March 30, 2025
#define FIRST_TSS_ENTRY 4
#define FIRST_LDT_ENTRY (FIRST_TSS_ENTRY+1)
#define _TSS(n) ((((unsigned long) n)<<4)+(FIRST_TSS_ENTRY<<3))
#define _LDT(n) ((((unsigned long) n)<<4)+(FIRST_LDT_ENTRY<<3))
#define ltr(n) __asm__("ltr %%ax"::"a" (_TSS(n)))
#define lldt(n) __asm__("lldt %%ax"::"a" (_LDT(n)))
ltr(n)可将任务号为n的进程的TSS选择符加载到TR寄存中。 _TSS宏用于计算n号任务的TSS选择子，计算公式为：
(n * 2 + 4) << 3
进程0的TSS在GDT中的序号是4，每个进程占用GDT中两个条目。
Linux内核设计的艺术
March 23, 2025
《福格行为模型》 B.J.福格 6个笔记
中文版序
◆ 只有在感觉良好而不是感觉糟糕时，你才能达到最好的改变效果。
3要素齐备，行为才能发生
◆ 令人愉快的行为和有挑战性的行为给人的感受截然不同，有时候就像是独轮车和自行车的区别。人们一开始根本无法看出两类行为之间有什么关联，但对于想要改变行为的人来说，这个概念至关重要。
“珍珠习惯”，管理压力与焦虑
◆ 成效最佳的改变，源自感觉良好，而非感觉糟糕。
◆ 为用户设计“定制化”提示
05 创造积极情绪，将行为固化为习惯
◆ 只需要微笑并在脑海中说“耶”，就能营造出一种成功的感觉。
行为设计，本质就是情绪设计
◆ 益智休闲游戏《糖果传奇》(Candy Crush)的下载量超过20亿次。它是一款简单且免费的消除游戏，在移动设备上也可以玩。第一关容易至极。为了强化你获得成功的喜悦感，设计师构建出了各种各样有趣的感官体验，有令人愉悦的叮当声和视觉设计。在玩家达成一定分数值后，页面甚至会直接弹出“Sweet”这个单词。结果，你真的很快就能感受到成功的喜悦，接下来，只要有两三分钟空闲你可能就会打开糖果传奇玩几关，因为游戏带来的体验是“甜美”的、很棒的。
– 来自微信读书
March 22, 2025
论文《ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models》提出了 ReWOO 思想，即如果大模型能一次性的把所有步骤都告诉人类，人类把每个步骤对应的工具调用结果一次性返回给大模型，不就可以只提问一次就解决问题了吗？
ReWOO 用了两个大模型，其中一个叫 Planner，另一个叫 Solver。当人类提出问题时，Planner 会直接规划出问题的解决步骤，以及每一步需要调什么工具，形成一个模板，返回给人类。例如：
我需要调用 A 工具，工具调用结果为：
我需要调用 B 工具，工具调用结果为：
我需要调用 C 工具，工具调用结果为：
人类可根据模板，调用工具后，填充，然后发送给 Solver 大模型，由 Solver 大模型给出最终答案。
这样就避免了，每解决一个小问题，都要带上历史对话反馈一次，极大地节省了 token。
03｜Agent的常见推理模式：CoT、ReAct、Reflexion究竟是什么？-AI 重塑云原生应用开发实战-极客时间
March 22, 2025
ReAct 一词来自于论文《ReAct: Synergizing Reasoning and Acting in Language Models》，包含 Reason 与 Act 两个部分，其中 Reason 就是大模型推理的过程，其推理运用了 CoT 的思想；Act 是与外界环境交互的动作。
ReAct 发明的初衷是为了解决两个问题，第一，大模型执行的结果不可观测，导致出现“幻觉”；第二，大模型不能与外部环境交互，导致无法回答一些特定垂直领域或者实时问题。
我们先来结合一张图，了解一下 ReAct 的过程。
在最开始，我们输入给大模型一个任务，例如，任务为“请问济南的天气如何？”，同时将天气的 API 工具也输入给大模型。此时大模型会进行推理，得出的结论是需要调用天气预报工具来解决问题。
结合第一节课 Function Calling 相关的知识，我们知道，大模型只能选择工具，工具的执行者是人类。于是人类便开始行动，替大模型执行天气工具，并将得到的结果反馈给大模型。
此时重点来了，大模型会观察人类返回的结果，看看结果是否能满足要求。这里的观察主要是观察工具调用的结果对不对，是否有错误。当然这里指的有错误，是工具调用错误，而不是数据错误，例如工具反馈给大模型，济南的温度是 80℃，大模型是不会认为有问题的。但如果反馈给大模型的是“400 bad request”，则大模型就会认为工具调用出问题了，它会重新推理后，再次尝试调用工具。
如果大模型观察后，认为没问题，则会继续推理，思考是继续调用其他工具解决问题呢，还是答案已经能解决用户提问了呢？如果是前者，则就会继续进入选择工具、调用工具、反馈、观察的步骤；如果是后者，则大模型会直接输出答案。
我用一个连续对话为你整理一下以上过程，方便理解。
user: 济南的天气如何？+ 天气查询 API 工具(get_weather)
assistant: 经过思考，我需要调用get_weather工具
人类调用get_weather工具...
user: Observasion: 400 bad request
assistant: 看起来调用 get_weather 工具出错了，我们尝试再调用一次，我需要调用get_weather工具
人类调用get_weather工具...
user: Observasion: 济南晴，温度80℃
assistant: 我已经得到了最终答案，济南是晴天，温度80℃。
相信看到这里，你已经懂得了 ReAct 的原理了。其实思想非常简单，就是在 CoT 推理方案的基础上，加上工具调用，以及工具结果观察，这样做可以极大地减少幻觉的产生。由于该方案思路简单，效果霸道，在 Agent 应用开发中，使用率非常高。
...
March 22, 2025
Reflexion 相比 Reflection，将反思这一步细化后，分成了如下图所示的 Evaluator（评估）和 self-reflection（自我反思）两个部分。图中剩余的另一个大模型 Actor，即为 Reflection 中的 Generator。图中还包含了 Trajectory（轨迹）以及 Experience（经验）两种记忆。
我们来串一下 Relecxion 的流程。
从 Actor 开始，还是根据用户提问，生成答案，但这次，Actor 继承了 ReAct 的能力，可以与外界环境交互，并观察答案，然后通过 Trajector 模块将对话记录存储在短期记忆，比如内存中。
之后，Evaluator 和 Self-reflection 模块开始介入，Evaluator 对对话结果做评估，检查答案是否正确。Self-reflection 则汇总评估结果，以及对话内容做总结反思，总结出经验教训后，存储到长期记忆中，比如 Redis 等等数据库。
等到下次再提类似问题时，可以将经验与问题同时输入给 Actor，这样有了经验做加持，Actor 就会少走弯路。
回到英国伦敦天气的例子，我们套用一下这个思路。假设第一次提问时，Actor 调用了高德地图天气 API，提示无权限，随后又调用墨迹天气 API，返回了伦敦天气阴，19 摄氏度。Evaluator 会验证 19 摄氏度是否准确，避免出现 80 摄氏度的情况。Self-reflection 会总结出：要想查询国外天气，需要调用墨迹天气 API。这样当下次提问美国纽约天气时，Actor 就会直接调用墨迹天气 API。
03｜Agent的常见推理模式：CoT、ReAct、Reflexion究竟是什么？-AI 重塑云原生应用开发实战-极客时间
ReAct 一词来自于论文《ReAct: Synergizing Reasoning and Acting in Language Models》，包含 Reason 与 Act 两个部分，其中 Reason 就是大模型推理的过程，其推理运用了 CoT 的思想；Act 是与外界环境交互的动作。
...
March 22, 2025
March 22, 2025
在论文《The Rise and Potential of Large Language Model Based Agents: A Survey》中，有一幅非常经典的图片为我们展示了 Agent 在处理问题时的思考过程。
可以看到，图片中将 Agent 拆分成了感知（Perception）、大脑（Brain）以及行动（Action）三部分。
正如人类具备五感一样，大模型也可以通过各类传感器获取输入信息，这被称作多模态输入。多模态输入主要包括：
在日常生活中，有时会遇到这样的情况：明明已经向某人详细交代了某项任务，但他却当作耳边风一样，很快就忘记了。这种现象，我们形象地称之为“左耳进，右耳出”。这似乎暗示着，信息在从耳朵进入大脑的过程中，并没有得到应有的重视和处理，就像是一条没有被大脑这座桥梁连接的河流，直接从一边流入，又从另一边流出了。
同样，对于大模型，如果只有信息输入，而不去做信息的加工，那么输入的信息将毫无意义。
在图中，大脑所完成的工作大致分成三个部分。
a. 多轮对话处理能力
大模型能够结合对话上下文，理解人类对话的意图，最终完成对话目标。当上下文对话过长时，会有很多处理手法，例如图中所显示的 Summary，即摘要，可以对上文对话做总结，从而节省 token。
b. 语义理解与高质量文本生成
不同的人以及不同的语种提问的方式都不相同，大模型能够理解人类的提问，并给出相应的文本生成。
图中给出了 Memory（记忆）和 Knowledge（知识）两种存储。
记忆有助于大模型更好地理解人类意图，从而更好地处理问题，例如如下场景：
history:
human: 北京的天气如何？
AI: 北京晴，13~20℃
question:
human: 济南呢？
如果没有记忆，大模型在处理“济南呢？”这个问题时，就无法参考 history 的历史对话，从而无法理解这个问题是想要问什么。如果有记忆，则可以理解问题问的是“济南的天气如何？”。
记忆可以分为长期记忆和短期记忆。长期记忆即可以将对话历史存储到 Redis 等数据库中。短期记忆就是在内存中存储的上下文对话。
当记忆过长时，为了节省 token 以及更好的让大模型参考，可以使用上文提到的摘要的方法，对记忆进行总结。
...
March 19, 2025
docker run -d --cpu-shares 513 --cpus 2 --cpuset-cpus 1,3 --memory 1024M --memory-swap 1234M --memory-swappiness 7 -p 8081:80 testnginx:1
# docker ps
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
3dc0601189dd testnginx:1 "/bin/sh -c 'nginx -…" About a minute ago Up About a minute 0.0.0.0:8081->80/tcp boring_cohen
cgroup 对于 Docker 资源的控制
58 | cgroup技术：内部创业公司应该独立核算成本-趣谈 Linux 操作系统-极客时间
March 18, 2025
March 15, 2025
一种常用的非参数统计方法，主要用于分析分类变量（categorical variables）之间的关联性或拟合优度。它通过比较观察频数与期望频数的差异，判断数据是否符合某种理论分布或变量之间是否独立。
卡方检验基于以下假设：
原假设（H₀）：观察数据与理论分布无显著差异，或变量间相互独立。备择假设（H₁）：观察数据与理论分布存在显著差异，或变量间存在关联。通过计算卡方统计量（Chi-square statistic, χ²），判断实际观测值与理论期望值的偏离程度是否由随机误差导致。
用途：检验单个分类变量是否符合某个理论分布（如均匀分布、正态分布等）。示例：检验骰子是否公平（各点数出现概率是否均为1/6）。
用途：检验两个分类变量是否独立（无关联）。示例：分析性别（男/女）与吸烟习惯（吸烟/不吸烟）是否相关。
用途：检验不同组别在某一分类变量上的分布是否相同。示例：比较不同地区人群的血型分布是否一致。
