Codex由codex-1模型提供支持，这是OpenAI o3模型的优化版本，专为软件工程设计。 该模型通过强化学习，在各种环境中的真实编码任务上进行训练，生成的代码风格接近人类，严格遵循指令，并能反复运行测试直至通过。支持并行处理

作者对 MCP 的设计决策、文档质量和协议规范表示失望，认为其工程实践不够成熟。作者尤其批评了 HTTP 传输方式（SSE+HTTP 和 Streamable HTTP），认为应该被基于 WebSockets 的更简单的方案取代。

作者感觉自己虽然通过AI了解了更多信息，但思考能力却变得迟钝。尽管AI能够更快速、更流畅地生成文章，但他仍然坚持亲自撰写，希望通过写作来保持思考能力。他强调这篇文章完全由人类撰写，没有AI参与（除了拼写和语法检查）。

Embedding技术能够以一种前所未有的规模发现文本之间的联系，对于技术写作来说具有重要意义。

• Embedding的工作原理： 通过将文本转换为固定长度的数字数组（向量），embedding模型可以在多维空间中表示文本的语义信息。语义上相似的文本在空间中距离更近。
• 如何生成Embedding： 文章展示了使用Google Gemini API生成embedding的示例代码。
• Embedding模型的选择： 不同的embedding模型具有不同的输入限制和向量维度。截止2024年10月，Voyage AI的voyage-3模型在输入大小方面具有优势。作者推荐参考MTEB排行榜选择适合自己用例的模型。
• Embedding的应用： 文章以“相关页面”推荐为例，说明了如何使用embedding来实现文档站点的内容推荐功能。通过比较页面embedding的相似度，可以找到相关联的页面。
• Embedding的未来： 作者倡议文档站点可以考虑开放embedding API，以便社区基于这些数据构建更多有价值的应用。
• 通过Sphinx扩展生成embedding的实现: 作者给出了一个创建Sphinx扩展，为每个文档生成embedding的示例代码。

总而言之，这篇文章旨在普及embedding技术在技术写作中的应用，激发读者对embedding的兴趣，并鼓励大家探索其在文档管理和信息检索方面的潜力。

该公司没有选择购买商业支持或使用开源版本自行编译，而是从2015年4月开始，使用公司邮箱以及后来的个人邮箱（如Gmail和Outlook，并且以“johndoe01@outlook.com，johndoe02@outlook.com”方式递增）不断注册试用账号，持续了十年之久。

相关论文

动态范围指的是场景中最暗和最亮部分之间的差异。传统相机在处理高动态范围场景（如日落）时会遇到困难，因为它们无法同时捕捉到明亮的天空和阴暗的建筑物细节。

三种解决方案：

1. HDR模式/色调映射： 通过算法将高动态范围压缩到标准动态范围屏幕上显示。作者所在的公司Halide提供了一种可选的单次拍摄色调映射方法，旨在模仿传统胶片摄影的“躲避和燃烧”技术，允许摄影师手动调整动态范围，而不是依赖AI自动处理。
2. 真正的HDR显示屏： 使用更高动态范围的屏幕来显示HDR内容。然而，由于成本、行业升级以及一些人对过度HDR效果的反感，HDR显示屏的普及仍然面临挑战。iOS 18 采用了Adobe 的自适应 HDR 方案，照片同时包含 SDR 和 HDR 信息，以便在不同设备上兼容显示。
3. 拥抱SDR： 有些人更喜欢SDR（标准动态范围）图像，因为有时不太真实的图像反而更吸引人。作者认为，动态范围是重现数字时代模拟摄影之美的重要因素。在某些情况下，降低动态范围可能比超现实主义更好，作者希望用户可以选择色调映射、HDR 或两者的组合。

文章讲述了一个由机器统治的世界，机器世界为了解决自身问题，秘密组织“OpenHuman”试图开发“有机通用智能（OGI）”，创造出一种新的生命形式——人类。

故事最后，在地球上的2030年，一位人类宣布即将发布“人工通用智能（AGI）”，这一技术被认为将超越所有形式的人类智能。整个地球和机器社会都对此感到震惊，并聚集起来观看这一发布会，而发布会的标题却耐人寻味：“THEY ARE WATCHING”。

• Barbican的功能性很强，居民可以在这里完成人生的各个阶段。
• Barbican的设计像一个迷宫，难以辨认方向，也因此鲜有盗贼。
• 地下停车场里停着许多无人认领的老车。
• 居民拥有可以进入内部区域的钥匙卡。
• 电视剧《Slow Horses》的洗衣房场景在Barbican拍摄。
• Barbican建在罗马和中世纪的废墟之上，还包含着一处犹太墓地。
• Barbican提供中央供暖，居民无法自行调节。
• 居民拥有一个线上论坛交流信息。
• Barbican内有一所音乐学校的分校。

一种在未知集合大小的情况下，公平随机地选择样本的方法 初始化蓄水池（Reservoir）： 前 k 个元素直接放进蓄水池。

从第 k+1 个元素开始处理： 对于第 i 个元素（i > k）：

以概率 k / i 决定是否选中它；

如果选中，就用它替换蓄水池中已有的某个元素（随机选一个替换）。