激荡 2026
ssshooter 提前写下 2026「激荡」：年初被裁、筹备婚礼与开源/产品并行，半梦半醒细节催促记录；描绘 last week、返乡过年与婚事节点交织的动荡一年。
ssshooter.com
站点来源 · 不代表单一作者
当前已导入的历史，每页 50 篇；不代表网站完整历史。筛选作用于当前页，更多内容可由 Grok 后续补齐。
访问原站 ↗CSS Strut 与 IFC 简析
ssshooter 用例子解释 IFC 与隐形 strut：父级 line-height 撑出空白、与 inline-block 子元素基线对齐，消除「没 padding 却有空隙」的疑惑。
0419 御温泉之旅
失业后工作日去珠海御温泉：接驳、升房复式日式房、单车与温泉体验的轻松游记，对比学生时代去不起的心情。
Tauri 应用苹果签名踩坑实录
昨天终于心一横开了苹果开发者，一大早开了，想着我要一天搞定上架提交！然而，钱是付了，等到晚上九点多，才成功开通。好嘛，那第二天再努力吧，带着兴奋入睡，第二天一早起来开干。 事实是我把这想得太简单，出了舒适区，就真的想踏入泥沼一样寸步难行。搞了大半天才终于把不用上架的版本签好，晚上之前也把 pkg 打出来了。不容易啊！ 下面讲讲一些值得注意的点吧。如果你也打算入坑 Tauri 开发，而且打算构建 macOS 应用或者 iOS 应用，记得收藏，以后会用到的。 你先得搞清楚，CSR、CER、P12 这些概念分别是啥，不然肯定被 N 个证书搞得晕头转向。 在数字证书和公钥基础设施（PKI）领域，这三个缩写分别代表了证书申请、证书本身以及证书存储的不同阶段和格式。 简单来说，它们的关系可以看作是一个从申请到签发再到打包的过程。 本质：申请表 当你需要一个正式的 SSL/TLS 证书时，你首先要在服务。
久违的生活碎片记录
失业之后多次想写点东西，也确实写了，不过都是零散地写在 Obsidian 里面，时间过了，又暂时不想整理发到博客。于是今天还是直接在博客写吧，最近的非日常生活。 2026-02-17 初二被 CC 邀请去他家烧烤，一扫除夕初一的无聊。工具食材都到位了，结果生火生了好久都生饿了。 山姆的羊扒真香嘻嘻！ 从天亮吃到天黑，要是我找不到工作，要不要落魄前端在线烧烤呢（ 最后摸摸 CC 的猫，乖乖的好猫~ 2026-02-28 迫于准备结婚，过完年 2 月底，把送礼的任务完成，又解决一件事。结婚真花钱呀。 2026-03-11 快要领证了，在领导强烈建议下去修脸，换一个更好懂的词，那就是美容。第一次修脸，感觉还不错。 这是直接在大众点评搜的一家店，在石围塘地铁站附近，就地理位置来说比较偏僻，但是因为也住得偏僻，所以一拍即合了。 店的评分很高，可能因为位置比较偏，价格跟同类相比也算实惠，一百多的套餐。
一个插件让你在 Obsidian 画思维导图
最近新鲜出炉的一个 Obsidian 插件 mindelixir-mindmap：官网介绍 · GitHub 源码 主要有两个功能： - 让你可以以思维导图的形式阅读 markdown 文件 - 让你可以在 markdown 文件中插入思维导图 markdown 转思维导图 mindelixir-mindmap 可以根据标题和列表的层级关系把 markdown 文件转换为思维导图。 Mind Elixir Plaintext Mind Elixir Plaintext 是一种类似 markdown 嵌套列表的格式，不过加上了连线、总结和样式的语法。 你可以通过简单的缩进、ID 引用和类似于 JSON 的尾部声明，快速在文本里构建复杂的思维导图结构。同时，这种结构 AI 生成起来也非常方便。 上面的示例展示了几个关键语法： - - 开头定义节点，缩进 2 空格表示层级关系 - [^id] 为。
看完就懂 useSyncExternalStore
React 引入 useSyncExternalStore 也很长一段时间了，但是存在感还不太强。简而言之，它专门用来搞定那些不受 React 内部生命周期控制的外部数据源。 过去最大的问题其实是 React 渲染时的 「撕裂」，这是 React 为了优化页面响应速度引入的并发渲染机制带来的副作用。 简单来说就是 React 为了防止在渲染时长时间无法响应用户输入，把渲染过程拆分成多个可中断的小任务，这就能小任务的间隙中插入用户响应，从而模拟出「并发」的感觉。更完整的前因后果可以参考《React 的设计哲学》。 在 React 并发渲染机制下，如果用普通的 useEffect 去同步外部数据，可能会出现渲染进行到一半时数据突然发生变化，导致同一份页面中，一半的组件拿着老数据，另一半拿着新数据的灵异现象（但是实际上出现这个问题的几率其实非常小，大家都忽略了，这就导致了 useSyncExte。
看完就懂 useLayoutEffect
useLayoutEffect 与大家熟悉的 useEffect 语法完全一致，从产生副作用的角度上看，功能上也是一样的，唯一差别就是调用时机。 useEffect 会在画面绘制后异步执行，而 useLayoutEffect 会在画面绘制前同步执行。为了讲清楚这个时机的具体区别，得先复习一下浏览器渲染页面的过程。 注意最后 js 运行的那一块，useLayoutEffect 和 useEffect 就分别位于 paint 之前和之后。 执行的顺序是： - useLayoutEffect - 画面绘制 - 下一轮 js 运行 useEffect 顺便我们也能看出来，useLayoutEffect 之所以叫 useLayoutEffect 就是因为它的运行时间点沾着 layout。 使用场景 知道这两个函数的区别，我们还需要知道，到底什么时候用 useLayoutEffect 呢？ 答案是，如。
复习 DOM 事件机制
本期前端复习的主题是 DOM 事件机制，是前端开发非常重要的基础。除了常听到的“冒泡”，完整的事件流其实更有意思。 事件传播 完整的 DOM 事件传播分为三个阶段： - 捕获阶段（Capturing Phase） - 事件从 window 一路向下传递到目标元素的父节点。 - 期间可以通过 addEventListener(type, listener, true) 第三个参数设为 true 来监听此阶段。 - 目标阶段（Target Phase） - 事件到达目标元素本身，即 event.target。 - 此阶段监听函数会被触发。 - 冒泡阶段（Bubbling Phase） - 事件从目标元素向上传播至 window。 - 默认通过 addEventListener(type, listener, false) 注册的事件监听器会在这个阶段触发。 但也不是所有事件都支持冒泡，例如 f。
读完书容易忘？这个开源 AI 应用能帮你！
其实我们不必回避看完书就忘的问题，因为大多数人看书都是会忘的。其实人类的大脑就是这么设计的，它会过滤掉大部分不重要的信息，只保留下重要的信息。如果真的想要记住一本书重要的知识，需要反复阅读，反复思考，反复练习。 在前 AI 时代，做读书笔记是一件非常耗费精力的事情，但是有大模型之后，我们可以在做笔记这件事上偷偷懒。 注意：做笔记可以偷懒，但是思考和反复回看是绝对不能偷懒的。 那么有什么好用的工具呢？朋友们，有的！欢迎使用 ebook-to-mindmap！简单来说，你可以通过 ebook-to-mindmap 把 pdf 或 epub 格式的电子书转换为分章节的思维导图或者文字总结。 点击这里即可立即体验。整个网页应用功能比较简洁，大家可以直接上手，当然，下面我也会比较详细地介绍一下这个应用的使用方法🤗 模型配置 使用 ebook-to-mindmap 的第一步是配置模型。它和很多 AI。
博客功能更新 × 3
有种好久没更新本站历史的感觉，最近有 3 个新功能还是得记一下。 系列文章 使用方法：Frontmatter 中添加 series 和 seriesOrder 相关文章 使用方法：Frontmatter 中添加 recommendTag 评论组件更新 Twikoo 似乎挺久没更新了，于是 Fork 了一份。Twikoo 本身用的还是 Vue2，本来想顺便把它升级成 Vue3，但是迁移起来比想象中的麻烦（而且我还发现自己已经把 Vue2 的使用方式忘掉一大半了😂），如果再过几年它依然没更新的话再重构吧。 最后就只是改成 Vite 构建，添加了主题色功能，顺便做了一点 UI 微调。 如果你也想使用，只要安装依赖： 然后在 global.css 中添加如下代码即可： 太好了，UI 终于统一起来了，从 cactus Fork 出来也这么久了，更新了不少，晚点也开源一下好了🤗。
博客音乐播放器 + 1
尽管我本来不是想做博客播放器，而是做一个歌词解释器，但是做都做了，突然发现做成大杂烩不也行，于是开干呗~ 最后出来结果还不错，接下来简单介绍一下这个开源项目： - Github 地址：Elixia Player - 直接来试用：https://elixia-player.koyeb.app/search 特别鸣谢 Meting，没有 Meting 就没有这个项目！ 搜歌、看歌词、AI 功能就不在这多说了，下面主要介绍其作为博客音乐播放器的能力，主要是 3 个功能： - 插入播放卡片 - 插入外链卡片 - 生成图片分享 首先是播放卡片，可以播放插入的歌曲，但前提是必须提供对应音乐平台的 cookie。虽然体验非常好，不用跳转直接播放，但对维护者来说就非常麻烦了，需要在部署服务时设置 cookie，并且 cookie 过期的时候需要及时更换，否则无法播放。 举个 QQ 音乐的例子，在登陆 QQ。
2025 年终总结
又到了该年终总结的时候，真的一眨眼，2025 就过去了，所以对于这一年的总结，我的脑子有一点空白。 来吧，努努力吧，回想一下，拼凑今年的记忆碎片。 世俗的任务 上年在番禺当兄弟，今年在江门当礼炮手，明年不出意外该是轮到我了，搞婚礼这些世俗任务是真的烦人，花大价钱给亲戚朋友做秀，最后大多数人都并不会记得什么。不过既然我是明年，这事还是留着明年写吧。 这里想讲的是另外一个跟哥们讨论过的问题，那就是生孩子。首先表明立场，在这个随时失业且有房贷的前提下，我是不敢生育的，真的看过太多家庭因为钱的问题吵得一地鸡毛了。 回到主题，24、25 年的出生率处于新中国成立后最低的水平，这已经是人尽皆知的事情，很多网友也都开始看日本前瞻服预测中国老龄化结局。但奇妙的是什么，哥们说他身边的人陆续生孩子，还有不少二胎。一般我不会这么疑惑，这存在地域差异，或许他那就是爱生娃，但是今年年末，我同组的两个同事几乎同时休陪。
小猫都能懂的大模型原理 6 - 模型优化
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 6 - 模型优化 本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节，希望各位小猫能有所收获 🐱 简单来说，大模型蒸馏（Model Distillation） 就是一种“老师带学生”的技术手段。 它的核心目的是：把一个超大模型（老师）的能力，“传授”给一个较小的模型（学生），让小模型在变小、变快、变便宜的同时，还能保留大模型的大部分能力。下面稍微具体说说怎么做到蒸馏。 可以想象，现在头部模型 800GB - 1TB 的硬盘文件大小，里面有很多冗余信息。对于小模型不需要那么面面俱到，所以通过大模型对小模型某些领域的指导，即使小模型没有那么大的规模，也能让小模型在该领域效果足够好。蒸馏后的模型只有 2GB ~ 4GB 的大小，完全可以在消费级电脑和手机上使用。 虽说参数量能大幅减少，但是蒸馏模。
useEffect 清除计划
如果说 eval 是 JavaScript 的 Evil，那么 useEffect 就是 React 的 Evil。 useEffect 至少有三宗罪： - 在其中使用 setState 会引起重复渲染 - 缺乏注释的 useEffect 往往让人意义不明 - useEffect 意味着让人苦恼的依赖管理 我直接给出一个暴论：尽量清除你项目中的 useEffect。 下面我不会讲到底啥时候不该用 useEffect，因为 useEffect 本来™的绝大多数情况就不该用，一一列举这些反面例子就是浪费时间。 因此反向思考，我下面主要讲到底什么情况必须要用 useEffect，再伴以少量有代表性的反面教材。 响应组件挂载 要说 useEffect 无法清除的情况，首先肯定是作为组件挂载的钩子，比如说： 这是绝对无法替代的使用场景，在组件挂载时，如果你需要操作 document 或者其他无法通过。
小猫都能懂的大模型原理 5 - 后训练
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 5 - 后训练 本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节，希望各位小猫能有所收获 🐱 GPT 训练完后并不能直接与用户流畅地聊天，就像是一个只会背书、不擅长与人交往的 Nerd 🤓。你说啥呢，他就接着从他大脑里想到的都一股脑说出来，接在你后面，情商约等于 0。 chatGPT 之所以叫 chatGPT，是因为它在 GPT 的基础上做了 chat 的后训练。 对话的训练素材大概长下面这样： 通过特定的 Token 标记对话的格式，然后把这些经过审阅的对话喂给模型即可。 在喂对话前，还需要注意整理数据和调整超参数： - 数据清洗、过滤（去除垃圾、泄密、违法内容） - 样本平衡（不同任务/风格的比例） - 学习率、训练步数等超参的控制，避免遗忘原有能力或过拟合 这个步骤也叫 SFT，全。
小猫都能懂的大模型原理 4 - 大语言模型架构
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 4 - 大语言模型架构 整体结构 在经典的架构中，数据经过注意力模块后会进行归一化（LayerNorm）。不过现在很多先进的大模型（如 Llama）为了更稳定，会把归一化放在注意力模块之前。 深层网络里，各层输出的尺度和分布会不断漂移，导致后续层“吃进去”的数值忽大忽小、训练变得不稳定。归一化就是把每一层喂给下一层的数值，拉回到一个稳定、可学习的范围（更强调相对大小而不是绝对数值），从而让梯度更稳定（不会爆、不易消）。 然后进入到前馈神经网络模块（图中的 Feed forward），就是最开始提到的那种神经网络。在这里会有隐藏层对向量维度升级，从而学习更多隐藏的内容，最后降回输入维度。 另外可以注意到，侧面有一条线跳过部分模块直接连到后面的加号，这被称为残差连接。 \[y = x + F(x)\] - \(x\)：上一层的输出。
小猫都能懂的大模型原理 3 - 自注意力机制
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 3 - 自注意力机制 本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节……但是本章还是一点点线性代数基础……希望各位小猫能有所收获 🐱 Transformer 的核心创新就是自注意力机制，如果忽略数学层面的问题，其实不难理解。 过去的深度学习框架对文字的处理，没有考虑到（大范围的）上下文，例如 RNN 就会一直循环计算前面的文字的影响力，但是距离一长，前面内容的记忆会丢失得比较多，而且 RNN 这个串行逻辑也跑不快。 自注意力 自注意力的突破点就在这里，它让整个上下文里的 Token 互相理解，计算过程是可以并行进行的。 之前说 GPT2 一个词维度有七百多，在下面这个例子里面，我们假设一个词维度只有 3。首先在词向量的基础上加上同样维度的位置向量，然后我们就要开始子注意力里面最精彩的。
小猫都能懂的大模型原理 2 - 初见大语言模型
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 2 - 初见大语言模型 本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节，希望各位小猫能有所收获 🐱 现在大家遇到问题，第一反应都不是使用搜索引擎，而是问 chatGPT，chat 大家都知道是聊天的意思，但是 GPT 它到底是个什么呢？ 展开一下全名：Generative Pretrained Transformer，翻译过来就是生成式预训练 Transformer。 所以在此之前我们需要更清楚知道 Transformer 到底是个啥。 Transformer 架构 说到 Transformer 还是不能不提其源头，鼎鼎大名的《Attention Is All You Need》，这篇论文提出了这个名为 Transformer 的深度神经网络架构。 在论文里面，这个架构是长这样的： 其。
小猫都能懂的大模型原理 1 - 深度学习基础
📚 小猫都能懂的大模型原理 - 📍 小猫都能懂的大模型原理 1 - 深度学习基础 本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节，希望各位小猫能有所收获 🐱 AI 的科技树 我们先来通过一条简单的链路，定位大模型在 AI 领域的位置： 人工智能 > 机器学习 > 深度学习 > 大语言模型 机器学习最开始就用大量数据做线性回归从而对未知数据进行推测。 举个最简单的例子，二维的数据。直接就可以使用数学课就学过的线性回归求方程获取数据的趋势。当时就觉得算线性回归真麻烦呀，计算量那么大，没想到这都蹭到人工智能的边了，还能不难算吗？ 接着，人类不满足于简单的线性回归，想要让计算机自动学习更复杂的数据特征，于是就有了深度学习。 深度学习 深度学习之所以深度是因为，它基于多层神经网络自动学习数据特征。多层神经网络就像人脑的神经元互相连接。每根连接的强度就是权。
第 1 页