2026-09-28 12:29:56
我是 08 年毕业的，到现在，已经过去了超过 18 年。但是，我开始学软件的时间，要早得多，并且是从 VB 开始的，正儿八经接触的第一门编程语言是 C，毕业使用的是 Groovy on Grails 做的网站（可远不如现在的毕业生们使用的高大上技术了），在这篇文字里面有所介绍。如今在 AI 火遍全世界的年代，我会想起当时我是怎样学写软件的，更感慨的是，对于选择软件工程师作为职业的我来说，真的幸运地赶上了好时代。这个时代的激动人心，是前无古人的。
跳出琐碎的具体事件，如果我们站到非常高的视角，想想整个世界软件工程的演进，可以分成这么几个阶段：
首先是五六十年代的手工业时代，硬件是催化剂，随着硬件性能提升，极易崩溃的软件称为了瓶颈，这才有了把工程化从传统产业搬到软件上的第一个阶段。在这个阶段末，北约会议中提出了 “软件工程” 的概念。
接着是结构化编程时代，相当于是七八十年代，标志性的事件是 C 语言和 Unix OS 的诞生，Dijkstra（就是那个最短路径算法的作者）提出了 goto 语句的害处。从此大家都认可软件应该自顶向下、模块化编写。这段时间很多的观点也是我大学里面逐步接触到的。
接着九十年代到 2010 年代中期，互联网行业爆发，软件工程飞速发展，跨平台的 Java 语言诞生，敏捷的概念开始兴起。这段时间最浓墨重彩的两个词是 OO（面向对象）和 Web，我觉得从我的技术背景和积累来看，主要的知识内容就是那个年代产生的。
第四个阶段就是 2010 代中到 2020 年代初，大致可以归纳为云计算和云原生时代。这也算是记忆犹新，不过我自身的这方面的技术更新并不快。其中标志性的事件，我认为就是 Docker 和 Kubernetes 的开源。职业路线上，慢慢专注于 platform 和 infra 以后，我已经较少开发纯 web 的项目或者软件了，技术方面涉及云原生的可以说越来越频繁。
第五个阶段，处于刚兴起的一个大阶段，就是AI 驱动的时代，这可以说是说算是从 2022 年的 ChatGPT 爆发开始算起，依然非常早期。华尔街和资本把它炒的火热的程度，兴许可以说仅次于当年的互联网泡沫。自然语言开始成为编程语言，开发效率爆发，编程语言的 “语言” 特性本身，逐渐变得廉价，代码生成成本越来越低。
如果把这几个阶段的技术摆出来，再从一个随着时间演进的高屋建瓴的角度看，还能发现一些变化的规律：
第一个是抽象层级越来越高。
比如一开始是硬件机器语言、汇编语言；然后结构化编程阶段的 C 和 Unix，屏蔽了许多硬件指令的复杂性；接着就是互联网阶段的 JVM，做到一次编写，到处运行这样跨平台；而云平台的 Kubenetes+Docker 则是让运行环境和资源一并打包；到了 AI 则是让人类语言翻译成传统编程语言这一步都省了，基本上的最高的抽象层级了，也是最接近人类思维模式的形式。
第二个是软件复杂程度的爆炸。
从最早的直接接触硬件的操作，到逐步引入高级编程语言、面向对象等等对抗软件复杂度，再到治理方面使用 Kubernetes 等编排技术整合各种各样的微服务，最后是 AI 时代使用大模型来接管人类大脑对于软件整体体系的认知。
在 AI 的这个阶段，软件工程师的价值在哪里，这个行业的未来会怎样，和很多这行的人一样，我也在反复思考这个问题，比如这篇。
关于这个问题，如果尝试站得高一点，拨开那些具体技术和实践的迷雾，只是从软件工程和软件工程师的本质去思考问题，那么软件工程这一个行业，很很多工程行业一样，其实并没有什么特别的——技能会被替代，行业反而会持续进步。每一类具备普遍性的问题，每一种能够得到大规模使用的技术，都会关联到一种职业。所以，如果思考软件工程师这个职业是否会被淘汰掉，不如思考软件工程这个技术领域是否会被淘汰掉？进而再思考，软件领域所解决的问题是否会被淘汰掉？
显然，是否定的。
我来尝试解释一下。来想想看，软件工程诞生的动机是什么？一个词来概括，就是复杂性。人类的需求是社会进步的动力，这是无止境的。而正是因为需求不断进展，软件不可避免地变得越来越复杂，人类就迫切需要一个可以重复和实践的办法，来保证软件交付的时间和质量，这才有了软件工程。
再来思考未来，未来的软件是怎样的暂且不论，可以确定的是，未来需要软件解决的问题依然在变得更为复杂，那么未来软件的本身也自然需要更为复杂，于是，为了保质保量交付，为了社会化大规模实践和推广最佳的方法，软件工程就需要持续存在，并且也将更为复杂，专业门槛只会更高。这就是最本质的软件工程和软件工程师不被淘汰的逻辑。只不过，那时的技术未必是现在的技术，那时对于工程师的要求未必是现在对于工程师的要求。这一点结论，其实和 AI 本身没有关系，也可以是其他技术手段，只不过 AI 恰好成为了这个时代扣动扳机的那个角色。
再把视角缩回到 AI。我们时常听到 AI 替代论和 AI 自我进化论。在某些领域，AI 确实会不断替代当前软件工程师在软件工程中所扮演的许多角色，很多技术问题也能够通过 AI 完成解决，而 “人” 只需要很低程度的参与；不过，也有很多领域，广泛存在确定的逻辑壁垒，让 AI 自我迭代和强化变得非常困难。具体说，AI 自己来生成代码，并且使用它来进行训练，不断强化，它就会缺乏人类真实的应用场景，本质上也无法产生针对真实的改进和创新。这种模式，一定程度上可以视作封闭系统的自我更新，极易放大微小的误差，最终结果天差地别，形成不可思议的谬误。
把时间维度放到未来几年到十几年来看，我觉得 AI 还是更适合作为一个辅助者的身份，软件工程师来做抽象，做统筹，做高屋建瓴的规划性工作，让 AI 成为一个辅助者、好帮手，帮助完善内容，作为智囊团提供建议和实施者搞定经过人类审核分派的具体任务。社会依然需要软件工程师这样的角色，甚至需要更多，只不过他们的技能树可能会发生大幅变化。软件工程师对于问题的简化能力、抽象能力、规划能力，将得到前所未有的重视。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
2026-09-14 13:33:00
投资美股已经有些年了，之前也基于自己的体会和理解陆陆续续写了一些文章，每个持续投资的人都会有自己的理念和方法论，我也不例外。今天想来谈论一个有意思的话题，为什么我美股投资，对于我主要的资金（401k 以外的），多年来都不买大盘（标普 500），只投资个股，并且是坚持持续地投资个股。
巴菲特曾经说过，对于大多数人来说，标普 500 指数，是一个最佳的选择。一些在争论是不是应该投资大盘的时候，经常听到这样的回答——“费那么大劲，还不如直接买标普 500 呢”。这其实是一个普遍的问题，但是不见得参与讨论的人都说得清楚。如果某段时间的投资收益高于标普，尚且会被如此评论，如果这段时间的收益低于标普，那就更得被奚落了。但是我思考了几次这个问题，我觉得对于个股的投资，于我来说，有着诸多清晰且不可替代的好处。
首先，要理解的一点是，为什么投资标普 500 那么值得推崇？
投资大盘的逻辑其实很简单，就是相信未来，相信这最具代表性的五百家企业，同时，在相信的同时也接受平庸。
我非常同意这就是大多数人的最佳选择。因为买了标普，就放弃了超越市场获取α收益的可能性，获得的是根上市场平均收益β的确定性。对于没有时间去研究板块和公司的人来说，这是最省心、也是在得到市场收益的前提下，最不容易亏钱的途径。
具体来说，买标普 500 就意味着：
听起来很美好，对以上几条我也没有异议。但是，我一直都有一些对于闭眼买大盘的疑虑，并且这些疑虑逐年加深。
首先，买大盘就放弃了个体投资者的认知优势。
是的，通常我们说群体优势，但并非任何事情都是群体比个体更有优势的，特定领域的认知就是一个例子。我认为，很多人都是有自己独特眼光的。比方说，我虽然看不懂能源公司，我看不懂医疗赛道，我却研究过某些科技公司，甚至某几家科技公司自己就曾经工作过，有过比一般人更多一些的认识。我有自己熟悉的领域，我认为，对于某些商业模式的理解，相较于那些只看财报和数据的分析师，我更相信我的判断。我也有医生朋友，他对于医疗领域就有很多研究，这是一样的道理。
需要说明的是，每个人的认知是有局限性的，很难能够在广泛程度上打败市场，但在特定的少数几家公司和几个生意上，却是有可能击败大众共识的。
为什么要在谈论投资的时候首先谈论认知？因为投资回报，本质上就是认知的变现。
其次，买自己理解的公司，心里更踏实，睡觉更安心。
踏实和安心，说的其实就两件事情：
难道不是标普大盘更踏实、更安心吗？我并不这么认为，市场的平均并不能取代对于公司和商业模式的理解。一篮子的公司，大部分我都是不了解的，却让我把大量的资金押注在它们上面，逻辑上的矛盾始终都在，我也不太能长期接受。
从我的角度来说，越是觉得自己理解的公司，我就越愿意用一个更大的仓位去长期持有，把资金集中到具备最优秀商业模式和最宽阔护城河的公司投资上面。
能理解一家公司，需要考察方方面面，但是要排除一家公司，只要挑一个刺就可以了。特别是商业模式，能找到优秀的并且自己能理解和认可的，实在是凤毛麟角。对于那些有着明显缺陷的生意，我就是压根不想参与。
再次，市场有时会疯狂，而市场的疯狂会被写进大盘指数里。
标普 500 是市值加权指数。如果一家公司因为短期狂热而被炒高，指数基金会激进地买入，而反之则会减少持有比例，甚至，这和 “卖在人声鼎沸时，买在无人问津处” 这样的逻辑恰恰是相反的。
我认为标普 500 就代表了一种大众群体的共识，而这种共识就一定会包含群体的狂热。如果想远离它，就要远离标普指数。勒庞写过一本讲大众心理学和社会学的书，叫做《乌合之众》，里面有一句话说得好：“群体只会干两种事——锦上添花或落井下石”。
最后，个股投资可以让我接近投资的本质：找到一个好生意，在一个好价格买入它，做时间的朋友，去兑现复利的价值。
我认为一家公司的基本面当中，最重要的就是生意模式，它也是 “好生意” 最重要的部分。坚持投资个股，就迫使我去研究一家公司的生意，这件其实是一件很有意思的事情。买标普 500，我十之八九不会有这个动力去做这件事情。
投资当中，带来回报有很多种方式，但是最让我开心的一种方式，是在和市场有分歧的时候买入，静待春暖花开，市场逐渐认可自己的观点。这件事并不容易，但是它却能带来无比的快乐。
求学，是十几年的事；工作，是半辈子的事；投资，是一生的事。
而你的投资回报，是你认知的变现。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
2026-08-07 06:10:11
工作上的原因，最近学习了一下 Run:ai，也考察了一下它的替代技术。在这里记录一下。
Nvidia 当年收购 Run:ai，还是很有前瞻性的。并且它并没有阻拦开源版本的继续演进，只不过，商业分支提供了更强大的能力。
Run:ai 是一个企业级的 AI 基础设施编排和管理平台，核心能力就是最大化 GPU 的资源利用和调度能力，在它的主页上，列出了四大特性：
抛开那些商业宣传和拥抱开源等等方面，我们只讨论技术层面，我觉得拥有核心竞争力的 feature 主要是：
Run:ai 的官方文档上这张组件图是最好的 overview 的材料：
从远处看，Run:ai 分成 control plane 和 cluster 这样两个部分，一般说来，一个 control plane，一个或多个 cluster。这让我想起了前段时间学习过的 Flyte 的架构，类似的部署方式。值得一提的是，出于安全等原因的考虑，没有从 control plane 主动去连接和发送请求到 cluster 的情况，只有从 cluster 发起去读取 control plane 的情况。
除了官方文档，DeepWiki 上面也有很有用的材料可以学习，比如下面这张组件图：
在 Control Plane，scheduling 等 metadata 是存放在 PostgreSQL 里面的；而每个 cluster 则是扩展 Kubernetes，数据存放在 Etcd。
部署方式上，其中的 Control Plane 可以部署在用户自己这里，甚至包括 docker registry（Air-Gapped 模式），也可以使用 Nvidia 提供的远程服务（SaaS 模式）。很多公司出于安全考虑都是使用本地部署的。
接着，从和 Kubernetes 结合的机制上去理解 Run:ai：
在运行的时候，我们能够从 job 资源的 labels 和 annotations 上面看到被 Run:ai 劫持后的标记。
Run:ai 是收费的，KAI Scheduler 是一定程度上 Run:ai 调度模块的平替，它是 Kubernetes 原生的调度器。功能实现的层面不太一样，总体来说 Run:ai 要更强大一些。
说说其中最核心的软隔离和硬隔离的问题。如果使用 KAI Scheduler，如果说用户提交一个 PyTorch 任务，上面申请了一定量的显存，但是如果 PyTorch 任务的实际代码中，用户申请更大的显存，KAI Scheduler 根本不会去阻止。这就会引发 Noisy Neighbor 的问题。这个问题不只是显存层面，在 GPU 层面也有，KAI Scheduler 的调度逻辑能把任务安排到相应的显卡上，但是没法强制设置某一张显卡部分使用时的百分比上限。
对此，如果要寻找解决方法：
总之，没有完美的办法，大概这也是 Nvidia 把 Run:ai 的商用 licence 卖那么贵的原因吧。
此外，除了上面这个软隔离和硬隔离的问题，还有一些其它的差异，比如：
在 KAI Scheduler 的 GitHub 页面上，有一个很有帮助的 presentation 列表和一个 key features 列表。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
2026-06-01 12:03:31
这些笔记是在自己的 Mac Mini 上面折腾了一些记录，主要是安装一些重要的大模型工具，把这些工具连接起来，建立自己的私有本地知识库等等，以备查阅。后续不定时更新。
OrbStack 是专门为 MacOS 设计的快速、轻量级的虚拟化工具，可以作为本地 Docker、K8s 和 Linux VM 的超容易替代品。因为它丢掉了跨平台的包袱，直接在系统内核级别支持虚拟机指令，动态分配内存等等做法，让它变得超快。就以 Docker 为例，它可以把冷启动速度从几十秒优化到一两秒。
我是在 Apple M4 芯片的 Mac mini 上面折腾的，首先要保证我的应用全部都是 M4 芯片直接支持的，而不是通过 Rosetta 2 兼容性转换过来的。在检查 Homebrew 的时候，发现 brew 命令的路径在/usr/local/bin/brew，这就是说 brew 在 Intel CPU 的模拟路径上，因此重新安装了 Homebrew，修改 PATH 以后检测发现 brew 已经在 ARM 的原生路径上了：/opt/homebrew/bin/brew。
这再安装 OrbStack 就行了：
brew install --cask orbstack使用 orb 命令启动的时候，OrbStack 列出了三大核心功能：Docker、K8s 和 Linux VM，基本上足以完成我日常折腾的最核心需要了。
安装以后，docker 的命令就完全支持了，启动一下看看：
docker run -p 80:80 docker/getting-started我在公司里代码编辑器使用的是 Intellij 和 Windsurf，后者是真正的 AI 原生 IDE。不过现在打算安装 Cursor，作为 Windsurf 的竞品，它有更优秀的综合体验。
首先要安装 Conda，有很多其他的库管理系统，但因为 Conda 是一个更通用的环境管家，不仅限于 Python，包括 Python 库底层的 C++一并搞定。
Miniforge 把 Conda 工具包装了一下，并且针对 Mac 定制化了一下。Conda 的定制化有很多，Miniforge 是其中之一，开源免费，支持原生 ARM。
Ollama 是一个可以在本地电脑上运行 LLM 的工具。然后可以跑 Llama 模型了：
ollama run llama3.2用 Cursor 写一段小程序来调用它：
import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.HttpRequest;
import java.net.http.HttpResponse;
import java.time.Duration;
public class LocalLLMClient {
public static void main(String[] args) {
String endpoint = "http://localhost:11434/api/generate";
String jsonPayload = "{"
+ "\"model\": \"llama3.2\","
+ "\"prompt\": \"Who are you?\","
+ "\"stream\": false"
+ "}";
HttpClient client = HttpClient.newBuilder()
.connectTimeout(Duration.ofSeconds(10))
.build();
HttpRequest request = HttpRequest.newBuilder()
.uri(URI.create(endpoint))
.header("Content-Type", "application/json")
.POST(HttpRequest.BodyPublishers.ofString(jsonPayload))
.build();
try {
HttpResponse<String> response = client.send(request, HttpResponse.BodyHandlers.ofString());
System.out.println("HTTP status code: " + response.statusCode());
System.out.println(response.body());
} catch (Exception e) {
e.printStackTrace();
}
}
}运行它，可以得到：
HTTP status code: 200
{"model":"llama3.2","created_at":"2026-03-29T23:54:11.011864Z","response":"I'm an artificial intelligence model known as Llama. Llama stands for \"Large Language Model Meta AI.\"","done":true,"done_reason":"stop","context":[128006,9125,128007,271,38766,1303,33025,2696,25,6790,220,2366,18,271,128009,128006,882,128007,271,15546,527,499,30,128009,128006,78191,128007,271,40,2846,459,21075,11478,1646,3967,439,445,81101,13,445,81101,13656,369,330,35353,11688,5008,16197,15592,1210],"total_duration":868990167,"load_duration":99794167,"prompt_eval_count":29,"prompt_eval_duration":263381208,"eval_count":23,"eval_duration":497184294}Ollama 这个工具是最核心的部分，其他很多工具都需要连接在 Ollama 上面跑的大模型来完成。
LM Studio 基本上就是本地的大模型图形化工具，和 Ollama 在功能上是有重叠的。一般说来，Ollama 可以用作后台程序运行和工程化调用，但是 LM Studio 适合选型和调试。
模型文件都比较大，已经使用 Ollama 下载了的，就不需要 LM Studio 再下载一遍了。模型都被下载到了~/.ollama/models/blobs/sha256-xxx，根据文件大小可以找到那个实际的模型文件。
然后创建 gguf 的软链接，比如：ln -s ~/.ollama/models/blobs/sha256-3e4cb14174460404e7a233e531675303b2fbf7749c02f91864fe311ab6344e4f ~/AI/models/LM_Models/Ollama/qwen3-4b/model.gguf，这样在加载以后，这个文件就能够被识别了：
我们可以配置 /Users/ray/Library/Application Support/Claude 来允许 Ollama 来访问 Claude 的 MCP 接口：
{
"preferences": {
"coworkWebSearchEnabled": true,
"coworkScheduledTasksEnabled": false,
"ccdScheduledTasksEnabled": false
},
"mcpServers": {
"local_ollama": {
"command": "/usr/local/bin/npx",
"args": [
"-y",
"ollama-mcp-server",
"http://localhost:11434"
]
}
}
}再去问 Claude 的时候，它就能访问 Ollama 并得到安装的模型了：
它的这个操作，其实是和本地运行 curl http://localhost:11434/api/tags 或者 ollama list 是一样的。
为了能更方便地使用，最好打开语音操作支持。在 Mac 的设置里面，找到 keyboard，语言列表里面需要把中文英文都勾上：
并且还可以设置为双击 Command 按键就可以调出语音输入。
在 general 的语言和地区设置里面，加上中文：
再配置好 Gmail 的 connector，就可以让 Claude 做一些更有意义的工作了。比如，我让它分析最近看的房子，生成一份详细的报告发到家人的邮箱里。
下载安装 AnythingLLM，下面使用它来选择本地模型，选择远程网站或者本地文件，并进行本地 RAG（检索增强生成，Retrieval-Augmented Generation），生成属于自己的私有/本地知识库。
设置里面，先选择推理模型（LLM Preference）：
再选择嵌入模型（Embedding Preference）：
最后选择向量数据库 (Vector Database)，保持默认。
使用 Bulk Link Scraper 这个 Data Connector 可以去扒拉网站上的内容：
运行 tail -f ~/Library/Application\ Support/anythingllm-desktop/storage/logs/collector*.log 可以看到抓取的详细信息。
抓取完成后，回到 Documents 页就可以把抓到的内容加到 Workspace 里面去：Move to Workspace -> Save and Embed。
除了抓取网页，也可以上传一些本地的文件给它。
不过，文件较多的时候，它的可用性就比较差了。我们需要一些其他的工具。
为了解决前述问题，下面搭建搭建 Dify + 本地 Ollama 的组合。Dify 是一个 “Agentic Workflow Builder”，它底层集成了非结构化数据解析引擎，可以把各种格式的文件转成文本。
首先修改 Ollama 的环境变量，使其监听所有网卡：
launchctl setenv OLLAMA_HOST "0.0.0.0"这一步需要重启 Ollama。
现在本地有的 qwen3 和 llama3 都是 chat 模型，还需要专属的 Embedding 向量模型：
ollama pull nomic-embed-textDify 官方提供了完整的 Docker 编排文件，包含前端、后端、PostgreSQL 数据库、Redis 缓存以及向量索引组件。
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env再把上面.env 文件的 EXPOSE_NGINX_PORT 这一项端口从 80 改成 8080，以避免冲突。
还需要加上这样的配置以放宽文件上传限制：
UPLOAD_FILE_SIZE_LIMIT=10000
UPLOAD_FILE_BATCH_LIMIT=20000环境配置文件准备好以后，就可以启动所有容器组件了。
docker compose up -d于是乎，pull 了一大堆 image：
启动了一堆 container。以后要启动和停止，以及看日志，使用：
docker compose down
docker compose up -d
docker compose logs -f访问 http://localhost:8080/ 并创建用户。
接着 Settings 里面添加 Ollama 的 plugin，
先配置 LLM 的 llama3 模型，再配置 Text Embedded 的 nomic-embed-text 模型。这其中的 Base URL 不能用 localhost，而是要使用 host.docker.internal，因为 Dify 在 Docker 内部运行。
之后，就选中一个知识库，然后分批追加文件。因为软件一次性没法导入一个太大的文件夹，否则页面会卡死，所以这一点需要注意。
之后，还可以把网站等其它形式的数据导进来，这样自己的知识库就会更加全面。如果是爬网站的话，可以去 Firecrawl 注册一个账号，得到一个 API Key（免费版好像是最多只有 2 active browsers 一起工作，单月 1000 个 credit，不过对我来说也够了），填到 Dify 的 Firecrawl 插件配置中：
然后就可以去爬网站了。
最后，在 Studio 菜单里创建一个 Chatbot 或 Agent，在右侧的 “上下文” 中关联这个知识库。
这样，后续问它任何问题，都可以从这个具备个人信息的知识库中进行检索。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
2026-05-25 08:04:10
raychase.net 这个域名是好些年前申请的，最近申请了个更适合作为我个人标签的 rayxiong.me，简单记录下我把新域名应用到 blog（新、老域名都可以访问 blog），以及创建并使用新域名的邮件地址收发邮件的操作。
在 Squarespace 上面配置好 DNS 的两个 A 记录：
其中 @表示不带任何前缀，它和 www 前缀这样被视为两条独立的记录。没法再简单了，不过需要等几个钟头生效。
在网站的 Nginx 配置文件上面添加：
server_name www.rayxiong.me rayxiong.me;
以及：
if ($host = rayxiong.me) {
return 301 https://$host$request_uri;
}
if ($host = www.rayxiong.me) {
return 301 https://$host$request_uri;
}
做完之后检查一下有没有语法错误：
/usr/local/nginx/sbin/nginx -t我已经忘记之前证书怎么处理的了，重新安装 acme.sh：
curl https://get.acme.sh | sh -s [email protected]使用 acme.sh 来申请多域名证书：
~/.acme.sh/acme.sh --issue --nginx -d raychase.net -d www.raychase.net -d rayxiong.me -d www.rayxiong.me -w /home/www.raychase.net如果不想牵扯 Nginx 的瓜葛，因为已经指定了网站根目录，也可以使用 letsencrypt 的 server 来完成：
~/.acme.sh/acme.sh --issue \
-d raychase.net -d www.raychase.net \
-d rayxiong.me -d www.rayxiong.me \
-w /home/www.raychase.net \
--server letsencrypt --force再把证书部署一下：
~/.acme.sh/acme.sh --install-cert -d raychase.net -d rayxiong.me\
--key-file /etc/letsencrypt/live/www.raychase.net/privkey.pem \
--fullchain-file /etc/letsencrypt/live/www.raychase.net/fullchain.pem \
--reloadcmd "/usr/local/nginx/sbin/nginx -s reload"完工。访问网站看看证书的情况，再检查一下定时任务是不是已经顺利加上了：
crontab -lBlog 的文章里面，不能有写死域名的链接，全部要使用相对路径。接着就是给 wp-config.php 添加动态设置 Home 和 SiteURL，否则首页到不同栏目的链接都还是老地址：
if (isset($_SERVER['HTTP_HOST'])) {
define('WP_HOME', 'https://' . $_SERVER['HTTP_HOST']);
define('WP_SITEURL', 'https://' . $_SERVER['HTTP_HOST']);
}设置了之后，WordPress 的管理台的 General Settings 里面，这两个变量会置灰：
此外，考虑到两个域名包含相同的内容，需要告诉搜索引擎谁才是 canonical 的版本，否则搜索引擎可能会做出负面的判定。在 WordPress 菜单的 Apperance->Theme File Editor->Theme Functions (functions.php) 的尾部，写上：
remove_action( 'wp_head', 'rel_canonical' );
add_action( 'wp_head', function() {
echo '<link rel="canonical" href="https://www.raychase.net' . esc_url( $_SERVER['REQUEST_URI'] ) . '" />' . "\n";
});有了新的域名，打算搞一个个人标识鲜明的邮件地址 [email protected]。但是我打算只是创建一个邮件地址，邮箱服务依然使用 Gmail。
先配置收信，收信比较简单，保证 email 转发到原有邮件地址：
得花些时间生效，测试一下，发送到这个新邮件地址一旦成功，那收信路径就通了。
接着是发送。这需要 Resend 这样的工具。
建立一个 rayxiong.me 的 domain，然后添加如下的 DNS 记录：
把这些 records 拷贝到 Squarespace 的 DNS 设置里面，然后再回到 Resend 上面来验证，确保验证通过。
如果失败了，可以去 Logs 页面看错误信息。
现在，去 Sender 的 API keys 里面，给配一个 Gmail-SMTP 的 API Key：
接着就可以给 Google 邮箱配置这个新的 email 地址了：
SMTP 服务器是 smtp.resend.com，这里需要使用到前面配置的 API key：
手机上面配置起来有点麻烦，需要创建一个新账户。
收邮件的部分，host name 写 imap.gmail.com，用户名写原本的 gmail 邮箱名，密码的话需要去 Google 的 App passwords 创建一个只能查看一次的密码，填在这里。
发邮件的部分，配置 SMTP 为 smtp.resend.com，用户名是 resend，密码就是前面的 API key。
此外，Resend 的 DNS records 目前只配置了 sending，并没有 receiving。因为现在邮件的 receiving 是通过 Squarespace 的 Mailgun forwarding 来实现的，如果要配置 Resend 的 receiving，那是用于把邮件内容转成 JSON 数据并根据配置的 Webhook 来调用 API 只用了，目前不需要。
除了 blog 和 email，对于这样一个个人标签浓厚的域名，不知道还有哪些有趣的事情可以做。我想到的几个包括：
只是我的一些想法，不知道还有什么有意思的主意。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
2026-03-23 07:38:30
作为一个老暗黑粉，二十年前，写过一点关于它的碎文。那时候我还在读书，《暗黑破坏神 2》应该是对我影响最大的一款游戏。还记得第一次接触到暗黑的那天——在家乡暑假的某个阴沉的下午，窗外雨绵绵，一进入游戏，第一幕的罗格营地，就被呼应的下雨细节打动，音乐、雨滴声，还有可以追随地散布的鸡，一切都让我觉得有巨大的沉浸感。于是我一遍又一遍地杀到城外去，杀到地下洞穴去。暗黑游戏的视觉效果我相信不是最好的，但是游戏性和耐玩度却是顶级的。在这以后，也玩过不少类暗黑的游戏，比如《流放之路》（那时候还写过一点关于它游戏中通货膨胀的思考），再没有一款能给我带来那样的体验。
后来我慢慢知道，原来有这样感受的不止我一人。《暗黑破坏神 2》是整个电子游戏历史上具里程碑意义的作品，它几乎凭借一己之力奠定了整个 ARPG 的游戏框架和标准，如今的 ARPG 砍杀的游戏方式，就是从它开始的。暗黑 2 的装备系统、技能树，还有怪物系统等等，在当时都是首创，并且都引领了后来的游戏发展方向。比方说，从暗黑 2 开始，装备的颜色分级制和词缀系统开始流行开来，也是从暗黑 2 开始，一类被称为 “刷子游戏” 的游戏类型，也开始被玩家逐渐认识；再比方说，技能树和后来资料片引入的技能加成系统，也逐渐演化出了游戏角色流派构建的理论。
暴雪的暗黑 3、暗黑 4，尤其是暗黑手游版，口碑时好时坏，但拿暗黑 2 的标准来比，可真是不怎么样。其实，对于一款过于成功的游戏，推出续作总是充满挑战，甚至可以说凶多吉少。不过，暗黑 2 之后的续作充满故事的张力——暗黑 3 一开始是糟糕的，尤其是那个著名的拍卖行，彻底让游戏失去了原有的平衡，之后《夺魂之镰》的资料片，挽回了一定的名声。再是暗黑 4，一开始黑暗压抑的美术风格获得了好评，但在游戏性，尤其是可重复玩性上大不如前几作，后来才在装备系统的改革等变更中逐步挽回名声。但无论如何，我觉得和暗黑 2 的那种哥特式氛围，装备驱动的打怪逻辑，还有高自由度的角色培养系统这些方面比起来，如若拿巅峰之作和优秀作品类比一样，这两者完全不可同日而语。
说起来，2021 年，暗黑 2 曾出了高清重制版，让那些二十年前的充满情怀的老玩家，得已不借助非官方的高清分辨率补丁，在如今的高配置机器上重温暗黑 2。回想起来，其实这样炒冷饭的做法也不算特别，印象中不少以前一样感动一票玩家的游戏，比如《最终幻想》系列的好几款游戏，都出过重制版。不过，在暗黑 2 发售的将近 25 年后，居然再推出一个完整的新角色 “术士”——《术士君临》资料片，却是真正让所有人都大吃一惊。
从商业上看，这次试一次非常精明的商业决策，整个过程保密性做得非常好，间隔超过 25 年的产品营销，这冷饭炒得也可以说登峰造极了。同时，也算对玩家社区给足情面了，之前暴雪被微软收购，微软是下了一步绝好的棋，但是玩家群体之间的口碑需要建立起来，这次看起来是一次非常成功的操作。无论如何，从数据上看，日活玩家增长超过了 50%，这是一个非常正面的信号，这些玩家的粘性可比一般游戏高得多。别忘了，这个资料片只是增加了一个角色，它并没有增加任何主线故事情节上的内容，它卖得并不能算便宜。
现在，我好奇的是暴雪下一步会如何打算。如果往回倒退几年，你问暗黑 2 还会出资料片吗，那一定会被喷痴人说梦。但是现在随着术士资料片的上线，我觉得暗黑 2 再续写下去，看起来完全合理。如果我们再回想到 25 年前，很明显暗黑 2 的第四幕是明显缩短的，有一种讲故事草草收尾的感觉，而且分辨率那时候也只有 640×480，于是一年之后的 2001 年，暗黑 2 资料片《毁灭之王》就以一个内容足量的第五幕弥补了玩家的遗憾，并且带来了更高分辨率、引入技能加成、引入符文和宝石系统等等巨量变更。可是想一想，一款成功到载入史册的游戏，从游戏内容上看，有什么理由会只出这么两部资料片，尤其是只有第一部是有 “主线剧情” 的，无论是从商业上考量还是情怀上考量，完全可以制作第六幕啊。
如果是一个新玩家接触暗黑 2，他的视角会是怎样的？我觉得暗黑 2 的视觉效果肯定不算好，虽说重制版让它和当年相比有了改进——可是话说回来，暗黑 2 从来都不是一个以画面取胜的游戏，它的可重复玩的游戏性无可匹敌，它的社区有一群坚持原教旨主义的硬核支持者，它在这个游戏史上写下了独一无二、浓墨重彩的一笔，而我觉得，二十五年过去了，这一笔却还远没有写完。
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》