Discover more.
Spend less.

我让 TRAE 也“看”到了微信小程序

掘金

顺着留言线索验证微信开发者工具官方 Skill:ZCode 的插件底层正源于此。在 TRAE 中实测安装与调用,隐式不生效、显式调用即可编译、截图、测试,全程丝滑。微信开始给 AI 开门了。

Score: 57.15Confidence: 54%

出海开发者资金合规:从港卡结汇到完税申报实操

掘金

深度拆解无国内实体的出海开发者如何守住反洗钱与外汇监管底线,规范港卡资金结汇、规避关户风控,依法完成完税申报。

Score: 57.15Confidence: 54%

hindsight实测:给AI助理装上"海马体",我先跟root权限和2G内存缠斗了一下午

掘金

GitHub 日增两千五百星的 hindsight,我在2G沙盒里跑通:砍 torch、换 INT8、LD_PRELOAD 骗过 root 检查。矛盾事实按时间线推理,时间旅行没跑通,成本不到一毛。

Score: 57.15Confidence: 54%

華碩線上購物商店傳出資安事件,部分客戶資料可能遭未授權存取

iThome 新聞

華碩(ASUS)線上購物商店傳出資安事件,部分客戶資料可能遭未經授權存取。

Score: 57.1Confidence: 54%

美國CISA要求聯邦機構緊急修補蘋果裝置零時差漏洞

iThome 新聞

9月28日蘋果發布iOS、iPadOS,以及macOS作業系統26.7.1更新,緊急修補圖形處理框架元件CoreGraphics漏洞CVE-2026-86950,隔天美國網路安全與基礎設施安全局(CISA)表示,他們已經掌握該弱點遭積極利用的證據,將其列入已遭利用的漏洞名單(KEV),聯

Score: 57.09Confidence: 54%

“哑巴模型”Jev火了,会给AI产业带来什么改变?

人人都是产品经理

当大模型行业还在卷参数、卷榜单时,一个拒绝聊天的模型Jev却悄然走红。它只做判断,不写文章不写代码,却精准击中了Agent时代对速度与成本的焦虑。从OpenAI研究员到反向造模型,Almeida的转身背后,是模型分化趋势的加速,也是Agent入口争夺战的前奏。 Jev模型已经火了一个多星期。从花式玩法讲到底层范式,围绕它的讨论还在继续。 Jev不和人聊天,也不能帮人写文章、写代码,它只做一件事,当开发者给它一组选择和当前状态,它负责给出判断。 做出Jev的Diogo Almeida,曾是OpenAI研究员,参与过InstructGPT、ChatGPT和 GPT-4相关研究。他以前教大模型学会聊天,现在反过来,做了一个拒绝聊天的模型。 Almeida为什么要调转船头?Jev击中了当下大模型行业的哪些焦虑?将能力收窄到极致,又会成为模型行业未来的趋势吗? 有些活,不必惊动最强模型 Jev的走红,首先踩中的是Agent时代最现实的一个问题, 模型调用应该要更快、更便宜。 开源项目Browser Use的创始人就拿Jev搭了一个浏览器Agent,在真实的Google Flights页面上查一趟苏黎世到伦敦的机票,整段流程跑完用了 7.1 秒 ,单次成本 0.0039美元 ,Jev在循环中的中位延迟约为 178毫秒 。 Jev的价格也足够低,目前Vercel AI Gateway上的Jev输入价格约为 每百万token 0.04美元,输出免费 ,所以开发者能毫无负担地调用。 慢和贵成为行业的共同焦虑, 跟Agent正从代码场景向更广泛的办公场景扩散有关。 OpenAI的数据显示,从今年2月到6月,企业每周活跃Codex用户数在法律、销售和招聘、以及市场营销领域增长至原来的 108倍、41倍和26倍 。 当模型变成持续执行任务的基础设施,调用的频率和Token消耗也会随之增加。模型厂商一边在推高旗舰模型能力上限,另一边面对Agent大规模调用的新需求,也得思考要怎么降低模型调用的成本和延迟。 因此,模型层已经开始出现分化趋势, 如今同一家厂商也会推出不同档位、不同价格的模型,出现了flash模型扎堆的现象。 Google在5月推出Gemini 3.5 Flash,瞄准日常开发和工作场景。7月31日,DeepSeek发布 V4 Flash。8月下旬,Qwen3.8-Flash-Next 和 GLM-5.3-Flash又接连亮相。 这些模型未必追求在所有benchmark上做到最高,但也不是把能力砍掉的“阉割版”。 它们是为高频、简单任务专门优化出来的新档位,且价格更划算。 以DeepSeek为例,它最近把V4 Flash 更新到V4.1 Flash,还宣布在下一代Pro模型上线前,将V4 Pro的API请求路由到V4.1 Flash,并按Flash的价格计费。 过去,用户遇到任务,第一反应是去找那个最强的通用模型,能力越强越好。厂商的主线,也是把一个旗舰模型做得尽量全能。 但现在,模型厂商开始按照任务的复杂度、调用频率、响应速度和成本等等重新切分能力,推出不同档位,让不同模型承担不同的工作。 这种分化还在继续推进。 从使用场景来看,代码、图像、语音这些方向,早就有了专门优化的模型。办公、游戏这些场景,也在慢慢出现更贴合自己的模型。 毕竟不同场景的任务结构、上下文和对速度、成本的要求各不相同,模型也就有了针对具体环节做取舍的空间。 Jev是分化趋势中的一个极端样本 当别的模型还在通用框架里调整能力和价格,Jev干脆把一类能力从通用模型中分离出来,单独做成一个模型。 开发者给Jev一段当前状态,再给一组预设问题,它返回的是 Choice、Score 或 Boolean,附上对应的概率。Jev不解释自己为什么这么选,程序拿到结果,直接就能往下走。 这对Agent来说很重要。在Agent里,模型的输出往往直接决定下一步行动。这时候,系统需要的可能不是一段完整的自然语言回答,而只是一个明确的信号。 这个设计背后,是Almeida对大模型训练方式 RLHF的一个反思。他认为,人类反馈会推动模型生成更符合人类偏好的回答,也容易让模型养成另一种习惯,即面对自己把握不大的问题,仍然倾向给出流畅、完整、笃定的回答。 Jev试图让模型把不确定性写进输出结果里。模型如果判断一件事有八成把握,那么放到长期统计里,它的判断结果就应该接近八成正确。系统拿到这个概率后,可以自行设门槛,把握高的任务自动放行,把握不足的任务转给人,或者转给更强的模型。 不过,让模型实现可靠的自动化决策,是Almeida想要抵达的方向,目前Jev还没走到。 有开发者测试发现,同一个判断,正着问一遍、再反着问一遍,Jev给出的两组概率加起来,有时会超过1。一个校准得当的概率系统,不应该这样。Jev不写自然语言,躲开了编造一段像样答案的风险,可它给出的概率,照样会错。 调用不同模型的Agent入口更加重要 即便Jev还有不少问题,它还是让行业看到了另一种可能性: Agent里的智能也可以被拆开,一项复杂任务不一定由一个通用大模型包办。 例如,需要复杂推理时可调用强模型,大量简单的判断和筛选,则可以交给Jev这样更快、更便宜的模型。 Jev的名字,也有弦外之音。经济学里有个“杰文斯悖论”(Jevons Paradox)的概念,意思是一种技术变得更高效、更便宜之后,使用量反而会增加。那么,当Jev让“判断”这个动作变得更快、更便宜后,Agent就越有可能在执行任务时频繁调用它,从而优化整体任务的效率和成本。 也就是说,任务本身逐渐会成为Agent的核心。按任务来调用不同模型,Agent执行的效率和性价比可能会更高。 模型之间的关系,也因此多了一种可能。模型过去比的是谁更强,一个模型能力上来了,就把上一个替换掉。现在,以任务为核心,不同模型可以各自承担自己更擅长的部分,在同一个Agent里协作。 如果这种分工继续发展, 一个能根据任务调用多个模型的Agent入口将会变得更加重要。 已经有Agent产品往这个方向走。国内来看,腾讯WorkBuddy已经支持在不同主流模型之间切换。 WorkBuddy还有Auto模式,系统会根据用户任务的类型、复杂度与上下文特征,自动选择当前最适合的模型进行响应。 用户在不知道该选择何种模型,或者面对混合型任务时,可以交由系统来决定。 海外的Cursor也在做类似的事情。它在今年8月推出的Cursor Router,会在每个请求交给模型之前,先根据任务类型、复杂度、上下文等信息进行判断,再从多个模型中选择最合适的一个。基本原则是,简单任务交给快速、便宜的模型。困难、长周期的任务则交给前沿模型。 这些产品的思路都是一致的,就是把调度模型这件事交给系统按任务自动完成。用户只管提出任务,至于该派哪个模型上场,交给入口去安排,从而提高Agent使用的效率和降低成本。 长此以往,当模型逐渐走向各司其职,一个能灵活调配它们的Agent入口,将会越来越重要。 作者/萧樱 本文由 @深流研究所 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Pexels,基于CC0协议

AI辅助那么久,你活得更自在些了吗?

人人都是产品经理

AI 提效以后,自己的工作时间却没有减少,作者由此追问:为什么我们仍被低价值需求填满。他从一场「下次想跑得更慢」的半程马拉松讲起,反思不断扩展能力边界的惯性,以及怎样把时间真正拿回手里。 最近听到一个朋友讲她老婆跑半程马拉松的事情。 作为第一次参加半马,平时累计跑量也不多的女生,她的成绩不错,总计2小时多一点。 按照一般人的思路,第一次就跑出这样的成绩,下次自然应该把目标定得更高一点,比如跑进2小时之内。 但她不是。她说:“下一次目标,是跑得比这次更慢。因为我想跑得更舒服一点,多跑几次。” 这个说法让我愣了一下,因为她好像给我最近在思考和困惑的另一个问题,提供了完全不一样的答案: 当我们明明能跑得更快以后,「跑得更慢一点」可以算一个目标吗? 01 AI辅助那么久,为什么我的工作时间根本没有减少? 自从发现AI明明真实提效了我的工作,自己工作时间却根本没有减少的悲催事实后,我一直在思考这个问题,也或多或少有了些答案: AI辅助那么久,你的工作时间减少了吗? 如何从沉淀SKILL,走到真正减少工作时间? 从SKILL到工作台,如何组织一个项目的设计工作? 在这里面,我更关心的是:AI 提效以后,我们为什么还是被低价值需求填满。 所以、我一直在遵从要事第一的原则,更新自己做事的方法、能力、思维,以此重新拿回时间。 但可能是被职场训练久了,我从来没有想过“目标可以定低一点”这个方向。也可能是因为AI的确加速了我的效率、扩大了我的能力边界,让我“能做且能做得更好“的事情变多了。所以达成更好的目标、变成了理所当然的事。 而这个新方向,让我发现第二层问题: 就算我真的把低价值事情砍掉了,时间也不一定会回到我手里。因为可能会有更多“也很重要”的事情继续填满它。 02 我们为什么要不断地扩展自己的能力边界? 你有没有想过,为什么你需要不断地扩展自己的能力边界? 如果不想清楚,这里面可能就藏着一个更大的问题: 因为我能跑得快,所以每次都必须更快;因为我能用好AI,所以每次都要更好;因为我能写得更多,所以我更应该稳定产出;因为我能把事情做得更好更完善,所以就应该把事情做得更好更完善。 我发现这种思维,也是我“工作时间没有减少”的重要原因。 我们不断地扩展自己的能力边界,最后却反而把能力增长赋予我们的「可以」,变成了尽义务般的「必须」「一定」。 当AI辅助下,很多原本做不了、来不及做的事,都突然变成“也可以做”的时候,真正危险的不止是“低价值”事情的涌入,而是:你做的每一件事看起来都很重要。 比如在工作里: 多优化一版方案,是为了提高质量。 多拉齐一次共识,是为了减少返工。 多研究一个竞品,是为了让判断更稳。 多沉淀一个方法,是为了以后复用。 它们都不是垃圾任务,甚至可以被称为要事,而且在这个过程中,你的能力、影响力也会得到不断地提升和扩展。 那么,要不要继续? 要事第一,是排序原则。它告诉我什么应该先做,但没有自动告诉我做到什么程度、用什么节奏、是否需要留白。 03 AI 让我们可以更快更好,但不代表我们必须更快更好 当我们想清楚第2个问题,再来看这个选择: AI时代下,原来一个月做一件事,现在也许两周做完还比原来做得更好的时候,我该不该更进一步,用剩下两周时间,塞下第二件更重要的事情?——无论它属于工作或生活。 这个答案,没有正确和错误、亦没有好和坏。只有一个扎心的反问:你怎么知道什么是要事? “目标可以定低一点”这个方向,其实背后真正启发我的不是低目标,而是“可选择”。 在能做地更多、也能做得更好的情况下,扩大自己“可选择”范围本身,也是一种进化。 如果能力提升的结果只是让我们被更多要事追赶,被更少选择控制,那它并没有真的带来自在。AI时代设计师的进化,不应该只是“更快更好地完成更多重要任务”。真正的进化,是我能判断什么重要,也能决定自己用什么速度和姿态靠近。 最后,我想分享你一个很短小的故事,来自摩根·豪泽尔的新书《金钱的艺术》: 企业家戴维·希格尔曾在佛罗里达建造了一座8360多平方米的豪宅。当被问及为何要造如此大的房子时,他思索片刻,只回答了一句:因为我能。 一起共勉、共进。 本文由人人都是产品经理作者【影落的设计思录】,微信公众号:【影落的设计思录】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自Unsplash,基于CC0协议

Score: 57.03Confidence: 54%

超16万人预约,前Hinge产品官做AI占星,掀起美国年轻人“关系解读”热潮

人人都是产品经理

Match Group 财报显示 Tinder 付费用户同比降 5%,Hinge 却涨 17%。前 Hinge 首席产品官 Michelle Parsons 创业做 AI 占星产品 Lora,靠 16 万人预约、手帐风星盘切入美国年轻人的关系解读。 在社交App市场高度饱和的今天,年轻人并不缺少认识新人的机会。 向左滑、向右滑,基于兴趣推荐、算法匹配,平台可以帮助用户快速找到大量潜在连接。当匹配变得越来越容易,很多用户却依然困惑:为什么自己总会被某一类人吸引?为什么进入亲密关系后会反复踩中类似的“坑”? Match Group 2026年第二季度财报显示,Tinder的付费用户同比减少 5% 至 850万 。同一个季度,集团旗下另一款产品Hinge的付费用户同比增长 17% 至 200万 ,直接收入增长 22% 至 2.035亿美元 ,全球月活同比增长 13% 。 两款产品,一个卖连接的效率,一个卖连接的质量。从中可以折射出,如今用户真正缺少的,或许不是更多连接,而是 更深入的关系建立与维系 。 本月,一款在海外市场出现的新产品「Lora: Your Life in Context」(以下简称为「Lora」)引起了我们的注意,其创始人Michelle Parsons 曾任Hinge首席产品官 ,作为她的最新创业项目,「Lora」选择从一个特殊的领域—— AI占星 来切入用户社交。 01 手帐风星盘,AI陪你聊人生 「Lora」上线于今年 9月14日 ,目前仅 iOS 端可体验,已在全球 174 个国家及地区同步上线。不过值得注意的是,App内仅内置 英语 这一门语言,也意味着其现阶段仍以美国市场作为主要目标市场。 相比传统占星App大量使用神秘、复古的视觉符号,「Lora」整体呈现更加年轻化,同时加入了一些类似 手帐画报 的视觉元素,更接近当前海外年轻用户熟悉的 生活方式 类App。 「Lora」加入了一些类似手帐画报的视觉元素。图源:App Store及「Lora」 用户在注册过程中,需要填写 出生日期(可精确到分钟)、性别、出生地 等信息,让系统生成个人星盘和星座洞察。官方帮助文档里列出的必要信息有三项:出生日期、出生地、出生时间,其中出生时间可以留空,但会直接影响上升星座和宫位。 在生成星盘之前,App会让用户通过 拖拽拉条 的方式,对自己当前的人生状态进行标注,分别从 自我、事业、爱情、家庭、友情 五个维度进行衡量。这五个维度也贯穿了产品后续的全部内容。 用户需要输入出生日期、出生地、出生时间等信息。图源:「Lora」 完成基础信息输入后,系统会生成用户 个人星盘 。用户可以直接从星盘页面进入AI对话,与AI进行日常交互,讨论的内容从一段放不下的关系,到一次职业选择、家庭矛盾、友情变化,或者任何一件用户想弄明白的事。AI会 结合用户星盘以及此前输入的信息 ,给出分析和建议。 「Lora」中的AI对话占星功能。图源:「Lora」 App也表示,随着用户与AI交互次数增加,系统积累的上下文越丰富,后续输出的个性化洞察也会更精细。 同时,「Lora」会在 每周日晚上 11点生成一份“周报”,内容包括这一周里哪些人在对话中出现得最多,用户的注意力在 爱情、工作、友情、家庭、自我 五个方向上分别去了哪里,以及反复出现的话题。按照官方说法,这份周报会在用户连续对话约一周后解锁。 02 自己当太阳,关系变行星 在「Lora」中,值得关注的还有它的 关系网络功能“Orbit” 。在这一模式中,用户可以以自己为中心建立关系网络。整体设计有些类似宇宙图谱:用户自身像是中心的“太阳”,而朋友、伴侣、家人等关系对象则像围绕其运行的“行星”。 用户可以不断添加不同关系对象,系统会根据用户输入的信息以及星盘数据,生成对应的关系洞察。9月中旬的版本更新里,这一功能还在继续加码:合盘可以缩放细看,用户可以 通过二维码让朋友直接找到自己, 最亲近的联系人会被归入一个叫 “Inner Circle”的圈层 。 「Lora」产品更新功能:Inner Circle。图源:App Store 在内容生态方面,「Lora」平台每天会更新一份“ 每日运势 ”,同时提供一项叫“行运快照”的功能,用来提示当前正在影响用户的具体天象、它持续的时间,以及它落在生活的哪个领域。用户可以从这里找到 线上或线下活动、播客以及社区内容 。 「Lora」的内容生态以及变现方式。图源:「Lora」 在商业模式上,「Lora」采用以订阅制为核心的变现方式。目前产品价格为: 6.99美元/周、9.99美元/月以及69.99美元/年 。其在中国区的内购定价为:48元/周、98元/月、798元/年,另有一档698元的首年优惠。 除此之外,平台还提供真人占星师咨询服务。在它的预约站点上,一位占星师的起价是 88美元 。AI承担高频、低成本的日常陪伴,而真人服务则承担更深层、更高客单价的需求。这也是目前很多AI消费产品正在探索的方向:利用AI降低服务门槛,再通过人工服务承接高价值用户。 「Lora」提供的真人咨询服务。图源:「Lora」 03 不到10人团队,16万人排队 值得注意的是,「Lora」目前是 纽约创业投资机构 AlleyCorp的孵化项目,团队规模 不到10人 。 AlleyCorp由Kevin Ryan在2007年创立,运作方式更接近 创业工作室 :先自己出想法,再组团队、给启动资金,然后长期参与公司经营。这套模式孵化出的公司包括商业媒体Business Insider、奢侈品闪购平台Gilt Groupe、婚礼平台Zola,以及医疗人力平台Nomad Health。 按照AlleyCorp自己的说法,其体系内的公司累计融资 超过20亿美元 。负责「Lora」这个项目的投资人Luc Ryan-Schreiber在项目上线时说,他们看重的是“用AI做一件更具 互动性 的事”的机会。 截至正式上线前,「Lora」已经积累超过 16万人 的等待名单,Newsletter订阅人数超过 8万人 ,同时吸引 3000多人 参与线上线下活动。 据「Lora」创始人Michelle Parsons的领英页面所示,她担任Hinge首席产品官的时间是 2021年5月到2022年12月 ,期间负责公司战略演进、Gen Z与国际市场扩张,并让用户规模和收入都增长了 三倍 。 而Hinge本身的产品理念,就是通过更丰富的个人信息展示,帮助用户突破传统约会App中过度依赖外貌和浅层互动的问题。换句话说,Michelle Parsons过去解决的问题是:如何帮助两个陌生人建立连接。而「Lora」正在探索的问题则是: 如何帮助一个人理解自己,以及理解已经存在的关系 。 与此同时,「Lora」还将这种连接进一步延伸到了线下。除了App已内置了真人咨询的入口,官网上还列出了 占星地图、愿景板生成器、星座配对小工具 这些衍生玩法,Discord社区有超过1万名成员,也已经办过多场线下活动。从线上AI对话,到真人咨询,再到社区活动,「Lora」正在尝试构建一个围绕自我探索的完整闭环。 04 赛道变化:占星、AI,和新进场的对手 从产品形态来看,「Lora」并不是第一个尝试将占星与年轻用户结合的产品。 过去几年,「Co-Star」、「The Pattern」等产品已经证明,占星不只是一个小众兴趣,更是一种现在年轻用户进行自我探索、寻找情绪共鸣的方式。 2026年7月24日, AI图像公司Midjourney宣布收购「Co-Star」 ,具体金额没有披露。交易实际上在春天就已完成,约24名员工全部加入Midjourney,Co-Star创始人兼CEO Banu Guler转任Midjourney首席设计官,并继续负责Co-Star的运营。 这是Midjourney成立以来的第一笔收购,也被外界解读为一次买分发渠道的动作:上线于2022年的Midjourney长期依赖Discord社群分发, 缺少一个属于自己的移动端入口 ,而「Co-Star」手里有 430万月活 ,以及一份由出生信息构成的关系图谱。 也就是说,占星App在投资人眼里的价值,已经从“灵性内容生意”变成了“ 用户数据和关系链的入口 ”。这恰好是「Lora」想试探的位置。 一方面, AI技术的发展正在改变人与数字产品交互的方式 。传统占星App更多依靠固定内容库,根据用户出生信息生成对应文本,而AI的加入,让这类产品开始具备持续交流能力。 用户可以不断输入自己的生活状态、情绪变化和关系问题,系统也可以根据长期积累的信息持续调整反馈。这让占星从一次性的内容消费,逐渐变成一种长期陪伴。 另一方面, 年轻用户对于“认识自己”的需求正在增长 。近几年,从MBTI人格测试,到星座分析,再到各种心理测评工具,本质上都反映出年轻用户希望通过某种框架理解自身行为模式。 美国皮尤研究中心的调查里有一个细节:在接触占星、塔罗和算命的人当中,说自己“ 只是图个乐 ”的人数,是说自己“为了获得有用建议”的 两倍 ;只有 1% 的美国人会较多地依赖这类信息做重大人生决定。 这些工具未必承担严格意义上的科学测量功能,但它们提供了一种低门槛的自我观察方式,「Lora」选择占星作为入口,本质上利用的正是这一用户心理。 人在社交过程中会不断产生新的问题,这些问题并不是单纯扩大交友圈、认识更多朋友就能解决的,这恰恰成为「Lora」尝试探索的空间。当匹配的效率不再稀缺,“理解关系”正在变成社交产品的新卖点。 而留给「Lora」的问题同样清晰:接触占星的人里“图个乐”的是“求建议”的两倍,AI占星能不能把 围观的多数人转化成长期付费的少数人 ,将决定这门生意的上限。这款产品仍然处于早期阶段,其后续市场表现,值得持续关注。 1.创始人 Michelle Parsons 2026年9月14日领英上线帖: https://www.linkedin.com/posts/michcparsons_lora-is-officially-live-on-the-app-store-activity-7505263959336189952-Mv2H 2.Business Insider报道,2026年9月: https://www.businessinsider.com/we-got-tarot-read-vc-rooftop-lora-astrology-app-launch-2026-9 3.Match Group 2026年第二季度财报数据: https://www.nasdaq.com/articles/match-group-q2-earnings-revenues-miss-estimates-sales-decline-y-y https://finance.yahoo.com/markets/stocks/articles/match-group-inc-mtch-q2-050208463.html 4.皮尤研究中心2025年5月调查: https://www.pewresearch.org/?p=239025/ https://apnews.com/article/41a815371e107ddef503910eaa9d8378 5.Midjourney 收购 Co-Star: https://www.techinasia.com/news/us-ai-lab-midjourney-acquires-app-costar https://pondero.ai/news/2026-07-25-midjourney-costar-acquisition 作者丨以南 编辑丨火狐狸 本文由人人都是产品经理作者【扬帆出海】,微信公众号:【扬帆出海】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自作者提供

MariaDB 13 扩展 Oracle 兼容性,改善开发者体验与可观测性

InfoQ - 促进软件开发领域知识与创新的传播

点击查看原文>

Score: 56.78Confidence: 54%

金句抢先看 | 每天上千万次创建:Agent Sandbox 为什么会成为新算力形态?

InfoQ - 促进软件开发领域知识与创新的传播

点击查看原文>

Score: 56.78Confidence: 54%

C 표준·POSIX 라이브러리 주요 함수

velog

strchr strcmp strlen strtok strcpy strncpy memcpy memset snprintf malloc realloc calloc free strdup printf perror exit

Score: 54.4Confidence: 49%

[SLSCM] 26년 09월

velog

1. Big-M Big-M은 특정 조건에서만 제약식을 활성화하기 위해 사용하는 큰 값이다. 예를 들어, x = 1일 때 제약 적용 x = 0일 때 제약 완화 와 같은 조건을 MILP에서 표현할 때 사용한다. 주의 Big-M을 너무 크게 설정하면 LP Relaxation 약화 → Solver 성능 저하 → MIP Gap 증가 가 발생할 수 있다. 따라서 가능한 범위에서 작고 타이트한 M 값 을 사용하는 것이 중요하다. 2. Feasible Solution과 Optimal Solution Feasible Solution 모든 제약조건을 만족하는 해. Optimal Solution Feasible Solution 중 목적함수가 가장 좋은 해. Feasible → 조건을 만족하는 해 Optimal → 조건을 만족하면서 가장 좋은 해 Solver는 먼저 feasible solution을 찾고, 이후 더 좋은 해가 존재하는지 계속 탐색한다. 3. Incumbent, Best Bound, MIP Gap Gurobi 로그에서 중요하게 확인한 개념이다. Incumbent 현재까지 발견한 가장 좋은 feasible solution . Best Bound 아직 탐색하지 않은 영역까지 고려했을 때 최적해가 가질 수 있는 이론적 경계값. MIP Gap Incumbent와 Best Bound 사이의 차이를 나타낸다. Gap ↓ → 현재 해가 최적해에 가까워짐 기억할 것 Gap이 크다 ≠ Infeasible 예를 들어 Gap이 92%라는 것은 해가 없다는 의미가 아니라, 현재 해와 최적해의 경계 사이 차이가 아직 크다는 의미 다. 4. Branch-and-Bound MILP Solver가 최적해를 찾는 대표적인 방법이다. 문제를 작은 문제로 분할 → 각 영역의 Bound 계산 → 가능성 없는 영역 제거 → 좋은 해가 존재할 영역 탐색 Gurobi 로그 주요 항목 Incumbent : 현재 가장 좋은 해 BestBd : 최적해의 Bound Gap : Incumbent와 BestBd의 차이 Expl : 탐색 완료한 Node Unexpl : 아직 탐색하지 않은 Node Solver는 단순히 좋은 해를 찾는 것뿐 아니라 그 해보다 더 좋은 해가 존재하지 않는다는 것까지 증명해야 Optimal 이 된다. 5. Exact Method와 Heuristic Exact Method 최적해를 보장할 수 있는 방법. 예: MILP Branch-and-Bound 장점: Optimality 보장 가능 단점: 문제 규모 증가 → 계산시간 급증 Heuristic / Metaheuristic 최적해 보장보다는 제한시간 안에 좋은 해를 빠르게 찾는 방법. 예: GA ALNS SA 2-opt 6. Genetic Algorithm GA는 생물의 진화 과정을 모방한 탐색 알고리즘이다. 초기해 생성 → 선택 → 교차 → 돌연변이 → 새로운 해 생성 한계 좋은 해를 빠르게 찾을 수 있지만 탐색이 특정 영역에 집중되면 Local Optimum 에 빠질 수 있다. 7. ALNS Adaptive Large Neighborhood Search 현재 해의 일부를 크게 제거한 뒤 다시 복구하면서 새로운 해를 탐색한다. 현재 해 ↓ Destroy ↓ 일부 고객 제거 ↓ Repair ↓ 고객 재삽입 ↓ 새로운 해 평가 사용한 Destroy Operator Worst Removal Route Removal Worst Removal 현재 해에서 비용에 큰 영향을 주는 고객을 제거한다. Route Removal 특정 Route의 고객들을 제거해 경로 구조를 크게 변경한다. 8. Repair Operator Greedy Insertion 고객을 삽입했을 때 비용 증가가 가장 작은 위치 에 삽입한다. Regret-2 고객의 두 번째로 좋은 삽입 비용 - 가장 좋은 삽입 비용 을 계산한다. 이 차이가 큰 고객을 먼저 삽입한다. 핵심 지금 삽입하지 않으면 나중에 비용이 크게 증가할 고객을 우선 처리 9. Simulated Annealing ALNS에서 새로운 해를 받아들일지 결정할 때 사용할 수 있는 방법이다. 더 좋은 해 → Accept 더 나쁜 해 → 일정 확률로 Accept 이유 좋은 해만 계속 선택하면 Local Optimum에 빠질 수 있다. 나쁜 해를 일정 확률로 받아들여 현재 지역을 벗어나 더 넓은 영역을 탐색 할 수 있다. 10. 2-opt Route 내부의 두 연결을 끊고 경로 순서를 변경하여 더 짧은 경로를 찾는 Local Search 방법이다. 기존 경로 A-B-C-D 일부 연결 변경 A-C-B-D 차량 경로를 부분적으로 개선할 때 자주 사용하는 기본적인 Local Search 기법이다. 11. 최적화 문제의 크기 MILP에서는 변수 수와 제약식 수가 증가하면 계산량도 크게 증가한다. 특히 차량, 고객, Dock, Time Slot 등의 조합이 많아지면 문제 규모 증가 → 변수 및 제약식 증가 → 탐색 공간 증가 → Solver 계산시간 증가 가 발생한다. 핵심 모델을 만들 때는 정확한 모델 + 계산 가능한 모델 을 함께 고려해야 한다. 12. Instance와 모델 검증 처음부터 큰 데이터를 사용하는 것보다 작은 Instance부터 모델을 검증하는 것이 중요하다. 소규모 Instance → 모델 동작 검증 → Optimal Solution 확인 → 데이터 규모 확대 → 계산시간 및 Gap 확인 → 필요 시 Heuristic 적용 중요한 점 코드가 실행된다 ≠ 모델이 올바르다 결과가 실제로 의도한 제약과 운영 방식을 만족하는지 직접 확인해야 한다. 9월 최적화 공부 핵심 흐름 수리모델 구축 ↓ 소규모 Instance 검증 ↓ Gurobi로 Exact Solution 탐색 ↓ Incumbent / Best Bound / MIP Gap 확인 ↓ 문제 규모 증가 ↓ 계산시간 증가 ↓ Heuristic / Metaheuristic 필요 ↓ GA / ALNS / SA / Local Search 적용 핵심은 최적해를 찾는 것뿐 아니라, 문제 규모와 제한시간을 고려해 적절한 해결 방법을 선택하는 것 이다.