《DDIA 逐章精读》小册 | #手册

“DDIA 一本高度纲要性的书，因此大多数程序员只闻其名，但真的一读总感觉像空中楼阁一般，不得实感。我工作以来的的方向定位是“大规模数据系统”，既做过云上的海量存储——对象存储、也做过经典 DBMS——图数据库、也做过大规模的数据处理。因此对书中说的各个领域都有所涉猎，为了让大家能更好的理解这本好书，结合我多年的实践经验，做一些扩展，通过例子和比喻帮大家弥合理论到实感的鸿沟。

在理解英文原文的基础上，对每一章用中文重新组织，作为每次分享的文字稿，在此集结为一本开源小册，并附上每章分享的录屏视频，希望可以对有需要的同学有所帮助。”

Claude Opus 4.5 的提示词（Prompting）实战指南 | 帖子 | #指南

为了帮助大家更好地驾驭新模型，我们的研究与应用团队经过大量内部测试和“折腾”，总结了一份针对 Claude Opus 4.5 的提示词（Prompting）实战指南。

以下是我们目前摸索出的“独家秘籍”，教你如何榨干它的潜能，获得最佳效果：

1. 用好 effort 参数，想多聪明你说了算

新的 effort（努力值）参数简直是个神器。它能让你大体控制 Claude 在输出内容时消耗多少算力。这就好比你有了一个调节旋钮：你可以通过它，在“智能程度”与“成本/响应速度”之间做一个权衡 （向左转省钱快出结果，向右转费点时间但智商爆表）。

这个参数对所有类型的 Token （AI 处理文本的最小单位，相当于单词或汉字） 都有效，包括模型的思考过程、正式回复以及工具调用。

2. 别太凶，温柔点：调整工具触发率

你可能会发现工具触发的频率变了。这是因为 Opus 4.5 对系统提示词（System Prompts）的反应更加灵敏。

以前为了防止它“偷懒”不调用工具 （Undertriggering，即触发不足），你的旧提示词可能使用过非常激进或严厉的语言。但在新版本里，这样反而会导致它变得太敏感，动不动就乱用工具 （Overtriggering，即触发过度）。

所以，是时候把语气放缓了。将原来那种 “CRITICAL: You MUST use this tool”（严重警告：你必须使用此工具）的命令，改成平和的 “Use this tool when...”（当出现……情况时，使用此工具）就可以了。

3. 防止“加戏”：避免过度设计

Opus 4.5 有时候会有点“想太多”，导致过度设计 （Overengineer，即把简单问题复杂化），比如凭空增加不必要的文件或者搞一堆复杂的抽象层。

要解决这个问题，你得在提示词里把话说明白，比如加上：“Only make changes that are directly requested. Keep solutions simple and focused.”（只修改我明确要求的部分。保持解决方案简洁、聚焦。）

4. 拒绝“云写代码”：强制它先读后写

在探索代码库时，Opus 4.5 有时会表现得比较保守。

如果你发现它没看代码就直接瞎提修改建议，请直接给它下死命令：“ALWAYS read and understand relevant files before proposing edits. Do not speculate about code you have not inspected.”（在提出修改建议前，必须总是先阅读并理解相关文件。绝对不要对自己没检查过的代码进行猜测。）

5. 眼神更好了：视觉能力大升级

Opus 4.5 的视觉能力有了显著提升，处理图像和提取数据的能力更强了，尤其是在同时处理多张图片的时候。

对于那些信息量巨大、密密麻麻的图片 （Dense Images），教你个绝招：给它配备一个裁剪工具，让它能像用放大镜一样“放大”并聚焦于局部细节。在我们的测试评估中，这一招能稳定提升它的表现。

如果你想快速应用上述所有技巧，将你的应用无缝迁移到 Opus 4.5，可以直接使用我们制作的这个 Claude Code 迁移插件

探索操作系统：69天C语言深度实现 |代码库 | #c语言

本仓库是一次操作系统概念的探索之旅，通过C语言进行实践性实现。每天聚焦一个特定主题，结合理论讲解与动手编码实践。

科研工作中，整合多领域工具进行复杂分析常常繁琐耗时。Claude Scientific Skills 提供一套开箱即用的科学技能集合，支持生物信息学、化学信息学、临床研究、材料科学等多学科，助力将 Claude AI 转变成科研助理，完成多步骤科学计算和数据处理。

涵盖内容包括：
- 直接调用26+科学数据库（PubMed、UniProt、ChEMBL等）
- 52+主流科研Python包（RDKit、Scanpy、PyTorch Lightning等）
- 15+科研平台集成（Benchling、DNAnexus）
- 20+数据分析与文献写作工具

支持快速搭建从基因组学分析、药物筛选到临床变异解读、系统生物学网络构建的复杂科研流程。文档完善，提供丰富示例与最佳实践，支持多平台部署，适合科研人员和机构提升研究效率。

主要特点：
- 一键安装，自动调用相关技能，无需繁琐配置
- 跨学科全覆盖，助力多模态多步骤科研任务
- 持续更新，社区活跃，支持企业级使用

storm 运行了24个Claude代码代理并行工作，完美无缝。他用GitHub作为协调层，处理代码评审、CI检查和规划，打造了高效协作闭环。| 帖子

选择24个实例并非随意，而是基于任务分工：工程师、审阅者、规划者等多角色协同，避免重复劳动。他强调，平行化关键在于构建流程，让人类只在关键决策介入，其他环节全部自动化，层层递进，体现深厚的架构设计功力。

尽管规模庞大，系统依然稳定，得益于反复调优提示和完善的测试机制。虽然偶尔会遇到服务限制或停机，但整体表现依旧流畅。

许多人关心成本和限额，storm并未具体透露，但暗示需要账户额度提升和合理调度，才能支撑如此大规模运算。使用GitHub不仅仅是代码存储，更是规划、复核和任务分配的“智脑”，这点被不少同行称赞为“天才”。

从这套方案看，未来多代理系统的潜力巨大：自动化能大幅释放人力，提升开发效率，同时也提出了新的挑战——如何避免冲突、保证目标一致性，以及合理控制成本。

这不仅是技术实现，更是对协作方式的深刻变革。正如storm所说，自动化不是简单的“按键”，而是多层次、细致入微的工程艺术。

Continuous batching：本文梳理了大型语言模型（LLM）推理效率的核心技术——连续批量处理（Continuous Batching）。从基础的注意力机制和KV缓存出发，逐步揭示了如何优化计算吞吐量，提升多用户同时服务的性能。

首先，LLM是通过预测下一个词元（token）实现文本生成的，但每生成一个词都需大量计算，尤其是注意力机制中计算查询（Q）、键（K）、值（V）三者之间的复杂关系，复杂度随序列长度平方增长。为了高效推理，引入了KV缓存：已计算过的键值对被存储，生成新词时无需重复计算，大幅减少计算量。

面对长提示词（prompt）超出显存限制，模型采用分块预填充（Chunked Prefill）策略，分批处理输入，结合KV缓存保持上下文信息完整，解决了显存瓶颈。

传统批量处理要求所有输入长度一致，需大量补齐（padding），导致资源浪费和效率下降。连续批处理突破这一限制，将多个请求的词元按序拼接，利用注意力掩码控制不同句子间不互相干扰，实现“锯齿形”批量处理（ragged batching）。结合动态调度，将已完成的请求即时替换为新请求，保持GPU利用率最大化。

总结来说，连续批处理整合了KV缓存、分块预填充和锯齿形批处理三大技术，极大提升了模型推理的吞吐量和效率，使得像ChatGPT这样的大规模服务能高效支持成千上万的并发用户。

这不仅是对模型计算逻辑的优化，更是架构设计上的创新，体现了在有限资源下满足海量实时请求的智慧。未来，随着缓存管理和调度策略的进一步演进，LLM推理的效率还将持续提升。