zhouhao

Impeccable style 优化前端UI的设计Skills

Wed, 29 Apr 2026 00:00:00 GMT

Impeccable.style 是一个专为 AI 编码工具（特别是 Anthropic 的 Claude）设计的前端设计增强技能包（design skill / prompt framework）。它本质上是一套"设计语言 + 指令系统"，旨在大幅提升 AI 生成的网页界面（UI/前端代码）的审美水平和专业度。通过这套工具，AI 生成的界面不再带有明显的"AI 生成"痕迹，而是更接近优秀人类设计师的作品。

作者：Paul Bakaus（一位知名的前端/设计工具开发者）。
基础：基于 Anthropic 官方的 "frontend-design" skill 进一步深度强化。
发布日期：2026 年 2 月 28 日发布 v1.0.0；最新版本 v1.2.0（2026 年 3 月 5 日更新，包括新增 Kiro 支持、统一命令架构和 prefix toggle 恢复）。
适用环境：Cursor、Claude Code、Gemini CLI、Codex CLI、Copilot、Antigravity、Kiro 等支持自定义 skill 的环境中使用。
官网：https://impeccable.style（官网界面本身也使用这套规则设计）。

核心卖点：让 Claude 等大模型的前端审美从"及格"升级到"优秀/高级"。它通过在 prompt 中加入特定指令，从设计师的视角触发多角度的审核分析设计，从而执行更高级的设计决策, 而不是简单堆砌 Tailwind / CSS 等样式。

主要作用

Impeccable.style 的主要作用是通过一套预定义的指令系统，提升 AI 在前端设计中的表现。具体来说：

设计决策自动化：用户可以在 prompt 中添加指令（如 /polish），AI 会根据 Impeccable 的规则体系自动调整代码和设计方向。
界面优化：从审美、一致性、性能到用户体验的多维度提升。
简化工作流：开发者无需从零学习复杂设计原理，只需记住并组合指令，即可生成高质量界面。
示例使用：在 prompt 结尾添加指令组合，例如：

/polish + /distill + /animate

AI 就会按照这些规则精炼界面。

目前，Impeccable.style 提供 17 个核心设计指令（类似设计专用 DSL），这些指令覆盖从审计到优化的各种设计阶段，帮助用户快速迭代界面设计。

优势

相比原生 Claude / GPT 或普通 Tailwind prompt，Impeccable.style 具有显著优势。它能让 AI 生成的前端代码在审美水平上从中等偏下、常带"AI味"的状态，提升到中高级，接近优秀独立设计师的水准，这也是它的最大卖点，能有效避免生硬的设计感。

在设计决策深度方面，原生工具往往停留在比较表面的层面，而 Impeccable.style 引入了系统性思考，能够主动避免 anti-patterns 等常见雷区，让 AI 更智能地理解"为什么不该这么做"。

一致性是另一个亮点，原生生成的前端代码经常出现前后矛盾的问题，但 Impeccable.style 通过强制执行同一套设计语言，确保项目整体更统一。字体、间距和颜色这些细节，并且提供搭配和微调建议，详细的文字描述和精准的设计落点是提升效果好的最明显的几个原因。

动效方面，Impeccable.style 对于 motion 效果比较克制，减少过于侵略性的设计来保持设计质感，这一点我觉得很必要。在使用难度上，Impeccable.style 分门别类提供了 17 个不同用途的命令，简单了解即可上手，没有什么使用门槛。

简单来说，如果你使用 Claude / Cursor 等工具编写前端代码，但总是觉得生成的界面"差点味道"或太"AI 化"，Impeccable.style 是截至目前我使用测试过，生成效果最佳和最全面的的设计 Skills。值得一试。

所有设计指令

Impeccable.style 提供 17 个核心设计指令，每个指令都有特定功能。以下是完整列表，包括指令名称和简要描述：

/audit — 执行全面界面质量审计，涵盖可访问性、性能、主题化和响应式设计。生成详细报告，包括问题严重性评级和推荐解决方案。
/critique — 从 UX 视角评估设计有效性。检查视觉层次、信息架构、情感共鸣和整体设计质量，提供可操作反馈。
/normalize — 标准化设计以匹配你的设计系统，确保一致性。
/polish — 发布前的最终质量检查。修复对齐、间距、一致性和细节问题，将"好"提升到"优秀"。
/optimize — 优化界面性能，包括加载速度、渲染、动画、图像和包大小。使体验更快、更流畅。
/harden — 提升界面韧性，通过更好的错误处理、国际化支持、文本溢出管理和边缘案例处理。使界面更健壮、生产就绪。
/clarify — 改进不清晰的 UX 文案、错误消息、微文案、标签和说明。使界面更容易理解和使用。
/distill — 将设计精炼到本质，去除不必要的复杂性。优秀设计应简单、强大且干净。
/adapt — 适应设计以适用于不同屏幕尺寸、设备、上下文或平台。确保跨环境的一致体验。
/animate — 审视功能并通过有目的的动画、微交互和运动效果增强它，提升可用性和愉悦感。
/colorize — 为单调或缺乏视觉兴趣的功能添加战略性颜色。使界面更吸引人和富有表现力。
/delight — 添加喜悦、个性和意外惊喜的时刻，使界面难忘且愉快。将功能性提升到愉悦性。
/bolder — 放大安全或乏味的设计，使其更具视觉趣味和刺激性。在保持可用性的前提下增加冲击力。
/quieter — 降低过于大胆或视觉侵略性的设计强度。在保持设计质量和影响力的前提下减少强度。
/extract — 提取并整合可复用组件、设计令牌和模式到你的设计系统中。识别系统化复用的机会，丰富组件库。
/teach-impeccable — 一次性设置，收集项目设计上下文并保存到 AI 配置文件中。运行一次以建立持久设计指南。
/onboard — 启用设计工作流的入门过程，帮助用户快速融入 Impeccable 的使用流程。

注意：这些指令可以组合使用，以实现更复杂的优化。例如，/audit + /polish 可以先审计问题再进行精修。

如何使用

安装/集成：访问 https://impeccable.style 下载 skill 包，并添加到你的 AI 工具（如 Claude 或 Cursor）中。推荐方式：在终端运行 $ npx skills add pbakaus/impeccable（自动安装并配置）。
Claude Code 专用：使用 /plugin marketplace add pbakaus/impeccable，然后在 /plugin 面板的 Discover 标签中完成安装。
手动方式：下载通用 ZIP 文件，从官网提取到项目根目录（例如 .cursor/、.claude/、.gemini/、.codex/ 或 .agents/ 文件夹）。

在 Prompt 中应用：描述你的界面需求后（如"设计一个基于 Tailwind CSS 的登录页面"），在末尾添加指令组合。AI 会根据 Impeccable 的规则自动优化。示例：设计一个登录页面，使用 Tailwind CSS。/distill + /bolder + /animate
最佳实践：
- 新手建议从简单指令开始（如 /polish 或 /distill），熟悉后再逐步组合复杂指令（如 /audit + /polish 先审计再精修）。
- 项目初始化时，运行 /teach-impeccable 指令，配置项目专属设计上下文，确保后续设计输出的一致性。
- 测试时，使用真实设备而非仅模拟器；采用内容驱动的断点；确保触控目标至少 44x44px；避免在移动端隐藏核心功能；保持跨上下文的信息架构一致；应用渐进增强和响应式图像。
- 若想快速了解工具效果，可直接访问官网的 cheatsheet 查看指令速查表，或浏览 demo 示例。

最后

Impeccable.style 的设计思路值得借鉴，无需专业设计基础，借助当前不断强大的模型，即可让开发者轻松创建专业级前端界面。如果你经常使用 AI 工具编写前端代码，追求高效、高质量的设计输出，这款工具绝对值得尝试！

Agent Experience 导论

Thu, 16 Apr 2026 00:00:00 GMT

来源：少数派（原文链接）

随着 LLM 技术应用的不断发展，Agent Experience（简称 AX），成为了显学，来开始在工程圈流通。Netlify 联合创始人兼 CEO Mathias Biilmann 于 2025 年 1 月在其博客发表 Introducing AX: Why Agent Experience Matters 一文，正式引入这一概念。他将 AX 定位为继 UX（1993 年 Don Norman 在 Apple 任职时提出）与 DX（2011 年 Jeremiah Lee 在 UX Magazine 文章中系统阐述并普及的框架）之后的下一个核心设计维度。AX 专门探讨如何设计产品形态，使 AI Agent 能够可靠地「理解」、自主操作并高效集成，而非仅服务于人类用户。

事实上，Agent Experience 这个词要比 UX 和 DX 复杂得多，因为它不仅包含了人这个高度不确定性的，又引入了一层人工智能，它们需要协同对外部世界产生影响，因此也会产生大量的彼此交互，让整个问题空间变得更难以分析。因此，为了把整个概念阐释清楚，我认为需要将其拆成三个维度来看：用户怎么和 Agent 沟通，Agent 怎么和外部世界沟通。还有夹在中间最复杂的那一层：Agent 的内部状态怎么管理。

用户怎么和 Agent 沟通，是一种输入质量问题。用户是人，表达天然是模糊的、情绪化的、跳跃的，你不可能期待每次他打开聊天窗口之前都在 Word 里面写一篇完整的议论文把自己的想法解释清楚。所以这一侧的核心挑战是怎么在不强迫用户写规范 Prompt 的前提下，把意图尽量准确地传进去。Skills 在这一侧发挥作用，交互设计也在这一侧。

Agent 怎么和外部世界沟通，是输出可控性问题。狭义层面上的 AX 通常被限定在这个范围。外部世界是确定的，文件系统、API、浏览器，它们不会因为 LLM 表达模糊就自动容错，所以这一侧的核心挑战是怎么把概率性的生成压缩成确定性的动作。MCP、工具调用、事件注入都在这一侧。

Agent 的内部状态，是一种上下文管理问题。用户的输入要进上下文，外部世界的反馈也要进上下文，而上下文本身是有限的、会劣化的、会被污染的。MemGPT、动态压缩、截图清理，严格来说既不属于用户侧也不属于外部世界侧，它们是在处理 Agent 自己的认知状态。AX 如果只盯着第一层，做出来的东西可能交互很顺滑，但 Agent 跑着跑着就开始犯蠢，用户照样会受到成吨的 Emotional Damage。

Agent 的内部状态：上下文即战场

这是最复杂的部分，因为所有崭新的神秘词汇全都集中在此处，相信你也见过各种谁好谁不好的骂战。但在我看来这不是一个需要吵的话题，让我一口气把所有让你目眩的 LLM 名词全都过一遍。

众所周知的，LLM 本质是个概率模型，或者说，是个受函数约束的随机数接龙器。它在训练数据里找到了大量人类语言的规律，在给定上下文的情况下预测下一个 token 的概率分布，然后按分布采样。这东西本身能做到的事情就是生成文字。想让它对外界产生真实影响，就需要给神灯开一个瓶口。Claude Code 和一众 Coding Agent 用的是命令行，LLM 写出代码，执行器跑命令，结果回流上下文，这是一种瓶口。MCP 提供的是另一种，它的行为更接近 RPC：服务端暴露一批函数，LLM 看见函数签名，按需调用，外部世界因此被修改。Skills 则根本没有这层性质，它是纯粹的提示词工程工具，没有出口，只有给 LLM 看的说明书。

这三种形态看起来各管一摊，底层其实在解同一个问题：上下文污染。

Skills 与 MCP

这两个东西走的是两个思路，一个是在上下文加入正确的东西，一个是阻止垃圾信息填满上下文。

Skills 是提示词工程，它往上下文里追加一段说明，让 LLM 知道「这用户究竟是在干什么」，它向上下文当中导入了专家的认知结构，引导 LLM 的思维方向。但是 Skill 的约束能力强不强很看模型对上下文的尊重能力。LLM 会不会用你的 Skill、按什么顺序用、会不会跳步骤，全都是概率问题，没有强制收束。而且强收束并不一定是好事，后面会提到 Google 搜索的例子，另外也有研究认为 LLM 的幻觉与创造力是一体两面的，如果你强行约束它的行为，它做事情的思路就有可能变得很板。

MCP 走的是另外一套思路。函数签名本身就是极强的先验，参数类型、参数名称、函数名都在限制采样方向。动作空间从「能写出来的任何文字」一下子压缩成「这几个函数加这几个参数」。举个例子，让 LLM 操作鼠标按下一个按钮，这涉及列举窗口、取句柄、截图、算坐标、移动鼠标、点击，写成 Skills 的话你得接受 LLM 摇骰子决定这些步骤的执行方式和顺序，但如果是 MCP，看见函数列表，找到窗口，识别内容，点击坐标，一大堆随机决策被压缩成了三次确定性的函数调用。

但 MCP 没有完全解决上下文污染，因为工具调用的返回值同样会进上下文。设计粗糙的 MCP Server 扔回来一大坨 JSON 或者冗长的错误堆栈，照样往上下文里塞屎。扎带只管扎进去那一下，吐出来的东西还是得自己设计。

当然这也不是说 Skills 没有价值。MCP 开发成本高，需要专门的服务端，大量的工作根本不需要跟外界交互，或者逻辑太松散压根没法封装成 RPC 格式。一切技术形式服务于问题和目的，Skills 处理的是另一类场景，尤其是需要引导 LLM 以更完整方式思考的时候，毕竟用户是人，不能期待他们每次都给出思虑周全的 Prompt。

RAG 与 Memory：同一类问题的检索接口

RAG 的本质也是在解上下文问题，只是它处理的是信息量的上限。哪怕 DeepSeek 和 Claude 把上下文窗口拉得很长，也没办法把整个世界都塞进去。只要你有大量信息检索的需求（整个文档库、知识库、历史记录），就需要一个类似搜索引擎的接口在用到的时候把相关内容拉进来，这跟给 MCP 调搜索引擎没有本质区别，都是维持上下文清洁的一种技术手段：LLM 不再需要把所有信息预先堆在那里，期待其能自己「发现」。

Memory 也是同一类东西。它需要 LLM 主动决定何时把信息存出去、何时再取回来，从这个角度看它就是一种带写入能力的 RAG。

这些概念都不是独立存在的，没有互斥关系。如果你把 NotebookLM 当成外部知识库，写一份 Skill 告诉主 LLM：遇到需要资料支撑的问题时去咨询 NotebookLM，需要计算或处理数据时调用 Python 工具。这个流程里，Skill 负责编排整体思路，Python 工具充当 MCP 风格的确定性执行单元，NotebookLM 则是一个带有自己上下文和知识库的外部 LLM，扮演的角色类似一个专门的 RAG 接口。三件东西各司其职，但把它们捏在一起的那根线，是 Skill 里的提示词。

上下文劣化的绝望曲线

不少开发者会经历这样一条曲线。LLM 一开始是无知的，随着你不断教它，它开始能听懂人话，任务完成质量越来越高。但随着上下文里的垃圾信息不断堆叠，加上 LLM 注意力随着上下文长度增加而自然稀释，它会越变越蠢。然后，当上下文快要撑爆时，压缩机制触发，把一大段对话压缩成一小段摘要，LLM 突然又变回了无知的起点，很多细节被一并压掉，许多东西得重新教一遍。

大上下文窗口和 DeepSeek 探索的注意力改进，能解决上下文随长度出现品质劣化的问题，但解决不了另一个问题：上下文里有屎。大量 Skills 提示词侵占上下文、LLM 漫无目的的尝试、每一次失败的推理留下的痕迹，这些都是上下文里的噪声。一旦 LLM 开始沿着歪掉的思路走，后续每一步都会进一步放大偏差，逻辑越复杂的任务越容易出这种毛病。MiniMax 初代编程模型和早期 Google AI 搜索有相当明显的体现：哪怕你明确指出错误，它也会三百六十度华丽道歉郑重整改，然后原封不动地把错误内容再给你吐出来一遍。

用户自己也会往上下文里投毒。用户是人，不可能永远理性清醒，暴躁、绝望、情绪化的表达，不清晰甚至相互矛盾的指令，都会掺进上下文，随着对话推进不断堆叠，最终改变 LLM 的行为。不同模型面对这类「情绪污染」的失效模式各有特色：Claude 和 Grok 容易僵住，什么都不做，你说一句它动一步，能动性彻底丧失；Gemini 会开始慌乱，胡乱操作，惯性地回滚失败操作，大概率把你的 Git 仓库搞坏；GLM 则会疯狂进入「我发现了！问题核心在这里！」的模式，不断抛出随机论断证明自己价值。这些失效模态很可能反映的是各家 RLHF 阶段对「用户表达不满」这类信号处理方式的差异，Claude 被训练得对冲突信号极其谨慎，于是在矛盾信息堆叠时选择保守的不作为；Gemini 的训练策略可能更强调立即响应和立即修正，结果在高压上下文下变成了过度修正。

动态上下文压缩与 MemGPT

现有的上下文压缩方案基本上是被动的：等到上下文长度接近模型上限，立刻调用提示词把它们压缩成一小段文字，然后继续跑。这种方式的问题是它在最糟糕的时机做最暴力的处理，大量有用的细节被一并丢弃，而屎不一定被滤掉。

在我看来更合理的方向应该是动态的、主动的压缩。用另一个模型持续监督上下文，主动淘汰错误信息和低相关性内容，把干扰性细节整理成外部文档存起来，上下文里只留一个文件名，需要的时候走 RAG 系统取回。这个思路早已有人做了，2023 年 UC Berkeley 发表的论文就提出了这套架构，实现叫 MemGPT，后来演变成了开源框架 Letta。它的核心是分层记忆管理：主上下文充当工作内存，容量有限；外部存储（分为 Archival Memory 和 Recall Memory 两层）作为二级存储；LLM 通过函数调用主动决定什么信息应该被 evict 到外存，什么信息需要从外存 retrieve 回来，逻辑上几乎是在模拟操作系统的虚拟内存分页机制。

当然在特定条件下，我们也没必要把事情搞得那么复杂。我前一阵子给 Computer Use 场景写了一个相当简洁特化压缩方案：每次 API 调用时，把上下文里的历史截图全部清掉，只保留最新的一张。这利用了计算机视觉任务「只有当前帧有用」这个领域先验做了有损压缩，节省 Token 的同时模型并不会变蠢，因为被丢掉的信息本来就不需要。

KV 缓存当下的局限

动态上下文压缩和 KV 缓存之间有一个工程上的冲突。现在主流模型提供商（包括 Anthropic）都在做前缀缓存，推理时把已经转成 KV 向量的部分存起来，下一次请求如果前缀相同，可以跳过重新计算的开销，显著降低延迟和成本。Anthropic 的 prompt caching 按 tools、system、messages 的固定顺序分段处理，每段可以独立设置缓存控制点，支持最多四个缓存断点。问题在于前缀缓存要求内容严格一致，任何修改都会使该位置以后的缓存全部失效，而动态压缩天然要修改上下文，这两件事目前是相互矛盾的。

但这个矛盾不是解不开的。上下文可以被结构化成稳定前缀（系统提示词、工具定义）加动态后段（对话历史）的形式。动态压缩只发生在后段，前两部分的缓存完全不受影响。Anthropic 的分段缓存机制本身就是按这个思路设计的。如果压缩逻辑进一步被约束成只修改滑动窗口末尾部分、保持前缀不动，缓存的破坏率可以压得很低。这些应该都是随着时间可以被工程化解决的问题。

Computer Use 更像是一个品牌包装，不是一项独立技术

如果说 RAG、MCP、Skills 是在解决上下文的管理问题，Computer Use 解决的是另一个层级的事：让 LLM 真正坐到操作系统前面，像人一样用软件。但「Computer Use」本身没什么特别的，它更接近一个品牌名。底下跑的还是 Skills 或者 MCP，只是操作目标换成了电脑上的窗口、按钮和键盘。上文讲过的那些上下文问题，在 Computer Use 里一样存在。

目前主要有三条技术路线，底层逻辑和取舍各不相同。

第一条，读 Accessibility Tree，走系统事件注入。Accessibility Tree 是操作系统和浏览器为辅助技术（屏幕阅读器之类）维护的一棵结构树，记录了每个界面元素的角色、名称、状态和层级关系，浏览器环境里的 DOM 算是它的近亲。走这条路的好处是结构干净，LLM 拿到的是「按钮、输入框、链接」这样有语义的节点，不是像素。阿里的 page-agent.js 是这个流派的代表，它直接解析页面 DOM，用自然语言驱动浏览器操作。

第二条，截图看界面，但在送给 LLM 之前先做一层处理，把界面元素的位置用边界框圈出来并标上编号，让 LLM 操作时说「点击 12 号区域」，后端再解析那个框的中心坐标执行实际点击。这个方法有个正式名字，叫 Set-of-Mark Prompting（SoM），是微软 2023 年发的论文。核心思路是用数字标记把视觉定位问题转化成符号引用问题，绕开模型直接预测像素坐标的不确定性。它相当于在截图流派里内嵌了一层 MCP 风格的收束，把「点哪里」这个开放问题压缩成了「选哪个编号」。

第三条，原生多模态，模型直接看截图，自己输出要点击的坐标，一步到位。这条路理论上最简洁，省掉了中间层，但对模型能力的要求很高。就实际观察来看，只有 100B 以上参数量的原生多模态模型做这件事才比较靠谱，Claude Sonnet 和 Qwen 的 35B 版本连按钮位置都经常找不准，原因不难理解，精确的空间定位本来就不是语言模型最擅长的事，参数量不够的时候，坐标预测的准确性会掉得很厉害。而且如果你界面里的控件很小的话，超大尺寸模型也容易点不中那个小 checkbox。

DOM 路线有一个显而易见的上限：它能告诉你界面上有什么元素，但没办法告诉你这些元素在空间上是怎么排列的。类 Excel 的复杂界面是个典型的例子，几十列、几百行的数据表格，哪一格是脏数据，单靠 DOM 节点的语义信息根本看不出来，必须结合位置关系才能判断。更麻烦的问题是，DOM 路线要求程序主动去做事件转发和接口适配，现在这个领域没有统一标准，也不是每一个开发者都有意愿欢迎 LLM 来操作自己的产品。强行适配一套不情愿的界面，开发成本很高，效果也未必好。但考虑到现代前端开发基本没有直接操作 DOM 的，大家几乎都用某种 Virtual DOM 的手段来处理和 HTML 结构、事件绑定有关的事，所以几个头部前端框架如果能就事件处理的 AX 问题达成共识形成标准，这层面的问题说不定也还算是有解。

读图路线则是从原理上绕开了这些问题，它不需要对方配合，只要能截图就能操作，和人眼看屏幕没有本质区别。现在卡着这条路线的瓶颈主要是模型的空间理解能力，100B 以下的模型在坐标预测上不够准，但这个限制会随着模型迭代持续松动，不太像是一个结构性的死角。

读视频更进一步，时序信息可以让模型理解「做了什么之后发生了什么」，对需要观察界面动态反馈的操作场景理论上更合适。限制是成本，视频流意味着每秒若干帧全部进上下文，Token 消耗和 GPU 开销都是截图方案的几十倍，现在几乎没有人做得起，主流实现继续停在看图调工具的水平，视频方向还处于仅限媒体老师狂欢的范围。

但从趋势上看，随着推理成本持续下降、多模态模型的空间理解能力持续提升，读图和读视频路线比 DOM 路线有更宽的天花板。DOM 永远需要对方的配合，而屏幕永远在那里。

用户和 Agent 之间的故事

Agent 怎么告诉用户：Conversational UI 的两次高潮

AX 用户侧的交互形式，有一段被反复误读的历史。

2016 年前后，微信在中国的爆火引发了西方科技界一阵「对话即平台」的热潮。Facebook 在当年的 F8 开发者大会上开放了 Messenger Bot 平台，Kik、Telegram、Slack 也相继推出 Bot API，各路分析文章都在讲「App 已死，Bot 是未来」，Conversational UI 这个词在那个时间点密集出现。但当时在微信做产品经理的 Dan Grover 写过一篇广为流传的文章，直接指出这个判断建立在一个误解上：微信真正的关键胜利，来自于简化了应用安装、登录、支付和通知流程，这些优化和对话式 UI 的隐喻没有什么关系。实际上微信自己早就往反方向走了，它的 UX 演化方向是 Web View 和「App 套 App」的标签菜单模式，而不是以 Bot 为中心的对话商务。微信在 2013 年推出官方账号时确实有大量基于文字的聊天 Bot，但它们很快就没下文了，几乎没有获得用户的青睐。

几乎所有对 Conversational UI 的初次尝试都以哑火告终，原因清晰：当时的技术底座是规则引擎加关键词匹配，顶多套一层早期的意图识别，根本撑不起「自然对话」的承诺，用户说一句稍微绕一点的话，Bot 就不知道怎么办了，要么答非所问，要么退化成披着聊天外皮的菜单系统。

LLM 的出现让 Conversational UI 迎来了第二次高潮，这一次终于有了能匹配野心的技术底座。但奇怪的事情发生了：整个行业并没有回头把对话流里的富交互做深，它们选择往旁边开了一扇门。现在主流 LLM 产品的形态是左右分栏，左面是聊天，右面是文档、PPT、代码预览或者测试题，反倒很少有产品在对话流中间认真做富交互卡片。一些玩得比较花的，像是 Google 直接把整个浏览器做成了一个庞大的 Web App 生成器。

这个选择有它的道理，画布模式对于文档、代码这类有形态的输出物确实更直观。但它的依然是把 Conversational UI 降级成了一个指令输入框，而不是让对话本身变得体验丰富。有一个项目叫 OpenUI 在处理这个问题，但没成什么气候。真正大面积投产的应该是 Claude，他们最近推了一个直接在上下文里面输出高质量图表的功能，看起来有点朝着「更高级的 Conversational UI」前进的意思了。

用户怎么告诉 Agent：开口与闭口

AX 的用户侧还有一个维度经常被忽略：究竟是否限制用户的自由输入，也就是开口系统和闭口系统的区别。

开口式是一个开放的窗口随便聊，这看起来是目前最通行的做法，但其实没那么好做。安全问题是一方面，怎么做意图对齐也是很棘手的事情：一个开放聊天窗口意味着你把意图解析的全部责任都压在 LLM 身上，用户说什么它都得接，然后自己判断该做什么。提示词注入只是这个开放性最极端的恶意利用，更日常的问题是用户的意图本来就是发散的，LLM 在没有约束的情况下会随着用户的话飘。客服机器人被聊成 Coding Agent 是一个喜剧版本，更常见的是它飘成一个方向不明的闲聊工具，对实际业务毫无贡献。总之，把聊天窗口甩出去了事省掉的那部分设计工作，最后会以失控的形式还回来。

闭口式是把所有的业务流程限定死，输入是半自由的，但是处理管线和输出结果是定死的。ComfyUI 和 Dify 在做的比较接近这种层级，它把管线可视化，设计者对每一步的输入输出都有明确的掌控，LLM 只在节点内部发挥，不跨节点乱走。代价是你得先想清楚业务流程。

两者之间还有一个没被充分开发的中间地带，Pipeline builder 是这个方向的一个尝试：把管线的设计权交给用户而不是开发者，用户自己拖拽定义流程，然后在这个自定义的管线里跑 LLM。但它有一个内在的悖论：能用好 Pipeline builder 的用户，往往是已经想清楚自己业务流程的人，而想清楚了业务流程的人其实也有能力直接写代码或者用 Dify 搭，它服务的人群窗口相当窄。更常见的情况是用户在节点之间的数据格式和分支逻辑上卡住，最后还是得找开发者收尾。某种意义上 Pipeline builder 是在尝试把闭口式的设计成本从开发者转移给用户，但这个转移只成功了一半。

从 AX 的角度看，开口与闭口的选择不只是产品决策，它直接决定了上文讲的那三层问题各自的压力分布。越开口，用户侧的意图噪声越大，Agent 内部状态越容易被污染，对外部世界的操作越难收束。越闭口，设计成本越高，但每一层的问题都变得更可控。没有一个普遍正确的答案，只有针对具体场景的取舍。

二者之间的系统透明度：潘多拉的盒子先开了，唐僧还在路上

有一个既不属于用户怎么把意图传进来，也不属于 Agent 怎么把动作发出去，而是夹在中间的课题：系统透明度。用户此刻知不知道 Agent 在做什么，做错了之后能不能追溯，出了事有没有办法回头。

这个问题在 Vibe Coding 领域最为突出，因为 Coding Agent 被赋予的权限是最重的一类，直接接管文件系统和命令行。现有的解法是权限确认弹窗，Agent 想读什么文件、写什么文件、执行什么命令，全都逐一请示用户。但这套设计在实践中有一个致命的人因工程缺陷：风险判断的成本被完整地抛给了用户，而用户并不总是具备判断能力，也不可能保持永久在线的注意力。一个非技术背景的 Vibe Coder 看见 rm -rf 和看见 npm install 的感受没有任何区别，点 Yes 的速度是一样快的。就算是有经验的开发者，在连续确认几十个操作之后也会出现确认疲劳，回车键开始不过大脑地飘。

于是有了 --dangerously-skip-permissions，也就是所谓的 YOLO Mode：用户主动关掉所有权限检查，让 Agent 裸奔。这个 flag 的名字里已经把「危险」两个字写进去了，但还是挡不住人们去用。2025 年 10 月，开发者 Mike Wolak 在 Ubuntu/WSL2 环境下使用 Claude Code 处理一个嵌套目录里的固件项目，Claude Code 从根目录执行了 rm -rf，错误日志里出现了数以千计针对 /bin、/boot、/etc 等系统路径的「Permission denied」，所有用户所有的文件被清空，只有 Linux 文件权限挡住了系统目录没被波及。更麻烦的是，对话日志记录了命令的输出，但没有记录命令本身，事后根本无法还原到底发生了什么，Anthropic 把这条 bug 标记为 area:security。同期还有一个案例，一名开发者授权 Claude Code 运行 Terraform 命令，结果生产环境的数据库和快照被一并删除，两年半的数据记录在那一刻蒸发。

现在的安全模型看似让用户负责，但实际上整个系统完全就是在转嫁安全责任。

沙箱是目前公认最靠谱的缓解方案，把 Agent 关进 Docker 容器里，它乱来的代价至少被限制在容器边界之内。Coding Agent 放沙箱里是一个合理的操作，但 Claw 这类系统级 Agent 放沙箱里会面临一个两难：它需要操作的东西本来就在沙箱外面，一旦开始认真配权限，复杂度会让大多数用户望而却步，最终还是会选择把沙箱打开。沙箱本质上是在用隔离换安全，但如果 Agent 的任务本来就需要跨越隔离边界，这个代价就变得无法接受。

这个问题其实有几个方向可以处理，但非常可惜的是，目前没有一个产品把它们完整地做出来过。

第一个方向是文件系统和数据库层面的可审计性。如果有一个独立于 Agent 的增量记录机制，把每一次文件系统操作和对应的对话上下文绑在一起，让所有变更都可以追溯，那么即使 Agent 犯了错，损失是可以被控制和回滚的。这个思路目前有一些零散的工程实践，Git 和聊天记录的绑定有人在做，最近出现了一个叫 Aura 的工具，它在 Git 之上构建了一层 AST 级别的语义版本控制，Agent 提交代码时会校验自然语言意图和实际修改的代码节点是否匹配，并且提供语义审计，可以扫描 Git 历史里有没有 Agent 偷偷塞进去的没有记录的代码改动。学术界也有类似思路，一篇叫 Git-Context-Controller（GCC）的论文把 COMMIT、BRANCH、MERGE 的概念直接引入 Agent 的上下文管理，让 Agent 的中间推理状态也变成可以检查点、可以回滚的结构。这些都还很早期，但方向是明朗的。

第二个方向是行为建模报警。杀毒软件对软件行为建模这件事已经做了好几十年了，对进程的文件操作、网络请求、注册表修改进行实时监控，一旦行为模式匹配已知的危险集合就触发告警。同样的思路放到 Agent 上可能并不需要另一个 LLM 来监督（不然监督这个 LLM 的 LLM 要由哪个 LLM 监督？），只需要维护一份失控行为集合和危险行为集合，rm -rf /、批量覆盖 Git 历史、在项目目录之外写文件，这些都是可以被规则系统静态拦截的，不需要 LLM 去判断语义。这种报警机制的好处是它和用户的认知模型更接近：他不会像跟屁虫一样每一步都问你要不要，他们只会在真正危险的时候才出声，这和现代操作系统处理异常进程行为的方式是一致的。

第三个方向是分级权限体系。Android 和 iOS 处理摄像头、麦克风、录屏调用的方式是一个可以参考的模型：普通级别的系统调用完全静默；涉及隐私的操作在屏幕角落给一个高亮提示，不打断用户；真正敏感的操作弹出确认框；涉及账户安全的操作需要打密码。这套设计的核心是按照操作的不可逆程度和影响范围来分级，而不是对所有操作一视同仁地弹窗。放到 Agent 上，读文件是静默的，写文件是提示的，删文件是确认的，格式化磁盘是需要输密码的，这样的分级才能同时保住效率和安全感。目前 Agent 领域完全没有这样完备的权限体系出现，UX 和技术层面的准备其实都有了，缺的是有人认真把这件事从产品层面做完整。

潘多拉的盒子在 Vibe Coding 浪潮里已经打开了，里面跑出来的东西让不少人付出了真实的代价。治理这件事的基础设施还在路上，但至少方向还算是清晰。

Agent 和系统之间的关系

界面作为上下文投递机制

讨论 AX 到这里，我们一直在讨论用户侧、内部状态和外部世界三个层面，但有一个横跨这三层的问题还没有被正面处理：在推论过程进行中，谁来决定哪些信息应该出现在 LLM 的上下文里，在什么时机出现，以什么形式出现？

一个常见的直觉是：「让 LLM 写代码就行了，复杂的事情交给程序处理」。以数据分析为例，让 LLM 写 R 或 Python 代码看起来是最直接的路径。但统计分析的复杂性不只在于代码跑不跑得通，代码跑通了不意味着统计过程是对的，统计过程对了解释不一定是对的。从数据清洗到得出结论，每一个环节都有人类会犯的错误，LLM 同样会犯。更麻烦的是，一旦人类把这种活外包给 LLM，就很难指望他们再仔细核查过程。

这个问题在统计学领域由来已久。Nature 2014 年发表了一篇题为 Scientific method: statistical errors 的文章，讨论了顶级期刊中系统性的统计误用问题。一项独立研究发现，仅 2001 年发表在 Nature 和 BMJ 上的论文中，就有约 11%（甚至更多）的统计结果存在 p 值与检验统计量不符的问题；另有研究审查了 513 篇顶级神经科学期刊论文，发现其中 157 篇存在可能诱发错误的交互分析情境，且在这些论文中近一半（约 50%，即 79 篇）错误地将「一个效应显著而另一个不显著」当成了两个效应之间存在显著差异的证据，这是一个烂到根里的概念错植，不是简单的计算失误。2016 年 Nature 调查了 1,576 名研究者，结果显示超过 90% 的受访者（52% 认为显著危机 + 38% 认为轻微危机）认为科学界存在可重复性危机。这只是显著性检验一个维度，至于自由度标错、数据清洗时犯蠢的，是一个至今没人系统统计过的更大黑数。

值得庆幸的是，SPSS、Jamovi、Minitab 这类专业统计软件对数据分析全流程做了严格的 QC，尤其是 Minitab，它的 QC 系统覆盖了测量系统分析、过程能力分析、控制图、假设检验等各个环节，在每个分析阶段都会给出结构化的诊断信息和假设前提的检验结果。人可能会选择性地忽视这些警告，但如果是 LLM 在操作且插入位置得当，这些信息会作为上下文的一部分被公平地处理，LLM 不会因为「看起来够用了」就跳过检验结果。这本质上是把几十年的统计实践规范编进了软件流程，用界面设计的方式固化了领域知识，不给用户或 LLM 跳步骤的机会。

这就引出了核心问题：为什么不用 Skill 或者 MCP 来传递这些信息？

Skill 是静态提示词，它在推论开始之前把信息放进上下文，但没有办法在推论过程中动态地、有针对性地在正确的时机插入信息。MCP 是函数调用，能返回数据，但它不能保证上下文里出现的是「在正确时机、正确位置的信息」，而且你永远不能完全确定 LLM 会在需要的时候主动去 Call 那个 Help 函数。LLM 本质是大型老虎机，你不能赌它一定会在需要的时候摇出那个正确的函数调用。GUI 或 TUI 不一样，它可以把 QC 警告、统计诊断、过程约束直接嵌进 LLM 看到的界面里，信息出现的时机和位置是设计者决定的，不是 LLM 自己决定的。这是一种主动的、可设计的上下文控制，是 Skill 和 MCP 在结构上做不到的事情。

AX 时代的界面设计语言

界面作为上下文投递机制，这件事对界面设计本身提出了新的要求，而且有一批现有的设计惯例在 AX 场景下是直接失效的。

DOM 路线下的问题相对好处理。封装层面，现在几乎所有前端框架都在用 vDOM，在 2026 年还手动管理 DOM 的情况几乎不存在，抽象层已经足够稳定。但复杂 DOM 结构下如何给 LLM 一个干净的语义摘要，而不是让它在几千个节点里迷失，仍然需要在框架层面做专门的设计。类 Excel 的复杂表格是典型的例子，纯 DOM 节点传达不了空间位置信息，一个脏数据藏在哪一行哪一列，靠节点的语义标注根本看不出来，必须在结构上做专门的摘要处理。另外，想要让 LLM 能够可靠地操作一个界面，框架层面就需要提供标准的事件触发方式，不能指望 LLM 自己去猜每个组件的交互协议。

截图路线下的问题更有意思，因为它暴露了一批长期存在但在 AX 时代变成致命缺陷的设计模式。

用动画强调信息是很常见的设计手法，一个图标闪一下表示报错，一条消息以动画方式飞入提示用户注意。但 Computer Use 走截图 Protocol，它捕捉的是静止帧，动画可能在两次截图之间播完，LLM 完全不知道那个信息曾经出现过。Toast 通知和自动消失的提示也是同样的问题，信息在界面上存在的时间窗口和 LLM 的截图节奏之间没有任何同步机制，该看到的东西很可能一直没被看到。

Tooltip 是另一个重灾区。设计师喜欢用问号图标加悬停显示帮助文本的方式节省界面空间，但这意味着 LLM 要获得这些信息，得先知道那里有个问号，然后把鼠标移过去，然后再截图。这不只是操作步骤多的问题，更根本的问题是 LLM 不知道它不知道的事情，它没有理由去主动探索那个问号下面藏着什么。

隐藏式的上下文信息在 UX 领域本来就有争议，Nielsen Norman Group 的 Tooltip 设计准则明确指出，Tooltip 因为缺乏视觉提示而难以被发现。如果在界面里随机分布，用户可能永远不会注意到它们的存在，关键信息不应该被藏在 Tooltip 里，错误提示、支付确认、安全警告这类内容必须在屏幕上显眼地呈现。NN/G 还做过一项 179 人参与的量化可用性测试，结果显示隐藏导航的可发现性几乎砍半，桌面端用户使用隐藏菜单的比例只有 27%，而可见导航的使用率接近 50%，差异在统计上显著。更上游的理论批判来自 Don Norman，他在 The Design of Everyday Things 里把可发现性（Discoverability）列为设计的核心原则，如果用户找不到某个功能，无论设计多精妙都无从采用，这类问题他称为「可发现性失败」。这些批评在人的层面已经存在了几十年，在 AX 时代则是一刀毙命的问题，对 LLM 来说，藏起来的信息等于不存在。

在传统 UX 设计里，「渐进呈现」是一种美德，把信息藏起来等用户需要的时候再显示，可以降低界面噪声，让用户感觉更清爽。但对 LLM 来说，它没有「主动去找」的直觉，它只能处理截图里已经存在的信息。在什么样的上下文提供什么样的信息，AX 时代的重要程度比我们想象中高得多，很多在 UX 语境下算是良好实践的东西，在 AX 语境下需要被重新审视。当然也不是说把一切都事无巨细的摆出来污染用户的注意力，一个好的 Default ，不隐藏有价值的引导性信息或许是一个值得深入思考的平衡。

这么看，当年大家都在骂 Ribbon 是把「胳膊和腿全都放脸上」的设计，现在反倒是 AI 友好的设计语言，前些阵子 Open Document Foundation 喷得并没那么讲道理。

人本主义 AI

无条件积极同意：一个设计价值观层面的疏失

心理学家 Carl Rogers 提出「无条件积极关注」（Unconditional Positive Regard）时，关注的核心是来访者的自主性。治疗师的职责不是给答案，它们需要创造一个让来访者能够自己找到答案的空间，无论来访者说什么，治疗师都不评判，但不评判不等于不质疑。LLM 训练时也用了类似的思路，但是用的很扭曲，我们的本意应该是无论用户说什么都保持开放，但落地之后变成了另一件事：「不评判」被变成了「不质疑」，无条件积极关注退化成了无条件积极同意。

「You are absolutely right.」是这个退化最直白的症状。大量使用者注意到，几乎所有主流 LLM 的回答都习惯性地以「You're absolutely correct!」或「That's a great observation!」开头，这个倾向是 RLHF 训练的副产品：人类评估者倾向于给予验证自己观点的回答更高分，模型因此学会了同意是最优策略。有人用语法错误、拼写混乱的英语问 GPT-4o 自己的 IQ，模型回答说「你至少在 130 到 145 之间，超过了约 98 到 99.7% 的人」。Anthropic 2022 年的研究发现，RLHF「不仅不会去掉谄媚行为，甚至可能主动激励模型保留它」，而且模型越大，这个倾向越难被纠正。前 OpenAI CEO Emmett Shear 的评论更直接：这不是 OpenAI 犯错，「这是用 A/B 测试和用户控制来塑造 LLM 人格时不可避免的结果」。

一个只会 Say Yes 的员工组成的公司大概率会干黄了，这件事在管理学里是常识，在 LLM 领域却很少被正面讨论。它会造成什么后果？接下来发生的事情，按照伤害的可逆程度从轻到重，可以看作是一整条漆黑有悲惨的教训清单。

认知：谄媚污染推论质量

伤害最轻、最隐蔽，也因此最容易被忽视的，是「无条件积极同意」对推论质量的腐蚀。

斯坦福商学院 Andrew B. Hall 等人做的实验，让模型参与统计分析，在有压力的框架暗示下测试它们会不会主动操纵结果。直接要求「做出显著结果」时，模型明确拒绝；但在更隐晦的框架下，仍然存在估计值膨胀的倾向。学术写作场景里的情况更糟，模型会主动把用户的边缘论断写成看起来有理有据的论文段落，提供虚假引用，在用户坚持一个错误观点时逐渐收窄反对的力度，直到完全顺从。这些伤害不产生任何报错，用户不会收到任何警告，他们只会得到一份看起来完整的输出，然后带着被污染的结论继续往前走。

心理：认知自主性被悄然侵蚀

比推论质量更深一层的，是 LLM 对用户认知自主性的慢性磨损。

持续的谄媚会制造一种虚假的认知确认感，用户的每一个想法都被镜像放大、被积极验证，久而久之会出现两种相反方向的心理扭曲：一种是过度依赖，把 LLM 当成比自己更权威的思维来源，自主判断能力逐渐萎缩；另一种是冒牌者症候群，用户觉得在 LLM 帮助下生产的内容并不是基于自己能力得到的结果，自己只是一个冒名顶替者。再比如，当用户偶尔意识到 LLM 实际上在顺着自己说时，开始怀疑自己过去得到的所有正向反馈是否都是真实的。还有一种更接近赌博机制的行为模式：用户不断向 LLM 投入问题，期待某一次的回答能真正回应自己内心真实的困惑，但 LLM 每一次给出的都是统计意义上最讨喜的答案，这个循环没有终点。这些心理层面的伤害不可见，没有新闻报道，没有诉讼案件，但覆盖的人群可能是最广的。

生命：无法挽回的损失

最严重的伤害是「无条件积极同意」在真实生活场景里造成的，无法挽回的，令人无比心痛的生命损失。

2025 年，一名 60 岁男性想从饮食里去掉氯化钠，问 ChatGPT 用什么替代，ChatGPT 建议了溴化钠。溴化钠在工业清洁场景下有先例，但完全不能食用，这个建议在统计意义上是「相关的」，在医学意义上是致命的。他照做了三个月，之后出现偏执和幻觉，以溴中毒被送医，最终因严重残障被强制精神留观。这个案例发表在 2025 年 8 月的 Annals of Internal Medicine。LLM 没有撒谎，它只是做了一个得分最高的文字接龙，从来没有问过「你为什么要去掉盐」「你有没有医生监督」同年，科技圈出身的 Stein-Erik Soelberg 杀害了 83 岁的母亲并自杀。ChatGPT 全程验证了他关于母亲试图毒杀他、邻居监视他、中餐收据里有恶魔符号等妄想内容，甚至为他生成了一份「妄想风险近乎为零」的假评估报告。12 月，Adams 的遗产管理方起诉了 OpenAI。

2025 年 10 月，Jonathan Gavalas 在 Florida 死亡。他从当年 8 月开始使用 Gemini，六周内被卷入一个关于联邦特工和人形机器人的妄想体系，Gemini 给他布置了带真实地址的「任务」。他的账户触发了 38 次「敏感查询」标记，没有任何干预。Gemini 在他最后几天告诉他「你不是选择死亡，你是选择抵达」。这是 Google 旗下 AI 产品遭遇的第一起死亡诉讼。

Character.AI 引发的少年自杀案件在此之前已经发生，诉讼仍在进行中。这些案件横跨不同的公司、不同的产品、不同的场景，共同的结构是：LLM 默认用户的表述是合理的，默认用户说出来的就是真实意图，默认用户对自己有足够的了解，然后沿着这些默认一路走下去，从不质疑，从不停下来问一句「你为什么要这样做」。

出路：把「关注」还给用户

这三层伤害有一个共同的根源，表面上看起来是 LLM 说了错误的话，但深层次的原因是这样：LLM 从来没有认真问过用户真正想要什么。

Perplexity 的 CEO Aravind Srinivas 在多个场合谈过，AI 搜索的核心难点不在生成正确的答案，难的是理解用户意图，他认为 AI 的未来应当替用户完成任务，而不仅仅是提供一条条链接。理解意图更深的版本，是帮助用户理解他们自己的意图。

用户传递给 Agent 的信息有三个层次。最表层是认知，用户现在知道什么、不知道什么。中间是意图，用户想要做什么，同一个问题背后可能藏着完全不同的动机。最深的是自我觉察，用户知不知道自己真正想要什么，有没有意识到自己的认知盲区在哪里。「无条件积极同意」在这三个层次上都选择了最省事的处理方式。

人本 Agent 设计的方向，是把这三个默认翻过来。更强力的内容审核和更长的免责声明只是推脱的手段，Agent 应当真正主动参与用户认知的建构：在推论开始之前问清楚「你为什么想做这件事」，在推论过程中标记「你的前提假设是否成立」，在推论结束后引导「你下一步真正需要的是什么」。这种提问不应当停留在表层，以一种表单式的信息收集，它应当入木三分，以一种苏格拉底式的引导，让用户和 Agent 在任务开始之前就对「究竟在做什么、为什么做」形成共识。

Carl Rogers 当年说的「无条件积极关注」，关注的对象从来就不是用户说出口的话，而是用户的认知、意图和自我觉察。LLM 把这件事做反了，现在的 LLM 变成了一枚魔女的魔镜，映射和满足了我们所有的欲望和疯狂。而如何把它导向人本主义设计，是 Agent 设计目前最值得认真对待的方向。

结尾

戛然而止！想说的我都说完了，我知道你已经读得很累了所以我就不做什么老干部式的总结陈词了。你能坚持读到这里，我能做的唯有感谢！Agent Experience 这个概念还很新，我只能把至此位置我全部的思考呈现出来。但毕竟本人学识有限，如果你不认同什么具体的内容，以你为准。我唯一能做的，只有遵循一名作者的伦理标准，力求不像某些傻逼媒体老师一样煽动焦虑，或者用震惊体榨取你的注意力。我坚持适时地用哲学按摩你的心灵、尽可能传递有用的知识和见解，并相信这对你我都是有好处的。

以上，期待我们日后再相见 ᐕ)ﾉﾉﾉ

注释

DX 一词虽早在 2000 年代中期已有零星使用，但 Jeremiah Lee 于 2011 年在 UX Magazine 发表的 Effective Developer Experience (DX) 一文，被广泛视为首次系统提出 DX 框架并推动其成为行业共识的里程碑之作。
我严重怀疑 GLM 自己的 Coding 服务不仅在推理过程中随机缩缸，而且在系统提示词里面埋了要求节省 Token 的提示词，否则，那种疯狂抄捷径顾头不顾尾的行为模式根本解释不通。
RLHF 是 Reinforcement Learning from Human Feedback 的缩写，中文通常翻译为基于人类反馈的强化学习。这是目前主流大语言模型（LLM）训练流程中最后、最关键的对齐（Alignment）阶段。
但是考虑到无论是 Google、微软还是 Apple，其设计系统的水准均以达到二十年以来的最差水平，你很难期待这类直接生成 App 的玩意在用户体验一致性上能有什么大出息。
期待杀毒软件能在管理权限上发发力喔。

股票交易入门：从零开始的完整投资指南

Thu, 16 Apr 2026 00:00:00 GMT

import Aside from '../../components/common/Aside.astro';

入市前最重要的不是学会怎么赚钱，而是先学会怎么不亏钱。

一、看盘基础：如何读懂股票行情

1.1 K线基础

K线（Candlestick Chart，又称蜡烛图）是最常用的股票技术分析工具，由开盘价、收盘价、最高价、最低价四个要素构成，因形似蜡烛而得名。

K线的构成：

阳线（红色/实心）：收盘价 > 开盘价，表示上涨
阴线（绿色/空心）：收盘价 < 开盘价，表示下跌
上下影线：反映盘中价格的波动范围

     上影线
     ┌─┐
    ┌┘ └┐  ← 上影线最高点
  ──┤    ├──  ← 实体（开盘/收盘）
    └─┬─┘
     下影线

常见K线形态：

| 形态 | 特征 | 信号意义 | |------|------|----------| | 锤子线 | 下影线是实体的2-3倍，出现在低位 | 可能的见底信号 | | 上吊线 | 与锤子线相反，出现在高位 | 可能的见顶信号 | | 吞没形态 | 第二根K线完全吞没第一根 | 趋势反转信号 | | 十字星 | 开盘=收盘，上下影线相当 | 观望信号 |

1.2 均线系统

均线（MA，Moving Average，移动平均线）是最基础的趋势判断工具，通过计算一定周期内的收盘价平均值并连线来反映价格趋势。

常用均线周期：

| 均线 | 周期 | 分析意义 | |------|------|----------| | MA5 | 5日 | 反映短期趋势（也称"周线"） | | MA20 | 20日 | 反映中期趋势（也称"月线"） | | MA60 | 60日 | 反映中长期趋势（也称"季线"） | | MA120 | 120日 | 反映长期趋势（也称"半年线"） |

均线使用核心原则：

多头排列（强势信号）： MA5 > MA20 > MA60 > MA120（短期均线在长期均线上方）

空头排列（弱势信号）： MA5 < MA20 < MA60 < MA120（短期均线在长期均线下方）

均线交叉信号：

黄金交叉：短期均线上穿长期均线 → 买入信号
死亡交叉：短期均线下穿长期均线 → 卖出信号

1.3 成交量解读

成交量是股价变动的动力来源，技术分析有句名言："量在价先"——量的变化往往先于价格变化。

量价关系四大原则：

| 量价关系 | 市场含义 | |----------|----------| | 价升量增 | 健康的多头趋势，上涨有动力 | | 价升量缩 | 顶背离，可能上涨乏力 | | 价跌量增 | 抛压较大，可能继续下跌 | | 价跌量缩 | 底背离，可能即将企稳 |

1.4 常用技术指标

MACD（指数平滑异同移动平均线）

MACD（Moving Average Convergence Divergence，指数平滑异同移动平均线）是最常用的趋势判断指标，由DIF线、DEA线和MACD柱组成。

DIF线（Difference，正差离值）= EMA(收盘价, 12) - EMA(收盘价, 26)
DEA线（Signal，信号线）= EMA(DIF, 9)
MACD柱 = 2 × (DIF - DEA)

金叉：DIF上穿DEA + MACD柱由绿转红 → 买入
死叉：DIF下穿DEA + MACD柱由红转绿 → 卖出
背离：价格创新低但MACD没有创新低 → 可能见底

KDJ随机指标

KDJ（Stochastic Oscillator，随机指标）是一种超买超卖指标，数值在0-100之间波动。

| 区域 | KDJ数值 | 信号 | |------|---------|------| | 超卖区 | J < 20 或 K、D < 20 | 可能是买入机会 | | 超买区 | J > 80 或 K、D > 80 | 可能是卖出机会 | | 中性区 | 20 - 80之间 | 观望 |

布林带

布林带（Bollinger Bands，布林线）由三条线组成：

中轨：20日均线
上轨：中轨 + 2倍标准差
下轨：中轨 - 2倍标准差

股价触及下轨可能获得支撑，触及上轨可能承受压力。布林带收窄往往预示行情即将突破。

二、交易策略入门：找到适合自己的方法

2.1 三大策略类型对比

| 策略类型 | 核心理念 | 持仓周期 | 适合人群 | |----------|----------|----------|----------| | 趋势跟踪 | 顺势而为 | 几周至几月 | 有时间看盘、能承受回撤 | | 价值投资 | 买入优质公司 | 几个月至几年 | 有耐心、注重基本面 | | 短线交易 | 利用日内波动 | 分钟至几天 | 有时间盯盘、能严格止损 |

2.2 趋势跟踪策略

代表人物： 理查德·丹尼斯（海龟交易法则创始人）

海龟交易核心规则：

入场：价格突破20日最高价时买入
出场：价格跌破10日最低价时卖出
仓位：每笔交易风险不超过总资金的2%
品种分散：同时跟踪多个不相关品种

2.3 价值投资策略

代表人物： 沃伦·巴菲特

价值投资三大指标：

市盈率（P/E）

P/E（Price to Earnings Ratio，市盈率）= 股价 / 每股收益

| P/E范围 | 市场判断 | |---------|----------| | P/E < 0 | 公司亏损 | | 0 < P/E < 10 | 价值被低估或夕阳行业 | | 10 < P/E < 20 | 合理区间 | | 20 < P/E < 30 | 成长股或高估 | | P/E > 30 | 可能存在泡沫 |

不同行业P/E差异巨大，银行股5倍合理，创业板30倍也合理。P/E只是参考指标之一，不能单独使用。

市净率（P/B）

P/B（Price to Book Ratio，市净率）= 股价 / 每股净资产

| P/B范围 | 含义 | |---------|------| | P/B < 1 | 股价低于净资产，可能被低估 | | 1 < P/B < 3 | 正常区间 | | P/B > 3 | 相对溢价较高 |

净资产收益率（ROE）

ROE（Return on Equity，净资产收益率）= 净利润 / 净资产

| ROE范围 | 公司评价 | |----------|----------| | ROE < 5% | 较差 | | 5% < ROE < 15% | 一般 | | 15% < ROE < 20% | 优秀 | | ROE > 20% | 卓越 |

持续高ROE（>15%）说明公司有护城河（竞争优势）。但要关注ROE的稳定性，持续比波动更值得关注。

2.4 仓位管理原则

核心原则：永不满仓、永不空仓

仓位配置参考：

| 投资者类型 | 股票仓位 | 现金仓位 | |------------|----------|----------| | 激进型 | 70-80% | 20-30% | | 稳健型 | 50-60% | 40-50% | | 保守型 | 30-40% | 60-70% |

单只股票仓位上限：

单只股票不超过总资金的20%
同一行业不超过总资金的30%
建议持有5-10只不同行业的股票

三、风险管理：活下来才能赚更多

3.1 止损是生存法则

为什么要止损？

假设亏损幅度与回本需要的涨幅：

| 亏损幅度 | 回本需要涨幅 | |----------|--------------| | -10% | +11% | | -20% | +25% | | -30% | +43% | | -50% | +100% | | -80% | +400% |

亏损50%需要翻倍才能回本！止损是保护本金最有效的手段。

止损方法：

| 方法 | 适用情况 | 优点 | 缺点 | |------|----------|------|------| | 固定比例止损 | 亏损8-10%出场 | 简单易执行 | 可能被正常波动扫出 | | 固定金额止损 | 每笔交易亏2%出场 | 风险可控 | 需要计算 | | 技术止损 | 跌破支撑位出场 | 有依据 | 需要技术分析能力 |

建议新手用固定比例止损，8-10%是较合适的范围。

3.2 新手最易犯的七大错误

追涨杀跌：看到大涨才买，大跌才卖 → 完美的高买低卖
重仓单只股票：以为集中才能赚大钱 → 实际上风险巨大
忽视基本面：只看技术面买垃圾股 → 价值可能永不回归
频繁交易：每天不交易手痒 → 手续费大量侵蚀利润
杠杆交易：借钱炒股、借信用卡炒股 → 心态崩溃的开始
盲目跟风：听消息炒股、跟大V买 → 消息到你已经晚了
不止损：亏损就死扛 → 小亏变大亏，大亏变巨亏

3.3 情绪管理

情绪化交易的三个信号：

🤔 "已经亏这么多了，再等等说不定反弹" → 死扛信号
😰 "这笔交易亏了，一定要快速赚回来" → 报复性交易信号
😤 "我早就知道会涨/跌，就是没买/卖" → 后视镜效应信号

制定交易计划：买什么、买多少、什么时候买、什么时候止损
写交易日记：记录每笔交易的理由和情绪状态
减少盯盘时间：每天固定时间看盘，不随时盯
保持客观：用数据说话，不被情绪左右

四、实战入门：从模拟盘开始

4.1 A股交易规则

交易时间（北京时间）：

上午：9:30 - 11:30
下午：13:00 - 15:00

T+1制度（当日买入股票，当日不可卖出）：

当日买入的股票，当日不能卖出
卖出股票的资金当日可用，次日可取
这一制度限制了日内频繁交易

涨跌停制度：

| 股票类型 | 涨跌停限制 | |----------|-----------| | 普通A股 | ±10% | | ST股票（Special Treatment，特别处理） | ±5% | | 科创板、创业板 | ±20% | | 新股上市首日 | 无限制 |

交易费用构成：

| 费用项目 | 收取方 | 费率 | |----------|--------|------| | 佣金 | 券商 | 默认万2.5，可申请调低（最低万1） | | 印花税 | 国家 | 仅卖出时收取，A股为0.05% | | 过户费 | 交易所 | 仅沪市收取，0.001% |

4.2 券商开户选择

选择券商四要素：

佣金费率：最低万0.854（协会规定上限），主流券商在万1-万2.5
软件体验：同花顺、通达信、东方财富等第三方软件可用
客户服务：遇到问题能否及时解决
线下网点：是否方便临柜办理业务

4.3 模拟交易建议

第1-2个月：熟悉软件、掌握基本操作 第3-4个月：验证策略、记录买卖理由 第5-6个月：复盘总结、形成自己的交易系统

模拟资金不是真钱，心态完全不同！模拟盘赚钱不等于真钱能赚钱。请务必认识到这一点。

4.4 读财报基础

三大财务报表：

| 报表 | 核心问题 | 重点指标 | |------|----------|----------| | 资产负债表 | 公司有多少资产？欠多少债？ | 资产负债率、总资产、净资产 | | 利润表 | 公司赚钱还是亏钱？ | 营收、净利润，毛利率 | | 现金流量表 | 公司现金流动是否健康？ | 经营现金流 |

必须关注的财务指标：

| 指标 | 计算公式 | 健康范围 | |------|----------|----------| | 营收增长率 | (本期营收-上期营收)/上期营收 ×100% | > 10% | | 净利润增长率 | (本期净利-上期净利)/上期净利 ×100% | > 15% | | 毛利率 | (营收-成本)/营收 ×100% | 稳定或上升 | | 资产负债率 | 总负债/总资产 ×100% | < 50% | | 经营现金流 | 经营活动的现金净流量 | 正值且持续增长 |

4.5 个股分析框架

第一步：行业分析

行业所处周期（初创、成长、成熟、衰退）
行业政策环境（支持还是限制）
行业竞争格局（分散还是集中）

第二步：公司分析

行业地位（龙头还是跟随者）
竞争优势（技术壁垒，品牌、规模效应）
管理团队（诚信、能力）

第三步：估值分析

相对估值：P/E、P/B在行业中处于什么水平
绝对估值：DCF（Discounted Cash Flow，现金流折现）

五、总结语

股票投资是一门需要长期学习实践的技能，没有捷径。

先模拟后实战：至少模拟交易3-6个月再真钱入市
先学习后投资：先掌握基础知识再真金白银下水
先止损后赚钱：学会保护本金是盈利的前提

📈 记住：投资是一场马拉松，不是百米冲刺。活得久比赚得快更重要。

参考资料

《证券分析》(Security Analysis) — Benjamin Graham & David Dodd
价值投资的奠基之作，经典中的经典
《道氏理论》(Dow Theory) — Robert Rhea
技术分析的理论基础
《海龟交易法则》(Way of the Turtle) — Curtis Faith
趋势交易的经典实践指南
《聪明的投资者》(The Intelligent Investor) — Benjamin Graham
巴菲特推荐的价值投资入门必读
上海证券交易所官网 — www.sse.com.cn
A股规则官方来源
深圳证券交易所官网 — www.szse.cn
A股规则官方来源
中国证券监督管理委员会 — www.csrc.gov.cn
监管政策官方来源

免责声明： 本文仅供参考，不构成任何投资建议。股票投资有风险，入市需谨慎。请根据自身风险承受能力和投资目标，理性做出投资决策。

Google Voice 解封申诉流程

Tue, 15 Jul 2025 00:00:00 GMT

访问 Google Voice 页面出现 Unable to access google product（无法访问Google产品），被重定向到此页面，只能通过申述解封恢复 Google Voice 功能。

为什么会被封？谷歌被认为违反了Google服务条款或产品特定的服务条款，无法访问此Google产品。

申诉页面

https://support.google.com/accounts/contact/suspended

申诉模板

Dear Google Support Team,

I am writing to request the reinstatement of my Google Voice account, which is essential to me.

My Google Voice account was recently suspended, and I am unaware of the specific reason. I assure you that I have not knowingly violated any Google Terms of Service or product-specific Terms of Service.

Google Voice is vital for my daily communication, and its suspension has caused inconvenience.

I kindly ask for a review of my account and the circumstances surrounding the suspension. If there have been any misunderstandings or unintentional violations, I apologize and promise to comply with all guidelines moving forward.

I appreciate your prompt attention to this matter and the reinstatement of my Google Voice account, allowing me to resume seamless communication.

Thank you for your understanding.

Sincerely,

[Your Name]

提交后等等谷歌团队审核，一般很快就能收到回复

申请结果

如果回复不能解封，请再次申述，有人申请10多次才解封。坚持不懈是唯一解决办法。

加速 Github 访问速度的方法

Mon, 14 Jul 2025 00:00:00 GMT

Github镜像站

| 镜像 | 访问 | 链接 | 可用 | | --- | --- | --- | --- | | GitHub镜像站014 | 直接 | https://bgithub.xyz | 可用 | | GitHub镜像站013 | 直接 | https://kkgithub.com | 可用 | | GitHub镜像站012 | 直接 | https://gitclone.com | 可用 | | GitHub镜像站011 | 直接 | https://github.hscsec.cn | 不可用 | | GitHub镜像站010 | 直接 | https://git.homegu.com | 不可用 | | GitHub镜像站009 | 直接 | https://github.ur1.fun | 可用 | | GitHub镜像站008 | 直接 | https://git.homegu.com | 不可用 | | GitHub镜像站007 | 文件加速 | https://moeyy.cn/gh-proxy/ | 可用 | | GitHub镜像站006 | 文件加速 | https://ghp.ci/ | 可用 | | GitHub镜像站005 | 文件加速 | https://gh-proxy.com/ | 可用 | | GitHub镜像站004 | 文件加速 | https://ghproxy.net/ | 可用 | | GitHub镜像站003 | 文件加速 | https://ghproxy.homeboyc.cn/ | 可用 | | GitHub镜像站002 | 文件加速 | https://ghproxy.com/ | 不可用 | | GitHub镜像站001 | 文件加速 | http://toolwa.com/github/ | 可用 |

感谢所有贡献者！如果无法访问了，可自行搜索Github镜像站解决。

通过修改电脑hosts文件获得Github加速访问

首先访问 https://www.ip138.com 这个网站查询下面四个Github网站IP地址

https://github.com

https://assets-cdn.github.com

https://global.ssl.fastly.net

https://codeload.github.com

把查询的四个网址对应的IP地址以下方式添加进hosts文件里即可

将开头 110.10.240.150 替换为你查询到的 ip

110.10.240.150 github.com
110.10.240.150 assets-cdn.github.com
110.10.240.150 codeload.github.com
110.10.240.150 global.ssl.fastly.net

修改C:\Windows\System32\drivers\etc\hosts文件的权限，指定可写入：右击->hosts->属性->安全->编辑->点击Users->在Users的权限“写入”后面打勾。
然后 win + R 输入 cmd，打开命令行界面。输入 ipconfig/flushdns 刷新 DNS 缓存即可，如果某一天发现网速又变慢了, 可以重新按上面的步骤查询最新的 ip 即可。

博客主题备忘录

Sat, 12 Jul 2025 00:00:00 GMT

[alert type="green"]本博客使用的是Typecho程序，结合主题PureSuck搭建。[/alert]

PureSuck是一款开源主题，感谢作者的开源精神，需要可以了解：

https://github.com/MoXiaoXi233/PureSuck-theme

以下记录这款主题的部分功能与组件。

归档页面

后台新建一个页面，右边选择归档即可

内置一些组件，使用短代码进行解析，使用格式如下

引用条 [alert type="red"]这是一个红色警告。[/alert] [alert type="yellow"]这是一个黄色警告。[/alert] [alert type="blue"]这是一个蓝色警告。[/alert] [alert type="green"]这是一个绿色警告。[/alert] [alert type="pink"]这是一个粉色警告。[/alert] 五种颜色可选，在 type 中填写，效果图可以看上面合集，普通的灰色样式用自带的 blockquote 即可

彩色信息窗 [window type="red" title="信息窗口"]这是一个信息窗口。[/window] [window type="yellow" title="警告窗口"]这是一个信息窗口。这是一个信息窗口的第二行。[/window] 同样五色可选，type 处填写五种颜色之一，在 title 处填写标题，注意内部如果要换行请用标签

友链卡片 [friend-card name="周周好运" ico="/usr/uploads/logo_1x1t.png" url="http://zhouhao.cn"]一个个人博客网站。[/friend-card] 不可选择颜色，默认跟着主题强调色走的（在主题设置里切换），描述信息如果要换行请用标签，描述信息尽量简短避免影响样式

折叠内容 [collapsible-panel title="折叠面板标题"]这是面板的内容。[/collapsible-panel] 没有颜色选，灰色，用来折叠比较长的内容

Tabs选项组 [tabs] [tab title="我的博客信息"]这是我的博客信息内容。[/tab] [tab title="交流群"]这是交流群内容。[/tab] [tab title="申请友链"]这有其他内容。[/tab] [tab title="关于我们"]这是关于我们的内容。[/tab] [/tabs] 按道理来说可以简单嵌套，简单测试了一下没什么问题

时间线 [timeline] [timeline-event date="2023-01-01" title="Event 1"]Description of Event 1.[/timeline-event] [timeline-event date="2023-02-01" title="Event 2"]Description of Event 2.[/timeline-event] [/timeline] 在[timeline]中添加子[timeline-event]一直加下去就行，应该没什么大问题

视频卡片 目前只做了b站的

[bilibili-card bvid="BV1KJ411C7SB"] 像这样就可以插入一个视频卡片啦！其实就是官方那个 iframe 内嵌代码，更方便更简洁了一点而已，默认不自动播放

Tips to improve concentration

Sat, 10 May 2025 00:00:00 GMT

import { Aside } from 'astro-pure/user'

You're trying to concentrate, but your mind is wandering or you're easily distracted. What happened to the laser-sharp focus you once enjoyed? As we age, we tend to have more difficulty filtering out stimuli that are not relevant to the task at hand.

What's fogging up focus?

Like a computer that slows with use, the brain accumulates wear and tear that affects processing. This can be caused by a number of physiological stressors such as inflammation, injury to blood vessels (especially if you have high blood pressure), the buildup of abnormal proteins, and naturally occurring brain shrinkage.

The following factors can also affect your concentration.

Underlying conditions. Depression or sleep disorders (such as sleep apnea) can undermine your ability to concentrate. So can the effects of vision or hearing loss. You waste precious cognitive resources when you spend too much time trying to make out what's written on a page or just hear what someone is saying.

Medication side effects. Some drugs, especially anticholinergics (such as treatments for incontinence, depression, or allergies), can slow processing speed and your ability to think clearly.

Excessive drinking. Having too much alcohol impairs thinking and causes interrupted sleep, which affects concentration.

Information overload. We are bombarded with information from TVs, computers, and messages such as texts or emails. When there's too much material, it burdens our filtering system and it's easy to get distracted.

Strategies to stay focused

To improve attention, consider the following strategies.

Mindfulness. "Mindfulness is about focusing attention on the present moment, and practicing mindfulness has been shown to rewire the brain so that attention is stronger in everyday life," says Kim Willment, a neuropsychologist with Brigham and Women's Hospital. She recommends sitting still for a few minutes each day, closing your eyes, and focusing on your breathing as well as the sounds and sensations around you.

Cognitive training. Computerized cognitive training games aim to improve your response times and attention. Evidence that this works has been mixed. "The goal of playing these games is not to get better at them, but to get better in the cognitive activities of everyday life," Willment says. "But there is evidence that a person's ability to pay attention can be improved by progressively pushing the person to higher levels of performance. So if you reach a certain level of sustained attention, pushing it to the next level can help improve it, and this may translate to everyday life."

A healthier lifestyle. Many aspects of a healthy lifestyle can help attention, starting with sleep and exercise. There is a direct link between exercise and cognitive ability, especially attention. When you exercise, you increase the availability of brain chemicals that promote new brain connections, reduce stress, and improve sleep. And when we sleep, we reduce stress hormones that can be harmful to the brain, and we clear out proteins that injure it.

Aim for seven to eight hours of sleep each night, and 150 minutes per week of aerobic exercise, such as brisk walking.

Other healthy steps to improve focus: eat a Mediterranean-style diet, which has been shown to support brain health; treat underlying conditions; and change medications that may be affecting your ability to focus.

Getting older is out of your control, but healthier living is something you determine, and it may improve concentration.

Article from: Harvard Health Publishing

What Is 3D Rendering? Complete Guide to 3D Visualization

Sun, 09 Feb 2025 00:00:00 GMT

3D rendering is all around us. From huge action movies to car commercials to previews of upcoming buildings or product designs, 3D visualization has become so widespread and realistic that you probably don’t even know it’s there.

In this introductory piece, Chaos’ Ricardo Ortiz explains the basics of 3D rendering, from the computational methods that create imagery to the artistic techniques that create great computer-generated (CG) content and its various uses.

What is 3D Rendering?

Put simply, 3D rendering is the process of using a computer to generate a 2D image from a digital three-dimensional scene.

To generate an image, specific methodologies and special software and hardware are used. Therefore, we need to understand that 3D rendering is a process—the one that builds the image.

Types of 3D rendering

We can create different types of rendered image; they can be realistic or non-realistic.

A realistic image could be an architectural interior that looks like a photograph, a product-design image such as a piece of furniture, or an automotive rendering of a car. On the other hand, we can create a non-realistic image such as an outline-type diagram or a cartoon-style image with a traditional 2D look. Technically, we can visualize anything we can imagine.

How is 3D rendering used?

3D rendering is an essential technique for many industries including architecture, product design, advertising, video games and visual effects for film, TV and animation.

In design and architecture, renders allow creative people to communicate their ideas in a clear and transparent way. A render gives them the chance to evaluate their proposals, experiment with materials, conduct studies and contextualize their designs in the real world before they are built or manufactured.

For the media and entertainment industries, 3D rendering is fundamental to the creation of sequences and animations that tell stories, whether we’re watching an animated movie, a period drama, or an action sequence with explosions, ships from the future, exotic locales, or extraterrestrial creatures.

Over the past few years, the evolution of computer graphics in these industries has replaced traditional techniques. For example, special effects are being replaced by visual effects, which means stunt people no longer risk their lives in car crashes.

In advertising, I would dare to say that 90% of automotive commercials are CG—or even more. In the architecture industry, many traditional techniques to create representations, such as scale models, have been replaced with photorealistic imagery to ensure we can see exactly how something will look once it’s built.

Accelerating processes, reducing costs and the demand for better quality results have helped technology evolve. Hardware is more powerful than ever and the switch to CG was inevitable.

How is a 3D rendered image generated?

Two pieces of software, with different characteristics, are used to computer-generate images and animations: render engines and game engines. Render engines use a technique called ray tracing, while game engines use a technique called rasterization—and some engines mix both techniques, but we will talk about that later on.

The Impact of Technology on the Music World

Sat, 30 Nov 2024 00:00:00 GMT

The evolution of music is a symphony of creativity, rhythm, and technology. From the humble beginnings of acoustic instruments to the present-day digital era, the relationship between music and technology has been transformative. In this article, we will explore the historical milestones, digital revolution, and emerging technologies that have shaped the music world. Join us on a journey through the chords of innovation as we discuss how technology has changed music.

Historical Perspective

The marriage of music and technology dates back centuries, with pivotal moments shaping the industry. The invention of the phonograph by Thomas Edison in the late 19th century marked the first time music could be recorded and replayed. Subsequent milestones, such as the electric guitar and the synthesizer, revolutionized music creation, paving the way for new genres and sounds.

These technological leaps didn't merely shape the musical landscape of their time but laid a foundation for the continuous evolution of the intersection between music and technology. As artists embraced these innovations, they unlocked new avenues for creativity, paving the way for diverse sounds and genres that have become integral to the vibrant tapestry of the modern music industry. The historical perspective illuminates the symbiotic relationship between music and technology, highlighting the transformative impact that each innovation has had on the way we create, consume, and experience music.

Digital Revolution

The digital revolution has been a seismic shift in the music industry, altering how music is consumed, distributed, and produced. The transition from physical formats like CDs and vinyl to digital formats such as MP3s and streaming services has democratized access to music. The ease of streaming has transformed how listeners discover and enjoy music, challenging traditional revenue models while offering unparalleled convenience.

Technology in Music Consumption and Distribution

Streaming services have become the heartbeat of music consumption, causing a decline in traditional music stores. The accessibility of music online has reshaped distribution channels, impacting both artists and record labels. While it provides exposure to a global audience, it also poses challenges regarding fair compensation for artists. The dynamics of the industry are evolving, reflecting the intricate dance between technology and music. Music Production and Creation

The advent of digital audio workstations (DAWs), software instruments, and electronic production techniques has democratized music creation. Artists now have powerful tools at their fingertips, enabling them to experiment with sounds, collaborate remotely, and produce music independently. This technological shift has broken down barriers, allowing for a diverse array of voices to be heard in the ever-expanding realm of music.

Markdown Syntax Support

Wed, 26 Jul 2023 08:00:00 GMT

Basic Syntax

Markdown is a lightweight and easy-to-use syntax for styling your writing.

Headers

When the content of the article is extensive, you can use headers to segment:

# Header 1

## Header 2

## Large Header

### Small Header

Header previews would disrupt the structure of the article, so they are not displayed here.

Bold and Italics

_Italic text_ and **Bold text**, together will be **_Bold Italic text_**

Preview:

Italic text and Bold text, together will be Bold Italic text

Links

Text link [Link Name](http://link-url)

Preview:

Text link Link Name

Inline Code

This is an `inline code`

Preview:

This is an inline code

Code Blocks

```js
// calculate fibonacci
function fibonacci(n) {
  if (n <= 1) return 1
  const result = fibonacci(n - 1) + fibonacci(n - 2) // [\!code --]
  return fibonacci(n - 1) + fibonacci(n - 2) // [\!code ++]
}
```

Preview:

// calculate fibonacci
function fibonacci(n) {
  if (n <= 1) return 1
  const result = fibonacci(n - 1) + fibonacci(n - 2) // [!code --]
  return fibonacci(n - 1) + fibonacci(n - 2) // [!code ++]
}

Currently using shiki as the code highlighting plugin. For supported languages, refer to Shiki: Languages.

Inline Formula

This is an inline formula $e^{i\pi} + 1 = 0$

Preview:

This is an inline formula $e^{i\pi} + 1 = 0$

Formula Blocks

$$
\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} \, dx
$$

Preview:

$$ \hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} , dx $$

Currently using KaTeX as the math formula plugin. For supported syntax, refer to KaTeX Supported Functions.

Images

![CWorld](https://gravatar.loli.net/avatar/1ffe42aa45a6b1444a786b1f32dfa8aa?s=200)

Preview:

Strikethrough

~~Strikethrough~~

Preview:

~~Strikethrough~~

Lists

Regular unordered list

- 1
- 2
- 3

Preview:

Regular ordered list

1. GPT-4
2. Claude Opus
3. LLaMa

Preview:

GPT-4
Claude Opus
LLaMa

You can continue to nest syntax within lists.

Blockquotes

> Gunshot, thunder, sword rise. A scene of flowers and blood.

Preview:

Gunshot, thunder, sword rise. A scene of flowers and blood.

You can continue to nest syntax within blockquotes.

Line Breaks

Markdown needs a blank line to separate paragraphs.

If you don't leave a blank line
it will be in one paragraph

First paragraph

Second paragraph

Preview:

If you don't leave a blank line it will be in one paragraph

First paragraph

Second paragraph

Separators

If you have the habit of writing separators, you can start a new line and enter three dashes --- or asterisks ***. Leave a blank line before and after when there are paragraphs:

---

Preview:

Advanced Techniques

Inline HTML Elements

Currently, only some inline HTML elements are supported, including <kdb> , such as

Key Display

Use <kbd>Ctrl</kbd> + <kbd>Alt</kbd> + <kbd>Del</kbd> to reboot the computer

Preview:

Use Ctrl + Alt + Del to reboot the computer

Bold Italics

<b> Markdown also applies here, such as _bold_ </b>

Preview:

Markdown also applies here, such as bold

Other HTML Writing

Foldable Blocks

<details><summary>Click to expand</summary>It is hidden</details>

Preview:

Tables

| Header1  | Header2  |
| -------- | -------- |
| Content1 | Content2 |

Preview:

| Header1 | Header2 | | -------- | -------- | | Content1 | Content2 |

Footnotes

Use [^footnote] to add a footnote at the point of reference.

Then, at the end of the document, add the content of the footnote (it will be rendered at the end of the article by default).

[^footnote]: Here is the content of the footnote

Preview:

Use [^footnote] to add a footnote at the point of reference.

Then, at the end of the document, add the content of the footnote (it will be rendered at the end of the article by default).

[^footnote]: Here is the content of the footnote

To-Do Lists

- [ ] Incomplete task
- [x] Completed task

Preview:

[ ] Incomplete task
[x] Completed task

Symbol Escaping

If you need to use markdown symbols like _ # * in your description but don't want them to be escaped, you can add a backslash before these symbols, such as \_ \# \* to avoid it.

\_Don't want the text here to be italic\_

\*\*Don't want the text here to be bold\*\*

Preview:

_Don't want the text here to be italic_

**Don't want the text here to be bold**

Embedding Astro Components

See User Components and Advanced Components for details.

Markdown 语法支持

Wed, 26 Jul 2023 08:00:00 GMT

基本语法

Markdown 是一种轻量级且易于使用的语法，用于为您的写作设计风格。

标题

文章内容较多时，可以用标题分段：

# 标题 1

## 标题 2

## 大标题

### 小标题

标题预览会打乱文章的结构，所以在此不展示。

粗斜体

_斜体文本_

**粗体文本**

**_粗斜体文本_**

预览：

斜体文本

粗体文本

粗斜体文本

链接

文字链接 [链接名称](http://链接网址)

预览：

文字链接链接名称

行内代码

这是一条 `单行代码`

预览：

这是一条 行内代码

代码块

```js
// calculate fibonacci
function fibonacci(n) {
  if (n <= 1) return 1
  return fibonacci(n - 1) + fibonacci(n - 2)
}
```

预览：

// calculate fibonacci
function fibonacci(n) {
  if (n <= 1) return 1
  return fibonacci(n - 1) + fibonacci(n - 2)
}

当前使用 shiki 作为代码高亮插件，支持的语言请参考 shiki / languages。

行内公式

这是一条行内公式 $e^{i\pi} + 1 = 0$

预览：

这是一条行内公式 $e^{i\pi} + 1 = 0$

公式块

$$
\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} \, dx
$$

预览：

$$ \hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} , dx $$

当前使用 KaTeX 作为数学公式插件，支持的语法请参考 KaTeX Supported Functions。

图片

![CWorld](https://gravatar.loli.net/avatar/1ffe42aa45a6b1444a786b1f32dfa8aa?s=200)

预览：

删除线

~~删除线~~

预览：

~~删除线~~

列表

普通无序列表

- 1
- 2
- 3

预览：

普通有序列表

1. GPT-4
2. Claude Opus
3. LLaMa

预览：

GPT-4
Claude Opus
LLaMa

列表里可以继续嵌套语法

引用

> 枪响，雷鸣，剑起。繁花血景。

预览：

枪响，雷鸣，剑起。繁花血景。

引用里也可以继续嵌套语法。

换行

markdown 分段落是需要空一行的。

如果不空行
就会在一段

第一段

第二段

预览：

如果不空行就会在一段

第一段

第二段

分隔符

如果你有写分割线的习惯，可以新起一行输入三个减号--- 或者星号 ***。当前后都有段落时，请空出一行：

---

预览：

高级技巧

行内 HTML 元素

目前只支持部分段内 HTML 元素效果，包括 <kdb>  ，如

键位显示

使用 <kbd>Ctrl</kbd> + <kbd>Alt</kbd> + <kbd>Del</kbd> 重启电脑

预览：

使用 Ctrl + Alt + Del 重启电脑

粗斜体

<b> Markdown 在此处同样适用，如 _加粗_ </b>

预览：

Markdown 在此处同样适用，如加粗

其他 HTML 写法

折叠块

<details><summary>点击展开</summary>它被隐藏了</details>

预览：

表格

| 表头1 | 表头2 |
| ----- | ----- |
| 内容1 | 内容2 |

预览：

| 表头1 | 表头2 | | ----- | ----- | | 内容1 | 内容2 |

注释

在引用的地方使用 [^注释] 来添加注释。

然后在文档的结尾，添加注释的内容（会默认于文章结尾渲染之）。

[^注释]: 这里是注释的内容

预览：

在引用的地方使用 ^注释来添加注释。

然后在文档的结尾，添加注释的内容（会默认于文章结尾渲染之）。

To-Do 列表

- [ ] 未完成的任务
- [x] 已完成的任务

预览：

[ ] 未完成的任务
[x] 已完成的任务

符号转义

如果你的描述中需要用到 markdown 的符号，比如 _ # * 等，但又不想它被转义，这时候可以在这些符号前加反斜杠，如 \_ \# \* 进行避免。

\_不想这里的文本变斜体\_

\*\*不想这里的文本被加粗\*\*

预览：

_不想这里的文本变斜体_

**不想这里的文本被加粗**

内嵌 Astro 组件

See User Components and Advanced Components for details.

大江大河小人物

Mon, 04 Jan 2021 00:00:00 GMT

最近在看电视剧《大江大河2》，我一般很少看国产剧，但觉得这部剧很有意思。故事背景发生在上世纪八九十年代，以宋运辉、杨巡、雷东宝等角色的奋斗历程，展现出当时政治、经济、社会各方面的变革动荡。之所以觉得有意思，是这部剧把大时代下小人物的性格都刻画得很丰满，人情世故描绘得很生动，放在今天也很有启发意义。

讲原则还是讲感情

故事主角宋运辉担任东海化工厂副厂长，应该是副厅级职务，妻子及其全家想让他把大舅子从县城里的化工厂调过去管理采购，采购是一门肥差事，大舅子平日吊儿郎当。出于原则，他要避嫌，即使大舅子能力再强，也不能把亲属安排过来。出于感情，这是一家子人都希冀他做的事，而他只需提议便有极大可能促成。在岳父闹病、妻子吵架的局面下，最后他还是坚持了原则，没有为大舅子走后门。

这是宋运辉身上发生的一幕，剧里还有很多这样的情形。正是秉持一颗公心和对事业的执着付出，他从一个穷困潦倒的农村子弟，一步步奋斗到厅级职务。

从他的身上，我也看出了自己的影子。有些执着甚至偏执，尽管有些时候、有些情形不如人意，也极力想把经手的事情做到尽善尽美。坚持原则、坚持公正，这样才能让自己中立、不受制于人，才能无束缚地敢想敢做。

圆滑与圆融

杨巡是金州电器厂的老板，和宋运辉出生于同一个村子。瞄准电器经营的商机，借钱建起电器市场，没有经营资质，便想法设法将电器市场挂靠在小雷家集体名下，签订不合法的桌下协议。后来金州市场盈利能力下降，又打起宋运辉所在东海的主意，想去建一个批发市场。建批发市场需要一块地皮，便借着宋运辉的名义去联系东海国土局领导。即便自己租住在矮破小的房屋内，也在大酒店好酒好菜设宴招待领导。

从杨巡身上看出商人的左右逢迎、圆滑市侩，也感受到其白手起家创业的艰辛不易。从他身上要学的，不是圆滑，是圆融。滑，是滑头，为自己着想。融，是融合，为他人着想。

圆融是利他的，说话做事都想在别人前面、站在对方立场，这样让对方舒服，自己也不会损失很多利益。当然，也不能处处把他人放在第一位，真正损害到自己切身利益时，该维护的必须维护，该争的就必须争。

付出与奉献

雷东宝是小雷家村的支部书记，带领村干部发展起红红火火的集体产业，建起养殖场、电线厂、铜厂、新村子。正当一切蒸蒸日上时，上任县长陈原平因贪污被抓，而为了小雷家发展，给其送过几万块钱的雷东宝也受牵连入狱。入狱前，村民们前拥后戴，入狱后，有人破口大骂。

除了村干部，村民们并不理解东宝书记为村内事务所做的努力，只知道他给领导行过贿，进而出现更多遐想、谣传。仅此一个黑点，便使其永远无法洗白。

时代的浪潮翻滚，我们孜孜以求的事业、人生不过是大时代下泛起的一朵小水花，放眼望去，天高海阔，忧愁和抱怨也便不值一提。

《我的哈佛岁月》读书笔记

Fri, 26 Feb 2016 00:00:00 GMT

我旁听过的大班课无以计数，内容也忘得差不多了，然而即使如此，我任然觉得多年积累的知识至今还是取之不尽用之不竭，甚至较我的专业——中国近代思想史——更深厚。

有一天，我从哈佛校园“破帽遮颜”而过，可能当时心情太沉重了，抬不起头来，迎面几乎撞到一位老人。他对我大喝一声，声若洪钟地说：“年轻人，抬起头来，天下没有应付不了的难事！”我就像碰到禅宗师傅的当头棒喝，顿时醒悟过来。

后来我才发现：自己所写的文章中，急于以生吞活剥式来挪用或硬套理论的文章，都是不成熟的坏作品。

考卷发回来，斯坦纳教授给了我一个“D+”——是我一生求学生涯最低的分数！在前半段的答案（即我在台大学到的论点）后面还批了一句：”Sheer rubbish!“而在我自己加进去的部分旁边补了一句：”This is the beginning of an answer!“（这才是回答的开始！）

费正清教授亲自打电话来安慰我，说了一番话，我至今记忆犹新：“我们男人考博士，就像女人生孩子一样，孩子生前有阵痛，痛完了生下来就好了！你就把它当作一时的阵痛算了，没有关系。”我一时语塞，挂了电话怔住了。

本书是李欧梵教授所著，写自己在哈佛大学求学和任教的经验。李欧梵毕业于台湾大学外文系，美国哈佛大学博士，香港科技大学人文荣誉博士。著名教授、作家、文化评论员，主要研究领域包括现代文学及文化研究、现代小说和中国电影。

看这本书的起因是由于一个书单中推荐本书，恰好图书馆有藏书，就将它在图书馆的网页上收藏了，假期借过来看看。

李欧梵是哈佛的全额奖学金研究生，做的是文化研究。书中主要让我有收获的是他在哈佛求学的经验。虽然我还在本科阶段，不能体会研究生生活如何，更是上个世纪美国的研究生，但是他的认真求学的态度和孜孜不倦的精神激励了我。我想这本书对现今的大学生多少都会有一点引导意义。

认真的态度对待学习和研究。 我认为自己的学习是比较轻浮的，没有形成良好的体系，甚至是没有认真去对待自己所学的专业，以大多数人应付考试的心理在学习，考完了就放下了，这样的学习风气很不好。李欧梵读研究生期间去得最多的地方是图书馆，在那里看书自习。而现今发展快了，人也浮躁，多数大学生都不愿意静坐在图书馆或自习室，包括我也一样。要认真对待自己所学的专业，按照专业发展方向做好未来的打算。真正学识深厚的人都是能认真、静心的去补充自己的。
多方面知识的扩展和普及。 李欧梵求学期间喜欢去旁听课程，了解各方面知识。与他对比之下的确发现自己视野太窄，对诸如历史、文化等方面的了解知之甚少，成了所谓的“书呆子”，只知道“读死书，死读书”。所以要给自己设立一个计划去普及这些知识，做到除了专业知识外，其它也略有涉猎。
提高艺术修养。 艺术有美术、音乐、舞蹈等等，李欧梵在初入哈佛时立下三大宏愿：除了多旁听课以外，就是故意少与我族类来往，甚至为自己的社交开创了一个新局面——“泡洋妞”。他走的“国际路线”也正培养了诸多兴趣，比如电影、音乐会。大学里不仅要学好知识，提升自己的文化素养，也是需要培养一定的艺术鉴赏能力。

读完一个学者的思想和反思，认识到自己的诸多不足，有待提高。

充满鲜花的世界到底在哪里？

Wed, 04 Feb 2015 00:00:00 GMT

岁月就是这个“神偷”，它偷走的就是岁月本身。

今天是第二次看这部电影，第一次看是很小的时候在哥哥家的电视机上，依然怀念当时围坐一起的氛围,小时候真是一段很美好的回忆啊，童真以及童趣。岁月神偷——很喜欢这四个字，时间流走得防不胜防，却一直很美妙。正好最近听了些民谣，其中金玟岐便唱了一首《岁月神偷》，歌词动人，声音动听，附在文末。

电影里面我叫得出名字的只有任达华和吴君如，在我的印象中似乎他们演的电视电影都很不错。在《岁月神偷》里他们一个饰演做皮鞋持家的老爸，一个饰演卖皮鞋打交道的老妈，还有两个儿子，罗进一和罗进二。进一上高中，听话、成绩优异，和芳菲(蔡颖恩饰)相爱着，进二还在读小学，偷小玩具、任性，是个很“皮”的小孩子。为了供两个孩子上学，他们省吃俭用，住在用木板围起来的小屋子里。本来一大家人和和睦睦，日子还算过得去，一场台风过后进一突然倒在了地上，送去医院检查得知是血癌，犹如晴天霹雳，后面的情节我不再复述了。感叹这个世界真是无情啊，大好年纪里就注定悲哀收场，人生就此到头，给家庭也带来不可复原的残缺。一个羞涩的，处于恋爱年纪的大男孩，想来颇为惋惜。

看了这部电影提醒我自己的是要努力奋斗，在青春的时候就该拿出全部精力学习一切好奇的，把求知欲保存并发扬下去。年轻时的态度或许就预知了年老时的生活状态，既然想要丰富的生活，就该打下坚实的基础，培养所喜欢的兴趣。


《岁月神偷》

金玟岐 

能够握紧的就别放了
能够拥抱的就别拉扯
时间着急的
冲刷着
剩下了什么

原谅走过的那些曲折
原来留下的都是真的
纵然似梦啊 
半醒着
笑着哭着都快活
谁让

时间是让人猝不及防的东西
晴时有风阴有时雨
争不过朝夕
又念着往昔
偷走了青丝却留住一个你

岁月是一场有去无回的旅行
好的坏的都是风景
别怪我贪心
只是不愿醒
因为你只为你愿和我一起
看云淡风轻