超越提示词：深入理解AI应用的核心——上下文工程当我们与AI大语言模型（LLM）互动时，常常会遇到一个瓶颈：为什么有时AI Agent在处理复杂任务时显得力不从心？答案可能并非模型本身的能力不足，而在于一个常被忽视的关键环节——**上下文工程（Context Engineering）**的失败。这篇笔记将带您深入探讨这一核心概念，理解它如何成为驱动AI Agent高效工作的“内存管理器”。
什么是“上下文”？它远不止聊天记录首先，我们需要重新定义“上下文”。它并非简单指代我们与AI的对话历史，而是指提供给模型用于推理和生成下一步任务的“全部信息集合”。一个设计良好的上下文，通常包含三大核心类别：
指导性上下文 (Guidance Context)：这是我们最熟悉的领域，主要通过提示词工程（Prompt Engineering）来实现。它负责告诉模型“做什么”和“怎么做”，为任务设定框架、目标和规则，例如系统提示、任务描述和输出格式定义。
信息性上下文 (Informative Context)：这部分内容旨在告诉模型“需要知道什么”，为它提供解决问题所需的关键事实与数据。它涵...
解锁期权的力量：量化分析师的战略交易指南**第一部分：期权的基础了股票期权的概念，认为它是构建与量化预测相符的收益的强大工具。概述了四种基本的期权头寸：
买入看涨期权：赋予在设***格购买股票的权利，无需预先购买即可从股价上涨中获利。
买入看跌期权：赋予在设***格出售股票的权利，适用于预期股价下跌或作为防范下跌的保险。
卖出看涨期权：出售购买股票的权利，收取权利金，但如果股价上涨，则有义务出售股票。
卖出看跌期权：出售出售股票的权利，收取权利金，如果股价下跌，则有义务购买股票。
随后，探讨了如何将这些基本头寸结合起来，创造出更精细的策略，并指出虽然单一期权可能足以应对简单的观点，但复杂的市场预测则受益于期权的组合。
介绍了两种关键策略：
跨式组合：涉及购买具有相同行使价和到期日的看涨和看跌期权。该策略押注于高波动性，从任一方向（上涨或下跌）的显著波动中获利。其收益图呈V形，如果股价保持在行使价，损失仅限于支付的权利金。一个关键细节是，股价必须波动足够大，以覆盖两种权利金，才能实现盈利。
扼式组合：与跨式组合类似，但看涨和看跌期权均为虚值，因此成本更低。这降低...
数据库管理系统
Selecting literals SQL 中 用 SELECT 直接选取字面值（literals）并用 AS 起列别名，然后用 UNION 把多条 SELECT 的结果合并成一个表。具体解析如下：
基本语法
SELECT [表达式] AS [列名], [表达式] AS [列名] 这里 [表达式] 可以是字面值（如字符串 "daisy"）、列名或计算式。
如果你直接选字面值，不是从已有表里取数据，那么结果就是**一行一列（或多列）**的临时表。
在这个场景里，expression 就是你“写进去”的值，而 AS name 就是告诉 SQL：把这个值放到结果表里并命名这一列为 name。
举个对应的直观解释：
1SELECT "daisy" AS parent, "hank" AS child
也就是说：
"daisy" → 写入到 parent 列
"hank" → 写入到 child 列
如果后面有 UNION，就会把下一条 SELECT 的行追加到这个结果表中
不过要注意，它并不是向数据库的物理表“插入”数据（那是 INSERT...
TTMTTM 是 Trailing Twelve Months 的缩写，意思是过去连续 12 个月
1. 计算方法TTM 不是按自然年（1 月到 12 月），而是取最近连续的四个季度的数据相加。
数值最近最近最近最近
其中 Q表示季度数据，可以是净利润、营收、EPS 等。
2. 为什么用 TTM
最新性：比上一完整财年更及时，反映公司最近 12 个月的实际表现。
去季节性影响：比如零售业第四季度旺季，TTM 结合四个季度消除了单季波动影响。
可比性：投资分析中常用 TTM 数据来比较不同公司的盈利能力，因为它都是“滚动 12 个月”的概念。
3. 例子假设今天是 2025 年 8 月，某公司最近四个季度净利润分别是：
2025 Q2：280 亿美元
2025 Q1：270 亿美元
2024 Q4：300 亿美元
2024 Q3：260 亿美元
则：
TTM 净利润=280+270+300+260=1110 亿美元
每股收益（EPS, Earnings Per Share）
公式净利润流通在外普通股股数
其中净利润用过去 12 个月（TTM）或预计未来 12...
结论：， 这类杠杆 单边市下📈超过三倍，📉不到三倍，但震荡市相反。如果对行情把握比较好，且是单边上涨，可以长期持仓，效果会超级好，否则不建议长期持有
1. 单边上涨（📈 正股持续涨）
由于杠杆ETF是每日按「目标倍数」调仓，每天涨 1% → 杠杆ETF 涨 3%。
正股连续上涨 假设： SOXX 连续 20 天每天涨 +1% SOXL 则每天 +3% 初始净值：100 计算： SOXX 最终净值： 100 × (1.01)^{20} ≈ 122.0（涨幅 +22%） SOXL 最终净值： 100 × (1.03)^{20} ≈ 180.6（涨幅 +80.6%） SOXX 涨 22%，而 SOXL 实际涨了 80.6%。
复利叠加后，20天下来，实际涨幅会超过线性 3 倍。
原因：复利放大效应——每天在更高的净值基础上继续乘以 3% 的涨幅，结果会超出单纯的 3 倍计算。
结论：单边上涨时，杠杆ETF超额跑赢。
2. 单边下跌（📉 正股持续跌）
每天跌 1%，杠杆ETF 跌 3%。
正股连续下跌 假设： SOXX 连续 20 天每天跌 -...
这里采用 计算链表长度法：
第一次遍历链表，得到链表长度 length。
计算要删除节点的正序位置：length - n + 1。
用一个虚拟头节点 dummy 来统一处理删除头结点的情况。
第二次遍历，将要删除的节点跳过，即让前驱节点指向要删除节点的下一个节点。
解题过程
遍历一次链表，用 length 记录节点总数。
计算要删除的节点前一个节点的位置，也就是 length - n。
使用一个 dummy 节点 指向 head，用 tail 指针遍历到该位置。
直接跳过目标节点：tail.next = tail.next.next。
返回 dummy.next 作为新链表头。
12345678910111213141516171819202122232425262728293031323334353637383940414243# Definition for singly-linked list.# class ListNode:# def __init__(self, val=0, next=None):# self....
当损失函数（Loss）不再下降时
训练模型时最常遇到的问题：当损失函数（Loss）不再下降时，我们该怎么办？
通常，我们的第一反应是认为模型走到了一个“临界点”（Critical Point），比如局部最小值（Local Minima）或鞍点（Saddle Point），在这些点上梯度为零，模型无法再更新。
然而，老师指出，这其实是一种误解。在实际的高维复杂模型中，Loss不再下降，但梯度（Gradient）的模长（Norm）可能依然非常大。这意味着参数的更新步伐并没有停止，模型并非“卡”在一个点上。真正的原因更可能是在一个狭长的“山谷”地带，模型在谷底的两侧来回震荡，虽然每一步都在更新，但宏观上Loss值却无法有效下降
优化失败：不只是局部最小值当模型训练停滞，梯度下降算法无法继续更新参数时，我们通常会假设梯度（Gradient）已经接近于零。梯度为零的点被称为“关键点”（Critical Point），它主要分为两类：
局部最小值 (Local Minima)：这是一个大家都很熟悉的概念。当模型走到一个点，其周围所有方向的损失都比当前点高时，这个点就是局部最小值。此时，模型...