与「系统优化」相关的搜索结果

救星来啦，发现一个Windows美化神器，舒服到脚指头了……😁😮 Windows 11 用着总觉得哪里不顺手：任务栏不能随意调整、时钟信息太少、资源管理器功能受限……但又不敢乱装美化软件，怕中毒、怕系统出问题……😭 刚发现一工具，直接把这些痛点解决了，不注册、不登录、不订阅，安全到离谱。🤣 这是啥工具？🤔 叫 Windhawk，一个通过内存注入实现系统美化的开源工具（GitHub 8000+ Star）。它不修改系统文件，所有功能都通过安全模组实现，卸载后无残留，极大降低了美化系统的风险。 📌 安全性极高，不修改系统文件，模组临时运行 📌 拥有“模组集市”，一键安装各种实用功能 📌 社区贡献了大量高质量模组（任务栏增强、资源管理器优化、音量调节等） 📌 支持自定义微调，灵活性强 📌 完全开源透明 使用方法： 1. 从GitHub下载安装 2. 打开后进入“Explore”模组集市 3. 找到想要的功能，一键安装即可生效 🔗GitHub地址： 还在为Windows界面不顺手苦恼的朋友，推荐试试这个安全又强大的美化工具，也来感受这份舒服吧！😊 转发+收藏，送给重度Windows用户～ #Windhawk# #Windows美化# #开源工具# #Windows11# #系统优化# #效率神器#

最近这几个月分享了太多关于Codex的玩法了，横跨了赚钱、自媒体、视频、记忆系统、APP开发上架、教程等多个领域，大家进行系统学习的时候，可以把这篇推文发给Codex，让它给你推荐阅读路径。 一、边玩边赚钱与实战变现 1. Codex进阶实战教程，办公四件套、3D视频、电商自动化 2. GPT2-image变现杠杆思路，6步赚钱路线图 3. 第一款App已有上百付费用户，全程用Codex完成 4. GUI可视化数据中台想法，打通微信飞书X数据 二、Codex App 新手入门 1. Codex App 小白完整入门指南，界面设置权限全解析 2. Codex新对话代理问题完整修复方案 3. Codex App是普通人最佳本地AI选择，对比Claude Code 三、记忆系统优化 1. 基于EverOS重构Codex记忆系统并开源模板 2. Codex+Obsidian+SQLite+向量检索迭代升级 3. 一键搭建Obsidian长期记忆系统完整提示词 4. 外接Obsidian大脑优化版提示词，Token大幅节省 5. Codex记忆系统开源模板，支持多Agent共用 四、Agent开发与部署 1. 从0到1开发并部署生产级Agent实战视频教程 2. 非技术小白用Codex完整开发项目的最佳路径 五、工具集成与自动化 1. Codex打通微信飞书自动归档合同交付物 2. Computer Use打通Codex与ChatGPT Pro调用最强模型 3. Codex最好用插件推荐，Computer Use与Playwright优先 4. Codex官方支持开源模型DeepSeek GLM Kimi 5. Codex+GPT5.5实现微信双开Skill 六、Computer Use与实战案例 1. Computer Use冰山一角用法大清单，10+真实案例 2. 用Codex完成App备案与华为审核全流程 3. Codex修复自家WiFi连接问题仅用2分钟 七、产品比较与日常使用 1. Claude Fable5 vs Codex，坚持使用Codex理由 2. Codex /Sites命令构建团队网站或App 3. Claude vs GPT Codex全面对比分析 4. 学习Codex最简单方法，搜索主页所有Codex推文 5. 重庆线下Codex分享，下沉市场仍有巨大空间

小米最近发表的这篇论文很适合所有在为 Agent 性能头疼、但不想每次都去换模型的工程师看，harness 工程值得你认真投入。 核心观点：LLM Agent 的性能，几乎有一半的决定权在那层「运行外壳」里，例如提示词、工具描述、记忆接入方式、控制流设计，而不只是底层模型的能力。HarnessX 把这层外壳变成了一个可以像乐高一样组合、并且能自动进化的系统。 具体来说：HarnessX 用「替换代数」定义运行外壳的基本构件，让 harness 的各个组件可以被系统化地替换和组合。然后用一个叫 AEGIS 的多 Agent 进化引擎，自动分析 Agent 运行轨迹，找出哪个组件拖了后腿，提出改进，在不碰底层模型的前提下迭代优化整个外壳系统。在 ALFWorld、GAIA、WebShop、tau³-Bench、SWE-bench Verified 五个基准测试上，平均提升 14.5%，最高单项提升 44.0%。 我觉得「不改模型、只改外壳，就能在五项 benchmark 平均提升 14.5%」这个数字本身最值得反复想。很多团队在用 Agent 时，遇到性能问题的第一反应是「模型不够强」；但 HarnessX 说的是：你可能还没有用完现有模型在正确外壳设计下的潜力。更重要的是：外壳是工程问题，是可以迭代、可以模块化、可以系统优化的，AEGIS 把这件事变成了一个可以跑起来的自动化流程。 以前我们关注 Agent 用什么模型，以后可能更要关注 Agent 的运行外壳设计得有多好，这一层可能才是真正决定 Agent 系统上限的地方。

白嫖党最爱， 这个github项目整理了全球最优质的、完全免费的软件和应用程序， 他帮助用户省去在海量网络信息中筛选安全、好用软件的时间。 这个项目的分类极为详尽，几乎覆盖了我们使用电脑的方方面面。 1. 开发者工具 ： 包括 API 开发与测试、数据库管理、网络抓包分析、虚拟机，以及知名的游戏引擎。 2. 文档与办公： 强大的免费办公套件。 PDF 阅读与编辑神器。 电子书阅读器以及各类顶级的笔记和代码编辑器。 3. 系统定制与实用工具： Windows 和 macOS 的系统优化、美化工具、剪贴板管理、下载加速器。 各类高效的文件解压缩工具。 多媒体影音 ： 音频：高品质音乐播放器、专业级录音与混音软件。 视频：免费的视频剪辑、播放器和格式转换工具。 图像：3D 建模、动画制作和图片浏览器。 浏览器与通讯： 收录了主打隐私和速度的各类浏览器，以及优秀的第三方电子邮件客户端和通讯软件。 安全与隐私： 密码管理器、防病毒软件以及广告和跟踪拦截工具。

以苹果这么多年的尿性，不太可能在新机型推出之前就真的把操作系统性能优化提高 30%（发布会的数据听听就得了），最后真的这样的话，旧机型的用户还哪有换机动力？再说，如果这么善心大发的话，为什么不直接把现在的 iOS 26 优化一下？更真实的可能性是新机型的内存今年就不增加甚至减配，使用更低性能的内存，以便控制整体硬件成本。 当然，发布会所说的各种特性，就算到了明年这时候，也不一定真的交付到用户手里。这才是苹果多年不变的风格。

如何看待华为韬定律 核心定义对比：传统摩尔定律靠几何缩微，一味缩小晶体管尺寸提升性能；华为韬定律转向时间缩微，不再死磕先进制程与 EUV 光刻机，通过逻辑折叠、3D 堆叠、全栈架构优化，降低电路时间常数、压缩信号传输时延，靠系统效率提升芯片性能。 推出背景：源于华为遭遇技术封锁、先进制程受限的现实困境，是后摩尔时代绕开物理极限与外部技术卡脖子的换道超车路线，也是中国首次向全球半导体行业提出自主技术演进规则。 实际价值：盘活国内现有成熟制程晶圆产能，无需依赖天价先进光刻设备；已落地量产多款芯片，覆盖手机、AI、汽车、工业等领域，为国产半导体开辟全新发展路径。 理性冷思考：韬定律并非颠覆式 “万能定律”，海外大厂也在布局同类系统层优化；其产业共识、技术普及、长期落地仍需时间验证，不能短期高估其颠覆格局的能力，应视作半导体长期发展的补充主线。 深层意义：不止是芯片技术突破，更标志着中国半导体从单纯技术追赶，转向参与行业底层规则制定，体现厚积薄发、韬光养晦的技术战略思路。

中国科技取得突破性进展！ 最近华为提出的韬定律（Tau Law），以时间常数τ（信号传播时延）替代传统nm制程作为核心衡量指标，标志着半导体行业从“做更小”转向“跑更快”的范式转变。其核心是：任何能降低系统整体时延的创新（Logic Folding单元折叠、先进封装、系统互联优化等）都具有价值。 1. 对全球芯片市场的影响 重塑竞争规则：传统制程领先者（如台积电、英特尔）主导的格局被打破。后发企业无需极致EUV，也可通过3D折叠、Chiplet、异构集成等手段实现系统级性能跃升，竞争维度从“线宽”扩展到“效率”。 加速后摩尔时代多元化：推动先进封装、系统架构创新和软硬件协同成为主流，降低行业进入门槛，促进技术路线多样化。 供应链格局调整：利好亚洲封装、材料、封测产业链，对欧美极端制程依赖形成“去中心化”冲击。未来市场将分化为“极致制程派”与“τ优化派”。 2. 对中国芯片产业的影响 战略意义重大：这是中国在制裁压力下开辟的自主创新路线，体现理论自信与路径自信。 积极作用：为海思、中芯、长电等企业提供清晰战略指引，避免盲目追赶最先进制程。 加速国内先进封装、EDA、IP生态构建，提升系统级优化能力。 提升国际话语权，成为“中国方案”的重要标签，吸引全球人才与合作。 潜在挑战：仍需突破高端制程物理限制，生态成熟度和国际兼容性需持续追赶，地缘风险依然存在。 PS：韬定律的核心是“系统整体时延能否持续下降”。它正将全球芯片产业推向“系统效率竞赛”新阶段。对中国而言，这是从“跟随者”向“规则参与者”转型的关键一步。未来，谁更好地拥抱τ优化逻辑，谁就将在AI与算力时代掌握更多主动权。

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：

豆包是我日常用得最多的国产模型，迭代最快最稳。豆包 App 的 C 端日活过亿，火山引擎的模型即服务在国内份额第一，日均 Token 调用量和 OpenAI、Google 是同一档的。能撑起这个体量，模型得过硬。 豆包大模型 2.0 刚发布，第一时间用豆包App“专家”模式测了下洗车问题，效果挺不错，不仅回答出来了，而且因为我是在海外使用，特别说明了中国和美国法律的法规不同。（参考图2） 我看了他们的官方推送（链接见评论），一个感受越来越强：字节是在认真对标 OpenAI 和 Google。 从里面能看出几个不一样的地方。 【1】他们在乎的是用户到底需要什么 豆包 2.0 的官方推送里，反复出现一个词：“真实世界复杂任务”。不是说跑了哪个榜第一，而是围绕大规模生产环境下的使用需求做了系统性优化。 举个具体例子：他们基于 ClawdBot/OpenClaw 框架在飞书上搭了一个智能客服 Agent。这个客服不只是回答问题，它能调用不同 Skills 完成对话，遇到搞不定的问题会主动拉群找真人同事，帮用户预约上门维修，维修完还会主动回访。一个完整的业务闭环，不只是一个 Demo。 【2】自建评测，而不是追着榜单跑 字节做了大量自建的 Benchmark 和内部评测。公开榜单是有限的，而且越来越容易被针对性优化。真正想让模型在生产环境里好用，必须自己定义评估标准。 这让我想起姚顺雨加入腾讯后在内部说的一句话：“不要打榜，也不要盯着榜单做事。真正决定模型能否走出 Demo 的，不是再刷几个榜，而是你有没有把系统放进真实世界的约束里，用真实世界的方式去评估它。” 字节显然很早就在这么做了。 【3】成本降了一个数量级 豆包 2.0 的模型效果对标 GPT 5.2 和 Gemini 3 Pro，但 Token 定价降了大约一个数量级。在 Agent 时代，一个复杂任务可能要消耗大量 Token 做推理和长链路生成，成本是真正的瓶颈。把价格打下来，才能让 Agent 真正普及起来，而不是只有极客在玩。 【4】长期投入，不走捷径 字节在底层技术研究上一直有持续投入，很多工作是长期推进的。比如最近大火的 Seedance 2.0 视频生成模型确实做到了世界领先水平，不是刷榜号称领先，而是产品可用级别的领先。豆包 2.0 的多模态能力也是这种长期积累的结果，在视频理解的 EgoTempo 基准上甚至超过了人类分数。 这些东西不是突击几个月能做出来的。 从产品体量、模型投入、评估体系到成本控制，字节对标的就是 OpenAI 和 Google。豆包用起来确实好用，而且每次更新都能感觉到在变好。对我来说，这比任何跑分都有说服力。

友情帮转，上海 KONG 放出 Rust 系统开发职位，群里小伙伴问，为什么不写薪资范围？ 我心想，这难道不是好事吗？ 你把自己的期望薪资递过去，他们给不起，那是他们的损失🤭 —- 👇岗位要求，转需 【友情帮转】 Rust 系统开发专家· 上海· KONG — 🚀【上海·极客团队】Kong 核心团队诚招 Rust 系统级开发专家（求扩散/求推荐） 各位 Rust 圈的大佬、伙伴们， 全球最受欢迎的开源 API 网关 Kong 正在为上海研发中心招募 Core Team（核心团队）的系统工程师（Systems Engineer）！ 如果你身在上海（或有意向来上海发展），对底层网络、高性能分布式系统、Async Rust 充满热情，渴望与全球顶尖的开源社区并肩作战，同时向往硅谷风范的国际化技术氛围、不卷、尊重技术的工作环境，这个机会绝对不容错过！ 💡 为什么加入 Kong 上海 Core 团队？ * 硬核技术中心： 上海作为 Kong 的重要研发基地，你将直接参与核心底层功能的研发，而非“边缘支持业务”。 * 全球级影响力： 你的代码将被全球数万家企业和无数开发者在生产环境中使用。 * 纯正外企氛围： 扁平管理，结果导向，拒绝无效加班。提供充足的硬件支持和与全球顶尖工程师直接技术碰撞的机会。 🛠️ 我们需要你做什么？ * 核心设计与实现： 负责 Kong API 管理软件及其底层架构的设计与开发，推进代理（Proxying）、负载均衡（Load Balancing）、数据库支持等核心功能的演进。 * 极致性能优化： 深入系统底层进行 Bug 排查、性能调优和 Low-level 优化。 * 开源社区共建： 与全球开源社区紧密互动，将最新的行业趋势和技术引入 Kong 核心。 * 技术沉淀： 编写高质量的技术文档（在 Kong，工程师自己为产品写 Docs，用技术讲好故事）。 🎯 我们希望你具备： * Rust 硬核实力： 3 年以上 Rust 实际开发经验，对 Async Rust 有深刻理解与实战经验。 * 系统级开发背景： 5 年以上服务端/系统级开发经验，具备设计高并发、高可用、高弹性分布式系统的能力。 * Linux 底层功底： 扎实的 Linux 系统调优、性能分析（Profiling）及网络栈（Networking Stack）知识。 * 网络协议专家： 熟悉 L4/L7 传输与应用层协议。 * 沟通与协作： 良好的英语读写和沟通能力（需要与全球分布式团队协作），强烈的 Owner 意识。 工作地点： 上海（支持线下协作与交流，提供极具竞争力的办公环境）。 ➕ 加分项（Bonus Points）： * 熟悉 Tokio 异步生态或有深入实践。 * 有 Rust 开源社区 贡献经验（PR/Maintainer）。 * 熟悉 NGINX / OpenResty / Kong / LuaJIT 技术栈。 * 对虚拟机底层实现（如 LuaJIT VM、eBPF、WASM）有深入研究。 📬 投递与勾搭方式 如果你就是我们在找的 Rust 隐藏大佬，或者你有合适的朋友推荐，欢迎随时联系！ 工作地点： 上海市中海国际A座 简历直达邮箱：chitty.li@konghq.com （邮件主题建议：姓名 - Rust Systems Engineer - 渠道来源） 官方投递通道：