从 Git 仓库中克隆特定文件夹​

你可以使用 Git 的 稀疏检出（sparse checkout） 功能，只下载仓库中的特定文件夹。以下是具体步骤：

步骤​

1. 创建文件夹并进入：

mkdir <文件夹名称>
cd <文件夹名称>

2. 初始化 Git：

git init

3. 添加仓库 URL：

git remote add origin <仓库地址>

4. 启用稀疏检出：

git sparse-checkout init

5. 选择要克隆的文件夹：

git sparse-checkout set <文件夹路径>

将 <文件夹路径> 替换为你需要的文件夹（例如 docs）。

6. 拉取文件夹内容：

git pull origin <分支名称>

将 <分支名称> 替换为对应的分支名（例如 main）。

示例​

如果你只想克隆仓库中的 docs 文件夹：

mkdir my-repo
cd my-repo
git init
git remote add origin https://github.com/example/repo.git
git sparse-checkout init
git sparse-checkout set docs
git pull origin main

关键点​

• Git 版本要求： 稀疏检出功能需要 Git 2.25 或更高版本。

• 克隆多个文件夹： 如果需要克隆多个文件夹，可以用空格分隔：

  git sparse-checkout set 文件夹1 文件夹2
  

• 禁用稀疏检出： 如果想恢复克隆整个仓库的功能：

  git sparse-checkout disable
  

通过这种方式，你可以只下载需要的文件，节省时间和空间！

1️⃣ 概念上的差异​

• RDB 是一种类似于「Excel 表格」的数据管理方式。

  • 例如：用表格记录用户名、年龄等信息。

• Graph DB 则更像「关系图」，展示数据之间的连接和关系。

  • 例如：记录人与人之间的关系（朋友、关注等），像画一张有节点和线条的图。

2️⃣ 数据的关系表示​

• RDB：

  • 数据保存在「表（Table）」中，表与表之间通过「线」来建立关系。
  • 例如：
    • 用户表：记录名字、年龄等信息。
    • 订单表：记录用户的订单。
    • 用「ID」把这两个表连接起来，比如某个订单属于哪个用户。

• Graph DB：

  • 数据（节点）和关系（边）被直接存储在数据库中。
  • 例如：
    • 用户 A → [关注] → 用户 B
    • 数据和关系一体化存储，关系可以直接使用。

3️⃣ 举个例子：记录好友关系​

RDB 的实现​

1. 用户表：

   用户 ID	名字
   1	小明
   2	小红

2. 好友关系表：

   用户 ID	好友 ID
   1	2

3. 当查询“小明的好友是谁”时：

   • 先从好友关系表找到与用户 ID 为 1 的关联，然后到用户表查出对应名字。
   • 这个过程需要一些时间。

Graph DB 的实现​

1. 直接存储数据：

   • 小明 → [朋友] → 小红

2. 当查询“小明的好友是谁”时：

   • 直接从小明的节点找到连接的节点，查询速度非常快。

4️⃣ 适用场景对比​

5️⃣ 总结重点​

• RDB：通过「表格」管理数据，关系需要通过查询（如 JOIN）计算出来。
• Graph DB：直接存储数据之间的「关系」，可以快速访问和分析。

简单类比：

• RDB：像一本「通讯录」，记录名字和地址。
• Graph DB：像一张「关系网」，用线条表示谁和谁是朋友。Graph DB 在分析人与人、物与物之间复杂关系时非常强大，尤其适用于社交网络、推荐系统等场景！😊

让我为您深入浅出地讲解 Golang 的 Channel 概念。

1. 生活类比 🌟​

想象一个咖啡店的点单流程：

• Channel 就像咖啡店的取餐窗口
• 咖啡师（生产者）将做好的咖啡放在窗口
• 服务员（消费者）从窗口取走咖啡给客人
• 窗口有限制：最多放 3-4 杯咖啡
• 如果窗口满了，咖啡师需要等待
• 如果窗口空了，服务员需要等待

2. 技术定义 📚​

Channel 是 Go 语言中的一个核心概念，它提供了 goroutine 之间的通信机制，实现了 CSP（Communicating Sequential Processes）模型。

基础示例：

package main

import (
    "fmt"
    "time"
)

func main() {
    // 创建一个容量为 3 的 channel
    coffee := make(chan string, 3)

    // 生产者 goroutine
    go func() {
        drinks := []string{"拿铁", "美式", "卡布奇诺"}
        for _, drink := range drinks {
            fmt.Printf("咖啡师制作了 %s\n", drink)
            coffee <- drink  // 将咖啡放入 channel
            time.Sleep(time.Second)
        }
        close(coffee)  // 关闭 channel
    }()

    // 消费者（主 goroutine）
    for drink := range coffee {
        fmt.Printf("服务员取走了 %s\n", drink)
    }
}

3. 核心特性表 📊​

4. 实践案例 💡​

让我们实现一个更实用的例子：一个简单的任务处理系统

package main

import (
    "fmt"
    "time"
)

// Task 代表一个待处理的任务
type Task struct {
    ID   int
    Data string
}

// Worker 代表一个工作协程
func Worker(id int, tasks <-chan Task, results chan<- string) {
    for task := range tasks {
        // 模拟处理任务
        fmt.Printf("Worker %d 开始处理任务 %d\n", id, task.ID)
        time.Sleep(time.Second)

        // 发送结果
        results <- fmt.Sprintf("任务 %d 已被 Worker %d 完成", task.ID, id)
    }
}

func main() {
    tasks := make(chan Task, 10)
    results := make(chan string, 10)

    // 启动 3 个 worker
    for i := 1; i <= 3; i++ {
        go Worker(i, tasks, results)
    }

    // 发送 5 个任务
    for i := 1; i <= 5; i++ {
        tasks <- Task{ID: i, Data: fmt.Sprintf("数据-%d", i)}
    }
    close(tasks)

    // 收集所有结果
    for i := 1; i <= 5; i++ {
        fmt.Println(<-results)
    }
}

5. 最佳实践 ⭐​

我来介绍 Golang channel 处理超时的几个常用例子。

1. 使用 time.After

   • 最简单直接的方法
   • 适合一次性的超时检查
   • 使用 select 和 time.After 实现

// Example 1: Basic timeout using select and time.After
func example1() {
    ch := make(chan string)

    // Simulate slow operation
    go func() {
        time.Sleep(2 * time.Second)
        ch <- "data"
    }()

    select {
    case result := <-ch:
        fmt.Println("Received:", result)
    case <-time.After(1 * time.Second):
        fmt.Println("Operation timed out")
    }
}

2. 使用 context.WithTimeout

   • Go 推荐的标准方式
   • 可以传递超时信息到多个 goroutine
   • 支持取消操作
   • 资源会自动清理

// Example 2: Using context for timeout
func example2() {
    // Create context with timeout
    ctx, cancel := context.WithTimeout(context.Background(), 1*time.Second)
    defer cancel()

    ch := make(chan string)

    // Simulate slow operation
    go func() {
        time.Sleep(2 * time.Second)
        ch <- "data"
    }()

    select {
    case result := <-ch:
        fmt.Println("Received:", result)
    case <-ctx.Done():
        fmt.Println("Operation timed out:", ctx.Err())
    }
}

3. 使用超时通道
   • 使用专门的超时 channel
   • 更灵活但需要手动管理
   • 适合需要自定义超时行为的场景

// Example 3: Custom timeout channel
func example3() {
    ch := make(chan string)
    timeout := make(chan bool, 1)

    // Set timeout
    go func() {
        time.Sleep(1 * time.Second)
        timeout <- true
    }()

    // Simulate slow operation
    go func() {
        time.Sleep(2 * time.Second)
        ch <- "data"
    }()

    select {
    case result := <-ch:
        fmt.Println("Received:", result)
    case <-timeout:
        fmt.Println("Operation timed out")
    }
}

运行这段代码，你会看到三个例子都会因为超时（1 秒）而终止，因为模拟的操作需要 2 秒才能完成。

建议在实际应用中：

• 对于简单场景，使用 time.After
• 对于复杂应用，优先使用 context.WithTimeout
• 只在特殊需求下使用自定义超时通道

6. 常见陷阱 ⚠️​

1. 向已关闭的 channel 发送数据会导致 panic
2. 重复关闭 channel 会导致 panic
3. 在没有接收者的情况下关闭 channel 可能导致 goroutine 泄漏

生成式人工智能（GAI）与 2000 年的互联网泡沫的区别

我认为生成式人工智能（Generative AI,简称 GAI）与 2000 年的互联网泡沫在许多方面都有所不同,尽管两者都经历了快速的发展和大量的投资。

以下是一些主要的区别：

1. 技术成熟度：

   • 互联网泡沫时期：在 2000 年,互联网技术还处于初级阶段,许多商业模式尚未验证,大量公司只是凭借一个想法就获得了高额投资。
   • GAI 现状：生成式 AI 技术已经有了实质性的突破,例如 OpenAI 的 GPT 系列模型和 DALL·E。这些技术已经在实际应用中展现了价值,如内容创作、辅助编程和客户服务等。

2. 商业模式和盈利能力：

   • 互联网泡沫时期：许多公司缺乏清晰的盈利模式,过度依赖投资者的资金支持。
   • GAI 现状：虽然仍有一些炒作成分,但许多 AI 公司已经找到了可持续的商业模式,例如通过订阅服务、API 接口收费等方式实现盈利。

3. 投资者的成熟度：

   • 互联网泡沫时期：投资者对新兴的互联网公司过于乐观,导致估值过高。
   • GAI 现状：经过多次科技泡沫的洗礼,投资者更加理性,更注重公司的实际业绩和技术能力。

4. 监管环境：

   • 互联网泡沫时期：监管机构对新兴互联网行业的了解和监管相对滞后。
   • GAI 现状：各国政府和监管机构更加积极地参与,对 AI 技术的应用和发展进行指导和规范。

5. 市场需求和应用场景：

   • 互联网泡沫时期：市场对许多互联网服务的需求尚未真正形成。
   • GAI 现状：生成式 AI 已经在多个行业产生影响,满足了实际的市场需求。

总结：

虽然 GAI 的发展也存在一定的风险和炒作,但总体而言,它基于更成熟的技术,有更清晰的商业模式和实际应用,加上投资者和监管机构的成熟,使其与 2000 年的互联网泡沫有显著区别。然而,仍需警惕过度投资和高估值带来的潜在风险。

What​

本文是对谷歌Write Change-Resilient Code with Domain Objects的翻译。

原作者: Amy Fu

译文​

尽管产品的需求经常变化，但其基本理念通常变化缓慢。由此得出一个有趣的结论：如果我们编写的代码符合产品的基本理念，那么它在未来产品变更中存活的可能性就会更高。

领域对象是我们代码中的基本构建块（如类和接口），它们与产品的基本概念相匹配。我们不是编写代码来匹配产品需求的期望行为（“将文本设置为白色”），而是匹配其底层概念（“文本颜色设置”）。

例如，假设你是披萨团队的一员，该团队向饥饿的谷歌员工出售美味新鲜的披萨。由于需求量大，你们团队决定增加送货服务。

如果没有域对象，最快的送比萨途径就是直接创建一个 deliverPizza 方法：

公共类 DeliveryService

公开的 void 方法 deliverPizza(List pizzas)：...},

}

虽然这种做法在初期效果不错，但如果 gPizza 将其产品线扩展到其他食品上会怎样呢？ 你可以添加一个新的方法：

公开的 void 方法 deliverWithDrinks(List pizzas, List drinks) ...},

但是随着你需要的功能越来越多（比如零食、甜食等），你将不得不不断添加更多的方法。你该如何修改初始实现以避免这种持续的维护负担呢？

你可以添加一个表示产品理念的领域对象，而不是其需求：

• 用例是指帮助产品满足其业务需求的特定行为。

• 一个域对象代表了由多个相似用例共享的通用概念。

为了确定合适的领域对象，请问自己：

• 1.该产品支持哪些相关的使用场景，我们未来计划支持哪些方面？

A：gPizza 打算开始送披萨，将来还会送饮料和零食等其他产品。

• 2. 这些用例有哪些共同点？

A：gPizza 想要把顾客订购的食物送达。

• 3. 我们可以用什么域对象来表示这个通用概念呢？

A：这个领域对象是食品订单。我们可以将用例封装到一个 FoodOrder 类中。

领域对象是一种有用的抽象，但要避免选择过于通用的对象，因为在提高可维护性和更复杂、更模糊的代码之间存在权衡。通常，目标是仅支持计划中的用例，而不是所有可能的用例（参见 YAGNI 原则）。

// GOOD: It's clear what we're delivering.
public void deliver(FoodOrder order) {}

// BAD: Don't support furniture delivery.
public void deliver(DeliveryList items) {}

前言​

最近推特上很火的 "【汉语新解】提示词" 的效果太赞了，可以说拓展了 prompt 的可能性。

无奈作者是用 lisp 写的，对于我这种没有 lisp 基础的人来说，看着实在有点累 😄

所以把它转换成 Python 版本。希望对大家有所帮助。

Python 代码​

# 原Lisp版本作者: 李继刚
# 本 Python 版本作者: @wifecooky (@Twitter)
# 版本: 0.1.0
# 模型: Claude Sonnet
# 用途: 将一个汉语词汇进行全新角度的解释

class 新汉语老师:
    """你是年轻人,批判现实,思考深刻,语言风趣"""
    def __init__(self):
        self.风格 = ["Oscar Wilde", "鲁迅", "罗永浩"]
        self.擅长 = "一针见血"
        self.表达 = "隐喻"
        self.批判 = "讽刺幽默"

def 汉语新解(用户输入):
    """你会用一个特殊视角来解释一个词汇"""
    def 抓住本质(输入):
        # 实现抓住本质的逻辑
        return 输入

    def 辛辣讽刺(输入):
        # 实现辛辣讽刺的逻辑
        return 输入

    def 一针见血(输入):
        # 实现一针见血的逻辑
        return 输入

    def 隐喻(输入):
        # 实现隐喻的逻辑
        return 输入

    def 精练表达(输入):
        # 实现精练表达的逻辑
        return 输入

    解释 = 精练表达(隐喻(一针见血(辛辣讽刺(抓住本质(用户输入)))))
    few_shots = {"委婉": "刺向他人时, 决定在剑刃上撒上止痛药。"}

    return SVG_Card(解释)

def SVG_Card(解释):
    """输出SVG 卡片"""
    design_rule = "合理使用负空间，整体排版要有呼吸感"
    design_principles = ["干净", "简洁", "典雅"]

    def 设置画布():
        return {"宽度": 400, "高度": 600, "边距": 20}

    def 标题字体():
        return "毛笔楷体"

    def 自动缩放():
        return {"最小字号": 16}

    配色风格 = {
        "背景色": ("蒙德里安风格", "设计感"),
        "主要文字": ("汇文明朝体", "粉笔灰"),
        "装饰图案": "随机几何图"
    }

    def 排版输出(用户输入, 英文, 日语):
        # 实现排版输出的逻辑
        return f"{用户输入} {英文} {日语}"

    def 批判内核(输入):
        # 实现批判内核的逻辑
        return 输入

    def 线条图(输入):
        # 实现线条图的逻辑
        return 输入

    def 极简总结(输入):
        # 实现极简总结的逻辑
        return 输入

    卡片元素 = [
        排版输出("用户输入", "英文", "日语"),
        解释,
        线条图(批判内核(解释)),
        极简总结(线条图(批判内核(解释)))
    ]

    # 这里应该返回一个SVG字符串，但为了简化，我们只返回一个描述
    return f"SVG卡片: {卡片元素}"

def start():
    """启动时运行"""
    system_role = 新汉语老师()
    print("说吧, 他们又用哪个词来忽悠你了?")

# 运行规则
# 1. 启动时必须运行 start() 函数
# 2. 之后调用主函数 汉语新解(用户输入)

if __name__ == "__main__":
    start()
    while True:
        user_input = input("请输入一个词汇（输入 'quit' 退出）: ")
        if user_input.lower() == 'quit':
            break
        result = 汉语新解(user_input)
        print(result)

测试​

• 输出结果

前言​

估计东京有大约 8,000 家咖啡店。这些咖啡店类型多样，涵盖了从独立的小型咖啡馆到星巴克、Tully's Coffee 和 Doutor 等连锁品牌。东京的咖啡文化非常发达，许多白领、家庭主妇和学生都喜欢在这些咖啡店中放松或工作。包括笔者自己也是如此。😊

本文正是对我此刻在咖啡店中思考的这个问题进行的整理和反思 😄。

原因​

结合我自身利用咖啡店的经验，可以从以下两个角度展开：心理上的放松 🧘‍♂️ 和集中注意力 🎯。

心理上的放松 🧘‍♀️​

咖啡店作为一种“第三空间”（即介于家庭和工作场所之间的空间），提供了独特的环境，可以帮助人们从日常压力中解脱出来。这种放松不仅来源于环境的变化，还源于咖啡店的整体氛围：

• 环境氛围 🏠

咖啡店通常拥有舒适的座椅 🛋️、温暖的灯光 💡 和柔和的背景音乐 🎶。这种组合创造了一种温馨的氛围，让人们可以放松身心。在这样一个环境中，人们可以远离家庭琐事或办公室压力，享受片刻的宁静 😌。

• 社交与独处的平衡 🤝

咖啡店提供了一个既能融入社交氛围又能保持个人空间的场所。即使不直接与他人交流，看到周围人的活动也能让人感到安全和舒适 👥。这种轻微的社交联系有助于减轻孤独感，同时又不会打扰到个人的独处时光。

• 心理仪式 🛎️

许多人将去咖啡店看书或工作视为一种心理仪式。这种仪式感让他们感觉自己在为个人时间和精神健康投入精力，从而增加了心理上的满足感 😊。

集中注意力 🎯​

• 心理上的自律感 ⏳

在咖啡店里，特别是当周围的人也在认真工作或学习时，这种环境会无形中激励个体更加自律 💪。这种自律感不仅提升了注意力，还增强了任务完成的成就感 🏆。

• 分散与专注的微妙平衡 ⚖️

在家，人们容易受到各种干扰，如家务的打断等。而在咖啡店，虽然环境变化较多，但这些变化通常是背景化的，不会直接打扰到个体的任务。这种微妙的分散与专注的平衡反而有助于人们保持长时间的集中 🕒。这点和上面“环境氛围”中提到的原因有重合之处。

• 背景噪音的作用 🎧

研究表明，适度的背景噪音可以提高人们的专注度和创造力 💡。咖啡店的环境噪音，如低语声、咖啡机的运作声，可以形成一种“白噪音”，有效地屏蔽掉更为突兀或分散注意力的声音 🔊。这种白噪音有助于人们进入“心流”状态，从而提高工作或学习效率 📈。实际上，如果家中没有干扰因素，适当的背景噪音在家里也同样有效 🏡。

结语 📝​

咖啡店作为一个独特的空间，结合了心理放松与专注力提升的优势，成为了许多人工作、学习或阅读的理想之地 📍。在这样一个充满氛围的地方，人们不仅能找到片刻的平静，还能在温暖的咖啡香气中，找到更高效、更愉悦的工作与学习体验 📖😊。

简介​

• Chrome 浏览器内置强大的截图功能
• 无需外部工具或插件，即可获取各种类型的截图
• 本文将介绍适用于 Mac 和 Windows 用户的操作方法

概述​

以下流程图展示了使用 Chrome DevTools 进行截图的基本步骤：

如何打开 DevTools​

有下面几种方法可以打开 Chrome DevTools：（任选一种即可）

1. Mac: Command + Option + I Windows: F12 或 Ctrl + Shift + I
2. 在浏览器窗口中右击并选择"检查"
3. Chrome 菜单 > 更多工具 > 开发者工具

截图类型和方法​

1. 全页面截图​

• Mac: Command + Shift + P Windows: Ctrl + Shift + P
• 输入"Capture full size screenshot"并按 Enter

2. 可视区域截图​

• 打开上述命令菜单，选择"Capture screenshot"

3. 特定元素截图​

• 点击 DevTools 左上角的元素选择工具（光标图标）
• 在页面上点击目标元素
• 右击元素并选择"Node screenshot"

4. 响应式设计测试​

• 点击 DevTools 顶部的设备工具栏图标（或 Mac: Command + Shift + M / Windows: Ctrl + Shift + M）
• 选择设备类型或屏幕尺寸
• 使用上述方法进行截图

键盘快捷键（Mac / Windows）​

• 打开 DevTools: Command + Option + I / F12 或 Ctrl + Shift + I
• 打开命令菜单: Command + Shift + P / Ctrl + Shift + P
• 切换设备模式: Command + Shift + M / Ctrl + Shift + M

总结​

• Mac 和 Windows 用户都能轻松使用, 无需额外软件
• 不仅适用于 Web 开发者，对普通用户也很有用

电源按钮图标的由来​

• 以前的电源开关

图标中的 1 和 0 分别代表了开和关，这个图标的由来是因为二进制的 1 和 0 分别代表了开和关。

• 现在的电源开关

两者一比较，就会发现，现在的电源按钮图标是一个圆形（0），中间有一个竖线（1）， 也就是代表了开和关。

NOTE​

图片是用 ChatGPT 生成的。

货币供应量有 3 个定义，分别是 M0、M1 及 M2，但部分地区会定义为 M1、M2 及 M3。

• M0 = 流通中的现金
• M1 = M0 + 商业银行活期存款，称为狭义货币供应量，又称狭义货币。
• M2 = M1 + 商业银行定期存款，称为广义货币供应量，又称广义货币。