最近惊闻老东家在本地大裁员，怀念那二十年的好时光。

Andrew Ng 又创业了，这次赌的不是更强的模型，是"怎么学"——他说在线教育这十五年改变了在哪学，没改变怎么学。这话让我想起我女儿在大学里的处境：题做得不错，可一碰到没有标准答案的事就露怯。这篇想说清楚：AI 能把因材施教的门槛打下来，但打不下来的那道坎，还得学习者自己迈——文末附一张 Anthropic 研究数据撑着的具体清单，一份给她，一份给我自己。

用 AI 生成知识库页面和技能文档很容易，页面唰唰地就多了起来，可细看质量常常撑不住，后面的维护和质量保证反而成了新问题。这篇把“靠不靠谱”拆成生成、验证、维护三笔账分别算，带出 SkillsBench 一个反直觉的发现——自己写的 Skill 可能比不装还差——再给一套可操作的评估框架、风险分级验证流程和一份陷阱清单。

挂机器不可怕，可怕的是客户端手里那个地址只有一台机器认。Keepalived 的答案是把“服务 IP”做成一张会搬家的值班牌：两台服务器靠 VRRP 互相报活，持有浮动 IP（VIP）的那台挂了，备机几秒内接管同一个地址，客户端不用改任何东西。这篇讲清楚原理、一份照着改的配置、最佳实践，以及六个能让你半夜被叫起来的坑——尤其是 weight 扣不到位导致切不动、VRRP 走 IP 协议 112 而不是端口、以及双机主备没有 quorum 的脑裂。

网上讲 FreeSWITCH module 开发的文章大多要么把 mod_skel.c 贴一遍，要么逐行解读某个现成模块，看完还是不知道怎么从零写自己的。其实 module 开发只有几个固定套路：搭骨架、选对钩子、回调别阻塞、管好生命周期。这篇用"实时录音并转文字"这个具体场景把整套方法走一遍，源码签名对照 FreeSWITCH 1.6.19 开源代码核实，附上手 checklist 和常见陷阱表。

AGENTS.md（给 AI coding agent 看的项目说明文件）现在已经进了六万多个 GitHub 仓库，几乎成了标配。可两篇论文把这个"标配"拆开看了一遍：一篇挖了 2303 份真实文件，发现大家写的东西高度集中在"怎么跑测试""怎么搭架构"，安全和性能几乎没人提；另一篇直接拿基准测试去测"写了到底有没有用"，结果是自动生成的那部分大多是噪音——不提速、不提分，只多花两成推理成本。这篇把两份证据摆在一起，给出一份能直接照着做的写作清单。

上篇拆了 Anthropic 的上下文工程，结论是“渐进式披露、用到再取”。这篇讲官方把这条原则落成的具体东西——Agent Skills：一个技能就是一个文件夹，靠三级渐进式披露让 AI 按需加载，把确定性交给代码、聪明留给模型。文末用这个博客仓库里真实在用的 walter-blog-write 技能当解剖标本，外加一份能直接照着做的落地清单。

前几年大家都在琢磨怎么写 Prompt，Anthropic 这篇讲的是更上一层的东西——上下文工程。核心主张一句话：大模型的“注意力”是一笔有限预算，喂得越多，反而记得越差。这篇把他们的方法论拆开讲——System Prompt 该停在哪个“海拔”、工具怎么设计才省 Token、什么叫“用到再取”的按需检索，以及长任务的三件套：压缩、结构化笔记、子代理。

想给一群人搭个能打字又能说话的群聊，最先想到的是 WebRTC 再加一台 SFU 转发服务器。可浏览器到今天都没给“把音频塞进 WebSocket”开个口子，OpenResty 也顶不住真正的媒体转发。这篇走另一条极简路线：干脆不做 WebRTC，把语音切成 20 毫秒一帧的音频，和文字走同一个 OpenResty 网关、各占一条 WebSocket 连接，再由 Redis Pub/Sub 广播——两个进程、一个端口，代价是放弃回声消除和弱网下的表现。附可运行的骨架代码，以及带宽、时延的估算账。

最近用 AI 用得有点多，活儿照样交得出去，可心里那点"这事我真弄明白了"的踏实感，越来越薄。这篇想说清楚两件事：这种不安不是矫情，认知科学、哲学、心理学这些年正好也在吵这件事，吵出了些挺扎实的研究；以及我给自己定的几条规矩——思维导图必须自己画、每天留出不碰 AI 的时间、把纸笔拾起来、每天给 AI 挑刺——每一条背后都有能说清楚的理由。

翻出一张 2009 年用 FreeMind 画的 GTD 思维导图，方法论十七年没变，变的是终于可能有样东西能替我把它跑起来。但把整套方法论讲给 LLM 听、让它自由判断每条输入该怎么处理，大概率会乱。这篇把一张 GTD 工作流草图拆成判断、动作、调度三类节点，说清楚哪段该交给 LLM、哪段该交给 Tools/Skills、哪段根本不该用智能。

Lua 不区分数组、哈希、集合，只给了一个 table——这不是能力不够，是故意的。本文从 table 的两副面孔讲到元表（metatable），讲到用元表搭 OO，再讲到 LuaJIT 和 OpenResty 怎么给 table 加性能后门，最后落到 OpenResty 里真正跨进程的那张表：共享内存字典 ngx.shared.DICT。附带可以直接照抄的 cheat sheet。

这半年听几个同龄朋友聊起求职,拒信理由翻来覆去就两条——"我们现在 overhiring,先缓缓"和"你 overqualified 了"。两条理由合在一起是个死循环:岗位说不缺人,你自己又被嫌"太够格"。拆开看,这两个词背后各有一句没说出口的潜台词;往大了看,是内需、AI、外企收缩叠在一起的大背景;落到个人,是过去吃饭的本事——写代码、写文档、全栈多语言——正从稀缺品变成大路货。这篇想说清楚这个死循环怎么破,以及我自己想通的三件事。

给 FreeSWITCH 写功能是一回事，证明它在五百路并发下还注册得上、接得通、桥得稳，是另一回事。SIPp 就是干这个的——用一份 XML 脚本模拟成千上万个话机，把注册、呼入、呼出、桥接、会议这五类场景逐个压过去。这篇给出每类场景可直接改地址就能跑的脚本、命令行和对应的 FreeSWITCH 配置，以及几个新手必踩的坑：认证两段式、CSV 账号注入、带媒体的 INVITE 要放 PCAP、以及为什么 bridge 测试得起两个 SIPp。

三年换了两个公司、三个团队，照理说早该习惯了，可每回进新团队，还是问啥啥不知、做啥啥不会，心里那句“我是不是真不行了”总压不下去。蘑菇被养在黑暗里靠养分长根——职场的“蘑菇定律”说的就是这个蛰伏期：先把自己埋进土里，把旧的倒空，根扎稳了，才谈得上出土。

职场里最让人累的不是加班，而是被自己的心魔拖垮：一次失败没站住，接二连三就没心情了。罗伯特定理把这层窗户纸捅破——没有人因倒下或沮丧而失败，只有一直倒下或一直消极才会失败。本文先讲清它的真实出处（卡维特·罗伯特其实是演说家，不是史学家），再拆解那些流传甚广却常被改写的“失败名言”，最后落到几个能立刻做的小动作。

AI 写代码不怕麻烦，这是它最大的优点；可麻烦不归它承受，这是它最大的毛病。奥卡姆剃刀说“如无必要，勿增实体”——放到 AI 编程里，要砍的不是代码行数，是你三年后要背的维护工作量。对 FreeSWITCH、OpenResty、OpenSIPS 这类后端服务尤其如此：前人把引擎和脚本层分开，就是替你划好了那条界线，宁可多写几行 XML/Lua/路由脚本，也别轻易让 AI 给你生一个新模块。文末附三段可直接复制的 Prompt：方案阶段数实体、代码阶段做减法、规则文件里常驻约束。

打电话时对方声音断断续续，是网络丢包；但还有一种更隐蔽的情况——包都到了,却因为到达时间不齐,播放端缺了当前该播的那一小段。抖动缓冲就是为这件事生的：网络里的包到达时间不规律，播放端却必须每 10ms 吐出一块音频。缓冲浅了会卡顿,深了又增加延迟。我把小固定、大固定和自适应三种策略放在同一条网络轨迹、同一段真人语音下跑了对比实验，用数据说话：没有哪种永远最好，自适应是在延迟与连续之间动态找平衡——它多半比小固定稳、比大固定快，但真遇到突然的抖动峰值，它照样会卡那么一下。整套实验我开源成了一个小项目 ajb-demo，代码在 GitHub 上，读者可以拉下来自己跑、自己听、自己调参数验证——让数据替你选该用哪种策略。

一个业务规则改一下，却要同时动十几个文件，还经常漏改一两处，导致同一条规则在系统不同地方表现不一致——这就是霰弹式修改（Shotgun Surgery）。这篇讲清楚它的现象、根因和治理办法：根因不是代码写得多，而是一个概念的知识被复制到了很多地方；治理的目标不是"代码只出现一次"，而是"一个变化原因只有一个主要修改点"。文中给出判断标准（因为同一个业务原因而变化才抽象）、Change Map 排查法、从 N→1 的重构路径、测试保护步骤，以及一份能照着念的 Code Review 五问。最后单独讲当霰弹跨越多个服务、多个仓库时该怎么办——你失去了"一次改完"的能力，治理思路要从"收成一个修改点"转成"建一个权威来源 + 兼容地滚动"。对后端和通信系统工程师尤其适用：很多霰弹式修改，本质是领域逻辑泄漏到了 Handler 和 Adapter 层。

岁数渐长没关系，别丢掉好奇心和尝试的勇气。从乔布斯的“Stay hungry. Stay foolish.”说起，从大处着眼，从小处着手，不贪大求全，日拱一卒。