人应该主动去适配 AI 任务执行范式

Adapting to the Agent's Way of Working: A HID Poll Loop Became a Blocking Read, Idle CPU 3% to 0.4%

十一假期,今天早上我翻出一个搁了很久的单片机项目想做实验——不为别的,就想亲自感受一下现在的 AI 到底能把活干到什么程度。模型用的是 DeepSeek V4.1 Flash,9 月刚发布,图它便宜(输入 $0.30/百万 token)。

先交代一下实验对象:Stream Deck Mini 是 Elgato 出的一块小实体键盘,6 个按键,每个键就是一块小 LCD 屏,USB 一插即用(标准 HID 设备)。它本来是给主播切场景、绑快捷键用的,但按键能显示任意图案、也能上报按键事件——拿来做常驻监控面板,是块现成的好料。

Stream Deck Mini 监控面板实拍

Stream Deck Mini 监控面板实拍:CPU、温度、负载、内存、磁盘、运行时长,六键两页,长按熄屏

我新开一个工程,直接把 Stream Deck Mini 的驱动库拖进来,建了个子目录 mybox,然后用 OpenCode 下了一条任务指令:

读一下本工程,实现能显示系统 CPU、Load、温度信息,要能翻页,长按灭屏,再按亮屏,图标显示要美观。

十几分钟不到,原型就出来了:Stream Deck Mini 挂在我那台 8 核 ARM 小主机上,成了一个常驻的系统监控面板——任务指令里列的功能,一条不少全都有。跑通之后我 top 了一下,排在最前面的不是哪个服务,而是这个监控程序自己:python 进程占着约 3% 的 CPU,比它监控的大部分服务都费电。一个监控工具,把自己变成了最该被监控的对象。

于是我提了个更高的要求——降低它对 CPU 的占用。接下来一个小时,是 AI 在给我方案,而我在 配合 它(注意,是配合):它让我测按键灵敏性、对比不同方案的优劣,一步步逼近,最后给出了一个我过去想都没想过的做法——用阻塞式读取按键,替代我一直用的轮询。落地效果很好,一句话:更跟手,反而更省 CPU,空闲占用从 3% 压到 0.4%。

这次实验给我最大的一句话感受是:代码人写不过 AI,这件事不可逆——人应该主动去适配 AI 的任务执行范式,而不是反过来。 整个过程里最值得单独讲的,是中间那个坑:在 SDK 里把「非阻塞读」改成「阻塞读」会死锁。它不只属于 Stream Deck,任何「轮询 → 事件驱动」的改造都会遇到。下面拆开讲。

[Read More]

阻塞读不是终点:清点常驻程序的唤醒源

Blocking Reads Are Not the Finish Line: Auditing Idle Wakeups on a 15-Key StreamDock Panel

上一篇 人应该主动去适配 AI 任务执行范式 里,我把一块 Elgato Stream Deck Mini 的输入循环从轮询改成了阻塞读,空闲 CPU 从 3% 掉到 0.4%。合上电脑前我给自己留了一道题:这个结论,是那块板子的特例,还是普适的?

第二天我桌上换了一块设备。Mirabox StreamDock 293,15 个按键(5 列 × 3 行),在 USB 上就是个标准 HID 设备(5500:1001)。和 Mini 最大的不同是:它用的是 厂商自己的 StreamDock Device SDK。我本来只想复刻一遍那个改造——把输入从轮询改成阻塞读。

结果第一步就卡住了:这版 SDK 的读取线程,本来就是阻塞读。

我拿 AI 十几分钟搭出来的 mybox 面板(把一块 Arduino VENTUNO Q 开发板的 CPU / GPU / NPU / DDR / WiFi 温度、风扇、功耗、内存、负载、网络速率打在 15 个键上,5 秒刷一次),跑起来后 top 依旧把最费 CPU 的位置留给了它自己。一个监控工具,又一次成了最该被监控的对象。

这逼我修正了上一篇的结论:「轮询 vs 阻塞」不是省 CPU 的分界线,「空闲时到底有几个东西会把你叫醒」才是。 换掉轮询只是删掉了其中一个唤醒源;只要还有定时器、超时、周期重扫,常驻程序就一样在空转。

[Read More]

用 Git Hook 自动修复中文 Markdown 排版问题

Automating Chinese Typography in Markdown with Pre-commit Hooks

大语言模型生成的 Markdown 文本常常存在排版不规范的问题,尤其是中英文混排场景。本文介绍如何通过 Python 脚本和 Git Pre-commit Hook 实现中文排版的自动修复,让博客发布流程更加工程化。

[Read More]

Step-by-Step 实现一个能编程的大模型

从零开始训练一个专注于 Python 代码生成的小型 LLM

你是否好奇过 GitHub Copilot、CodeLlama 这些代码生成模型是如何工作的?本文将带你从零开始,一步步实现一个专注于 Python 代码生成的小型语言模型。通过这个项目,你将深入理解 Transformer 架构、代码 tokenization、以及如何让模型学会"写代码"。

[Read More]

Agent强化学习的最佳实践:并行任务处理与性能优化

从单线程到高性能并发:构建可扩展的AI Agent系统

在2026年的AI应用场景中,Agent系统已经成为解决复杂任务的核心技术。无论是代码生成助手、自动化运维系统,还是智能客服机器人,如何让Agent高效地处理多个任务并从经验中学习,直接决定了系统的实用性和用户体验。本文将深入探讨Agent强化学习的工程实践,重点解决一个关键问题:如何让Agent并行处理任务以提升性能?

[Read More]

使用docker容器来实现动态执行AI生成的代码

use docker to run code generated by AI

E2B是一个专为AI代码执行设计的沙盒环境,通过Docker容器提供安全隔离的代码运行空间。相比传统执行方式,E2B具有显著优势: 安全性方面完全隔离宿主机,防止恶意代码损害 便捷性上提供开箱即用的Python环境和丰富的预装库 稳定性强,支持长时间运行和状态保持 可扩展性好,支持多语言和自定义环境配置。 特别适合AI助手、代码生成工具、在线编程教育等场景,让AI生成的代码能够安全、快速地验证和执行。

[Read More]

使用Airflow开发大数据生产任务

Use airflow to develop big data task

在大数据领域,任务调度和工作流管理是核心需求。无论是数据的抽取、转化、加载(ETL),还是数据分析任务,管理复杂的任务依赖性、监控任务执行情况并确保任务按时完成都十分重要。Apache Airflow 是一个开源的工作流管理平台,能够帮助你解决这些问题。

[Read More]