跳到主要內容

長的高攸關選票

Slim Diray 4/11
飲食:早餐/無;午餐/豬腳麵線+紅豆麵包+冰淇淋200g。晚餐:+紅豆麵包+馬鈴薯泥200g+肉丸子*5+餅乾*5+半顆香瓜,8點前吃。
運動:boot camp1 
體重:-12.2公斤 (與前日同重) 69.8公斤
就寢時間:2:00
檢討:做完運動後,量完沒有破70,就放心地跑去狂吃,現在的心態只要保持在70以下就好。超過70就要緊張了!不過每次洗澡都會感嘆,腹部的肥肉依然沒有減多少啊!

今天整理已經荒廢已久的房間,裡面收了好多老媽的衣服,我覺得老媽買衣服跟我燒片子一樣,明明燒了以後會再拿出來聽或看的機率很低,但是就是硬碟滿了就要把它燒起來,趕快再去抓新的戲劇,媽把衣服買回來,穿個幾遍,過季後就收在箱子哩,然後大概再也沒機會穿了吧!這種物慾真是種遺傳,不過燒片子相對來說比較便宜吧!

怪咖心理學

芬蘭科學家統計了13號星期五與其他日˙星期五的車禍事件,結果13號星期五發生交通意外事件比其他的星期五都還要多。研究人員把意外事件比率的增加歸因於駕駛人在不吉利的日子比較緊張的緣故。所以迷信會害死人。

高風險地區的人會比低風險區的人產生比較迷信的想法與行為。許多人便的迷信是為了因應不確定性。在愈不穩定的時期,大家會尋求確定感,這樣的需求會讓他們支持強大的領導體制,相信各種左右命運的不理性因素,例如迷信與怪力亂神。

受試者寧可穿沾著狗糞但還沒洗的毛衣(真的有衛生問題考量),也不想穿殺人魔穿過但已經洗乾淨的毛衣。

研究顯示,低頻音波讓聽眾趕到詭異的感覺,有些靈異經驗可能源自於低頻音波。有些管風琴會產生很大的低頻音波,在較會裡感受到神蹟顯靈人,可能是對管風琴發出的極低音產生反應。

想像你決定買個又好又新的計算機,你到賣計算機的店裡,店員給你看好幾種選擇,經過仔細考慮,你挑了一款要價20英鎊的機型。這時店員看起來有點不安,他解釋明天店內商品都會打折出售。如果你明天來買,那台計算機只要五英鎊。你會當場買下計算機,還是隔天再來買?

現在再想向另一種不同的情境,這次你決定買台新電腦,你進店裡,店員讓你看好幾種選擇,幾經考慮,你選了一台要價999英鎊的電腦。店員看起來有點不安,他解釋隔天店內商品就會打折,如果明天來買,電腦就會降成984英鎊。你會當場買下電腦,還是隔天再來買?

決策心理學的研究者讓很多人考慮過這兩種情境,這兩種情況讓大家有機會省下一樣的金額,所以對理性的人來說,處理兩者的方式應該相同。如果不想省錢,大家應該現在就會買計算機或電腦,如果想省15英鎊,就隔天再來買。但是多數人都是用不同的方式處理這兩種情境。七成的人表示他們會等隔天再買計算機,但是卻會當場買下電腦。比例問題。

實驗發現:在酒吧帳單附上印了笑話的卡片,客人小費給的特別多;在酒類專賣店,客人聽到古典樂時所買的酒,平均比聽到流行樂時買的酒貴三倍;電視播放名人重量級拳擊賽後隔週,謀殺率通常都會增加。我們的想法與感受在不知不覺中受到其他因素的影響。

心理學家發現,高大的業務員比矮個兒的業績好;反過來,受試者評估陌生人的身高,也隨著他們認定的身分不同而改變。選舉時,支持者覺得他們認同的候選人比較高。所以身高民調可以預估大選結果,英國2001年大選,民眾覺得布萊爾不到男性平均身高五呎九的選民只有35%,但是覺得海格不滿五呎九的選民有64%。所以選民認為布萊爾比較高,而海格是矮冬瓜。(2001布萊爾大勝)。小夫輸的不冤啊!

留言

這個網誌中的熱門文章

勝券在握

其實這本書,感覺上寫的有點雜,比上一本講巴非特的書更難懂,兩個講的東西其實是一致的。投資原則便是先選產業,再選公司,慎選時機進場。只買了解的企業是價值投資一貫的原則。價值投資的書大概就先看到這裡了,彼得林區不知道是屬於那一類的,接下來大概會看這部份的書。暫時的目標是把杜金龍介紹的書單看完,真的還不少。接下來的投資會以巴菲特的方法來做,感覺上這比較適合我,練習把漲跌不當一回事,對我而言真的很重要。期權大概不會再玩了,買了以後一直在看漲跌,令人受不了。工作時都不能專心。 就價值投資人而言,真的不需要我們的產品,因為第一點就把我們程式特性打死,不理會股票市場的漲跌,這樣報價功能就沒什麼意義了,價值投資根本不需要技術分析,除非我們能提供相關價值投資的資訊,但我們基本分析真的很爛,看不到什麼資料。有機會我來思考一下價值投資到底要什麼資料,能不能把他寫成一個可運用的程式。 以下是我認為重要的書摘,其實這也只包含最後一章,我認為也只有這章值得做書摘。 巴非特相信使用短期價格來判斷一家公司的成功與否是愚蠢的。取而代之的是,他要公司向他報告因經濟實力成長所獲得的價值,一年一次,他固定檢查幾個變數: 初始的股東權益報酬率。 營運毛利、負債水準與資本支出需求的變化。 該公司的現金產生能力。 如果這些經濟指標正在進展,他知道長期下來,結果會反應在股價上。短期之內,股價所發生的是是不合常理的。 投資策略 不理會股票市場每日的漲跌 不擔心經濟情勢。 買下一家公司,而不是股票 管理企業的投資組合 巴非特原則 企業原則 這家企業是簡單且可以了解的 了解一家企業如何產生利潤的相關經濟活動。 這家企業的營運歷史是否穩定 他必須經得起時間的考驗。 這家企業的長期發展前景是否看好 市場特許權,五力分析 經營原則 經營者是否理性 理性的經營者將只會把多餘的現金,投資在那些產生較資本成本報酬率為高的計畫裡。 經營者對他的股東是誠實坦白的 報告時能知道營業部門如何營業,坦承失敗,了解公司的目的是使股東權益報酬率達到最大。 經營者是會盲從其他法人機構的行為 當心『其他公司也這麼做,一定沒問題』為自己行為辯護的經營者。衡量經營者競爭力的一個方法是,看他們如何運用自己的思考能力以避免依附群眾心理。 財務原則 把重點集中...

借助 AI 除錯:解決登出時的解密錯誤

  前言 最近遇到一個有趣的 bug,趁這次機會試試看用 AI 來協助除錯。整個過程蠻有收穫的,分享給大家參考。 問題發現 Bug 描述 在測試登出功能時,發現 app 會發生 crash。追蹤後發現是在登出時,API 會呼叫底層的解密函式,但解密用的 key 明顯有問題,導致解密失敗而引發錯誤。 由於這段流程是另一位同事負責開發的,程式碼邏輯比較複雜,短時間內看不出根本原因。於是先採取防禦性做法: 如果 key 為空值,就將解密失敗的錯誤吃掉不處理 。判斷後認為這樣不會影響 UI 操作,因為登出後 key 會重新取得。測試後確認沒問題,就先把這個 bug 暫時壓下來了。 深入追查 第一回合:初步分析 趁著有空檔,決定詳細釐清這個問題。想試試 AI 的能耐,於是下了第一個 prompt: 分析 SessionManager 的 processEncryptedData 方法中,為何會發生 bytesToTrim > currentLength 的錯誤?從呼叫該方法的地方分析可能發生的原因。 AI 給出了幾個可能的原因: 加密數據損壞或截斷 網路傳輸過程中數據包丟失或損壞 API 回應中的加密字串不完整 解密後的最後一個字節值異常大 錯誤的加密算法或密鑰 使用了錯誤的解密密鑰或 IV Session key 交換失敗,但程式繼續使用無效密鑰解密 解密產生亂碼 Hex 字串轉換錯誤 包含非法字符、長度不是偶數、部分缺失等問題 AES CBC 解密失敗但沒有檢查錯誤 Whitebox 密鑰準備失敗 IV 不匹配 數據長度不符合 AES 塊大小要求 PKCS7 Padding 格式錯誤 加密時使用了錯誤的 padding 方式 最後字節不是有效的 padding 長度值 (1-16) 多重解密處理錯誤 數據被重複解密或解密順序錯誤 記憶體緩衝區問題 緩衝區大小分配錯誤或溢出 AI 也分析了呼叫鏈: API 回應 → DataTransformer → CryptoHandler → decryptSessionKey → processEncryptedData 評估: 這些分析大多是從相關函式內部找錯誤,但沒有太大用處,...

用 AI Debug 的迷思:當建議越改越糟時

現在許多開發者習慣用 AI 來協助 debug,但在實務上常遇到一種情況: 依照 AI 建議改了兩三輪後,錯誤仍然存在,甚至越改越複雜。 這種狀況其實有幾個常見的盲點,值得特別注意。 1. 先回到「上一個正常版本」 當你已經按照 AI 的方向修了好幾次但問題仍未解決時,最有效的第一步是: 回到上一個正常工作的版本,縮小問題來源。 許多 bug 並不是你正在看的那段程式碼造成的,而可能是: 同事剛好修改了某個底層模組 某個 shared component 產生 side effect Auto Layout 層級重新 layout 時觸發 crash 如果只是盯著眼前的 function 修,反而容易被誤導。 2. AI 沒有看到你的整個專案 AI 通常只能根據你貼出的片段判斷問題,這代表它不知道: 你的 view hierarchy 裡是否有其他 constraint 影響 layout 某些 model 是否被 extension 修改過 父層或子層邏輯是否干擾目前的行為 整個專案採用的 concurrency 模型是什麼 因此,AI 可能會朝著完全錯誤的方向修,導致反覆修改卻無法解決。 3. Swift 6 例子:錯誤真正原因常不在你修改的那一行 例如開發者常遇到的錯誤: passing closure as a 'sending' parameter risks causing data races 許多人(包含 AI)會開始從 function 內部調整,但這類錯誤真正的關鍵通常是: 傳進去的物件沒有實作 Sendable。 也就是說,你不是要改 function,而是要回頭檢查: 傳入的 model / struct / class 裡面是否有 non-Sendable 成員 是否需要標註 @unchecked Sendable 如果 AI 沒看到相關檔案,自然很難找到正確方向。 結語:AI 是工具,不是預言機 AI 很適合用來: 解釋概念 協助產生測試程式 提供重構建議 釐清你已懷疑的方向 但在 debug 狀況下,以下三件事更重要: 回到上一版,縮小差異範圍。 釐清真正問題來...