<del>要不然这篇文章没法写了</del> 整体的命名方式和 GitHub 仓库是一样的，作者名和仓库名用 / 分开，这里是作者名和模型名用 / 分开。所以可以看到前 4 条是 Qwen 名下的模型，自然就是官方的了，其他几个就是个人或者其他组织搞的第三方模型了。真正麻烦一些的是后面这些东西。接下来就尽我所能逐一拆解这些相对来说常见一些的组成部分，搞清楚这个逻辑之后对于后面选模型会大有裨益<del>吧</del>。 0X01 参数量和激活参数量…
0X00 背景 我们程序员最理想的开发流程一定是切出分支，开发完成，合并代码，再切新分支写新代码。但事情往往不是这样的，但凡你在一个超过 5 人的项目组中工作过就会遇到过这种情况：正在某个 feat/xxx 分支开发呢，突然需要临时搞一个 hotfix，或者突然有人问你某某分支里的业务逻辑是怎样的，这种场景是极其常见的。该怎么办呢？ 0X01 学会 stash 如果你刚开始用 git 没多久，那多半是没什么办法，毕竟总不能把现在写了一半的代码改回去吧。然后你去网上搜（当然了，在 2026 年大概率是问 AI），莫名其妙看到了类似这篇文章的东西，现在你学会了使用 stash 命令。你成功的把当前做了一半的事情“暂存”了起来，然后切到对应的分支开始另一件事的开发。 这其实是很多人的路径，并且一度认为 stash 真的是个好东西，尤其是了解 stash save 之后，已经能解决大多数这种场景的需求了。 但现在事情发生了变化。 0X02 在 AI Coding 时代直接尬住了 AI 时代来了，有一天你正在用 Claude Code 在 feat/xxx 分支疯狂开发，Claude 已经在…
0X00 Intro 已经 2026 年了，别人都在写什么 OpenClaw 或者 Agent 相关的 AI 内容，再不济也是写一些 Skill 和 MCP 相关的东西，而我还在写“古法 AI 教程”。主要是因为我发现很多人虽然知道 AI 很厉害，但是完全不知道从哪儿下手去使用 AI，更不知道如何更好的使用 AI。甚至是搜索引擎都快要被 AI 取代了，还是有很多人并不会正确使用搜索引擎呢。 下面是我自己总结出来的一些用法或是技巧，能够比较大幅度的提升我们使用 LLM 的效率和它的产出效果，那么就开始吧。 你说你不知道 LLM 是什么？LLM 就是 Large Language Model，也就是「大语言模型」，我们平时说的 AI 多半就是指的这个东西，比如豆包、DeepSeek、GPT 之类的。后面的文章里 AI 和 LLM 也会混用，虽然他们本质上是两回事。 0X01 提示词多写几个字效果直接翻倍 AI 没有你想的那么聪明，他不知道你脑子里的潜台词是什么，所以当你需要让 AI 帮你解决问题的时候要把你的问题清晰明确的说出来。例如当你需要 AI…
0X00 Intro 兄弟们，又活了一年～ 这是我的第七个年度总结，在 2019年度总结 年度总结的开头我说：“2020年要来了，听起来这是个多科幻的年号啊。《银翼杀手》里说2019年底人类就有强人工智能了，可以穿梭宇宙了，甚至可以星际殖民了。然而现在就是2019年最后一天了，我的小爱同学还是像智障一样经常听不懂我说话。” 现在 2026 年已经来了，如果有机会对当时写 2019 年度总结的我说点什么的话，我估计会说：<del>“告诉所有信任自己的朋友，多多多多囤口罩、食材、水和各种必需品”</del> 不开玩笑了，现今虽然普通的小爱同学还是不太能听懂我们说话，但是如今的大语言模型已经极大的融入了我们的生活，应该没有人会说 ChatGPT 和豆包听不懂人话了吧。 说起来今年发生在我身上的变化还是非常多的，年初的订婚、找房搬家、装修、装修公司跑路、搬家、辞职、换工作、三十“大寿”...... 我的年终总结文章是每年最长的博客内容，但也是最没有章法的，主打一个意识流，那么现在总结开始。 0X01 压力/大事件…
0X00 Intro 现在是 2025 年末，所有人都在聊 AI，不管是一线科研人员还是开发者甚至是楼下卖瓜的大叔。但是在我的观察中，即便是很多开发者也其实对 AI 的了解也比较肤浅，仅限于使用成品的豆包、Deepseek 等产品，对时下热门的技术关键词并不了解。所以我自己重新整理了一下，假设目标用户是不懂什么是 LLM、Agent、MCP、Function Call 的我自己，写了一篇介绍文章。远远算不上由浅入深，但勉强可以做一个纯粹的介绍。 <!-- more --> 0X01 LLM 首先 LLM 的意思是大语言模型（Large Language Model），重点是语言和模型。所以我们搞清楚一个问题就是很多玩家自己部署的 Stable Diffusion 并非 LLM，因为它并不是语言模型。另外我们常用的 Deepseek 和豆包 App 也并非 LLM，因为它们并非语言模型。 最常被人们接触到的其实都不是模型，而是在模型上构建的产品，例如：ChatGPT 和豆包。模型指的是给这些产品提供 AI 能力的诸如 GPT-5.2、Claude Sonnet 4.5、GLM 4.7…
0X00 Intro 今年年初的时候，写过一篇名为如何高质量地接入AI的文章，现在十个月过去了，经过这一年的探索和总结，现在我已经找到了一个非常适合开发者的 AI 接入方案（至少非常适合我自己），现在打算在这里跟大家做一个简单的分享。 我个人使用这些 LLM 的经历主要是分成三个阶段： 最开始是 2023 年，注册了一个 ChatGPT 的账户，就只用 GPT-3.5 这种模型。不过那段时间 LLM 的能力还比较有限，使用量也并不大，很多时候都是以玩的心态在用； 后面随着模型能力上升，需求也跟着上升了，索性订阅了 POE，每个月要花掉 $20。不过当时 GPT-o1 和 Claude 3.5 这些模型还是给我工作学习明显提供了帮助的 POE 的年度订阅过期之后我试图找到一个比 POE 更合适我自己的技术方案，也就是下面将会介绍的这个了 <!-- more --> 0X01 Struct 当时在探索方案的时候我的需求就是：按量计费、多平台统一、多模型可用、高度定制化、显得高级（满足虚荣心 🤣）。那么最终得到的就是下面这样一个结构。 先来简单介绍一下这个方案的优势： 按量计费：因为是用…
