背景

最近在工作中需要处理一些时序数据，需要对时序数据做降采样（Downsampling）处理。因此学习了一下 LTTB 算法和 MinMaxLTTB 算法

从降采样的技术上来说，大致可以分成 2 种¹

• 特征保持（Characteristic Preserving）：此时降采样的目标是让统计特征（均值、方差等）在降采样前后尽量一致
• 值保持（Value Preserving）：从原始数据点中挑选数据点，目标是让整体形状在降采样前后尽量一致

无论是 LTTB 算法还是 MinMaxLTTB 算法，本质上都是值保持的一种。即他们的目标都是在降采样后尽量维持原来的形状

背景

在 AI Coding 时代，代码实现已经不是瓶颈，更难的反而是你如何去约束 Coding Agent 的行为，让它可以有高质量的代码产出。这些约束一般是比较 high-level 的东西，像是设计模式、软件架构等。在这样的时代背景下，了解这些知识在我看来是更加重要的。以设计模式为例，你需要知道对应的设计模式是什么，它解决了什么问题，适用于什么场景等才能够用清晰的自然语言描述去指导 Coding Agent。今天要要介绍的就是其中一个设计模式————访问者模式（Visitor Pattern）

背景

今天是 6 月 4 日，距离 Andrej Karpathy 发布 LLM Wiki 这个想法差不多过去 2 个月，我也已经深度使用了 1 个多月，写下这篇文章的目的是与大家分享我的 LLM Wiki 设置以及一个多月以来我的使用感受

背景

作为一名程序员，还是会被近几年 AI 编程领域的突飞猛进吓一跳，印象中，有这么几个明显的阶段

• LLM for Tab 补全：代码主要是程序员编写，LLM 只是会预测下一段要放什么。典型代表比如 Tabline、Copilot
• 氛围编程（Vibe Coding）：程序员不再逐行写代码，而是用自然语言描述需求，让 LLM 帮你做跨文件修改。典型代表比如 Cursor、Claude
• Spec-Driven Development （SDD）：氛围编程有许多毛病，比如上下文漂移、软件架构不稳定等，这导致它很难在生产环境中落地。因此社区乃至工业界都开始探寻超越 Prompt 工程的方法去让 LLM 可以长时间稳定生成可用的代码，而不是一堆 AI 垃圾（AI Slop）。SDD 就是目前看来很有希望的一个方向

SDD 如何解决氛围编程的问题？