守株阁

一个流行的说法是：共和党已经不是原来那个共和党了，它是"MAGA 党"。 这个说法一半对、一半不对。从 2016 年到 2025 年，共和党在党纲、人事、候选人提名、外交立场上都被特朗普翻了个底朝天，2024 年党代会通过的新党纲整篇读下来像是他本人的竞选演讲。但共和党并没有"合并"成一个 MAGA 整体，它内部的派系其实比民主党还多、还乱。特朗普不是消灭了派系，而是压过了派系，所有派系都必须围绕他重新定义自己的位置。 几个绕不开的问题：共和党现在到底有哪些派系？"MAGA 党"这个说法成立到哪一步？特朗普对党的控制力深到什么程度？那个动不动就上新闻的 Freedom Caucus（自由连线/自由党团）到底是干什么的？ 一、先搞清一个常识：美国国会的"党"不是铁板一块 和很多东亚国家的政党不同，美国两党都没有党中央、没有党纪处分，也没有"开除党籍"这回事。国会山上真正在运作的不是"党"，而是一堆自愿组成的党团（caucus）。一个议员同时加入三四个 caucu...

每当 George Floyd、Tyre Nichols 这样的名字登上头条，一个老问题就会被重新提起：美国警察每年到底打死多少人？其中多少死于枪杀？ 这个问题听起来应该有标准答案。美国是世界上数据最透明的国家之一，但联邦政府长期拿不出一份准确的官方数字。真正可靠的数据来自《华盛顿邮报》、《卫报》和一群志愿者搭起来的民间数据库，它们与 CDC 官方统计之间的鸿沟，是这个国家在公共安全治理上最尴尬的一道伤口。 本文用多个独立来源交叉核对，回答两个核心问题：一年死多少？多少死于枪？顺带解释，为什么这个看似简单的数字，在美国是一道几十年没解决的统计难题。 讨论警察暴力绕不开它的另一头——监狱。前端是警察在街头打死公民，后端是国家把公民关到老，两件事共享同一套刑事司法系统、同一套政治激励。所以本文分成两部分：前七节谈警察致死，后九节谈大规模监禁。只写一半，就永远只看到了半张脸。 第一部分 · 警察暴力 一、每年约 1,300 人死于警察之手 根据 Mapping Police Violence（MPV，由 Campaign Zero 维护）的 《2024 Police Violence...

半个多世纪前，美军在东南亚投下了人类历史上最密集的炸弹雨。战争早已结束，但炸弹从未停止杀人。 本文基于 Landmine & Cluster Munition Monitor、美国国务院、联合国开发计划署（UNDP）、国际红十字委员会（ICRC）、老挝国家监管局（NRA）等权威机构的公开数据，系统梳理美军在老挝、越南、柬埔寨三国留下的未爆弹药（Unexploded Ordnance, UXO）规模、持续伤亡，以及国际社会的回应。 一、历史背景：人类史上最猛烈的轰炸 1.1 老挝——“地球上被轰炸最多的国家” 1964 年至 1973 年间，美国在老挝发动了一场未经国会授权的秘密战争（Secret War）。根据美国国会记录（Congressional Record, 1975 年 5 月 14 日）和 Legacies of War 的数据： 投弹总量：超过 200 万吨弹药 轰炸任务：580,000 次——相当于每 8 分钟投下一架飞机的炸弹载荷，持续 9 年不间断 集束弹药：投下超过 2.7 亿枚集束子弹药（submunitions），当地人称之为"bo...

2025 年 3 月的一个深夜，一架满载 iPhone 的货运包机从印度金奈起飞，直奔美国。这批价值 20 亿美元的手机，是苹果有史以来最大规模的一次印度空运。在特朗普关税大棒即将落下的前夜，库克用一种近乎"抢跑"的方式，向全世界宣告了一个事实：iPhone 的制造版图，正在发生不可逆转的重构。 这不是一个简单的"搬工厂"故事。这是一场涉及地缘政治博弈、供应链重塑、劳动力素质鸿沟、基础设施短板的复杂系统工程。苹果的原计划是什么？印度扩产进度顺利吗？遇到了哪些始料未及的问题？本文试图用数据和事实，还原这场价值千亿美元的制造业大迁徙的全貌。 为什么要离开中国？ 要理解苹果的印度战略，首先要理解它为什么要离开中国——或者更准确地说，为什么要降低对中国的依赖。 一场疫情暴露的致命弱点 2022 年底，郑州富士康因疫情封控导致大规模生产中断。这座被称为"iPhone 城"的超级工厂，巅峰期拥有超过 35 万名工人和约 38 条产线，承担着全球 iPhone 产量的半壁江山。当它停摆时，苹果在圣诞旺季遭遇了严重的供货危机。 这一事件...

引言：诡异的异常堆栈消失现象 线上服务报错时，你打开日志准备排查问题，却发现异常堆栈信息神秘消失了： 1java.lang.NullPointerException 只有短短一行异常类名，没有完整的堆栈跟踪。你可能会怀疑：是日志框架出问题了？还是被什么拦截器截断了？ 其实，这是 JVM 的一个性能优化机制，叫做 OmitStackTraceInFastThrow（快速抛出时省略堆栈跟踪）。从 JDK 5 开始引入，默认启用。 本文将深入剖析这个机制的设计动机、工作原理、触发条件，以及如何正确应对。 一、问题场景：异常堆栈去哪了？ 1.1 复现现象 用一段简单的代码就能复现： 123456789101112public class ExceptionOmitDemo { public static void main(String[] args) { String msg = null; for (int i = 0; i < 500000; i++) { try { ...

Coding Agent 的核心能力之一是在陌生代码库中快速定位相关代码。无论是修复一个 bug、实现一个新功能，还是回答一个架构问题，Agent 的第一步几乎总是：找到相关的代码在哪里。 这个看似简单的问题，实际上是整个 Agentic Coding 领域最基础也最棘手的挑战。不同的 Coding Agent 给出了截然不同的答案——Claude Code 坚持用 grep，Cursor 构建了基于 Merkle 树的向量索引，Aider 用 PageRank 算法生成 RepoMap，Graphify 则把代码库变成了一张知识图谱。 这些方案之间是什么关系？是同一层次的竞争方案，还是不同层次的互补技术？各家的取舍逻辑是什么？未来的发展方向又在哪里？ 本文从技术原理出发，逐层拆解当前主流的代码检索方案，分析它们的设计哲学与工程取舍，最终给出一个统一的分层理解框架。 全景导图 %%{init: {'theme':'base', 'themeVariables': {'primar...

AI 编程工具的演进，正在经历一次根本性的范式转变：从"补全光标处的代码"，到"自主完成端到端工程任务"。这种转变有一个专有名词——Agentic Coding。 围绕 Coding Agent 的讨论，常见两种极端：将其神化为自主智能体，或将其贬为"不过是提示词工程"。两种判断都失之简单。理解这个转变，需要从三个层面展开：工具层（OpenCode 的能力边界）、框架层（多 Agent 协作编排）、方法论层（如何让 Agent 真正服务于工程流程）。本文从真实的架构出发，拆解 Claude Code、OpenCode 等工具的实现模式，厘清各自的设计取舍，深入探讨子 Agent 的本质与多 Agent 协作的核心问题。 什么是 Agentic Coding 传统 AI 编程助手的工作模式是响应式的：开发者提问，AI 回答；开发者选中代码，AI 补全。人始终是执行者，AI 是辅助工具。 Agentic Coding 的工作模式是自主式的：开发者描述目标，Agent 自主规划步骤、调用工具、执行操作、验证结果，直到任务完成...

项目地址：safishamsi/graphify（⭐ 27.6K） 版本：v4（截至 2026-04-16） 一句话总结：把代码、文档、论文、截图丢进去，生成一张可查询的知识图谱，让 AI 编码助手从"逐文件 grep"进化到"按图索骥"。 你有没有过这样的体验——在 Claude Code 里问一个架构问题，它花了 80% 的 token 在 Glob 和 Grep 上翻文件，最后给你一个似是而非的答案？ 这不是 AI 不够聪明，而是它看不到全局。 Graphify 就是来解决这个问题的。它不是又一个 RAG 工具，不是又一个向量数据库，而是一个面向 AI 编码助手的知识图谱构建技能——用确定性的 AST 解析 + LLM 语义提取，把你的代码库压缩成一张结构化的图，然后让 AI 先看地图再找路。 它到底是什么 Graphify 是一个 Claude Code skill（现在也支持 Codex、OpenCode、OpenClaw、Factory Droid、Trae 等平台），核心做的事情只有一件：把任意文件夹变成一张可查询的知识图...

原文链接：Why Your “AI-First” Strategy Is Probably Wrong 作者：Peter Pang（CreaoAI 联合创始人，前 Meta LLaMA 团队） 发布时间：2026-04-13 翻译与总结：2026-04-15 前言 这篇文章来自 Peter Pang 在 X（Twitter）上发布的长文，发布后迅速获得了 3100+ 点赞、9300+ 收藏、160 万+ 阅读，引发了广泛讨论。 Peter Pang 是 CreaoAI 的联合创始人，此前在 Meta 参与 LLaMA 项目。CreaoAI 是一个 Agent 平台，仅有 25 名员工、10 名工程师。他在文中详细描述了如何将整个公司的工程流程、产品流程、测试流程围绕 AI 进行彻底重构，而不是简单地"在现有流程上加一个 AI 工具"。 这篇文章的核心观点与 OpenAI 在 2026 年 2 月提出的 Harness Engineering（驾驭工程） 概念高度一致：工程团队的首要工作不再是写代码，而是让 Agent 能够有效地完成工作。 以下是原文的完整...

原文链接：Scaling Managed Agents: Decoupling the brain from the hands 研究时间：2026-04-14 研究方法：多轮迭代搜索 + 交叉验证 + 结构化综合 前言：从"程序即未设想之物"说起 Anthropic 在 2026 年 4 月发布的 Managed Agents 服务，解决了一个经典的计算机科学问题：如何为"尚未设想的程序"设计系统。 这个问题的答案，早在几十年前操作系统设计时就已经给出——通过虚拟化硬件为通用抽象（进程、文件），使得 read() 系统调用既能访问 1970 年代的磁盘组，也能访问现代 SSD。抽象层保持稳定，底层实现自由演进。 Managed Agents 做了同样的事情：将 Agent 组件虚拟化为三个核心组件——Session（追加式事件日志）、Harness（调用 Claude 并将工具调用路由到相关基础设施的循环）、Sandbox（Claude 可以运行代码和编辑文件的执行环境），并在此基础上通过**两个扩展维度——Many Brains（多...