与「药屋少女的呢喃」相关的搜索结果

谈谈加拿大的 “注射屋” 所谓注射屋，不是鼓励吸毒，而是先“救命”，再谈“戒毒”。 加拿大卫生部数据显示，2020年3月至2026年5月，监管消费点处理了五万四千多次非致命药物过量，其中两万一千多次用了纳洛酮(注解)抢救，场所内致命过量：0。 以下英文链接有详细数据。 人死了，就什么机会都没有；人活下来，才有机会谈戒毒、治疗、重新做人。 所以支持监管消费点，本质上不是纵容吸毒，而是减少本来可以避免的死亡。 这是对生命的尊重！ 注解：纳洛酮（Naloxone）是一种专门用来抢救阿片类药物过量的急救药。

河南调查记者魏华走了，才45岁，心脏骤停。 这哥们就是那个卧底缅北120天救回6人、死磕“梅姨”案的“都市大先生”。为了怕被报复，他活着时连家都不敢回，文章都不敢署名。现在人没了，大家才知道真名。这才是真正的无名英雄，一路走好。 消息在媒体圈传开的时候，很多跟他合作过的人都不敢相信。前三天他还在跟编辑对接新的调查线索，语音里带着点疲惫，说等跑完这趟就歇两天，谁也没料到这话成了最后一句。 当年缅北诈骗窝点的线索递到他手里的时候，单位本来想安排年轻记者跟进，他主动拦下了。他说自己年纪大，脸生，不容易被认出来，年轻人还有大好前程，不能冒这个险。他伪装成找工作的打工者，跟着中间人辗转三天才进到窝点里，一待就是一百二十天。 窝点里管得严，手机全被收走，跟外界断了所有联系。他每天跟着其他人一起作息，暗地里摸清窝点的人员架构和逃跑路线，偷偷记下被拐进去的人的信息。中间有一次他藏的小纸条差点被发现，挨了一顿打，他硬扛着说是捡来的废纸，才没暴露身份。 等到跟外面的救援人员对接上那天，他带着六个被骗进去的年轻人，顺着提前摸好的路线往边境跑，身后有人追，躲了大半夜才甩掉追兵，终于摸到接应的地点。六个人全都安全回来了，他身上添了不少伤口，一句苦都没说，回来休整了不到一周，就又开始跑新的选题。 从那之后，他就成了对方重点报复的对象。手机号换得勤，住的地方也经常搬，不敢跟家人住在一起，连过年都只能找个僻静的地方，隔着屏幕跟家里人说几句话。孩子长到十几岁，跟他见面的次数加起来不到半年，学校的家长会一次都没去过，所有的家事全靠妻子一个人撑着。 死磕梅姨案的那几年，他跑遍了周边好几个省份，找受害者家属核实信息，找知情人打听线索。很多关键信息都是他最先挖到的，每篇发出来的报道，署名都只有“都市大先生”五个字。单位里新来的同事经常讨论这个笔名下的记者有多厉害，没人想到天天坐在工位角落、话不多的老魏就是这个人。 他平时在单位话很少，中午就吃一份简单的盒饭，衣服翻来覆去就那几件。有人劝他别这么拼，年纪大了该顾着点身体，他总说没事，等把手里的几个案子跟进完就轻松了。他抽屉里常年放着止疼片和常用的救急药，胸闷的时候就吃一片扛过去，从来没跟人说过自己心脏不舒服。 出事那天，他前一天熬了通宵整理线索，早上跟编辑发了最后一条消息，说自己眯一会儿，下午接着改稿子。编辑等到下午联系不上人，打了好几个电话都没人接，心里觉得不对，赶紧找到他出租屋的地址赶过去。门打开的时候，他还趴在书桌前，手里还攥着没写完的采访笔记。 追悼会那天，来了很多陌生人。有当年被他从缅北救回来的年轻人，带着全家过来鞠躬；有被拐孩子的家属，拿着他当年帮忙找线索时留的纸条，站在遗像前掉眼泪。这些人跟他打交道了好几年，全都只知道他的笔名，直到这天，才第一次知道他的真名，第一次看清他的样子。 他妻子带着孩子站在家属席上，全程很平静。她说自己早就做好了心理准备，知道他干的是玩命的工作。以前他活着的时候，不能光明正大站在他身边，不能跟别人说自己的丈夫是谁，现在他走了，终于能堂堂正正陪着他，送他最后一程。孩子捧着遗像，小声说原来爸爸做了这么多好事，以后自己也要做像爸爸一样的人。 总有人说和平年代没有轰轰烈烈的付出，可总有人愿意隐姓埋名，站在暗处替众人守住公道。他们的名字不被大众熟知，他们的付出很少有人看见，却凭着一股子韧劲，追着真相跑，护着陌生人的周全。这样的人，值得被所有人记住，也配得上所有的敬意。 @作家东方煜

之前问了虚拟网卡 Tun 模式下微信图片加载慢的问题， 大家非常热心的给出了很多诊断的建议，我做了一下复盘： 微信的网络机制本身就极其特殊。@wq268888 提到微信自己有一套优先内置解析、网络嗅探和信息分析，一旦发现流量被虚拟网卡接管，就会不断重试，明确走不了才会降级到常规网络。@giv00257710 踩过更深的坑，发现微信很多图片其实是直接走纯 IP 地址拉取，压根不走域名，导致常规的域名白名单直接失效。加上 @tzhsz 提到的 edns 机制，多媒体 CDN 很容易被国外 DNS 误解析到海外服务器。 第一流派，也是呼声最高、提议人数最多的关停 IPv6 派。 @LeungDeo、@Edison_aware、@BarrySong97、@Ner0sss、@5tran9er 和 @ncle99 都直接给出了一句话诊断：关掉 IPv6。 @Jerry182809 直言用机场的第一步就是关 IPv6。@chrislee_sub 也吐槽微信的 IPv6 兼容问题早就存在好几年了。@0i8up 补充说国内很多家庭路由器和宽带的 IPv6 本身就极其不稳定，像没普及一样，开了徒增玄学断流。 关掉 IPv6 救活的远不止微信。@vireriver 反馈自己只要一开代理，京东和淘宝的商品图片全线崩溃，关了 IPv6 立刻恢复；@ddflj3310 也提到在 Surge 下剪映等抖音系应用完全登不上，同样靠关 IPv6 解决。@HunterRockCat 则提醒飞书等办公协同软件也会遭遇同样的问题。 背后的逻辑被 @grok 和 @MoeDejavu 点透了：绝大多数代理节点根本没有配置 IPv6 出口，但 DNS 偏偏解析出了 AAAA 记录。微信偏偏优先尝试 IPv6 连接，结果掉进路由黑洞死等超时，几秒后才狼狈降级回 IPv4，体感上就是图片一直在死转圈。@MoeDejavu 建议，如果关了 IPv6 还不稳定，记得把代理客户端里的 AAAA 查询解析也一并关停。 第二流派，追求完美双栈的 fake-ip 规则精修派。 很多朋友不想为了微信直接废掉 IPv6，选择对分流配置进行细化。@0xfingeroo 贴出了 GitHub 上 Clash Verge Rev 官方 issue 1762 的长篇排查讨论。 @qtwaiter 给出了教科书级的 fake-ip 原理：在虚拟网卡接管流量时，所有域名都被劫持进了虚拟私有网段。必须在 dns 配置的 fake-ip-filter 加入白名单，强制腾讯的多媒体域名走真实国内 IP 解析。比如针对 QQ 和微信的图片视频，把 放进过滤列表。 @LeonKuo2023 具体给出了两条立竿见影的直连后缀规则： 和 提醒，很多人的微信图片卡死，纯粹是因为分流规则没写全，图片请求被最底下的兜底规则误送到了海外代理。@cnfree8964 补充把严格路由关闭；@LaelLuo 建议排查 QUIC 协议嗅探；@neotuper 建议检查 SNI 分流；@AwesomeYang_com 和 @wooooow_wo 则建议在规则里单独指定微信进程走 DIRECT 直连。 第三流派，干脆放弃虚拟网卡的实用派。 @YanzuWuahh 早就被 Tun 模式的各种玄学搞烦了，选择退回经典架构：系统代理搭配 Proxifier，只对指定的海外开发工具开启强制代理，微信这种国内应用压根碰不到虚拟网卡。 @qg7777 提到，如果没有配置专门的软路由做增强模式，单靠本机跑单一的 Tun 模式极易翻车。@bnxiohi15661429 也吐槽某些客户端内核对 Tun 的处理不够完善，换成小火箭等工具反而没这些毛病。 第四流派，赛博神医 AI 排查流。 @dave33_z 分享了硬核实战：之前买 AWS Lightsail 晚高峰延迟卡死，直接把网络环境和配置丢给 Codex，一通调优把晚高峰延迟压到了六十毫秒。现在遇到各种网络玄学，直接把配置文件丢给 AI 分析。 @tina_sound43105、@neveriwill14294、@xueyu1125、@thePixelsAI、@Silas10m 和 @Lee656233622 全都站这一边。把本地分流规则丢给 Codex 或 DeepSeek，让模型顺着路由跳数检查，几分钟就能自动生成改好的配置。@misaki233q 更是让 Agent 搓出了一套高级双栈规则：国内应用走 IPv6 直连，海外流量走 IPv4 代理，鱼和熊掌全部兼得。 第五流派，反思工具本质的断舍离派。 @WetThinAir 抛出了一个直击本质的问题：我们到底为什么非要开 Tun 模式？像很多写代码的工具，单独配个终端环境或者局部端口就能跑得飞快，根本没必要为了几个工具让全系统的网络流量都从虚拟网卡里冒险淌一遍。 遇到微信转圈的朋友，照着这份清单排查，基本药到病除。

2026年9月，两位出身清华大学博士、曾在新疆工作多年的“80后”厅级干部，均被调离实质性重要岗位。一位是今年45岁的原新疆克拉玛依市市长陈凯，在担任山西省阳泉市市长9个月后，突然被调任山西工程技术学院副院长；一位是曾获评“全国优秀县委书记”的41岁药宁，由新疆喀什地委委员、喀什市委书记改任新疆自治区团委副书记。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。