Async IO on Linux

发表于 2026-08-08

本文简介由 AI 生成。

记录两篇介绍 Linux 异步 IO 模型与事件循环的文章，一篇讲底层系统调用，一篇讲上层的事件循环实现，合在一起可以完整地理解从 select/poll/epoll 到 asyncio 的整条链路。

Julia Evans 的文章以服务端需要同时监听大量文件描述符为背景，介绍了 select、poll 与 epoll 三种方式：前两者每次调用都需要内核重新检查全部文件描述符，内核不会记住要监控的列表，因此连接数上来后性能下降；epoll 通过 epoll_create、epoll_ctl、epoll_wait 让内核记住并只返回真正有事件的描述符，还讨论了水平触发与边缘触发的区别，以及 Go、Node.js、nginx 等对 epoll 的使用。

Medium 上的另一篇文章则从 Linux 机制的角度剖析 Python asyncio 事件循环：事件循环底层通过 selectors 模块选择 EpollSelector，进而使用内核的 epoll 对象（进程里表现为 anon_inode:[eventpoll] 描述符）；每次迭代计算超时后调用 epoll_wait 阻塞等待。定时器决定了 epoll_wait 的最大等待时长，而 self-pipe trick（一对 socketpair）用于在事件循环无限等待期间被其他线程或信号唤醒，三种机制的结果统一进入 _ready 队列顺序执行。

References

Async IO on Linux: select, poll, and epoll | Julia Evans
The Event Loop in asyncio: How Python Code Works on Top of Linux Mechanisms | Stanislav Garanzha

AI Agents

发表于 2026-08-08

本文简介由 AI 生成。

OpenAI 官方发布的一篇构建 AI Agent 的实用指南，面向产品与工程团队，总结了大量客户落地实践。文章先明确什么是 Agent：以较高自主性代替用户完成任务，由 LLM 驱动工作流执行、通过工具与外部系统交互。随后给出判断”什么时候该构建 Agent”的标准，适合决策复杂、规则难以维护、重度依赖非结构化数据的工作流。

Agent 设计的三个核心组件是模型、工具与指令。选模型建议先用最强模型建立性能基线，再用小模型替换以优化成本与延迟。工具分数据、动作与编排三类，需要标准化定义、便于复用。指令部分强调利用已有文档生成例行程序、引导模型拆解任务、定义明确动作并覆盖边界情况。

编排上先尽量发挥单个 Agent 的能力，必要时再拆分成多 Agent。多 Agent 主要有两种模式：Manager 模式（Agent 作为工具，由中心管理器协调调度）与去中心化模式（Agent 间相互交接，转移工作流控制权）。最后讨论了护栏（Guardrails），包括相关性分类器、安全分类器、PII 过滤、基于规则的保护、输出校验等分层防御，以及人工介入机制。

References

A practical guide to building agents | OpenAI

Recursive Self-Improvement

发表于 2026-08-08

本文简介由 AI 生成。

Anthropic 发布的一篇关于”递归式自我改进”（Recursive Self-Improvement）的文章，用公开基准与 Anthropic 内部此前未披露的数据，论证 AI 正在加速其自身的开发进程。核心论点是：如果该趋势持续并获得足够算力，未来可能出现能够完全自主设计并开发自身继任者的 AI 系统。

文章给出了大量内部证据：截至 2026 年 5 月，Anthropic 合并进代码库的代码超过 80% 由 Claude 编写；2026 年 Q2 每位工程师每天合并的代码量是 2024 年的 8 倍；SWE-bench、CORE-Bench 等基准在两年内趋于饱和；模型能可靠完成的任务时长从几分钟增长到 12 小时。在研究中，Claude 在设定目标后执行既定实验的能力已超人类，但在研究方向选择所需的判断力上仍与人类存在差距。

文章最后讨论了三种可能的未来：趋势停滞但能力广泛扩散、实验室持续获得复合效率增益，以及 AI 系统具备完全递归自我改进能力、开始构建自身的继任者，并探讨了各自对安全与对齐的影响。