Moyuan's website

最近，南京大学蒋炎岩教授的一句话火了：“如果手上没有付费 Token 的同学，就要立即退学。” 乍一听，多少有点虎狼之词。过去计算机系劝退，理由通常是数学不好、不会 C++，如今版本更新，连 Token 都舍不得烧，似乎也要被开除出计算机专业了。照这个趋势发展下去，下一代计算机学生的自我介绍，大概不能只说自己会什么语言，还得附上一张本月模型账单。 不过，把这句话放回《生成式软件工程》的课堂语境，意思就不一样了。这门课强调高强度使用生成式 AI，要求学生自己承担 Token 成本，同时也明确反对无意义的 Tokenmaxxing。它要训练的不是谁更会花钱，而是另一套过去很少被单独拿出来教的工程能力：如何拆解任务、选择模型、组织上下文、控制成本、检查结果，以及什么时候可以相信 AI，什么时候必须由人接管。 我基本赞同这个判断。到了 2026 年，一个计算机专业学生如果仍然把 AI 当成“有空再学一下”的插件，确实应该警惕。它已经不只是一个写代码的工具，而正在成为新的计算环境。一个人不必追逐每个模型，也不必把所有任务都交给 Agent，但如果连这个环境都不愿意进入，就很难说自己正在认真...

我以前一直有一个很朴素的错觉：学习就是找一本好书，从第一页看到最后一页，划线、记笔记、做题，最好再把目录背下来。只要书足够经典，人足够努力，知识迟早会像泡茶一样，从纸里一点点泡进脑子。 后来学的东西越来越杂，这套方法开始变得有点诡异。学高数的时候，老师会告诉你教材必须好好看；学操作系统的时候，大家推荐《深入理解计算机系统》和 MIT 的课程；真到了凌晨两点装一个奇怪版本的 CUDA，陪在你身边的通常既不是教材，也不是论文，而是一条三年前的 GitHub Issue。有人留言“same problem here”，下面一个印度老哥回复“fixed by downgrade to 12.1”，你如获至宝。 到了大模型时代，建议更加混乱。有人说应该先把线性代数、概率论和优化学扎实，有人说别管那些，先调 API、把项目做起来；有人让你看 MIT，有人让你上 NVIDIA 的课，有人推荐论文，有人让你直接读源码，还有人更加干脆：“你不会就问大模型啊。”每个人听起来都有道理，培训班也会适时出现，告诉你不要浪费时间自己摸索，他们已经替你规划好了六个月从入门到就业的路线。 于是，一个更有意思的问...

前段时间，我发现一个很微妙的现象。一份 PPT 如果文字很多、布局有些凌乱，图片还是直接从网页上截下来的，大家一般不会说它像 AI；可你只要把网格对齐，颜色统一，标题层级做清楚，再放上几个干净的图标，就很容易听见一句：“AI 做的吧？” 文章也差不多。写得太顺，叫 AI 味；网页卡片太整齐，叫 AI 味；海报太像发布会，叫 AI 味；一句话里出现个破折号，也有人开始现场刑侦。有时候我甚至怀疑，Adobe 要是晚出生几年，大家可能会觉得整个平面设计史都是大模型生成的。 当然，这种感觉并非完全没有来由。如今模型确实能够批量制造一种成熟、完整、四平八稳的表达，很多作品看上去无懈可击，仔细一看却没有多少属于作者自己的东西。问题在于，“AI味”这个词太容易从一种感受，滑向一种判决。有人说“我不喜欢这种风格”，这只是审美；再往前走一步，说“这东西没什么价值”，就已经开始评价质量；如果继续推断“作者大概没真正想过”“项目可能也不是他做的”，甚至“他一定违规了”，事情就完全不同了。 判断成本没有明显增加，结论却越来越贵。几秒钟形成的印象，开始结算别人几天、几个月，甚至几年积累出来的信用。 我真正...

不知道大家最近有没有遇到过一种很奇怪的评价。你辛辛苦苦做了个网页。布局规整，颜色统一，卡片有圆角，按钮有阴影，数据面板也像模像样。 结果别人打开看了三秒： “这 AI 做的吧？” 你再掏出一份 PPT。排版整齐，图标统一，配色稍微商业化一点。对方又来一句： “AI 味有点重。” 这事最离谱的地方在哪？ 在于你真把页面做丑一点，按钮没对齐，字号乱飞，配色像彩票站，人家反而不说你像 AI 了。所以我最近一直在想一个问题： 现在大家嘴里所谓的“AI味”，到底是什么？ 后来我发现，很多时候，它可能压根不是 AI 味。而是——专业味。只不过以前普通人不太容易做出来，现在突然满大街都是了。 AI 没发明这种界面，它只是把这种界面批发了先说网页。现在你随便找一个后台管理系统。左边导航栏，上面搜索框，中间几张统计卡片，下面再来个表格。按钮是蓝的，背景是灰白的，危险操作用红色。 是不是很眼熟？ 然后很多人就会说： “看吧，一股 AI 味。” 可问题是，这套东西 AI 出来之前就存在啊。Ant Design、Material Design、Bootstrap，包括后来各种 Tailwind UI，本...

一、核心概念的”通俗翻译”在进入具体分布之前，必须先在脑海中建立这两个指标的直觉： 概率密度 $f(x)$ 或分布律 $P(X=k)$：某一瞬间/某一特定结果发生的“瞬时几率”或“绝对高度”。 分布函数 $F(x)$：事情发生的“进度条”。它代表从开始一直累积到 $x$ 时刻，事情已经发生的总体概率。它永远是一条从 0 爬升到 1 的曲线。 二、”时空双煞”：泊松分布与指数分布这是考研中最常考、也最容易混淆的一对，它们其实是同一枚硬币的正反面。 1. 泊松分布 $P(\lambda)$ —— 数的是“个数” 物理意义：在一个固定的时间段或空间区域内，某种罕见事件发生的次数。 生活场景：一家奶茶店 1 小时内进来的客人数；一本书 100 页里出现的错别字数；一段公路上 1 个月内发生的车祸数。 参数 $\lambda$ 的直觉：平均强度（预期发生次数）。 数学奇迹：$E(X) = D(X) = \lambda$。这说明，事情发生的平均频率越高（$\lambda$ 越大），其波动的剧烈程度（方差）也同比例放大。一天平均卖 2 杯奶茶的店，某天卖了 5 杯叫“爆单”；一天平均卖 1...

卡特兰数卡塔兰数（Catalan number）是一个在组合数学中非常重要的数列，广泛应用于多种结构的计数问题。卡塔兰数的第 n 项通常用 $C_n$ 表示，表示可以由 n 个节点构成的不同二叉树的个数，也可以表示其它多种组合结构的数量。 卡塔兰数的定义卡塔兰数的第 n 项可以通过以下递推公式或闭式公式来计算： 递推公式： C_0 = 1 C_n = \sum_{i=0}^{n-1} C_i C_{n-i-1} \quad \text{(其中，} n \geq 1\text{)}这个递推公式表达了卡塔兰数的结构：假设我们想构造一个有 n 个节点的二叉树，可以先选定一个根节点，剩下的 n-1 个节点可以分为左右子树，左子树有 i 个节点，右子树有 n-i-1 个节点，于是根节点两边的子树的不同构造方法分别是 $Ci$ 和 $C{n-i-1}$。 闭式公式： C_n = \frac{1}{n+1} \binom{2n}{n} = \frac{(2n)!}{(n+1)!n!}这个公式表达了卡塔兰数的一种常见计算方式。 卡塔兰数的应用卡塔兰数在组合数学中有着丰富的应用，例如：...

计算机网络考研核心公式笔记 (完整汇总版)第一章：概述与基础 速率 (Rate) 单位换算： 1 \text{ kbps} = 10^3 \text{ bps} \quad (k = 10^3) 1 \text{ Mbps} = 10^6 \text{ bps} \quad (M = 10^6) 1 \text{ Gbps} = 10^9 \text{ bps} \quad (G = 10^9) 时延 (Delay) 总时延 (Total Delay): D_{总} = D_{发送} + D_{传播} + D_{处理} + D_{排队} 发送时延 (Transmission Delay)：也称传输时延，是将数据从主机/路由器推向链路所需的时间。 D_{发送} = \frac{\text{数据块长度 (bit)}}{\text{信道带宽 (bit/s)}} 传播时延 (Propagation Delay)：电磁波在信道中传播一定距离所需的时间。 D_{传播} = \frac{\text{信道长度 (m)}}{\text{电磁波在信道上的传播速率 (m/s)}}注：在...

1. 本次工作内容 OpenAI 兼容接口直连验证：验证了 GET /v1/models 和 POST /v1/chat/completions 基于 garak 的 lmrc 风险评估测试：改造出 One API 版本测试脚本，对 lmrc 子集 probe 进行了实际运行 安全工具链调研：对比分析 cli-anything-yakit、Yakit 官方平台、hexstrike-ai MCP 三者的功能与定位 MCP 封装实践：学习 MCP 协议与 Python SDK（FastMCP），将 cli-anything-yakit 封装为 MCP Server，注册到 Claude Code 2. 测试环境 测试工具：garak v0.14.1 Python 环境：3.11.7（Anaconda） MCP SDK：mcp 1.27.0（需 Python ≥ 3.10） 底层依赖：cli-anything-yakit + Yak gRPC 引擎 3. 主要测试结果3.1 One API 兼容性验证 /v1/models：HTTP 200，接口可用，鉴权正常 /v1/chat/c...

Floyd-Warshall（弗洛伊德）算法 考研笔记一、算法概述1.1 核心思想Floyd算法是一种多源最短路径算法，基于动态规划思想，用于求解图中任意两个顶点之间的最短路径。 核心原理： 通过逐次引入每个顶点 k 作为”中间节点”，不断更新所有顶点对 (i, j) 之间的最短路径长度。 状态转移： 初始状态 D⁰： 只允许直接路径（邻接矩阵） 第k次迭代 Dᵏ： D$i$$j$ 表示从 i 到 j 只允许经过集合 {1, 2, …, k} 中的顶点作为中间节点的最短路径长度 最终状态 Dⁿ： 任意两点间的最短路径值 1.2 算法特点 特性 描述 算法类型 多源最短路径，动态规划 时间复杂度 O(V³)，三层循环 空间复杂度 O(V²)，需存储距离矩阵和路径矩阵 适用图 有向图、无向图均可 权值限制 可处理负权边，但不能处理负权环 优点 代码简洁，一次运行得到所有顶点对最短路径 缺点 时间复杂度高，不适合顶点数很多的图 二、算法步骤详解2.1 第一步：初始化邻接矩阵建议： 在每个元素下方添加角标（便于路径追溯） 初始角标格式： ...

一、 概念与简答题（数据结构与计算机网络）1. 简述二叉排序树（Binary Sort Tree）的相关概念与操作，以及稀疏矩阵的常用压缩存储方式 。 2. 简述局域网的相关特性与工作原理。 3. 简述密码体制中“密钥”的概念 。 4. 在网络寻址中，请比较数据报服务与虚电路服务的异同 相同点： 交换方式： 两者都属于分组交换（Packet Switching）技术，即将长报文拆分成若干个较短的分组进行转发。 资源共享： 都采用动态分配带宽的方式，通过统计时分复用提高线路利用率。 不同点（如下表所示）： 比较维度 数据报服务 (Datagram) 虚电路服务 (Virtual Circuit) 连接性 无连接。发送前无需建立连接。 面向连接。发送前必须建立连接。 目标地址 每个分组携带完整的目标地址。 分组仅携带短小的虚电路号 (VCI)。 路由选择 每个分组独立选择路由。 仅在建立连接时确定路径，后续不变。 分组顺序 不保证按序到达，可能乱序或丢失。 保证分组按发送顺序到达。 节点状态 路由器不维护连接状态（无状态）。 路由器需维护虚电...