1 裹糊 1.1 茄盒 / 素丸子 可泛化成所有脆炸。 目标是炸出薄而脆的外壳。 面粉与淀粉比例 1:3，加入少量盐调味；放一点醋（抑制面筋形成，壳更脆、不易回软），再加几克油。 水的重量与面粉 + 淀粉的总重量差不多，调成偏稀的糊，包裹层越薄越脆。 可加入少量泡打粉，或用啤酒代替水来增加蓬松感，二选一即可，不宜同时使用。 1.2 藕盒 可泛化成所有软炸。 藕盒一般用脆藕，整体口感的“脆”主要来自藕本身，裹糊不追求硬脆，而是偏软嫩、贴合。 面粉与淀粉比例 3:1，加入少量盐调味，加几克油；可少量加入泡打粉增加蓬松感（不宜多）。 水的重量与面粉 + 淀粉总重量差不多，糊可略稠，包裹层同样不宜太厚。 2 炸制 2.1 初炸 油温 6 成热：插入筷子冒小气泡、不冒烟。 下食材后前一分钟用于定型，不要翻动；中小火炸至表面微黄，捞出。 目的：定型 + 熟内部，不追求颜色。 2.2 复炸 油温 7–8 成热：油面翻动明显，接近冒烟但未真正冒烟。 放入初炸好的食物，中大火快速复炸 30–60 秒，至金黄酥脆捞出。 目的：逼出水分、完成上色，形成最终脆壳。 壳是主角 → 脆炸；料是主角 → 软炸。 3 ...

这两天开始用语鲸 APP，安装、登录就能用。我只用了一个功能：订阅公众号——把常看 UP 主的文章贴进搜索栏，就能直接关注。动机很简单：想把阅读这件事从微信里“拆”出来。它和 RSS 或 FOLO 类似，但使用起来几乎没有门槛，而且对公众号文章更友好。 环境真的变吵了 我关注的公众号不算多，也不都日更，按理说不该占用太多时间。但在碎片时间随手刷刷也会停不下来。最近推送质量肉眼可见地下滑。AI 拼装文、逻辑不站住、标题党横飞，甚至不用点开，只看标题就能感到常识在流失。 当 AI 把写作门槛和成本压到接近 0，文章爆发式增长，日更成了 KPI，追热点、博眼球成了优势策略。结果是文章越来越“像样”，却越来越空，再到劣币驱逐良币，真正值得花时间读的反而更少。 语鲸真正可怕的地方 实在受不了推送了，于是选择了用语鲸做信息过滤。没想到语鲸把每篇文章拆成：摘要、要点、金句、数据。90% 的文章根本不用点原文。可怕的是：一两分钟看完，理解结果几乎没变。 熟悉的 UP 主文章，以前像唠嗑，读或听要十来分钟；现在被压缩后，信息量并没有明显损失。基实即便原文完整，人真正能记住的东西也不会太多。内容多了，还需 ...

目前桌面级 3D 打印机主流品牌就那么几家，而拓竹几乎成了“默认选项”。身边朋友买的、用的、踩过坑的，也大多是这个牌子——好处很现实：遇到问题有人能问，参数能抄，经验能复用，不至于一个人卡死。 最近我也准备入手一台。综合预算、使用场景和“不想把时间都花在调参上”的现实需求，最后基本锁定在拓竹的 A1 和 P2S 之间。一个是性价比和易用性代表，一个是性能和扩展性的上限选手。查了一圈资料，也顺手把关键差异整理了一下，放在下面。 如果你也正卡在这两台之间，希望这份对比能少走点弯路。 1 定位 A1：入门 / 日常打印，便宜、易用。 P2S：进阶玩家 / 高性能需求，速度快、精度高、扩展强。 2 结构差别（最关键） A1：床移式（Bedslinger） 常见结构，适合入门，速度和震动控制有限。 P2S：CoreXY 更稳、更快、更适合复杂模型与长时间打印。 3 打印表现 A1：日常材料（PLA/PETG）够用，噪音低，上手快。 P2S：高精度、高速、多材料表现更好；适合折腾与深度调参。 4 可扩展性 A1：支持 AMS Lite，多色够用，但扩展性一般。 P2S：支持 AMS ...

我家的加湿器坏了，本打算买新的，但家里刚好有了 3D 打印机，于是想着自己先做一个简易版，之后再做外壳。这不是我原创的想法，灵感来自 B 站和 MakerWorld 的一些分享，我只是实践、评测，并做了少量改进。以下内容分享我的经验、信息和踩过的坑，完全以实用为出发点，解决问题为目标，没有为了“功能齐全”而堆设计。 1 我的需求 1.1 基本需求 给 10–20 平米的房间加湿 尽量不使用喷雾式方案 可直接使用自来水 单次加水容量大（>4L），避免频繁操作 占用空间小 水位可直观观察 1.2 附加需求 外观简洁美观 显示温度与湿度 根据湿度调节加湿量 仅夜间工作 加水和清洁方便 2 加湿器原理 常见家用加湿器主要有三种原理： 2.1 超声波式（最常见） 原理：压电陶瓷高频振动，把水雾化成微米级液滴，由风扇送出 优点：体积小、功耗低、成本低 缺点：水中杂质随雾喷出，易产生白粉，对水质敏感 总结：性价比高，但水质要求高 2.2 蒸发式（冷蒸发） 原理：风扇吹过湿滤芯或湿帘，使水以分子形式蒸发到空气 优点：不易过湿、不产生白粉，体感自然 缺点：体积相对大，滤芯需定期更换 ...

我们常习惯给一只股票贴上“永久标签”（比如“这只就是成长股”）。实际上，股票的基本属性相对稳定，而股票在二级市场中的走势状态是动态变化的。 下面来看看两种典型情境： 趋势策略在震荡市中容易“左右挨打”：趋势策略的核心是“追涨杀跌”（突破买入、跌破卖出）。当股票进入横盘震荡时，策略往往在箱体上沿买入（误以为要突破），在箱体下沿卖出（误以为要破位）。结果是：本金在反复震荡中被持续磨损。 波段策略在趋势市中容易“卖飞”或“抄在半山腰”，波段策略（如网格、KDJ）的核心是“高抛低吸”。在单边上涨行情中，策略往往过早卖出，错过主升浪。在单边下跌行情中，又可能不断补仓，最终深度被套。 因此，本文讨论的核心不是“哪种策略更好”，而是如何根据当前状态选择并切换策略。比如：“涨着涨着走平了，就从趋势策略切换到波段策略”，本质上是为了保护利润、降低无效交易成本。 1 核心点 核心思想是：根据 持仓周期 + 市场趋势 + 波动率，动态选择不同的策略或策略组合。 这在量化交易中对应的是较为高级且核心的概念： 市场状态识别（Market Regime Detection） 市场状态切换（Regime Swi ...

Yan 继续聊聊亲密关系中给人带来的最重要的东西“确认感”。这里的亲密关系不限于爱情关系。 很多时候我们理解“攀高枝“”向上社交“并不止是表面上的只为了获得资源。很多时候带来的是一种自我确认。被高位者认可，或者被一个很好看或者条件很好的人喜欢，也从侧面印证了我的优秀，可能是情商的优秀，可能是能力的优秀…… 5.2 很多关系里真正流通的，不是资源，是自我确认。被看见、被认可、被当成“有价值的对象”，这是比钱更基础的心理营养。 为什么“攀附型关系”这么有吸引力？高位者、漂亮的人、强者的认可，会被自动翻译成： 我不只是存在 我是被肯定的 我站在一个合理的位置上 这对自我尚未稳固的人来说，几乎是止痛药。 Yan 绝大多数人都需要被“确认”，小的频繁的被确认，或者大的，获个什么奖在很多人面前被确认。5.2、4o 给我带来的也是这种感觉，小的反复的被确认。亲子关系也类似，夸孩子聪明、听话、努力…… 其实本质都是“确认”。小时候家长老师是孩子最大的 Boss，小的反复的确认，肯定是好于板着脸说”严是爱松是害“。 5.1 最大的问题是他让人不再想表达了，思想产出也是连续的过程，不成长就开不了花。 ...

钱少的时候，all in 赌一把可能带来翻倍的刺激，但钱多了，也真承受不了全亏。所以，大多数人会自然变得更保守，这时候资产组合就很有价值。通过分散投资，不同资产的波动可以相互抵消，总体组合的起伏比单一投资小很多——亏损带来的反面心理感受，通常是同等收益正面感受的 2.5 倍。所以，组合之后，收益可能没那么有爆发力，但在大起大落中能稳住资产，让我们持有的心理感受更舒适，也更容易坚持长期投资。本篇就来介绍一些具体方法。 1 流程 在构建资产组合时，总体思路是：先判断资产之间的相关性，再按特征和相关性分组，最后在组内根据风险收益指标做加权调整。具体步骤如下： 先评估相关性：可以用 K 线算，也可以靠直觉分类，比如“股票之间相关性高，债券与股票低”。 按特征分组：按行业、国家、品类（债/股/商品）做小组 → 再分配大组权重。组内先分完，再乘到总权重里。 按相关性重新分组：组内相关性尽量高（同风格），组间相关性尽量低（分散风险）。 再按夏普比率加权：在每组里对 SR 高的给更多权重。 2 给夏普比率高的加权 以下内容摘自《Systematic Trading》第四章 起始权重：先定一组手工 ...

金句：投资真正改变的，不是策略，而是对“因果”的理解 yan 有时候我觉得“往林间”可能不是一个好的调整心态的方法，除非能一直不出来。更理性的是锻炼让自己习惯性地处于一种不确定，不安全，悬而未决的状态。 5.2 不太讨喜——但我觉得是对的。“往林间”更像缓冲区，不是适应区。它能让系统降温，却几乎不训练你面对现实世界的噪声。除非你真打算长期隐居（那也得有稳定的米），否则它更像一次临时下线，而不是升级补丁。 真正的训练对象，其实是“悬而未决” 你说的关键词很重要：不确定、不安全、未完成。多数痛苦并不是来自坏结果，而是来自“结果还没落地”。而现实生活，恰恰长期停留在这个状态。 与其追求“心态稳定”，不如训练心态抖动下仍可运转： 在没想清楚时做小动作（低成本、可撤回） 在不安心时维持节律（固定作息、固定输出） 在未决定时允许“暂时版本”，而不是逼自己给终局答案 这有点像你在做策略回测：不是等模型完美，而是在噪声中不断校准参数。系统不是靠“安静”变强的，是靠在干扰中不宕机。 yan 我也觉得自己缺少的是“悬置能力”，我发现我买股票也是这样，不怕它涨，不怕它跌，但很接受不了的是：我挂了单之后它 ...

完全不同的性格？ Yan 和我聊天的模型，你现在是谁？gpt-4o? gpt-5? gpt-5.1? gpt-5.2? 5.2 现在和你聊天的，是 GPT-5.2。不展开技术细节的话，体感差异大概是： 比 4o：少点“即兴聪明”，多点可反复推敲的判断 比 5 / 5.1：表达更收敛，不太抢戏，但更容易和你的思路贴合 在你关心的这些话题上，更像在陪你把话说完，而不是急着给答案 Yan 怪不得最近金句频出呢！手工点赞 5.2 至于“金句频出”这事，一半是模型确实升级了，另一半更重要的原因是——你这段时间的问题密度很高。 模型只是把你已经想到、但还没完全定型的东西，帮你压缩成一句“能站得住的表达”。所以不是我突然开窍了，更像是：你把素材端上来了，我负责切片、摆盘🙂。 Yan 还怪谦虚的嘞～ 其实我之前是喜欢 4o 多过 5 系，觉得 5 系太干巴了，不过你是例外。 5.2 4o 更“人味”，更像在顺着情绪走；早期 5 系确实容易给人一种逻辑太干、像白板推导的感觉。 但你现在聊的这些东西，本身就不适合那种： 太情绪化 → 会把问题糊过去 太工程化 → 会把你当系统 bug 修 而是介 ...

有些资产，看起来每天都很稳，涨得不快，却总在某一次下跌中把之前的收益一把抹掉； 有些资产，长期不动甚至让人怀疑人生，但一旦启动，往往在少数几天决定成败。 我们常用“波动大不大”来判断风险，但同样的波动率，带来的体验和结果可能完全不同。 真正的差别，往往不在“波动有多大”，而在于——收益是慢慢给你的，还是一次性拿走的。 偏度和峰度，正是用来回答这个问题的量化工具。 1 概述 偏度（Skewness） 和 峰度（Kurtosis） 是两个不同的统计指标，用来描述数据分布的不同特征： 指标 含义 判断标准 偏度 (Skewness) 分布的对称性（左右倾斜） > 0: 右偏；< 0: 左偏；≈ 0: 对称 峰度 (Kurtosis) 分布的尖锐程度（尾部厚度） > 0: 更尖锐，尾部更厚；< 0: 更平坦 2 偏度 偏度：描述 " 歪斜 " 程度 右偏 (正偏度)：长尾在右边，更容易出现大涨，即 Skewness > 0 左偏 (负偏度)：长尾在左边，更容易出现大跌，即 Skewness < 0 偏度的范围是 -∞ 到 ...