49 篇博文 含有标签「深度解析」

2026 年 8 月，DeepSeek 开放了 DeepSeek Harness 的开发者预览与源代码。它不是“又一个 DeepSeek 模型”，也不是只把聊天框套在模型 API 外面；它是一套让模型能够读取环境、调用工具、维持会话、接受审批并持续完成任务的 Agent 运行时。

官方给出的公式很直接：

Agent = Model + Harness

模型负责推理与决策，Harness 负责把推理接到真实世界：上下文从哪里来、工具如何注册、命令在哪里执行、状态怎样恢复、危险动作由谁批准、失败以后能否重放。本文会从“能跑起来”一直讲到“如何基于它开发自己的应用”。

2026 年 7 月 28 日发布的 Model Context Protocol 最新规范 不是一次普通增量更新。它移除了协议级会话和初始化握手，把版本与能力协商移到每一个请求，用 MRTR 重构服务器向客户端索取信息的方式，并将长任务移出核心协议。

如果把早期 MCP 看成“为桌面 AI 应用连接本地工具的会话协议”，那么这次修订更像是“可穿过网关、负载均衡器和无状态计算平台的 Agent 基础设施协议”。

AI 编程工具进入 2026 年之后，一个很明显的变化是：我们不再只把 Claude Code、Codex、Gemini CLI、Aider 当成“聊天式代码助手”，而是开始把它们当成能在项目里持续执行的本地代理。

但单独开一个 AI CLI 很快会遇到瓶颈：

• 一个任务在跑测试时，你只能等；
• 一个任务需要你补充上下文时，整个队列就停住；
• 两个任务同时改代码，很容易把本地工作区弄乱；
• AI 改了什么，你必须不断切窗口、看 diff、查分支；
• 任务失败后，清理临时分支和 worktree 又是一堆手工活。

Claude Squad 解决的正是这个问题。它是一个终端 TUI 应用，可以在一个界面里管理多个本地 AI agent 实例，包括 Claude Code、Codex、Gemini CLI、Aider 等。每个任务都有自己的 tmux 会话、自己的 git worktree、自己的分支和自己的 diff 预览。你可以同时让一个 agent 修 bug，另一个补文档，第三个探索重构方案，然后逐个 review、追问、推送或丢弃。

截至 2026-06-26，官方仓库最新 release 是 v1.0.19，项目使用 Go 编写，许可证是 AGPL-3.0。官方 README 对它的定位很直接：管理多个本地 AI terminal agents，让你同时处理多个任务。

Kubernetes 的对象很多，kubectl get、kubectl describe、kubectl logs、kubectl exec、kubectl port-forward 足够强，但当你每天都要在 Pod、Deployment、Service、ConfigMap、Secret、Node、Namespace、CRD 之间来回跳转时，纯命令行会变成大量重复输入。

K9s 解决的正是这个问题：它把 Kubernetes API 变成一个可搜索、可过滤、可跳转、可执行操作的终端 UI。你仍然使用 kubeconfig、context、namespace 和 RBAC；K9s 只是把这些能力组织成更高效的交互界面。

截至 2026-06-26，K9s GitHub 最新 release 是 v0.51.0，发布时间是 2026-06-06。本文按当前官方文档、README 与 v0.51.x 系列行为整理。

Zsh 是一个面向交互式使用非常强的 Unix shell。它既能像 Bash 一样执行脚本和命令，又在补全、历史记录、路径展开、提示符、键绑定、函数 autoload、插件生态和交互体验上给了用户更大的可塑性。

如果你只是把 Zsh 当成“能装 Oh My Zsh 的 shell”，会错过它最有价值的部分。真正好用的 Zsh 配置不是堆满插件，而是把你的日常命令、项目入口、搜索、跳转、Git、容器、Kubernetes、远程开发和编辑器工作流组织成一套可维护的个人命令系统。

截至 2026-06-26，Zsh 官方 News 页面显示最新 release 是 5.9.1，发布时间是 2026-05-31。本文以官方手册和当前主流终端工作流为基础，按“先能用、再顺手、最后可扩展”的顺序展开。

如果你经常在终端里写代码、跑服务、看日志、连远程机器，tmux 基本是绕不开的工具。它解决的不是“终端不够漂亮”，而是一个更工程化的问题：终端会话应该像项目状态一样可恢复、可组织、可迁移。

iTerm2 已经是 macOS 上非常强的终端应用，支持标签页、分屏、Hotkey Window、Profile、Trigger、字体主题和快捷键。但 iTerm2 的窗口状态主要活在本机 GUI 里；一旦 SSH 断开、终端关闭、机器重启，很多运行中的上下文就消失了。tmux 则运行在 shell 里面，可以把一个项目的 editor、server、test、log、AI CLI 都放进同一个持久会话。

最推荐的分工是：

iTerm2 = macOS 原生窗口、字体、主题、全局唤起、Profile
tmux   = 项目会话、窗口、pane、远程保活、布局恢复
Shell  = 命令入口、目录跳转、项目启动脚本
Neovim = 编辑器 split、LSP、搜索、Git、代码修改

这篇文章会按“先能用，再顺手，最后可定制”的顺序介绍 tmux。

先把本文里的 “Loop” 说清楚：它不是编程语言里的 for/while 循环，也不是增长黑客里的用户增长飞轮，而是 AI Agent / LLM 应用中的执行闭环。

可以先不用技术词，直接想一个人类协作场景：你让一个人写方案、排查问题、整理资料、修一段代码，他第一次给出的结果通常只是 50% 左右的草稿质量。不是因为他不会做，而是因为第一次输入里一定缺东西：目标不够清楚、约束没说完、证据没查全、边界条件没暴露。

真正让质量上去的，是后面的过程：

初稿 -> 追问 -> 补上下文 -> 查证据 -> 修正 -> 再评估 -> 继续收敛

每一轮可能只提升 10%、8%、6%、5%，越到后面越慢，但结果会从“能看”逐渐接近“可发布、可上线、可交付”。这就是 Loop 最朴素的直觉：不是一次生成奇迹，而是用反馈持续减少不确定性。

普通 LLM 应用通常是：

用户输入 -> 模型回答 -> 结束

而 Agent Loop 更接近：

目标 -> 装载上下文 -> 模型规划 -> 调用工具 -> 观察结果 -> 评估状态 -> 继续或停止

把上面的人类协作过程翻译成系统结构，就是这张图：用户的追问变成目标澄清，人的查证变成工具调用，人的复盘变成评估器，人的“先别发出去”变成人工审批和护栏。

它看起来只是多了几步，实际改变很大：模型不再只是“生成文本”，而是在一个被工程系统约束的环境里持续做决策、拿证据、修正路径，直到任务完成、失败、超预算、触发人工审批，或者到达最大轮数。

这也是它最近巨火的原因。过去大家主要把 LLM 当成“回答引擎”，现在越来越多产品开始把它当成“任务执行器”：写代码、查资料、跑 SQL、改文档、处理客服、调浏览器、编排内部系统、跨工具完成工作。真正的能力不只来自模型本身，而来自 模型 + 工具 + 状态 + 反馈 + 退出条件 组成的闭环。

但我会先给一个比较尖锐的判断：

Loop 的价值不是让 AI 无限自治，而是把“不确定任务”变成可观测、可中断、可评估、可恢复的控制系统。

没有目标、没有观测、没有停止条件、没有权限边界的 Loop，不是智能，是昂贵且危险的自动重试。

Neovim 已经不是“把 Vim 换个名字继续折腾”的项目。它更像一个可脚本化、可嵌入、可远程控制、可被插件生态重新组装的编辑器内核。

截至 2026-06-24，Neovim 官方仓库已经超过 10 万 star，最新稳定版是 v0.12.3。官方 README 对它的定位很明确：重构 Vim，降低维护复杂度，让多人协作开发成为常态，开放高级 UI 能力，并最大化扩展性。核心能力也不再只是文本编辑，而包括现代 GUI、跨语言 API、内置终端、异步 job control、XDG 目录支持，以及对多数 Vim 插件的兼容。

这篇文章不是“装 50 个插件然后截图”的配置秀，而是把 Neovim 当成一个工程系统来拆：

• 该直接用 LazyVim、NvChad、AstroNvim，还是从 init.lua 开始自建；
• 哪些插件属于基础设施，哪些只是美化；
• 2026 年的 LSP 配置为什么要用 vim.lsp.config() 和 vim.lsp.enable()；
• 快捷键如何设计成可记忆、可扩展、可迁移的体系；
• 如何把搜索、跳转、补全、诊断、格式化、Git、终端和调试组织成一个顺手的 IDE。

本文是教育性技术文章，不构成投资建议、交易建议或收益承诺。量化交易本质上是在不确定市场中用数据、模型、工程和风控管理概率，任何真实交易都可能亏损。

“量化交易”这个词很容易被误解。

很多人以为它是：

写一个策略 -> 回测赚钱 -> 上线自动交易 -> 持续赚钱

真实情况更接近：

市场假设
-> 数据工程
-> 特征/因子
-> 统计验证
-> 组合构建
-> 交易成本建模
-> 回测与样本外检验
-> 模拟盘
-> 风控闸门
-> 执行系统
-> 线上监控
-> 失效检测与迭代

量化交易不是一个指标、一个模型、一个脚本或一个交易机器人，而是一套横跨 金融理论、统计学习、数据工程、市场微观结构、软件系统、低延迟工程、投资组合、风控合规和组织流程 的复杂体系。

图 1 展示的是量化交易最核心的闭环：先提出可解释的市场假设，再把它转成可计算的因子、模型或规则，然后用严谨回测和模拟盘过滤掉错觉，最后进入有风控、有审计、有监控的生产环境。

量化不是“把模型变小”这么简单。它是一套横跨数值表示、压缩算法、硬件指令、推理内核、模型结构、评测方法和部署系统的工程体系。

本文讨论的是 AI/LLM 模型量化，不是金融量化交易。

如果用一句话解释：模型量化是把原来用高精度浮点数表示的权重、激活、KV Cache 或梯度，映射到更低比特的离散表示，从而降低显存、内存带宽、存储和计算成本。

它看起来像一个“压缩模型”的技巧，但真正落地时会牵涉到：

• 数学：舍入、缩放、零点、误差传播、率失真；
• 模型：权重、激活、注意力、MoE、视觉塔、LoRA；
• 算法：PTQ、QAT、GPTQ、AWQ、SmoothQuant、QLoRA、AutoRound；
• 格式：GGUF、GPTQ、AWQ、bitsandbytes、safetensors、compressed-tensors；
• 硬件：CPU SIMD、GPU Tensor Core、FP8、INT8、INT4、FP4、NPU；
• 内核：GEMM、GEMV、weight packing、dequant fusion、KV Cache；
• 服务：prefill、decode、continuous batching、PagedAttention、吞吐与延迟；
• 评测：困惑度、MMLU、GSM8K、长上下文、领域集、安全与回归。

本文从历史讲起，再把专有名词、复杂体系、现代方法和开源生态串成一张完整地图。

图 1 把量化放到完整工程链路里看：先有 FP16/BF16 基座模型和校准样本，再统计权重/激活分布，选择量化粒度和算法，最后打包成 GGUF、GPTQ、AWQ、compressed-tensors 等制品，并交给 vLLM、llama.cpp、TensorRT-LLM 或 Transformers 这类 runtime 执行。任何一个环节选错，都会出现“文件很小但速度不快”“benchmark 没掉但业务格式崩了”“同样 4-bit 在不同框架结果不同”这类问题。