你好，我是 Rocky。

在上节课里，我给你讲了如何在设计中正确理解人的感觉，我们学习了感知觉的几大特性：整体性、选择性、对比性、理解性、恒常性、联觉性和错觉，以及这些特性在具体设计中如何运用。

你好，我是陈东。

在实际工作中，我们经常需要判断一个对象是否存在。比如说，在注册新用户时，我们需要先快速判断这个用户 ID 是否被注册过；再比如说，在爬虫系统抓取网页之前，我们要判断一个 URL 是否已经被抓取过，从而避免无谓的、重复的抓取工作。

你好，我是周维。这节课，我们来学习如何采用 SWOT 法来发掘自己在内容创作中的优势。

为什么要发掘自己在内容创作中的个人优势？

我在接触很多刚入局短视频创作的同学时，发现他们在一开始做内容的时候，都持有一个错误的观点：不管自己创作的是什么主题、什么类型的内容，只要能受到用户的欢迎，能成为爆款，然后吸引到更多的粉丝、流量，才算是一个短视频创作大神。

你好，我是邵亚方。我们在前一节课讲了 Page Cache 难以回收导致的 load 飙高问题，这类问题是很直观的，相信很多人都遭遇过。这节课，我们则是来讲相反的一些问题，即 Page Cache 太容易回收而引起的一些问题。

每年七月，盛夏，一种火辣兼有闷润的热，但在这份热辣中也有一丝略显冰凉的愁绪。一批刚毕业的学生，将要告别校园，进入职场：一个新的江湖。

一到毕业季，就会经常看到一些转发给新入行程序员的“老司机”指南，老实说，这些指南不少都是金玉良言。当年我毕业新入行时可不像现在有这么多发蒙解惑的“老司机”指南，所以坑都没少踩，若说有什么坑没掉进去，那一定都是因为运气。

你好，我是蔡元楠。

从今天开始，我们进入专栏的第二模块。通过这一模块的学习，带你一起夯实大规模数据处理的基础。

首先，我将结合硅谷顶尖科技公司的最佳实践 (Best Practice) ，和你一起分享在设计分布式系统架构时，我们有可能会碰到哪些雷区？又有哪些必备的基础知识？

周四，我为你讲了架构设计的主要目的是为了解决软件系统复杂度带来的问题。那么从今天开始，我将为你深入分析复杂度的 6 个来源，先来聊聊复杂度的来源之一高性能。

你好，我是刘海丰。

通过前面几节课，你已经知道了 AI 领域的发展现状，AI 产品落地的工作全流程，以及 AI 产品经理的能力模型。这些都是你成为或者说是转型成为一个 AI 产品经理之前，必须要储备的知识。

我们书接上文，继续讲程序员小李的故事。这次小李接到一个新的需求，让他开发一个单点登录的服务，经过几天的奋战，他顺利地写完了所有的代码。正好产品经理小王路过他身边，顺便问了他一下。

近几年频发的“网约车杀人”案件，把顺风车一次又一次地推上了风口浪尖，其评价系统更是备受争议。顺风车车主可以对乘客进行评价，并会显示在乘客的个人信息中，司机在接单前就能看到这些，进而选择乘客。

在音视频会议、在线教育等系统中，录制是一个特别重要的功能。尤其是在线教育系统，基本上每一节课都要录制下来，以便学生可以随时回顾之前学习的内容。

从这期开始，我将陆续给你讲解微服务各个基本组件的原理和实现方式。

今天我要与你分享的第一个组件是服务发布和引用。我在前面说过，想要构建微服务，首先要解决的问题是，服务提供者如何发布一个服务，服务消费者如何引用这个服务。具体来说，就是这个服务的接口名是什么？调用这个服务需要传递哪些参数？接口的返回值是什么类型？以及一些其他接口描述信息。

你好，我是何为舟。

上一讲，我们详细讲解了密码学的三种算法：高效安全的对称加密算法，解决密钥分发难题的非对称加密算法，以及提供单向加密的散列算法。

你好，我是黄申。

上次我们聊了迭代法及其应用，并用编程实现了几个小例子。不过你知道吗，对于某些迭代问题，我们其实可以避免一步步的计算，直接从理论上证明某个结论，节约大量的计算资源和时间，这就是我们今天要说的数学归纳法。

从本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。

记得大概是一年前吧，我与好友老吴喝茶聊天时，讨论到：高效的持续交付体系，必定需要一个合适的代码分支策略。

我告诉老吴：“采用不同的代码分支策略，意味着实施不同的代码集成与上线流程，这会影响整个研发团队每日的协作方式，因此研发团队通常会很认真地选择自己的策略。”

大数据技术和传统的软件开发技术在架构思路上有很大不同，大数据技术更为关注数据，所以相关的架构设计也围绕数据展开，如何存储、计算、传输大规模的数据是要考虑的核心要素。

在“03 | 语法分析（一）：纯手工打造公式计算器”中，我们已经初步实现了一个公式计算器。而且你还在这个过程中，直观地获得了写语法分析程序的体验，在一定程度上破除了对语法分析算法的神秘感。

你好，我是宫文学。这一讲，我们进入到语义分析阶段。

对计算机程序语义的研究，是一个专门的学科。要想很简单地把它讲清楚，着实不是太容易的事情。但我们可以退而求其次，只要能直观地去理解什么是语义就可以了。语义，就是程序要表达的意思。

你好，我是刘津。

今天我要跟你分享的主题是在实际的增长工作中如何处理不同职能间的矛盾和冲突。

国外很多公司都设有专门的增长团队，直接向 CEO 汇报，为的就是避免和其他部门产生冲突。

你好，我是钱亮。今天我们聊一聊跑步的训练方法。

现在网上流传着很多跑步训练方法，比如 LSD 长距离跑、抗乳酸跑、间歇跑、亚索 800、法特莱克跑等等。可能你兴致勃勃地准备开始跑步训练，结果就先被这些训练方法的概念弄晕了。

你好，我是 LMOS。

什么？你想成为计算机黑客？

梦想坐在计算机前敲敲键盘，银行账号里的数字就会自己往上涨。拜托，估计明天你就该被警察逮捕了。真正的黑客是对计算机技术有近乎极致的追求，而不是干坏事。

你好，我是鸟窝。

前面三讲，我们学习了互斥锁 Mutex 的基本用法、实现原理以及易错场景，可以说是涵盖了互斥锁的方方面面。如果你能熟练掌握这些内容，那么，在大多数的开发场景中，你都可以得心应手。

你好，我是杨四昌。

关于 5G，我们已经在前面的学习中多多少少了解了一些：我们知道了 5G 手机、5G 基站，还知道 5G 的标准有 R15、R16 等多个版本；我们也知道 5G 能与人工智能、云计算等技术结合，还有 5G+ 车联网、5G+ 工业互联网等各种应用。

你好，我是傅健，这节课我们来聊一聊 Spring Bean 的初始化过程及销毁过程中的一些问题。

虽然说 Spring 容器上手简单，可以仅仅通过学习一些有限的注解，即可达到快速使用的目的。但在工程实践中，我们依然会从中发现一些常见的错误。尤其当你对 Spring 的生命周期还没有深入了解时，类初始化及销毁过程中潜在的约定就不会很清楚。

你好，我是吴咏炜。

在前几讲，我已经介绍了不少 Vim 的常用命令，我想你已经略有心得了吧。今天我们转换一下视角，来讲一下 Vim 这个软件本身。

作为一个 Vim 的使用者，光熟悉命令是不够的，你还需要定制 Vim。因为每个人的习惯和需求都是不一样的，一个高度定制化的 Vim 环境能大大提高你的工作效率。

你好，我是徐昊。今天我们来聊聊通过关联对象（Assocation Object）建模聚合（Aggregation）。

在前面三节课，我们学习了领域驱动设计中的“两关联一循环”：模型与软件实现关联；统一语言与模型关联；提炼知识的循环。其中，统一语言与提炼知识的循环作为一种更为平衡的权责关系，促进了业务方与技术方更好的协作。而这一切又是以模型与软件实现关联为基础。

你好，我是王沛。这节课我们来继续学习内置 Hooks 的用法。

在上节课你已经看到了 useState 和 useEffect 这两个最为核心的 Hooks 的用法。理解了它们，你基本上就掌握了 React 函数组件的开发思路。

你好，我是博伟。

上节课，我们学习了确定评价指标的几种方法，包括量化产品 / 业务不同阶段的目标，采取定量 + 定性的方法，或者借鉴行业内其他公司的经验等。你也发现了，这些方法的局限性在于只能选出单个评价指标，而且也没有考虑到评价指标的波动性对结果准确度的影响。

你好，我是范学雷。

上一讲，通过讨论单向散列函数的两个困难程度，我们了解到了安全强度的计量办法，安全强度的衰减，以及常见的安全强度推荐指标，我们还对安全强度有了一个更直观的感受。

好诗相伴，千金不换。你好，我是天博。

在之前的课程中，我们主要讲了三步读诗法，讲了怎么从诗句、诗人、诗意三个方面来读诗词。从这一讲开始，我将分不同的主题，带你一起品读经典诗词，感受诗词的魅力。

你好，我是涵柏，欢迎你跟我继续学习写作。

前面我们花了 3 堂课的时间，讲了写作的一些基本原理。其中，我明确强调了阅读量对于写作的重要性，希望即便到了方法篇，你也依然能牢记这一点，优质的输入是输出的刚需！

除了是最早进入智能音箱领域的企业，或者说是智能音箱的发明者，亚马逊还是一家对市场反应非常灵敏的企业，因此自然会有自己的战略布局。无论是否有其他竞争对手进来，亚马逊都是需要发展智能音箱的。

073 | 推荐的Exploit和Explore算法之二：UCB算法

这周，我们来讨论 EE 策略，周一介绍了 EE 的综合情况。今天来看一种最基本的思路，叫作 UCB（Upper Confidence Bound）算法。

在谷歌入场一年以后，另外两大 IT 巨头苹果和微软也宣布进军智能音箱市场。

苹果的入场始于 2017 年 WWDC 全球开发者大会，它们发布了一款叫作 HomePod 的智能音箱，原计划年底交货，不过目前已经推迟。

074 | 推荐的Exploit和Explore算法之三：汤普森采样算法

周三的分享里，我们讨论了一种叫作 UCB（Upper Confidence Bound）的算法。这种算法的核心是使用均值和标准差组成对物品的估计，并且利用这种估计达到 EE 的效果。同时，我们也提到，UCB 的最大问题就是并没有真正达到随机的效果。

有关智能音箱的故事就暂时告一段落了。记得中国古代伟大的逻辑学家公孙龙提出过一个著名的逻辑问题，就是“白马非马”，这个说法特别适用于智能音箱领域，即“智能音箱非音箱”。

075 | 推荐系统评测之一：传统线下评测

上周我们讨论了 EE 算法，介绍了 UCB（Upper Confidence Bound）算法和“汤普森采样”（Thompson Sampling）。

有的时候，分析企业如果只看一家通常会有局限。如果联合多家企业一起分析，那么在对比这些企业的过程中，很可能产生有价值的新发现。

但是，如果我们不对被分析的企业们做一定的限制，联合多家企业进行的分析又可能变成泛泛而谈，因为即使都是互联网企业，企业和企业之间做的东西也会不一样。