camtasia压缩项目设置

今天带来的是 solidworks 二零二二的安装教程，注意全程关闭杀毒软件以及防火墙，避免注册机被误删。 进来后来到这里直接搜索 solidworks 就 会显示相关的软件，选择目标软件，点击它进到详情介绍，点击其中的一个就可以找到压缩包， 下载完成后，在文件夹内找到压缩包，将它进行解压，解压完成后进到解压后的文件夹，再进入 solidpath 文件，复制整个 solidworks flexnet server， 然后进到 c 盘的根目录， 在空白处点击右键粘贴，随后进到这个文件夹内，找到 server remove， 右键点击它，选择以管理员身份运行，这时会弹出窗口显示服务名无效，说明没有安装此服务，然后点击叉退出，右键点击 server install， 选择以管理员身份运行， 当这里显示服务启动成功后，点击叉退出，回到解压后的文件夹，双击这个 s w 二零二二 network， 点击试，然后点击确定。接下来我们需要把电脑的网络连接断开，当然直接拔掉网线也可以。 回到解压后的文件夹中，找到 solidworks 二零二二镜像文件，右键点击它，选择装载。注意电脑系统是 win 十以上的，直接双击 i 搜文件就可以。 进到这里后找到 setup 这个安装程序，鼠标右键点击它，选择以管理员身份运行，这时会弹出提示，点击确定，点击下一步，这里点击取消。 接下来我们需要更改这三项的安装位置，文件比较大，不建议安装到 c 盘，然后勾选这个条款，点击现在安装，这里点击确定。这里我是进行了加速处理，软件安装的过程非常慢，耐心等待 安装完成后，这里取消勾选为我显示以及点选这个选项，随后点击完成，回到解压后的文件夹中，双击这个文件，点击是弹出的窗口这里，接着点击确定 复制这个 program files 文件夹，回到安装目录的根目录下面，在空白处点击右键粘贴到电脑桌面，找到 solidworks 二零二二软件图标，现在直接打开软件就可以使用。 注意，如果你们打开后弹出八五四四零错误提示，不用慌。回到解压后的文件夹中，搜索这个程序文件名， 任意找一个复制，然后到软件的安装目录里面找到 solidworks 文件夹，进去粘贴复制的文件就可以恢复正常。有需要帮助的可在评论区留言。

压缩设备配置计算秘籍，让环卫项目运营效率翻倍环卫项目管理知识培训课堂。好，我们再来继续来看这一页的内容， 这一页呢就有讲到压缩设备的计算方法。垃圾压缩转运站呢，通常分为大型站还有小型站。 大型转运站呢，他通常用的是分体式的压缩设备，也就是压缩机和装载垃圾的箱体是分离的。大型站的压缩机根据呃这个站体设置的压缩机位的数量而定。 但现在很多大型转运站呃，他会考虑未来垃圾量增长的因素，所以在设计机位数时，他会预留一个机位出来。 举个例子，有一个地方，呃，这个日产垃圾量是这个四百二十吨，他打算建设一个呃，大型的转运站， 转运站采用的这个压缩机的处理能力是每台每天是一百五十吨，那这样看，那个设计三个机位，那每天就可以处理四百五十吨的垃圾，那就够了，对吧？ 但是垃圾量目前来说在当地还是呈增长的趋势的，所以在设计呃设计这个单位呢，他就会建议这个大型转运站设计成三机四位的格局啊。就是就是要预留一个机位出来啊，暂时不装压缩机，留在将来垃圾量增长的时候，我们再把这个压缩机再给装上去。 小型转运站通常用的是整体式的压缩设备，也就是我们说的连体箱，也就是压缩机和装载垃圾的箱体是合合为一体的啊。小型转运站的连体箱就要根据站点数量以及勾臂车的这个数量来计算了啊。 这页 ppt 上面呢，也举了一个例子，也举了一个例子啊，跟大家解读一下。呃， 这个就某个城市的这个，呃农村地区它的垃圾中转站它有二十二个啊，已经建成的啊，然后每个站点呢需要配置一个十八立方的这种啊连体式的压缩箱， 然后这个当地农村呢，它每天是产生三百吨的这个垃圾啊，然后呃每个这个十八立方的压缩箱呢啊，压装当地的这个生活垃圾呢大约是十二吨左右啊。 第三个条件呢就是中转站到填埋场的平均运距单程是三十五公里啊，所以每一天呢这个大勾币车呢啊，根据当地的交通状况实测了之后每天转运三次啊，每天就转运三次左右。 第四个。呃，这个第四个不是已知量啊，这个我们根据前三个条件。前三个已知条件呢啊，我们就可以开始做计算了啊， 怎么算呢？我们有环卫行业最全面最接地气的线上课程与师资资源，需要的请与我们联系。

cloud code 最大的痛点是什么？每次开新赛事之前干了什么全忘了。一个叫 cloud 姐妹们的开源项目，两个月拿了四万颗星，专门解决这个问题。它的原理很简单， huke 注 cloud code 的 生命周期自动捕获，每一次吐掉用捕获之后用 ai 压缩成语义，加以存进 ccloud lite 加向量数据库，下次开赛事自动解锁相关上下文注入回去。 cloud 就 像从没断过线。它有个核心设计叫渐进式批录， 先给你一个清量，所以只花五十到一百个头肯，你觉得哪条有用再展开拿详情，这样比全量注入省十倍头肯价扣上。他用了五个生命周期， hook 塞肾开始，用户提交吐五吊永后停止，塞肾结束，后台跑一个办管理的 work 服 端口三七七七七还自带 web ui， 看记忆流，搜索能力也很强。 sqlite 全文简缩加 crm 向量搜索混合招回。它还支持 m c p 协议。暴露四个工具， search timeline， get observations， 加一个 mem search skill。 同类方案里它是断层第一， ansaurus 官方只有克拉大的 md， 力度太粗，手动维护 markdown 文件可控但费人工。其他社区方案没一个过万兴的。不过有个争议点，项目方发了一个 soalan 代币，叫 cmm reddit 妹最底下写着开源协议，也值得注意， 主体是 agpl， 但 racktime 子模块是非商用许可。不管怎样，四万兴说明了一个趋势， ai 建特的记忆层正在变成刚需。

你那吃灰的旧笔记本，不用显卡、不用联网，也能在本地运行清亮 ai 模型？微软开源了个叫比特。 net 的 项目，他干了一件听起来挺离谱的事，把 ai 模型里每个参数压成三个值， 一零负一，就这仨数。但就这么一个改动，模型体积小了百分之七十，推理速度提升高达六倍。为什么以前做不到传统模型每个参数是十六倍浮点数运算太复杂， cpu 运行效率很低，只能靠 gpu 硬撑。 bitnet 把运算简化到 cpu 原生就能处理，所以它能跑在普通笔记本上。不是靠什么优化，是底层逻辑就变了。 比如做法律财务的，最怕客户数据外泄，本地跑模型，合同报表直接分析数据，压根不过网。携带码的应该感受更明显。断网的时候，云端 ai 基本没法用， d 模型仍可使用。还有搞研究的，不用盯着 api 额度，也没有调用费用， 不受 api 调用限制这三类需求。以前要花上万买显卡，现在运行这个模型，旧笔记本就够用。 windows、 mac、 linux 都支持跑最小版本模型约需四级自洁。别人花一万五买显卡，你翻出旧笔记本擦擦灰，本地 ai 照样能跑起来。废铁变神器。

你的电脑里是不是也堆着一些特别大的文件或者项目文件？总想着怎么能让他们占的地小一点？别急，这几乎是咱们每个人都会遇到的问题。 要知道，在压缩这个世界里，你总得做个取舍。你看这张图就特别清楚，你可以用像 jibz 这样的工具，速度快，但压缩效果一般。或者呢，你也可以用 xz， 它能把文件压得特别小，但真的速度非常慢。 而今天呢，咱们就来聊聊那个处在中间位置的，可以说是完美平衡的选项。 bgs two， 我们会通过这份材料的分析，帮你彻底搞懂这个 linux 系统里非常强大的压缩工具。没错，就像标题说的，这一切都关乎于压缩的权衡，说白了，就是在速度和大小之间找个平衡点。 jzip 呢，它要的是速度， xz 呢，追求的是极致的压缩，而 bziptwo， 它就在这两者之间找到了一个特别棒的位置。所以啊，在很多日常的使用场景里， bziptwo 就是 那个最均衡最合适的选择。 它的压缩效果比 g z i p 要好得多，同时呢，速度又比 x z 快 不少，可以说它是一个非常可靠的多面手。 好，那咱们就来看看 bzip 二这个工具箱里到底都有些什么。其实啊，很简单，主要就是三个核心的命令。第一个，那当然就是 bzip two 它自己了，就是最主要的压缩工具，它背后用的是一种叫做 burlesweiler 的 算法， 这种算法能实现相当不错的压缩效果。第二个是 bunzip two， 顾名思义，就是专门用来解压缩的。 不过这里有个好玩的地方，你看邦 zip two 其实只是一个快捷方式，它和你运行 b zip two 命令，再加上一个 dash d 选项，效果是完完全全一样的。 最后，这个 b z cat 是 一个超级方便的小工具，有了它，你就可以不用真的去解压文件，直接在终端里就能快速看一眼压缩包里的内容。比如说你想快速翻一下某个日制文件，用它就对了。好了，工具都认识了，现在就到了最关键的实操部分了， 咱们来看看在命令行里，有哪些关键的选项能让你把这些工具用得得心应手。 如果你今天只能记住一个选项，那必须是这个。注意了，默认情况下， bzip 二压缩完会把你的原始文件给删掉，这有时候会很危险。所以关键点来了，一定要记住用杠 k 这个选项， k 就是 keep 的 意思，也就是保留原始文件， 你甚至还能更精细地控制压缩的程度，只要用负一到负九这样的数字就行。 负一代表速度最快，但压缩的一般，而负九呢，就代表效果最好，但当然速度也最慢。如果你什么都不加，那默认就是负六。对大多数情况下来说，这都是个不错的选择。 当然了，还有其他一些很有用的选项，比如说用杠 d 来解压，如果你想强制覆盖一个已经存在的文件，就用杠 f， 杠 v 会显示详细的处理过程。 杠 t 可以 用来测试压缩稳线是不是完好无损，而杠 c 呢，则会把结果直接输出到屏幕上。好了，现在我们必须得聊聊 b z p two 的 一个主要限制了，以及它最重要的一个伙伴，那就是 t r 命令。 你一定要记住这个核心事实， b z i p two， 它本身一次只能处理一个文件， 你没法直接用它来压缩一整个目录。那问题就来了，我们该怎么办呢？答案就是让它和 tar 联手。你看过程其实很简单，第一步， tar 命令，先把整个目录打包成一个独立的点 tar 文件。 然后第二步，你在用 turbo 命令的时候，加上一个杠 j 选项，它就会自动调用 bzipper 来压缩这个刚打包好的文件。最后你就得到了一个我们常见的点 turbo 点 b 二的压缩包。那么解压的过程呢？反过来也一样简单， x 这个选项是告诉他尔要 extract， 也就是提取文件。而这一选项在这里的作用就是告诉他尔，在提取文件之前，你得先调用 b z p two， 把这个压缩包给解压开。 说了这么多，咱们来做个最后的总结，帮你彻底搞清楚到底在什么时候选择 b zip two 是 最明智的。 这张总结表可以说是一目了然了。你看，无论是 jzip、 bzip 二还是 xz， 要想保留原文件，都统一适用杠 k 选项。 而在压缩比这个关键指标上， bzip 二稳稳地排在中间，效果比 jzip 好， 又不像 xz 那 么消耗时间。所以 bzip 二的特点就非常鲜明了， 它的压缩包比 g z 更小，速度又比 x z 快 得多，而且它是一个非常经典的工具，几乎所有的 linux 系统里都自带了。 也正是因为这些优点，你会发现，像系统核心呢，各种软件的源码包啊，都特别喜欢用 d r t r d r b z 二这种格式，最后，为了让你能立刻上手，我们给你准备了一份命令备忘单。 说真的，你只需要记住这两个命令，就足够应对绝大多数场景了。就是这么简单，想压缩目录，就用塔尔杠 c， g， f， c 代表创建 create g 调用 b z p two， f 代表文件 file。 想解压缩，就用塔尔杠 s， j， f， x 代表提取 extract。 记住这两个命令，然后赶紧把这张换灯片截图保存下来吧。 好了，既然你现在已经完全明白了速度和大小之间的权衡利弊，那么下一个问题留给你自己。哪个压缩工具会成为你以后新的默认选择呢？

一分钟 smt 钢网制作进阶版底层翻转和合并，这里有四个文件， 底层四硬层 gbo、 底层阻焊层 gbs， 顶层四硬层 gto， 顶层阻焊层 gts。 回到上级目录进行压缩， 再进入前台系统，选择刚才的压缩文件，再选择处理方案，上传文件，等待后台处理。后台现在开始处理，同样是一分钟左右， 和上个视频的不同在于，这次的处理包括了， 一、底层文件的自动翻转。二、翻转后的底层文件和顶层文件进行合并。三、按照选择的方案处理合并后的 gerber 文件。 前面提到的三个步骤都是自动完成的，不需要额外设置 好基本 处理好后的压缩包， 把它拷贝到之前的文件目录解压缩， 这就是刚解压缩的文件夹，点击进入，如果你看过上一个视频就知道这个读我 txt 干嘛的。 之前的四个文件在这里，其他多了一堆文件，稍后再讲这多出来的文件作用，现在进入拷破的目录，看一下处理后的效果， 这个文件是底层文件原始效果， 那么这个就是顶层文件原始的样子， 你看这就是底层和顶层文件原始的效果。当然这里的底层文件是自动翻转后的效果，如果没有翻转，这牌子就应该是倒过来的。 这个文件就是处理完成后的效果， 把它整理对比一下， 如果你仔细看就会发觉 这个文件是对翻转后的底层文件和顶层文件合并。同时呢，对于方案匹配的元基键进行了处理，比如这个电阻，这个电容，这里一对应就看得出来， 为啥只有这几个元基键进行了处理呢？因为其他元基键并没有在方案中设置。你看，在一分钟内 对底层文件进行了翻转，对两层文件进行了合并，按照方案对原基件进行了处理。你现在使用的各种工具 完成前面说的过程需要多少时间？那么这个文件是来源于 这里的， 现在介绍一下这些文件关系。这是原始的文件，这是翻转后的底层文件，这是合并后的处理文件。 这三个文件对应了私印层、祖汉层和西高层，这都是合并后的文件。 回过头来，我们再看一下， 再问一个问题，这样一个 s m t 的 钢网文件 要完成翻转、合并和处理这个过程需要花多少时间？而在这里只要一分钟。创新改变工业未来，谢谢，再见！

压缩软件五花八门，广告捆绑付费陷阱多，免费难用、好用价高，该怎么选？今天分享的是软件压缩界三巨头纯净版，免费又好用，全程无广告。那具体选择哪一款呢？一个视频讲清楚。 number one 七 z 高压缩，极速高效核心优势，开源纯净，自研七 z 格式，加 l z m i 二算法，压缩率顶尖，大文件压缩节省空间效果显著。软件轻量化，老旧电脑也能流畅运行，明显短板。界面极简， 新手上手稍难，无压缩包修复云同步等进阶功能，与 windows 右键集成度一般，部分小众格式需手动解压。适用人群，追求高压缩率，偏爱纯净，体验 频繁压缩大文件的普通用户、学生党及技术人员。 number two band zip 高效办公便捷先锋核心优势，操作便捷易上手，右键集成完善， 适配办公场景，支持多使用功能，多平台兼容 z i p 格式，解压速度快，后台运行不干扰，明显短板。压缩率一般，大文件节省空间，效果差。软件偏臃肿，低配电脑易卡顿。适用人群，注重操作便捷，有办公跨平台需求的商务人士、企业用户。 number three win r a r 全能稳定格式王者核心优势，功能全面，支持多种进阶操作格式兼容性强，独家支持 r a r 格式运行稳定，适配老旧系统和特殊文件，明显短板，界面老旧，缺乏现代化设计，不支持七 z 格式，压缩格式拓展性有限，适用人群，需处理复杂压缩包。 追求全能稳定的专业办公人员。最后总结，日常使用追求高压缩率，首选七 z 商务办公注重便捷性，首选 banzib， 处理复杂压缩包，求稳全能，首选 v n i r。 以上就是本期的全部内容，最后你会选择哪一款呢？欢迎在评论区批评指正，记得关注我，每天进步一点点！

现在有很多人有图片内存太大的烦恼，在就如中屏这类地方需要上传内存很小的图片，现在我来教大家怎么用电脑自带的画图软件更改图片大小。首先我们找到我们演戏用的图片， 可以看到此系图片的大小是一点四八 n b。 我 们用鼠标右键这个图片，再打开方式中找到画图， 此时我们在左上角找到重新调整大小，选择像素调小点，这里以二零零为细范， 然后点击左上角文件，选择另存为， 记得改一下名称， 可以看到这里图片的大小就变成了四十四点二 k b。

写完代码就忘，下次打开项目还得重新理解。 cloud mem 是 一个开源的 cloud code 插件，能自动记录你和 cloud 在 编码中的全部交互、提问、回答、代码修改等，并通过 cloud 的 agent sdk， 用 ai 智能压缩成高密度上下文记忆。 下次绘画时，它自动注入相关历史，让你无缝衔接开发状态，无需翻聊天记录或手动复制粘贴。官方提供 python 视力，三分钟即可跑通，亲眼见证对话变成长期记忆。已有开发者实测，在连续多天开发同一功能时，上下文准确率提升超百分之七十， 特别适合重度依赖 cloud 的 t s 开发者，尤其在处理复杂逻辑、长期迭代或多人协助场景。如果你正苦于 ai 编程助手的上下文段层， cloud m e m 或许就是你的效率突破口。喜欢这类内容吗？快来关注我吧！

图片优化是前端性能的重中之重。当面试官问你，我们项目有很多图片加载很慢，你有什么优化思路？这个问题？如果你的答案只是停留在把图片压缩一下，或者说懒加载，那么这道题你可能就危险了。 今天我就和你分享一套我自己在面试和实战中总结出的能够体现出你专业深度的图片优化体系。好，那么一个优秀的回答啊，不应该是点状的，而应该是结构化的。所以我们要向面试官证明，我们考虑问题是有分层次，有逻辑性的 好。我们习惯把这个图片优化拆解成几个核心维度来回答，第一个是资源的选择，第二个是加载的策略，第三个是分发的炼录。 好，我们接下来会一个一个的拆开来讲。首先第一个维度，资源选择。我们优化的第一步是在图片生成或者上传的那一刻就做出正确的选择。这里包含两个层面，格式选择和内容选择。首先，格式选择。在二零二五的今天，如果你的项目目标 用户都是现代的浏览器，那么 webp 应该是你的首选。它在压缩率和兼容性之间取得了非常好的平衡性。 在同等化之下，它的体积通常比 j p e g 这样的位图小百分之二十五到百分之三十五。那么如果你追求的是一个极致的性价比，极致的压缩比，并且你可以接受部分浏览器的兼容性问题，那么你可以采取更激进的 avif 格式。 当然呢，我们还需要一个回退方案。这时候一个经典的 picture 标签就派上用场了，我们可以把 我能支持的资源全部放到这个标签里，浏览器就会自上而下的检查。比如说如果他支持 avif， 就 加载这个格式，如果不支持，再看看是否支持 bugp， 如果都不支持，最后再加载通用的 jpg， 这是一个非常优雅的兼容方案。 其次，第二条就是内容的选择。内容的选择方面，对于 logo 图标这类非写实的颜色、单一的 图形，大家一定要果断地使用 svg， 它是矢量格式，因为它无限缩放而且不失真，体积是非常小的。而且呢，我们可以直接通过 css 修改颜色和大小，所以我们一般都用 svg 作为图标。好，那么资源选对了。接下来就是第二个维度，加载策略， 在正确的时间加载正确的内容。这里有个核心思想就是按需加载，避免浪费。那么我们对应的有两个强大的武器，响应式图片和懒加载。第一，我们用响应式图片为不同的设备提供最合适的尺寸。 在手机上，如果我们加载一张 pc 端用的四 k 大 图是对，这是对用户流量和设备性能的非常大的浪费。所以 image 标签的 s r c site 和 size 属性就是为了解决这个问题的。 首先， s r c size 提供了一个图片资源清单， size 则告诉浏览器在不同适口宽度下，图片会占多大的空间，浏览器会根据这些信息结合设备自己去计算出应该加载哪一张图最合适。 第二个就是用懒加载策略去延迟加载非视口内的图片。我们最简单的方式就是给 image 标签加上 loading， 等于 lazy 这样的属性就是浏览器支持原生支持的一个能力，我们一通过一行代码就能搞定，去大大的提升我们首屏加载的速度。 那么对于那些需要更加精细化控制的场景，比如说自定义的站位符添加加载动画，我们就可以用 in section observer api， 它可以高效的去监听一个元素是否进入市口，从而去手动的触发图片加载，这是目前社区主流的自定义栏加载的实现方案。 好，那么我们来到第三个维度，分发链度让，它的核心思想就是让专业的人做专业的事。 当我们的应用体积变得非常庞大，它你的用户量可能遍布全国乃至于全球，那么你的优化就不能只停留在前端代码层面，我们应该需要从架构上考虑和分发效率，那么这里的核心就是 c d n， 我们要将图片资源部署到 c d n， 可以 让用户从物理距离最近的边缘节点去获取资源，然后非常大的降低一个网络延迟。但是我想说的重点是，现在的 c d n 远不止是缓存服务器， 很多 c d n 服务商都提供了一些强大的图片处理服务，这意味着什么呢？你只需要往 c d n 上传一张最高清的原图， 我们在请求图片的时候，我们通过 url 参数就可以实现动态的实现一个裁剪、缩放，添加水印，甚至是自动格式转化的功能。比如说你请求一个宽度携带一个参数宽度四百像素，那么 c d n 呢？就会实时返回一个四百像素宽度的 y f p 格式的图片， 所以这种方式的巨大优势就在于它将图片处理的复杂性从你的业务代码中彻底剥离出去。我们前端关开发再也不需要关心图片的各种版本，只需要请求自己想要的尺寸和格式就可以了， 所以这是在工程化上的一个巨大进步。当然，在分发链路里，还有像 css 雪碧图这样的传统手艺，它可能通过 合并小图来减少 http 请求。在 http 一 点一时代，这非常关键，但是在 http 二多路复用普及之后，它的重要性是有所下降的。不过在一些某些特定场景，比如说加载图标，雪碧图依然有它的价值。 好，那么我们再快速回顾一下。当面试官在问你图片优化时，你可以这样有条理的回答，首先，你在资源选择上会优先使用 webp 这样的现代格式，并且利用 pechat 标签做优雅降级。对于图标类的，你一定要使用 svg 格式。 那么其次，在加载策略上，你会通过 sarc 去实现响应式图片，并且呢，为所有非手屏图片开启 loading 等于 lazy 一个懒加载策略。 最后，在分发链路上，你会将图片资源上 c、 d、 n， 并且结合它动态图片处理的能力去实现高效灵活的自动化优化。 那么最后呢，理论终归是要实践的，大家不妨在自己的下一个项目中去尝试建立这样一套完整的图片优化流程，你会发现你的网站性能将得到质的飞跃。好，那么以上就是本期内容，感谢观看，我是方格，我们下期再见，拜拜！

嘿，作为开发者朋友们，如果你正在用 ai 做项目，那接下来这两分钟，绝对能让你的工作效率原地起飞。咱们来聊聊一个核心功能， codex 子代理。好，咱们直接说痛点，你有没有感觉，项目一大， ai 的 日制和代码就堆成山，那个上下文搞得特别臃肿？ 结果就是 ai 反应越来越慢，给出的结果质量也开始掉链子。我懂，真的那种感觉太让人头疼。 那怎么办呢？其实解决思路很简单，别再让你的人工智能像一个厨师那样手忙脚乱地想同时做八道菜了。咱们换个玩法，把它变成一个高效的后厨团队，请四个厨师，每个人专心做两道菜。 你看，就是 codx 子代理 sub agency 的 魔力，让工作并行起来，效率自然就上去了。那么，用子代理和不用核心区别到底在哪？咱们来扒一扒 来看这张图，对比一下。左边是一般用户 bob， 他 呢？把代码审查、安全检查，所有任务一股脑全扔给主代理，结果就是一个任务卡住，所有都对等着，又骂又容易错误。再看右边的高手 sally， 他 就聪明多了，给每个任务都分派一个专门的子代理， 这些小助手在后台同时开工，互不干扰，主聊天框干干净净，这小吕简直没法比。而且啊，这里最妙的一点是，当这些子代理在后台拼命干活的时候，你的主代理是暂停的。这意味着什么？意味着你的主对话界面永远清爽专注，再也没有乱七八糟的信息干扰你了。 听起来是不是很爽？别急，用起来也超级简单。来，这是你的三步操作指南。第一步，最简单粗暴的方法，直接用大白话在聊天框里下命令就行， ai 会自动给任务创建独立的运行空间。第二步，如果你有些任务要反复做，那就创建一个点 t o m l 文件配置， 别被这名字吓到，它就是个简单的文本文件。第三步呢，就在这个文件里写清楚子代理叫什么，干什么，用哪个模型，你看，就这么几下齐活了。 当然了，想让你的子代理团队稳定又高效，那这四个黄金法则你得记牢了。记住这四条，第一，低 call， 让他们各干各的，互补影响。第二，单一职责，一个子代理就干好一件事，把它干到极致。第三，结构化结果，要求他们按你指定的格式交作业。最后，也是最重要的失败隔离， 绝对不能让一个子代理的失误把整个系统给带崩了。最后，给大伙一个超级实用的建议，你根本不用从零开始，网上有大把开源的，到滔墨子代理库，直接去社区里找你需要的拿过来改一改就能用，这不就是咱们开源社区的魅力吗？ 好了，现在轮到你了，动动脑筋，你第一个想创建的子代理是什么？是让他帮你做代码审查还是自动生成文档？快在评论区分现你的想法，我特别想看看大家的创意。

anthropic 最近悄悄上线了一个叫做 auto dream 的 新功能，根据大家的讨论，这个功能基本上会定期运行一个子代理来整合 cloud 的 记忆文件，以便更好地进行长期存储。 我还看到 anthony 发了一条推文说这真的很疯狂，因为这基本上就是人类通过睡眠来储存长期记忆的方式。 你可以看到，在这个项目里，我就在尝试使用 auto dream。 由于这个功能还在逐步推出，而且属于实验性功能，我就在我的项目里尝试运行了一下，结果确实可以用。 正如你所见，他正在做梦，因为在我的状态栏这里，你可以看到他显示的是 dreaming。 然后我往下翻，按回车，进入任务查看页面，你就能看到他正在做什么。他一开始会说，让我在最近的绘画中搜索更多用户反馈偏好和与新项目相关的信息。 他基本上会查阅我们所有的消息，以及我们让他做过的各种事情。接着进入第三阶段，也就是整合信息的阶段。所以这里列出了自上次运行以来，他需要用来更新内存文件的所有关键发现。 你可以看到，这其实是一个相当全面的任务，他已经运行了将近十分钟了，他已经回顾了十三个会话，并且正在处理不同的内存文件。 基本上这整个过程的目的就是为你的 cloud 记忆提供一个自动的后台清理和整理系统，这样每次你开启新绘画时，感觉会很清晰，而不是模糊或杂乱。 现在 cloud code 已经具备自动记忆功能，它可以在 memory d m d 文件中记住你项目的一些信息。这些内容通常会在你绘画和对话开始时被自动注入。 这也是为什么目前 cloud code 能够在上下文上更好地理解正在发生的事情。但 auto dream 有 些不同，因为它不是简单地注入一些信息，而是持续地压缩、修剪，并让那个文件变得越来越好。它让一切都保持得更加新鲜，因为它基本上会把所有进入你 memory md 文件的不同信息都处理一遍。当他执行 alter dream 时，会将这些信息合并、修剪、刷新并进行压缩。这样所有不同的记忆文件都会变得更加整洁。所以，如果我切换回这个项目，你可以看到它改进了五个记忆点，这大约花了十分钟， 它优化了所有这些不同的 md 文件。现在项目就可以使用这些文件了，而且它们都更加整洁和更新。那么你要到达这里的方法是进入 memory。 你可以在这里看到我们有编辑 cloud 记忆文件。当你打开它时，你会注意到这里显示 auto dream 已开启。正如你们刚才看到的，这个功能上一次运行是在十一分钟前，我们可以用 dream 来运行它。现在当你打开这个时，它默认是关闭的。你只需要把鼠标悬停在上面，按下回车键，它就会变成开启状态。 而且默认情况下，你的 card 的 自动记忆功能很可能已经是开启的。你会注意到，记忆功能是全局开启的，适用于你所有不同的项目。但每个 auto dream 都有自己独立的文件进行操作。所以在另一个绘画中，你可以看到 auto dream 也是开启的。它上一次运行是在十一分钟前。 现在如果我切换到我的 hurt 二项目，在这个项目里，我从未开启过 auto dream 功能。然后我去查看记忆， auto dream 功能已经是开启状态，但你可以看到它显示从未运行过。 当然内存文件也是不同的，因为在这里我有很多不同的文件。而回到另一个项目，那其实更像是一个演示。你可以看到我们只有这三个主要文件，分别是 project user 和 auto memory 文件夹。 所以现在如果我在我的 herk two 项目里，并且我知道我的 auto dream 已经被开启了，它提示我可以使用 dream 来运行。 所以如果我在这里输入 dream， 会发生什么呢？它基本上只是显示未知技能，我们也没有看到任何反应。 所以现在你其实可以用自然语言来调用它。尽管 cloud code 本身可能对你想做什么有点困惑，所以我就直接说运行你的 auto dream， 我 们来看看它会怎么处理这个信息。 所以现在他说我没有 auto dream 技能，而且他有点困惑。但你可以在这里的状态栏看到，我们确实看到他正在做梦。如果往下看，进入任务列表，我们可以看到他正在运行这个梦境整合， 他会先让自己适应环境，然后我们会看到一系列操作，比如我正在获取这个文件，我正在查看这些绘画。 而现在，因为这是我一个比较大的项目，你可以看到它正在回顾两百八十五个绘画，所以这可能会花费比八到十分钟更长的时间。所以在我们让它运行的时候，让我们再多聊一下为什么这很重要。 很明显，这个功能刚刚发布，我还没有时间真正深入测试，看看它到底值不值得用。但根据我目前看到的情况，我确实认为它值得。让我们来谈谈为什么会这样。第一个重要的点是，你会减少重复。 即使有自动记忆功能，我有时候还是觉得自己在重新解释一些事情，或者试图把一个绘画的上下文带到另一个绘画中，而减少重复显然是一件好事。我们还有另一个在后台运行的好处，就是减少溶于。因为系统的一部分功能就是在压缩和修剪内容。 修剪基本上就是只去除那些不必要的内容，精简多余的部分。当我们去除所有多余的内容和多余的 tokens 时，这显然有助于减少溶于，也有助于我们进行上下文管理。 我们还拥有更好的回忆能力，因为他去除了我们实际上不需要的内容，所以查找信息变得更容易。想象一下，球池里有一百个球，你要在篮球中找一个粉球，如果我们把一半的篮球拿走，结果会怎样？ 找到那个粉色球就会更容易了。我觉得特别有趣的一点是，这基本上就像睡眠一样，无论这个过程以什么样的节奏运行。我们稍后会谈到，当他到达那个节点时，基本上就像重置一样，所以这就像一个检查点。每次你到达一个新的检查点，实际上就是在为自己保存进度。 以前你会有所有这些不同的文件，对吧？你会有这些庞大臃肿的上下文文件， md 文件。但现在，澳洲 dream 会把所有这些内容提取出来，只保留你需要的重要信息，可能只是几条要点，而不是上百行内容。 他的实际工作方式是，第一步，一旦被激活，他会收集绘画信息。之后他会读取当前已有的记忆文件，然后将其加载到一个子代理中。这个子代理会执行实际的梦境提示， 所以我不能完全确定。但我想象中的梦境提示大概是这样的，你正在执行一次梦境操作。对你的记忆文件进行反思性梳理， 将你最近学到的内容整合成持久且有条理的记忆，以便未来的绘画能够快速定位。请将 memory 保持在行数限制内，它是一个缩影，而不是全部内容的堆砌。用一句话描述并链接到记忆文件。不要把完整的记忆内容复制进去。 在运行完这个提示之后，它会进行整合和修剪。就像我之前说的，这其实就是在整理和清理内容，然后它会把所有的结果都存储下来。 接着，每当他下次醒来去做梦时，基本上就是每次都重复这个流程。那么一旦你开启了自动记忆和自动梦境，除了你用 dream 命令或者直接告诉他去做梦之外，自动梦境实际上是如何发生的呢？ 其实基本上有两种不同类型的触发方式，或者两者兼有，它可以基于时间。比如说每隔十二小时我就会自动做一次梦，或者也可以基于绘画次数。所以也许当你达到三百次绘画时，它就会自动进行一次梦境。 不过这一点还没有官方文档确认，这基本上只是根据一些 x 平台的讨论和 ready 上的讨论得出的结论，但请大家记住这一点，这很可能就是他的工作方式，但我不能百分之百确定。现在一旦他开始运行，你基本上会看到几种不同的状，你可以看到他正在运行， 也可以看到他从未运行过，还可以看到他上次运行的时间，或者什么都看不到，处于空闲状态。这里需要注意的是，他只会操作内存文件。正如你们在第一个例子中看到的，他说我更新了五个文件， 这些全都是上下文文件，所以这里所有显示我改进了五个记忆的全部都是 md 文件。这些都不是代码、脚本或类似的东西。那么我们该如何理解云端代码中这些不同类型系统之间的不同层级呢？ 对于普通绘画，我们基本上只具备编写代码、调试重构以及与云端代码交互的能力。 然后在中间层，我们有自动记忆功能，它会记录决策模式以及关于实际项目或你的重要信息。 但除非你自己拼凑出一套解决方案，否则并没有一种很好的方法可以持续的清理这些内容。所以自动梦境 auto dream 基本上就是在后台运行，无需你手动介入或提示，它会自动检查所有内容，清理一切并修复许多问题。 这也是为什么让这三层协同工作会创造出一个非常强大的系统。这个系统很可能能帮助你更好的扩展，并让你的所有绘画都保持更清晰，更像一个能记住你信息的人类，而不是一个聊天机器人。 所以现在这个程序已经运行了超过六分钟，等他完成后，我会再和大家汇报一下，我们可以看看他更新了哪些记忆文件。这次其实只花了八分钟，这很有意思，尽管他需要检查的绘画多的多，二百八十五个，而不是大约十三个， 但他还是能够更新这三个不同的记忆文件。你现在可以看到目前没有任何后台任务在运行。如果你想要更清楚的了解他具体做了什么，你可以直接看到他的操作，他添加了这几条记录，并且移除了这些部分。现在如果我想恢复这些内容，或者添加更多见解，我都可以做到。 当然，如果我想确保一切都准确无误，也可以去查看这个文件。而且很酷的一点是，随着你越来越多的使用 auto dream， 他 会越来越擅长理解哪些上下文对你来说是重要的，哪些不是。 好了，今天就到这里，如果你喜欢这个视频或者学到了新东西，请点个赞，这对我帮助很大，一如既往，感谢你们看到视频的，最后，我们下期再见，谢谢大家。

今天教大家安装一款直观易用的三维建模与设计软件 sketchup 资源获取看这里 关闭杀毒后解压安装包，打开解压完后的文件夹右键，此程序以管理员身份运行， 取消勾选用于 sketchup 的 vray， 自定义安装位置，一样安装到 c 盘， 点击完成。点击 crack 文件夹，复制这两个文件夹， 右键软件图标，打开文件安装位置，返回上一级文件夹，在空白处粘贴并替换文件， 关掉所有页面，双击打开软件，点击接受， 在这里点击一个任务，打开软件安装完成正常使用即可。

本地跑大模型的起点终于要来了！就在昨天， google research 放出了一个逆天的研究成果， turbo quant 极速量化算法，它能够在不损失任何精度的前提下，大规模减小模型大小，而且内存消耗减少六倍以上，运行速度 提升八倍。这对于做本地 l m 部署高向量剪索的开发者来说，简直是史诗级利好。我初步看了下论文和相关资料，他用了两部极其优雅的数学策略，首先，利用 polar quant 将 传统的直角坐标系转化为极坐标系，解决了传统量化方法的额外内存开销。第二步，使用 qgl 算法，只用意比特的算力做极限纠错，保证了大模型 attention 机制的绝对精准。实验结果也证明了 turboqant 算法的强悍。在 nih 测试中， turboq 可以 以百分之二十五的 k v 缓存实现零点九九七的完美召唤率。而令人惊叹的是，即使被极度压缩，它的信息提取表现与未压缩的三十二比特全精度原始模型分毫不差，真正做到了零精度损失。在 long beach e 紫级测试中， turboq 可以 将 k v 内存压缩至少四点五倍甚至六倍的同时， 得分仍大幅超越目前的主流压缩算法。在 h 一 百上进行注意力逻辑值测试时，斯比特的 turboq 实现了比三十二比特未量化版本高达八倍的星能飞跃。 有兴趣深入研究的兄弟强烈建议去看原论文，学学顶级算法科学家的思路，我会在精读完论文之后和大家分享更深入的内容。

项目着急上线，压缩了测试时间怎么办？这个是面试常考的一道题，也是实际工作中会遇到一些情况，那我从实际的一些经验给你一些建议。一、确定测试范围，保核心，砍边角，时间不够核心的策略就是保主干，舍直接主干就是用户高频使用了一些核心 流程和路径，比如电商的下单、支付、退款，高风险模块，比如资金的计算，全新的交验，这个时候我们要快速拉产品开发，开一个十分钟的站会把 非核心的功能，比如后台的管理，导出 ui 的 一些细节等等明确砍掉或者降级，然后把结论同步到群里。这个非常考验你对系统的一个熟悉程度，以及你是否明确本次改动的范围、影响点，高风险如何把控。二、提前介入，分批提测，尽量推动开发去分批提测，不用等所有的功能都测完都写完，你再去提测比。 比如后端定义好接口后，我们就可以进入进行接口测试，这样开发和测试其实相当于并行，无形中增加了一些测试时间，这就是测试左移的一些思路。三、改变测试逻辑，先测主流程，再测高风险，最后测 边缘。调整之前的测试逻辑，我们先测核心主流程，再测高风险的模块，因为严重的 bug 往往需要比较长的时间修复，如果放到测试的最后才去测试，那你开发根本来不及去修复。我们可以把可能出大问题的地方先测透，把主流程测透，把大的 bug 提前发现，这样给开发留够足 足够的时间让它去修复 bug。 然后我们再进行交叉的验证和缺陷的验收，确保问题能快速的避缓。四、做一些提效的事。如果时间比较紧，我们就别去直接写复杂就问。我们可以利用 pos 问或者 apfos 以及利用 ai 去批量生成一些自动化 case， 这些自动化 case 简单，而且能发现一些非常易发现的问题。这样，如果你有前期的自动化或者流量录制积累，会帮你省出更多的问题。这样，如果你有前期的自动化或者流量录制积累，会帮你省出更多的问题。这样，如果你有前期的自动化或者流量录制效率问题的快速修复，快 速的避缓，快速的跟踪。如果判断核心流程测不完，或者有一些更高风险的 bug 没有回归到，一定要及时说出来。测试呢？我们是质量的守门员，但是我们不是背锅侠。六、做好上线意愿和风险控制 万一上线后出现问题，我们必须留有后手快速回滚的方案，功能控制的开关以及配置切换等等，这些我们需要提前准备好，让你在紧急上线的时候心里有底。那总结起来就是抓重点，保核心测试左移前置介入，改变策略， 提高效率，高效推进以及测试右移控制风险。这样的话既能在有限的时间内让测试价值最大化，又能保障不出大的问题。 ok， 如果你还有其他问题，欢迎找我一起交流。

今天把 ai 抠定的一些方法呢，再重新讲一讲处理，给自己复盘一下。最近 ai 抠定的时候呢，会有各种各样的一个工作流，你不可能说每次的时候你通过对话的方式去跟他去把整个项目做出来， 实际上由于大模型的话，他有上下文的限制吗？随着你对话的进行的话，他是不可能记住这些东西的，而且你一般一个项目你也不可能一次开发完，你肯定是几天，所以说你肯定是需要把它沉淀下来的，包括整个工作方法呢，基本上你都会按照说 我先做一些调研，我跟 ai 做了一些对话，跟 ai 对 话的过程当中呢，他可能会给你新的启发，你就会把你们之间的这种对话呢，得到的新的启发呢，你就希望把它沉淀下来，并且呢希望他在后面的时候再做类似的决策的时候，也能参考这些经验。 第二个呢部分呢，你除了对话之外的话，其实你还会做一件事情，你要进行一个整体的啊，产品的一个设计， 这个设计的话，它就不是一次一个版本，你不可能说只涉及到最终态，因为有的时候如果你项目足够庞大的话，你其实是需要分成几个版本去开发的， 不可能一次达到你最终那个状态。所以说你需要有一个产品的一个路线图，还有一个模块呢，你有了设计之后呢，其实你是需要把它进行执行的，执行之前呢，其实你是需要把你的用户的整个使用场景写下来，所以你需要有个测试，测试用力， 有了词用力呢之后呢，他再去写那执行计划的时候呢，相对来讲就会更加的啊，因为他有目标嘛，所以有了目标之后，再写执行计划的话，就会更稳定，更有约束力。 最后你希望把整个这个项目呢，在进行的过程当中呢，沉淀一些知识。这个知识我大概分了两类，一类是那种项目背景，它单纯是因为你这个项目特殊， 所以你需要让他记住一些东西。第二个就是技术背景，比如说你开发 ios， ios 的 话，你在开发过程当中可能会有各种各样的，就是大模型所不知道的一些点，你就可以把这些东西沉淀在技术背景上。技术背景的话一般会有跨项目的这样一个特点。 所以呢，我在平常的开发当中呢，我沉淀出来了这些资料，这些资料呢，在写的时候，让大家写的时候呢，就让他按照一个编号，就零一零二零三，就按照这个顺序编，这样有好处，就是随着时间的进行，他按照时间去编号，所以你就可以让他他知道哪个是最新编的，哪些是后编的，有一个规范性。 但是有了这些之后，我发现呢，其实我还是更需要一个原规则，说我如何创建这些东西，那我其实要给他一些规范，那比如说 session 呢？到底应该怎么建啊？ design 应该怎么设计？ testing 应该怎么写？ 包括 execution 的 话，它到底那个执行计划里面都写了什么东西？ knowledge 的 里面的结构是什么样子的？所以说你其实需要有个原规则，这个原规则就是如何创建它们的规则。 我在每一个文件夹里面都放了 readme 文件，比如说 section 里面会写那个 readme 文件里赞里面要写，所以每个里面都有 readme 文件，作为他的要求。把这个 readme 文件呢加上他们这这些东西呢，包括一些更加全局性的东西呢，就放在原规则里，我发现他每次写这个文件呢，有个问题，就是他每次新开一个项目的话，我都写这个，太复杂了， 所以呢我就把这些东西呢让它生成一个叫一个文件，就是项目初步化。那每次的时候我只要把这一个文件丢给大模型，然后让他说请你阅读这个文件，它就会自动的展开整个这个 workflow 啊，把这个东西呢，你就可以类似于 skill， 你 把它扔到任何一个文件项目初步化的文件里面，它就可以展开整个这个项目。 这个东西到底长啥样？我这里给他展示一下，大概就长这样了，他是一个什么呢？他是一个，哎，为什么没法显示这个文件大概长啥样呢？就长这样，先放这吧，让他让大模型的时候先阅读这个文件，这个文件其实是一个协议，他看完这个之后呢，就开始完成整个 word flow 的 一个结构。 所以这个项目这个文件呢，主要是定义了它如何生成后面这些文件，所以呢它的第一步就会去展开，有时候储用户处罚先阅读这个东西，然后呢 ai 去阅读这些规则，阅完之后呢，再去是否足够的信息进行出事化，它就会展开。刚才说的零零啊，零零是个总体的文件，它主要是作为缩影， 包括零一、零二、零三、零四、零五零六，这是第一个部分，就是出事化展开，它如何运行呢？运行的时候就按照这个工作流， 当我 flow 已经建立之后的话，目标到底清不清晰？包括说比如说从第一个部分哈，首先是目标，如果不清楚的话，你先去做设计，如果设计和 testing 这个测试都是 ok 的 话，那我们才允许他写执行计划， 执行计划的话，产出的结果的话，你看会把它沉淀到那个知识库里面，如果有测试用力的话，测试结果的话，它出现了隐形背景的话，就把它形成那个正式落的计划， 包括记录本轮的一些过程信息的话，都会记录在这个里面，这里面呢会涉及到是否如果进行一些影响，如果影响的话，相关的话，那就是去改对应的文件。 零一的是作为一个原规则，作为一个整个治理的这么一个变化啊，相当于按照这种工作流的方式去运行这个文件里面就会写第一层就是塞申，塞申里面重重点是按照时间线，多轮对话，关键决策、预期变化、惊讶度和路径信息啊，就都要写清楚的 每个这个是第一个简介。为什么赛神要写这些东西呢？其实就是说啊，如果我们把那个原文的就是你和 ai 对 话之间的全文，如果都记录下来的话，这个信息量是非常大的， 尤其是 ai 生成的东西，这个东西其实没必要的，就太详细了。所以呢，我们就记录一个非常粗力度的赛神。但是记录什么信息比较重要呢？其实就是要记录啊，首先是你和他首先要像个赛神，是吧？也就是说所以要记录你和 ai 的 对话，包括你的关键决策 这个预期变化就是 ai 预期是什么样子的惊讶度的，我定义了个惊讶度，意思就是说啊， ai 预期的， ai 的 预期和你的决策如果不一样的话，那么这个就会把惊讶度调高，就类似于 transformers 里面的这个注意力机制， 也就是说把这个惊讶度比较高的这些决策点让他高一些。未来的话， ai 再去回看这些灾神的时候，他就知道哪些是跟他想法不一样的地方，那么这些东西其实是最关键的，这意味着用户在这个过程中输入了一些额外的信息，使得这个 ai 的 想法发生了变化，这些信息其实也是比较重要的 路径信息的话，这里面充分的要去把相关的一些文档路径记录下来，这样的话这个 session 的 话，在 ai 再去回看的时候，它可以有更具体的一个文件作为缩影。第二层就是里赞，里赞刚才说了，它其实核心是产品的目标，包括能力的边界，包括数据模型、接口、架构、 ui， 总之全句性的东西的话都是放在里赞里面去的。 里赞和那个执行计划是不一样的，因为一个里赞可能会涉及到多个执行计划，而且里赞的话 尽可能粗一些，他尽可能更有目标感一些，更宏观一些，这个是他的一个设计原则。 testing 的 话，我们采用这种测试驱动的方法去，主要是为了先把你的故事讲清楚，其实这个 testing 应该或者换换句话说叫用户用户旅程吧，可能更适合一些， 把用户旅程测试用力写清楚了之后，那么执行的时候就可以更有明确的这样一个测试了，那就根据这个测试呢，每个都有具体的验收标准，那么他就按照验收标准去拣写他的执行计划，这样执行计划就更加的落地。 执行计划呢，最重要的一点呢，其实是约束啊，因为之前的所有的部分呢，实际上都是缺少那个约束的， ai 可能会想当然的去发挥。那么这个其实 qion 最大的一个特点就是它要有一定的约束性， 他一定要确定好这次执行的一个范围做什么，包括他的技术选型啊，包括他的所有的依赖，这些东西都要写清楚。 写清楚了这个之后呢，所有的这个执行呢，他其实都可以解偶的独立的分成子 a 阵的方式去运行，这样呢 a 阵和 a 阵的之间呢，就并不会去复合在一起了，那么他整个如果是解偶的状态呢？他的上下轮呢？其实他是相对来讲是比较少的， 这个其实也是比较有好处的，这个这个其实非常关键的，并且呢因为我们有了这个 testing， 所以 我们这个 exclusion 呢，我们知道它到底是否真的完成。第五个部分呢？其实就是 knowledge， 我 开始的时候没有想过加这个部分，但是这个部分我后来发现非常重要，其实核心原因就是因为呢，它实际上我们每个项目都会沉淀出别的东西， 这些东西呢就用每次就不用去重复这些东西了，你每次这个项目之间的上下文，每次让他记录下来，这样就不用不断的去写这些东西了。下一个项目的话，你只需要跟他说啊，你看一下这个项目上下文，看一下技术的上下文，技术的一些依赖外部知识，他可以去更好的去理解这个东西，也会写一些明确的优先级的冲突的判断， 这样使得它的更约束，更约束力更强一些。包括这些关键的关系，就必须明确一下关系，是吧？把它都给约束好。 v i 的 出石化时的一些默认行为。下面的话，其实这个文件还挺大的，相当于把这个目目录都给模板化出来了，包括一些编号规则是吧？如果不编号怎么样？ 包括第一个文件，这里面更详细的就是每一个文件里面 readme 里面都写了什么东西，包括模板是什么模板也都给，所以这个相当于在展开的过程当中的话，也是更加的什么呢？就更加准确性更强一些。 有了这一个文件，你可以理解为就可以把整个项目都展开了，包括最小的案例，是吧？这基本上都有包括这个启动指令啊，这个其实就是个 skill， 或者说就是个提示词啊，但是它只是说一个更有压缩性，更有约束性的这么一个提示词， 所以你拥有的一个文件，你就拥有了整个方法论这么一个东西，那这个东西的话，现在生成这个东西，那这个东西写的好不好就比较关键，那他如何写的好？ 其实就是你在你在真正在运行一个项目的时候，你会不断的去优化你的这些东西。最后呢我就问 ai 嘛，我说如果我现在有这么一个东西，它是能够展开这些东西的这些 workflow 的， 那么这个东西应该如何优化才能让它更好的去展开这些东西？所以他就会去再去优化这个文件。你们刚才看到的其实就是这个优化后的这个文件， 因为他比之前的更约束力了，而且他自己就会知道我的目的之后他就会去把它优化的更好一些。所以就是目前吧，这段时间其实真是一个结晶吧，算是因为也是我开始的时候可能没有想到这些，都是从 从这开始一点点就开始做，可能是目前我觉得这个是是我觉得特别有意思的，就是按照时间线去做一些沉淀，包括这个是 另一位大神吧，因为他有软件工程的经验，所以给我们讲了很多这个做了比较好之后的话，他才会把后端，包括你 iq 定的后端到底应该怎么做啊？才能做的比较好，所以说这个文件也比较重要。剩下的就是设计，因为我们本身是产品经理嘛，所以大部分的企鹅实践的话，其实都是在做设计， 设计就涉及到，因为我我开始的时候就没有可能一个就想用一个 p r d 就 把整个项目做出来。但是我发现随着 如果你想做后带后端的 ai 扣钉的话，或者稍微复杂一点的 ai 扣钉的话，其实一个文件是永远不够的。你确实要做一个产品路线图才行， 这个产品路线图的话，我觉得现在我我感觉特别有意思，因为你那个 git 的 话不是可以打那个 tag 吗？所以你就可以把那些 tag 都规划好，比如说零点一版本儿， 然后零点五版本、一点零版本、二点零版本都具有哪些能力？我们提前规划好之后呢？这样的话， ai 在 写零点一版本的时候，他就会大致知道你原来二点零版本会需要什么东西。那我一点零零点一版本的时候，我就要做哪些基础的东西了啊？包括他的文件的规划呀，架构啊，他都会思考的更多一些。 通过这种方式的话，其实就是它可以更长远的把这个项目叠代起来啊，就不是说你不太可能啊，就一次把它生成一个非常完整的项目，这个就是一个 ai coding， 目前一个方法论吧。对，又分享一下。好了，到比到到比到完事了，我们下期见。

刚灭了个三年残端，我问他打包体积过大，怎么优化，他回答得很流畅，用 split chunks 提取公共代码，压缩 tree shaking， 再上个 c d n。 我 点点头，接着问他， 好，假设你们项目里用了 lo dash， 还用了另一个第三方库 some chart， 这个库也依赖了 lo dash。 结果你发现打包出来的文件里， lo dash 被重复打包了两次，体积翻倍。你用 split chunks 配置了 cash groups， 想把褶子式单独抽出来，结果还是两份儿。为什么？他愣了一下，可能是版本不一致， split chunks 没匹配上。我追问，如果褶带式版本，一个是四点一七，一个是四点二零， split chunks 的 main chunks 和 reuse existing chunk 怎么配置才能合并？如果两个版本不兼容， 强行合并会不会出 bug？ 他 陷入沉思，面试到这就结束了。六六六六六六六这正是重复打包的幽灵陷阱。你以为第三方库只用了一次，其实依赖树深处藏着一份不同版本，你的优化根本无效。如果你对这问题也不了解，我整理了让面试官沉默的大场必考题库， 包含高频陷阱， spring boot 十连问，给个三连扣， pdf 打包带走 nice。 为什么这个问题能筛出高手？因为他考察的不是会不会配 split chunks， 而是有没有深入理解依赖树和打包机制。一个能真正解决重复打包的前端，必须建立三层防御。第一层，依赖分析，看清重复源头， webback fondle analyzer 生成可适化报告，一眼看出哪个库被重复打包了几次，分别来自哪些依赖 n p m s。 洛什，查看整个依赖数，找到所有依赖洛什的包及其版本。 发现版本不一致时，就要考虑统一版本 er n y 洛什或 p n p m y。 精确定位是哪个包引入了这个库。第二层，版本统一与依赖锁定 resolutions override 在 package 桌面中强制指定某个库的版本，让所有依赖都使用统一版本，比如 resolutions odash。 四十七点二一， 强制所有依赖都安装这个版本。升级依赖。如果某个依赖锁定在旧版本，尝试升级它，使其兼容新的统一版本 替换或删减。如果实在无法统一版本，考虑用替代库，或者将某个依赖的代码直接引入，减少重复。第三层，分包策略的精细化配置 split chunks cache groups 配置 vendor 分 组 匹配 node models 里的公共库设置 main chunks 和 reuse event chunk 为 true。 让 webpack 尽量附用 不同版本处理。如果两个版本确实不兼容，无法合并，可以考虑用 split chunks 分 别抽取成两个 fender 文件， 但至少避免了重复打包进业务代码。动态导入，对非核心库使用 import 动态加载，按需引入，减少首屏体积。厉害。所以这道题考的是什么？它考的是你有没有从 pig split chunks 升级为理解依赖数的工程思维。