黑洞资源笔记
-
-
-
- GDM Science Skills 是一套专为科研任务打造的 Agent 技能集合，覆盖基因组学、结构生物学、化学信息学、文献检索等多个领域，把 30 多个常用数据库和工具的能力集成在一起。
它能让 AI 代理更好地理解科学上下文、减少 token 消耗，同时保持更高的执行准确度。每个技能都包含结构化的指令、辅助脚本和参考资料，方便快速嵌入科研工作流。
主要功能：
- 集成 AlphaGenome、AFDB、UniProt 等 30+ 数据库与工具；
- 提供结构化指令与脚本，扩展 Agent 在专业科学任务上的能力；
- 支持通过 npx 一键安装，也可直接在 Google Antigravity 中加载；
- 部分技能支持 API Key 以提升调用上限，无 Key 也可基础使用；
- 附带示例与技术报告，方便快速上手和二次开发。
支持通过 npx 或 Google Antigravity 快速部署，适合科研人员、生物信息学团队和 AI 科研工具开发者。 -
- 榨干垃圾服务器：本地AI运行的底层逻辑并非买显卡 | blog
很多技术人都在焦虑被昂贵的算力军备竞赛抛下，但真正的高手已经在用十年前的报废服务器跑最新大模型了。有人用 2016 年的单核单路 Xeon 处理器和极慢的 DDR3 内存，在完全没有显卡的情况下，让 26B 的 Gemma 4 架构模型跑出了“人类阅读速度”。
这件事的核心本质在于：大模型在生成文本的“解码阶段”，底层的瓶颈从来都不是算力（Compute-bound），而是内存带宽（Memory-bound）。处理器每算一个词，都要把数百亿的参数从内存搬运到 CPU 缓存里。这个过程里，CPU 绝大多数时间都在干等内存把数据运过来。这就是所谓的“内存墙”。
大厂和商业软件通过黑盒工具（如 Ollama）向用户隐藏了所有性能调节杠杆，甚至默认把你的模型塞进虚拟内存（Swap）里吃土。而真正穿透技术护城河的方法，是直接接管底层逻辑。利用推测解码（Speculative decoding）将小模型常驻 L3 缓存来预测Token，再通过改写内存矩阵对齐 CPU 缓存（Run-time repack），以及把 Flash Attention 压榨到 CPU 上运行。这证明了本地 AI 的核心门槛不是硅片，而是你对硬件架构的压榨程度。拒绝黑盒，捡垃圾也能通往自由。 - Linux内核的隐秘角落：如何让代码在百核时代狂飙 | blog
很多人以为多线程编程的终极答案是无锁原子操作，但在128核甚至192核的现代CPU面前，原子操作底层的缓存一致性协议（MESI）会变成新的硬件级不卡顿锁。多核争抢同一个缓存行，性能照样雪崩。
Linux内核早就提供了一个破局解法：Restartable Sequences（rseq）。它的底层逻辑非常松弛且聪明——把并发控制从“线程维度”降级到“CPU核心维度”。在用户态给每个CPU分配独立的数据结构，代码执行时直接当成单线程来写，彻底丢掉锁和原子操作。
唯一的漏洞是：万一代码刚写到一半，线程被内核调度换到别的CPU上怎么办？rseq的解法不是让内核“不准中断我”（这在抢占式系统中代价太高），而是跟内核达成了轻量级的共享内存契约：“如果我被中断了，请直接把我踢回这段代码的开头重来。”
这就是一种零抽象成本的、局限于单CPU的用户态微型事务。在百核机器上，这种用汇编实现的十几条指令的小把戏，能让malloc这类基础库的性能直接飙升几十倍。在多核大行其道的AI时代，所有的底层数据结构和系统语言，迟早都要为了这个内核特性重新写一遍。 -
- 工具快了，也可能让你更快完蛋 | 帖子
网上流传一张恶搞MIT科技评论的图：“既然你能用AI做任何事，为什么你还没富？因为你的想法蠢透了。”
这句糙话戳破了当下最大的幻觉：很多人把“生产力的提升”等同于“竞争力的提升”。AI确实把开发和执行的门槛降到了史无前例的低，但这也意味着，平庸想法的贬值速度同样史无前例地快。
以前一个烂点子，从立项、招人到写代码，得花半年和几十万预算，你可能在第三个月就及时止损了。现在有了AI，你能在三天内把一个没人要的垃圾产品做出来，然后以极高的效率、极快的速度破产。
AI就像一把电锯。给伐木工，效率翻倍；给傻子，他只会更快地锯掉自己的腿。当技术不再是瓶颈，决定胜负的就只剩下两件事：你对真实世界痛点的敏锐度，以及你把东西卖出去的商业手腕。工具再高级，也救不了逻辑的硬伤。 -
