线上排查端口冲突时，查进程、杀进程、防复活是三个标准动作。

• 查端口：lsof -i :端口 一把梭，比 netstat/ss 更直观。
• 一行 kill：kill -9 $(lsof -ti :端口)，查 PID 和杀进程一条命令搞定。
• 一行 kill：lsof -ti :端口 | xargs kill -9，查 PID 和杀进程一条命令搞定。
• 杀了又活：大概率是守护程序自动拉起，先查 systemd/supervisor/pm2。
• 根本解法：直接停掉守护服务再操作，从源头控制，不跟重启赛跑。

tree 把一个目录变成终端里的一棵树。日常使用记住两个参数就够了。

1. -L N 限制展示层级，默认无限制，深层目录直接输出爆炸。
2. -a 控制隐藏文件可见性，默认不显示 . 开头的文件和目录。
3. tree -L 2 -a 是覆盖大多数日常开发场景的组合。
4. -d 只看目录骨架，跳过文件层噪音。
5. -I 'node_modules|.git' 排除指定目录，tree 输出立刻清爽。
6. macOS 不自带，brew install tree 一行安装。

软件开发范式的底层逻辑变了——从瀑布到敏捷再到 AI 开发，不是在改进旧流程，而是把整个开发流程替换掉了。

• 瀑布模型：靠前期规划，像从零攒一辆摩托，上线那天才知道对不对
• 敏捷开发：靠快速反馈，从滑板迭代到摩托，但每一步仍然要人写代码
• AI 开发：靠意图表达，你描述要什么，直接给你成品摩托
• 核心转变在于驱动力的迁移：Plan → Feedback → Intent
• 效率提升不是"AI 写代码更快"，而是消灭了中间的等待和沟通成本

别再把 AI 当成"更快的程序员"——它在替换开发流程本身，不只是加速写代码这个动作。

英伟达目前的企业级显卡主要分为两条产品线（注：两者本质上都是 GPU，只是市场定位不同）：

训练卡：

• Ampere 架构：A100
• Hopper 架构：H100 / H200 / H800（中国特供） / H20（中国特供）
• Blackwell 架构：B100 / GB200 / B200

推理卡：

• Ada Lovelace 架构：L4 / L40 / L40S

此外，华为也有昇腾系列 NPU（如 2026 年发布的 950PR）作为替代方案。

选购建议：训练选 H100/H200，推理选 L40S，尝鲜等 B100。

sed 是 Linux / macOS 终端下最常用的 流式文本批量处理工具，不用打开文件就能完成全局修改。

1. 核心功能：逐行扫描文本，执行查找、替换、删除、插入等操作
2. 典型场景：批量修改代码/配置文件、日志过滤、文本格式转换
3. 语法模板：sed -i 's|原字符串|新字符串|g' 文件名，全程无交互
4. Mac 注意：必须加空参数 ''，否则直接报错

Agent 死循环不是极端情况，是给模型自由度必须付的代价。

• 直接原因：工具调用失败后盲重试——不换参数，反复撞同一堵墙。
• 深层原因：循环缺少收敛信号，Thought 和 Action 之间没有"该停了"的显式判断。

1. 第一层防御：max_steps 硬限制，两行代码兜住 80% 的翻车。
2. 第二层防御：把 Finish 做成一个 Action，循环有了天然终止条件。
3. 第三层防御：system prompt 里写死"重试失败就换策略"，主动避障。

• 工程底线：step_id + 全局超时 + 连续重复 Action 检测，别信 Agent 能自己收敛。
• 三层防御一起上，单靠任何一层都有盲区。

ReAct 是默认范式但不是唯一解——选错工作模式比选错模型更致命。

1. Function Calling：无推理链的直接工具调用，延迟最低，仅适合单步任务。
2. Plan-and-Execute：先规划全局再逐步执行，长任务完成率高 2-3 倍，但无法动态调整。
3. Reflection：生成 → 批评 → 修正循环，能自纠低级错误，代价是每轮多烧一倍 token。
4. Multi-Agent：多 Agent 分工或辩论，适合复杂任务，协调开销和成本是硬伤。
5. Routing：先分类再分发到专精模型，成本可控但分类错误会连锁翻车。

最佳实践：确定性任务→Plan-Execute，开放探索→ReAct，质量敏感→加 Reflection，规模大→Multi-Agent。

ReAct 不是"推理"和"行动"的简单拼接，是把两者编织成一条交替推进的链路：每一步推理都有观测反馈，每一步行动都有推理支撑。

• 定义：模型交替生成"思考"和"行动"，每次行动后把环境返回的观测结果注入下一步推理，形成闭环。
• 与 CoT 的核心差异：CoT 在推理链中"脑补"事实，ReAct 通过外部工具或环境把推理接地——幻觉会触发不符预期的观测，反过来暴露推理错误。
• 关键循环：Thought → Action → Observation → Thought，这个循环给 Agent 带来自我纠错能力——工具调错了？看返回就知道，下一步改。
• Action Space 设计：工具描述、参数 schema、返回格式，这三样写不好，ReAct 的效果直接打对折。
• 常见翻车：Agent 陷入重复 Action-Observation 死循环，没有收敛判断——需要加 max_steps 或让模型自己输出 Finish。
• 适用场景：需要多步信息检索、代码执行、API 调用的任务。简单的单轮问答用 ReAct 是过度设计。

OpenClaw 自己没有"防锁屏"功能——让远程电脑一直在线不被系统休眠干掉，靠的是 操作系统层面 的电源管理配置。

• 根本问题：macOS/Windows/Linux 默认都会在空闲时进入休眠，系统的电源管理策略会直接挂起进程，Gateway 连接中断，远程控制失效。

1. macOS 解法：sudo pmset -a sleep 0 全局禁休 + caffeinate -s 进程级防睡 + LaunchDaemon 系统级自启，三层叠加 才能保证锁屏后服务不掉。
2. Windows 解法：电源计划设"从不睡眠"只是第一步，还要关混合睡眠、禁用 USB 选择性暂停、组策略禁用待机状态 S1-S3，否则 硬件省电策略会偷偷断网。
3. Linux 解法：systemctl mask sleep.target suspend.target 从 systemd 层面禁掉休眠路径，配合 logind.conf 忽略合盖/电源键事件，GNOME 只关屏不睡眠。

• 关键区分：LaunchDaemon（系统级，开机即跑）≠ LaunchAgent（用户级，登出即停），远程无人值守必须用前者。
• 验证标准：锁屏 30 分钟后 Gateway 日志仍有新消息进来，pmset -g | grep sleep 全显示 0，才算配置成功。

第一性原理是把默认前提拆到不可再分，然后从那个起点重新推导，中间不借用现成答案。

• 对比类比思维：类比在别人方案上微调；第一性原理从零推导，费力但能推翻品类。
• 关键方法：苏格拉底式追问——反复问"这个前提真的成立吗？"直到撞上公理。
• 经典案例：SpaceX 拆火箭材料成本，原材料只占售价 2%，推翻"火箭必然贵"的前提。
• 适用边界：适合被惯例锁死的领域；不适合纯经验决策，前提本身不可拆。
• 常见误区：把"重新想一遍"当第一性原理，没拆到底只换中间假设，不叫推导。
• 东方智慧：取法乎上，仅得其中——参照系的高度，决定答案的上限。
• 一句话：价值不在"拆"，而在拆完敢不敢信那个结论，然后按它行动。