与「DDD」相关的搜索结果

50 Sites That Show What Billionaires Buy and Read for Free🤯 1.) → Current portfolios of famous investors 2.) → Quarterly fund trades 3.) → Stock transactions of US politicians 4.) → Executives' own company stocks 5.) → Making fund filings readable 6.) → Companies' official reports 7.) → Buffett's letters since 1977 8.) → Video archive of Buffett meetings 9.) → Howard Marks' investor memos 10.) → Research from Ray Dalio's firm 11.) → Dalio's principles for free 12.) → Jeremy Grantham's market notes 13.) → Quantitative fund research 14.) → Damodaran's valuation data 15.) → Valuation professor's blog 16.) → Morgan Housel's money writings 17.) → Mental models for decision-making 18.) → JPMorgan's free market guide 19.) → Innovation-focused fund research 20.) → Venture capital essays 21.) → Value investing lecture notes 22.) → Columbia's value investing archive 23.) → Fed's economic data archive 24.) → Fed decisions and statements 25.) → European Central Bank data 26.) → Reports from the central bank of central banks 27.) → Countries' economic indicators 28.) → Companies' long-term charts 29.) → Company financials for free 30.) → Companies' market cap rankings 31.) → Stock screener and heat map 32.) → Portfolio backtesting 33.) → Charts and market analysis 34.) → Professional market screener 35.) → Company activity reports archive 36.) → SEC's investor education site 37.) → Passive investing encyclopedia 38.) → Financial terms dictionary 39.) → Free finance guides 40.) → CFA research publications 41.) → Fund and stock evaluations 42.) → Companies' visual analysis 43.) → Archive of selected investment theses 44.) → Seeing what's inside funds 45.) → European fund backtests 46.) → Investment writings with data 47.) → Market history notes 48.) → Investor psychology writings 49.) → Explaining the economy with charts 50.) ourfiniteworld? → (see note) The rich don't hoard information. They just don't tell you where it is. Save it, follow @Liyana_Coder you'll need it. Not investment advice. @Liyana_Coder

Felicito a la Subsecretaría de Fortalecimiento Municipal de la SEGO Oaxaca. Hace apenas un año salió de la universidad y, en un extraordinario ejercicio de desarrollo profesional, pasó de Jefa de Departamento a Subsecretaria de Estado. ¡Eso sí es una carrera meteórica! No cabe duda de que, en este sexenio, primero las mujeres y, sobre todo, las de grandes méritos, amplias cualidades y extraordinarias credenciales. Mi reconocimiento también al secretario de Gobierno de Oaxaca, José de Jesús Romero López @jesusromerooax , por su particular talento para el scouting de nuevos cuadros y su capacidad para descubrir perfiles que, desde luego, no pasan desapercibidos. La meritocracia, al parecer, tiene muchas dddimensiones.

Leonardo DiCaprio, 52, and Vittoria Ceretti, 28. 24 years apart… still don’t understand why she settled for him. Same guy who spent 20+ years dumping women the second they turned 25 finally decided to break his own rule.

经常用 AI 写代码的朋友们，可以了解一下领域驱动设计（DDD）这个概念。它的英文全称是 Domain-Driven Design。 平时做开发，很多人习惯先建数据库表、写增删改查，然后把一堆复杂的业务判断散落在控制器和前端组件里。一旦需求变多，字段和逻辑到处缠绕，改一个地方就坏一片。 DDD 的核心思想，就是把重心从底层的数据库和框架，拉回到真实的业务本身。在动手敲代码之前，先理清楚现实业务里的概念、规则和流转关系，让代码直接反映业务本身的逻辑。 在传统软件工程里，落地 DDD 通常围绕三个核心动作展开。 第一个是建立统一语言（Ubiquitous Language）。 在整个项目里，把所有的业务名词定下唯一标准。同一个业务概念，不能在需求里叫客户，在代码里叫用户，在数据库里又叫账号。统一了词汇表，沟通损耗直接抹平。 第二个是划分限界上下文（Bounded Context）。 再大的项目，也不能揉成一团。按照业务职责把系统切分成几个明确的独立边界。比如电商项目里，商品展示、库存流转、支付结算各自是一个独立的上下文，每个上下文只管好自己的规则，跨边界调用只通过清晰的接口契约进行。 第三个是构建充血的领域模型。 不要写那种只有字段、没有业务行为的空壳数据类。把属于某个实体的业务校验、计算逻辑和状态流转，直接封装在实体内部，让核心业务逻辑保持稳定。 搞懂了这套心智，在 Vibe Coding 时代跟 AI 协同就会顺手得多。 大模型写具体代码的速度极快，但它本质上是个概率系统。你给它一段模糊的需求，它顺着概率去猜，必然会胡乱生成一堆缺乏边界的胶水代码。 结合 AI 使用 DDD，最舒服的姿势是做好分工：人类负责搭建领域模型与划定边界，模型负责高效地补全具体实现。 具体的最佳实践可以总结为以下四步： 第一步，建立全局的领域词汇表与契约文件。 在项目根目录的规则文件或者系统提示词里，花几分钟把核心实体名词、状态枚举和核心行为定义清楚。给大模型一套毫无歧义的统一语言，它在命名变量、写类型定义和生成接口时就不会前后打架。 第二步，按照限界上下文限制 AI 的注意力范围。 不要试图让大模型一次性通读并理解几万行的大工程。按照业务边界把代码组织成清晰的模块。每次派发任务时，只把当前上下文里的实体定义、接口契约和相关文件喂给模型。把上下文体积控制在极小范围，模型的幻觉和误改率会大幅下降。 第三步，明确要求模型把规则内聚在实体内部。 给 Agent 提要求时，限制它不要在外层写一堆零散的条件判断补丁，而是把业务规则封装在对应的领域实体里。外层的调用代码越干净，后续让模型修改逻辑或者新增特性时，波及的范围就越小。 第四步，用行为测试作为确定性契约。 在让 AI 敲具体实现之前，先把领域实体的行为测试用例立起来。跑测试通过了才算交付。用严格确定性的单测和编译器，把大模型的概率漂移稳稳按在轨道里。 人类理清概念与划定边界，AI 负责快速落地代码。

职业交易员从不用花里胡哨的东西。 25岁的职业机构交易员Ted Zhang，用市场四阶段框架交易5000万美金的账户，所在的机构管理的账户规模已经超过4个多亿。 他有一个特长，就是不管是美股是币还是黄金，任何一个品种，任何时候打开它的图表，他都能一眼看出来，它现在该买该卖还是该空仓。 这其实是一个帮他赚到过很多钱的方法，叫四阶段市场周期框架。 专业的高手做交易，基本不用花里胡哨的东西，什么RSI，斐波那契、艾略特波浪这些都不用，就把简单均线从头用到尾，甚至赚大钱小钱都一个方法，因为越简单的东西，往往在执行上越有效。dddddddddd

Bunnysuit Rebecca was fun however I did feel miles more comfortable once covered :’’D Anyhoo Otakon was lots of fun!! Didnt record too much at the con itself BUT will probs yap all about it on stream :DDD #ResidentEvil# #ResidentEvilCosplay# #RebeccaChambers# #Otakon2026#

Q：我们公司有十几个微服务，现在想让开发用 AI Agent 来做系统设计和编码。问题是一个 user story 经常需要多个微服务协作，Agent 必须了解每个服务的职责边界和业务概念才能做出合理的设计。我们打算把所有微服务放到一个 workspace 下，每个服务配上自己的文档，让 AI 自己去处理。这种方式合理吗？有没有更好的实践？ A：用好 Agent 的关键是两点：上下文的质量，和验证的闭环。 先说上下文质量。 放在一个 workspace 下是目前社区比较推荐的做法。 monorepo 天然适合和 AI 配合，因为 Agent 可以在一个地方同时看到 schema 定义、API 协议、各个服务的实现代码。如果因为历史原因确实不方便合成 monorepo，有个折中方案叫虚拟 monorepo，就是把多个仓库 clone 到同一个本地目录下。 除了放在一起，文档也是很好的让Agent获取上下文的方式，最好给 Agent 一张地图，加上按需加载： 1. 根目录放一份总的 AGENTS.md(或 CLAUDE.md)当索引用，列清楚有哪些服务、各自负责什么、要改某个服务就去读它目录下的文档。 2. 每个微服务自己目录里再放一份,写清自己的职责边界和业务概念,这其实就是 DDD 里的 bounded context。 3. 让 Agent 先看根索引，定位到相关的那几个服务，再去加载它们的细节。 不过要注意文档要及时更新，尤其是微服务协议变更了，一定要及时更新文档，否则会误导。 能从代码或规格自动生成的，就别手写。手写文档迟早会和代码对不上，而像 OpenAPI 这种机器可读的接口规格，一份东西既是文档，又能拿去生成 mock 和测试。 除了文档，还有一个很多人忽略的上下文来源：协议测试代码。高质量的 contract test 本身就是最准确的活文档，它精确地描述了服务之间实际的交互协议，比人写的文档更不容易过时，因为错了测试就无法通过。你如果已经有 OpenAPI spec 或者 Pact 契约文件，这些对 Agent 理解服务边界非常有价值。 再说验证。微服务场景下验证是最麻烦的部分，因为一个 user story 可能涉及好几个服务协作，你不可能让 Agent 每改一行代码就把整个系统跑起来做端到端测试。 一个实用的思路是：每个微服务提供 mock server 或者基于 OpenAPI spec 自动生成的模拟服务。Agent 写完代码后可以在本地跑 contract test 验证自己的改动有没有破坏和其他服务的协议约定，不需要依赖线上真实的 API 或者完整的集成环境。这样 Agent 就能形成一个“写代码→跑测试→自我修正”的闭环，不需要人在过程中频繁干预。 想再进一步,建议了解一下契约测试(consumer-driven contract testing，常用工具是 Pact)。思路是调用方把自己实际用到的接口形状记下来，生成一个契约文件，被调方再去验证自己能不能满足这个契约。 简单说：workspace 统一提供全局视图，分层文档 + 协议测试提供精准上下文，mock server + contract test 提供验证闭环。这三层搭好，Agent 处理跨微服务的系统设计就比较靠谱了。 一些参考资料 1. Anthropic 的 Effective context engineering for AI agents，讲怎么把上下文当稀缺资源来经营、按需加载: 2. Anthropic 的 Effective harnesses for long-running agents，讲长任务里怎么给 Agent 搭脚手架(比如用进度文件加 git 记录跨上下文窗口接力)： 3. 怎么在 monorepo 里组织 AGENTS.md 给 Agent 用,可以看 上这篇 Steering AI Agents in Monorepos with AGENTS.md： 契约测试入门，搜 Pact 加 consumer-driven contract testing 的指南就行。