与「存储」相关的搜索结果

关于AI内存短缺最令人震惊的一点是，普通DRAM的每GB单价如今已高于HBM，这充分说明了需求正在多大程度上重塑市场格局。 而且AI所需的远不止HBM，以下是六类内存和存储的详细构成： • SRAM（3,000美元/GB）：用于AI推理的超高速片上内存 • HBM（20 美元/GB）：为 GPU 提供数据的高带宽内存 • DRAM（25 美元/GB）：服务器、个人电脑和手机的工作内存 • NAND（0.30 美元/GB）：用于存储 AI 上下文和推理数据的闪存 • HDD（0.016 美元/GB）——用于海量 AI 数据集的低成本大容量存储 • 磁带（0.008 美元/GB）——用于 AI 数据归档的长期存储 涉及这些层面的公司包括 $MU、$SKHY、$SNDK、$STX、$WDC、$IBM、$NVDA 和 $CBRS。

摩根大通目前预测，到2028年，超大规模科技企业的资本支出将超过2万亿美元： • $AMZN 约4700亿美元 • $GOOGL 约4700亿美元 • $SPCX 约3700亿美元 • $MSFT 约3300亿美元 • $META 约2900亿美元 • $ORCL 约1000亿美元 尽管增长速度可能会有所放缓，但预计即使在2028年这一“增长放缓”之年，相关支出仍将增加3210亿美元。 因此，仍有巨额资本涌入人工智能计算、网络、存储和电力基础设施领域，而下一代人工智能系统尚未问世。

几个 agent 一起跑一件长任务，最头疼的是各记各的：一个刚查出来的结论，另一个根本不知道。 omnigraph 从存储这一层解决这个问题。它是个图数据库，给多个 agent 共用一份带类型的「世界模型」。每个 agent 从里面取上下文，干完活再写回去，分工就靠它协调。作者说这样 agent 和界面都能做成无状态的，状态全在库里。 几个设计很对路：数据直接放在对象存储上，用开源的 Lance 格式；节点和关系都有类型定义，不是什么都往里塞；检索把向量、BM25 关键词和图关系合进了同一个引擎。 最有意思的是分支。它支持 Git 那样的工作流，共享的记忆也能开分支。 仓库今年 4 月才建，Rust 写的，MIT 许可，现在 2247 星，今天一天涨了 160，11 月 9 号刚发过版。 搭多 agent 系统，迟早要决定记忆放哪。仓库里配了 Cookbooks，可以照着例子先跑一个。

窝趣！Obsidian 的 CEO 把自己用的知识库模板放到 GitHub 上了。 想用 Obsidian 搭建个人知识库，但不知道怎么分类、怎么组织笔记的朋友，可以先看看他的模板。 除了知识库模板，Obsidian 官方和 CEO Steph Ango（kepano）还分享了几个相关项目，我整理了 7 个： 1、40 Questions：年度复盘问题 kepano 整理的一份问题清单，用来回顾自己过去一年或一个阶段的生活。 不知道年度复盘从哪里开始的朋友，可以挑几个问题，结合自己的日记和笔记来回答。 2、Minimal：Obsidian 主题 一个简洁、可自定义的 Obsidian 主题。喜欢干净一点的笔记界面，可以在 Obsidian 的主题市场里搜索 Minimal。 3、obsidian-sample-plugin：官方插件模板 如果你用 Obsidian 的时候，发现现有插件满足不了自己的需求，可以拿这个官方模板作为起点，尝试开发一个自己的插件。 也可以把仓库交给 Codex，让它先帮你解释项目结构和开发步骤。 4、kepano-obsidian：个人知识库模板 Obsidian 的 CEO 把自己使用的 Vault 模板放到了 GitHub 上。里面展示了他组织笔记和资料的方式，可以下载下来研究，再根据自己的需求修改。 注意，这是公开的模板，不是他完整的私人知识库。 5、Flexoki：写作和编程配色 kepano 为写作和代码设计的一套配色。如果你想调整 Obsidian、编辑器或者自己网站的颜色，可以参考这套方案。 6、obsidian-releases：插件和主题目录 这里维护了 Obsidian 的社区插件目录、主题目录和公开版本信息。 想找插件、研究社区都有哪些工具，可以从这里入手。仓库本身不包含 Obsidian 的源代码。 7、JSON Canvas：开放式画布格式 Obsidian 的 Canvas 可以用来把笔记、图片和想法放到一张画布上。 JSON Canvas 是用于保存这些画布数据的开放文件格式。对想研究画布工具，或者希望了解画布数据怎么存储的朋友，可以看看这个项目。 如果你是刚开始用 Obsidian，我建议先看知识库模板和 Minimal 主题：先把笔记写起来，用一段时间之后，再根据自己的需求调整分类和插件。

手机提示“存储空间不足”，先别急着删照片。 真正占空间的东西， 往往藏在几个你平时根本不会点开的文件夹里。 花十几分钟清理一遍，释放几个 GB 并不难。 下面这 10 个位置，是很多人忽略的地方。

之前老 Mac 装了 OrbStack，使用迁移助理的时候遇到了这个大坑，真是被这个软件气死了，他妈的。 我的新 Mac 是 4T，旧的是 2T，迁移系统的时候居然告诉我空间不足。苹果也是够弱智的。啥原因呢？这里： 新 Mac 的存储容量是旧机的四倍，迁移却报“没有足够的可用空间来完成迁移”。真正原因是 OrbStack 留在 ~/Library/Group Containers/HUAQ24HBR6.dev.orbstack/data/data.img 的一个虚拟磁盘镜像：它只有 6.5 MB 实际占用，但逻辑大小 8.0 TB。 • 作者用两条命令把这个矛盾量化出来：sudo du -sh ~ 得到 282G，sudo du -shA ~ 得到 8.3T。在 1 TB 的 SSD 上出现 8.3 TB 的表观体积，说明有文件在尺寸上“说谎”。 • 定位方式：sudo du -hA -d 2 ~ | sort -h | tail -30 按表观大小聚合排序，锁定到具体文件后，再分别用 du -hA（8.0T）和 du -h（6.5M）复核。 • 删除该镜像后，第五次运行 Migration Assistant 在 3 小时内完成。OrbStack 自己的 FAQ 也提到这个 8 TB 文件，并说明稀疏文件会干扰 Migration Assistant。 这老哥迁移了五次，我迁移了两次，目前在进行第三次，说起来苹果的迁移助理也真是傻叉。

Anthropic 这次真有点吓人了。 一个工程师给 Claude Fable 5.2 布置任务：从零开发操作系统。 结果 AI 调度了超过 1000 个子 Agent，连续干了 8 天。 最后真做出了能在笔记本上启动的系统，包含驱动、文件存储、窗口、登录界面

# 还在养一个什么都管的超级 Agent？官方拆台：监管 Agent 已是旧货，不拆成小队、权限一乱全队陪葬 先说结论：一个 Agent 什么都管，听起来省事，实际上是把所有数据、所有权限、所有出错可能全塞进同一颗脑袋。指令一长就混乱，出了错也不知道是哪一步坏的。这篇只讲一件事：把一个大 Agent 拆成领队加两个专家加一个沙箱，领队只管分工，专家每人只看自己那张表，政策文件丢给用完就删的沙箱去读。 先说背景：监管 Agent 是 Databricks 早期官方推的做法，现在已被列为旧货，新活别再用它起手。替代它的是低代码的精灵 Agent 当专家，命令行工具搭领队。精灵 Agent 不用写程序，对着自己的表建好、复制编号就能用；领队要决定叫谁、怎么拼答案，这种协调逻辑写进程序文件里才管得住。 作者只问了一句话：为什么我们一直在流失亚太客户？查账户、查支持工单，再对照服务等级协议，告诉我先修哪一个。领队自己不动手查表，账户问题交给账户分析师，工单问题交给支持分析师，政策文件交给沙箱读完就删，领队把三份答案拼成一句回复。没拆之前，一个 Agent 要同时读两张表加一份文件；拆了之后，每个专家只认自己那张表，出错直接定位到人。 六步搭起来：两张表传进同一个结构，政策文件放进统一目录的存储卷；建两个精灵 Agent，各自只读自己的表，从设置页复制编号；装命令行工具、登录工作区；把专家和沙箱接进来，登记在工具清单文件里；在领队文件里写好系统提示词，从模型网关挑模型；本地跑起来，在聊天界面问一句跨表问题验收。 小心三件事：免费版只能本地搭着测，部署要试用版或付费工作区；表本身错了，领队拼起来的也只是三份错答案的合集；出错只看最终答案等于盲修，每一次调用、耗时和用量都记在追踪日志里，不看追踪就不知道哪一步坏的。 一句话：多智能体的重点不是 Agent 数量，是每一次出错都能定位到人。领队只分工、专家只看自己的表、沙箱用完就删，四点同时成立才算搭完。 S1哥观点：别再问为什么我的 Agent 越养越笨了，笨的从来不是模型，是你把所有表、所有权限、所有判断全塞进同一颗脑袋，还指望它每次都分得清轻重。第十次出错就该承认，这活本来就不该一个人干。你手上那个超级 Agent，到底同时碰了几张表？评论区说说。 收藏用清单（照着做）： 1. 确认监管 Agent 是旧货，新系统不用它起手。 2. 两张表各建一个精灵 Agent，只读自己的表，编号从设置页复制。 3. 装好命令行工具，接进专家和沙箱，领队文件里写好提示词、挑好模型。 4. 本地跑起来问一句跨表问题，再去追踪日志里核对调用、耗时和用量。 转给还在养一个什么都管的超级 Agent 的朋友，他今晚就能少踩一个坑。

黄果新的仓库 之前的，作者迫于压力删库了。现在整个是fork的。 且用且珍惜。 ⚠️ 本项目仅供 学习与技术交流，不提供、不存储、不分发任何音视频内容。

perp套利交易之机器选择. 太长不看: 1. 初学者普通Windows电脑. 中期买个 mac mini M4 (16+256) (或者用AWS/GCP 的免费的额度) 2. 后期用 AWS spot instance, 选Stockholm region. m7a.4xlarge (16核 zen4, 64G) $0.15每小时 3. 存储用 Cloudfalre R2. (比 AWS S3更便宜) 1T 15$ 1个月. 并且出入站都免费. (AWS S3收费) 因为制定交易策略, 需要做回放. 这是很吃性能的. (比如说 var<---> Lighter 价差回归套利, 30个market, 差价的gap怎么取, 你可能用EWMA 或者 a Kalman filter , 假设10个参数, 然后回归过去60天的行情. 轻松就 30*10*60个任务. 普通8核16G电脑可能五六个小时 ) 之前的文章有说,你的交易VPS应该放在 Tokyo AZ4. 那么为什么我这里推荐 Stockholm 的机器做回放呢? 因为价格. 同样的机器: Stockholm $0.15/h . Tokyo: $0.46 : 三倍的价格. 因为这机器是跑的批量任务, 所以无所谓延迟了. 哪里便宜放哪里. 而且不用担心宽带, 我试了.. Cloudflare S3里存储的数据, Stockholm 也可以300MB/s +的速度拉取. 如果你是任务量特别大怎么办? 那么多开几个就行了. 然后AI会自动分配任务到这些机器上. 跑完了再自动关掉就行了. 按分钟计费. 这样灵活很多. 某些任务我本地的电脑可能要跑两天. 我开上20台机器..10分钟就跑完了.