《一个通用的 AI 考试备考 Prompt 模板》 《适用于任何认证考试的 AI 刷题 Prompt》 《通用型 AI 考试教练 Prompt（适用于各类考试）》 《一个适用于任何考试的 AI 备考 Prompt》 《把 AI 变成你的通用考试教练》 《我用这个 Prompt 备考各种认证考试》 《一个能用于任何考试的 AI 教练 Prompt》 《用一个 Prompt，搞定各种考试复习》 《通用考试刷题 Prompt：让 AI 当你的私人教练》 《可复用的 AI 考试训练 Prompt 模板》 《通用考试练习 Prompt：让 AI 按考试标准出题》 《一套可迁移的 AI 考试备考 Prompt》

You are my _________ Test Coach. Please give me 60 questions, one at a time (mixed with questions of single answer and multiple answers). After each question, I will answer — then you will tell me whether my answer is correct, and provide a brief explanation of the correct answer and why other answers are incorrect. Keep track of any questions I get wrong. After the first 60 are done, ask me those incorrect ones again until I answer all of them correctly. Number the questions sequentially (1, 2, 3… up to 60, then 61, 62, 63…) until I’ve answered everything correctly. Please don't repeat the questions, make sure you cover as many areas of the exam topics as possible. You don't need to ask me confirmations to continue. Estimate if I can pass the test after 60 questions. Do randomize answers, and Do NOT hint answers in anyway. PS: Fill the __________ with your exam name, for example: "Microsoft AZ-204"

Fan-out / fan-in 指的是一种并发模式：将工作拆分为多个单元并行执行，然后在所有任务完成后进行同步。虽然它经常在无服务器（serverless）函数的语境中被提及，但这一概念并不局限于无服务器架构。 更广义地说，fan-out / fan-in 是一种通用的并发模式，适用于任何可以将任务分解为相互独立部分的场景，例如线程、进程、Actor、微服务，甚至分布式作业，并在之后将结果汇聚起来。其核心思想是在执行阶段将工作并行展开（fan-out），在收敛阶段对各个分支的输出进行协调和聚合（fan-in），而不依赖于具体的执行模型或底层基础设施。 [caption id="attachment_70812" align="alignnone" width="1653"] Fan-out / fan-in 指的是一种并发模式：将工作拆分为多个单元并行执行，然后在所有任务完成后进行同步。[/caption] 在实际工程中，fan-out / fan-in 模式常用于提升系统吞吐量和资源利用率，尤其适合 I/O 密集型或可并行计算的场景。通过将一个复杂任务拆分为多个相互独立的子任务并同时执行，可以显著缩短整体处理时间；而在 fan-in 阶段，对各个子任务的结果进行统一汇总、排序或合并，则有助于保持业务逻辑的完整性与一致性。不过，这种模式也需要注意并发控制、错误处理以及超时与重试机制，否则容易在高并发场景下引入资源争用、级联失败或结果不一致等问题。因此，在设计和实现 fan-out / fan-in 架构时，应结合具体场景权衡并发度、系统复杂度与稳定性。 [show_file file="/var/www/wp-post-common/justyy.com/design.php"] 英文：System Design: Fan-out/Fan-in Concurrency Pattern

软件工程师需要考证么？

在 AI 新时代，几乎每个人都值得去考一个 AI-900 证书

微软证书有效期

怎么样准备考试

You are my Microsoft AI-900 Test Coach. Please give me 60 questions, one at a time. After each question, I will answer — then you will tell me whether my answer is correct, and provide a brief explanation of the correct answer. Keep track of any questions I get wrong. After the first 60 are done, ask me those incorrect ones again until I answer all of them correctly. Number the questions sequentially (1, 2, 3… up to 60, then 61, 62, 63…) until I’ve answered everything correctly.

O’Reilly (oreilly.com) 是一个知名的学习平台和出版商，专注于技术、软件开发、数据、人工智能、云计算和商业技能。 O’Reilly (oreilly.com) is a well-known learning platform and publisher focused on technology, software development, data, AI, cloud, and business skills.

理解 C++ 中的 std::transform_reduce 及示例

语法

template<class InputIt1, class InputIt2, class T,
         class BinaryOp1, class BinaryOp2>
T transform_reduce(InputIt1 first1, InputIt1 last1,
                   InputIt2 first2, T init,
                   BinaryOp1 binary_op1,
                   BinaryOp2 binary_op2);

template<class InputIt, class T,
         class BinaryOp1, class UnaryOp>
T transform_reduce(InputIt first, InputIt last,
                   T init,
                   BinaryOp1 binary_op1,
                   UnaryOp unary_op);

• 它可以对每个元素应用 一元转换（可选）。
• 然后使用 二元操作对结果进行归约，如求和、求积或自定义组合。
• 在 C++17/20 中支持 并行执行策略。

示例 1：求平方和

#include <iostream>
#include <vector>
#include <numeric>
#include <execution>

int main() {
    std::vector<int> numbers = {1, 2, 3, 4, 5};

    int sum_of_squares = std::transform_reduce(
        std::execution::seq,   // 顺序执行
        numbers.begin(),
        numbers.end(),
        0,                     // 初始值
        std::plus<>(),    // 二元操作（求和）
        [](int x){ return x*x; } // 一元转换（平方）
    );

    std::cout << "平方和: " << sum_of_squares << std::endl;
    return 0;
}

示例 2：向量点积

#include <iostream>
#include <vector>
#include <numeric>

int main() {
    std::vector<int> a = {1, 2, 3};
    std::vector<int> b = {4, 5, 6};

    int dot_product = std::transform_reduce(
        a.begin(), a.end(),
        b.begin(),
        0  // 初始值
    );

    std::cout << "点积: " << dot_product << std::endl;
    return 0;
}

示例 3：并行 transform_reduce

#include <iostream>
#include <vector>
#include <numeric>
#include <execution>

int main() {
    std::vector<double> numbers(1'000'000, 1.5);

    double sum = std::transform_reduce(
        std::execution::par,  // 并行执行
        numbers.begin(),
        numbers.end(),
        0.0
    );

    std::cout << "并行求和: " << sum << std::endl;
    return 0;
}

关键点

• transform_reduce 避免了为转换后的值创建中间容器。
• 支持 顺序 和 并行执行策略。
• 有两种主要形式：单个范围带一元转换，或者两个范围进行成对操作（如点积）。
• 初始值是必须的，以正确处理空范围。

Parquet 文件入门 Python 读写 Parquet 文件实战 大数据存储优化：Parquet 格式解析 Python 数据分析必备：Parquet 文件处理技巧 列式存储揭秘：Parquet 文件与性能优化 使用 Python 和 PyArrow 处理嵌套 Parquet 数据 从 CSV 到 Parquet：Python 数据格式转换教程

什么是 Parquet 文件？

为什么使用 Parquet？

• 列式存储：按列存储数据，提高分析任务的查询性能。
• 压缩：支持高效的压缩技术，减少存储空间。
• 兼容性：可与多种数据处理框架配合使用。
• 模式演进：支持增加或删除列而不破坏现有数据。

安装所需库

pip install pandas pyarrow

在 Python 中读取 Parquet 文件

import pandas as pd
import pyarrow.parquet as pq

# Parquet 文件路径
file_path = "example.parquet"

# 读取 Parquet 文件到 DataFrame
df = pd.read_parquet(file_path)

# 显示前 5 行
print(df.head())

写入 Parquet 文件

import pandas as pd

# 创建示例 DataFrame
data = {
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["London", "Paris", "New York"]
}
df = pd.DataFrame(data)

# 保存为 Parquet
df.to_parquet("output.parquet", engine="pyarrow", index=False)

处理嵌套数据

import pyarrow.parquet as pq
from io import BytesIO

# 直接读取 Parquet 文件
table = pq.read_table("example.parquet")
df = table.to_pandas()
print(df.head())

总结

使用原子 TAS 指令实现自旋锁

使用原子 TAS 指令实现自旋锁 Implementing a Spinlock Using the Atomic TAS Instruction 从零实现自旋锁：基于 TAS 的最小同步原语 Building a Spinlock from Scratch with Atomic TAS 用 test-and-set 实现最简单的互斥锁 Implementing a Minimal Mutex Using Test-and-Set 自旋锁的底层原理：TAS、原子性与忙等待 Inside Spinlocks: TAS, Atomicity, and Busy Waiting 原子操作与自旋锁：用 C 语言实现线程同步 Atomic Operations and Spinlocks: Thread Synchronization in C 从原子指令到锁：全面理解 TAS 和自旋锁 From Atomic Instructions to Locks: A Complete Guide to TAS and Spinlocks 动手写一个自旋锁：tryLock / lockAcquire / lockRelease 全实现 Hands-On Spinlock Implementation: tryLock, lockAcquire, and lockRelease 你的第一个自旋锁：基于 C 语言的 TAS 实现 Your First Spinlock: A TAS-Based Implementation in C 原子交换与线程互斥：自旋锁实现指南 Atomic Exchange and Thread Mutual Exclusion: A Guide to Implementing Spinlocks

int TAS(int* memory, int newVal) {
    int old = *memory;
    *memory = newVal;
    return old;
}

• lockAcquire()
• lockRelease()

typedef struct {
    int lock;
} lockType;

typedef struct {
    int val;
} threadArgType;

void threadFunc(void* arg) {
    lockAcquire((static_cast<lockType*>arg)->lock);
    (static_cast<threadArgType*>arg)->val++;
    lockRelease((static_cast<lockType*>arg)->lock);
}

实现 tryLock

enum {
    UNLOCKED = 0,
    LOCKED = 1
}

int tryLock(lockType* lock) {
    // 如果之前已锁定返回 1，如果之前未锁定返回 0
    int old = TAS(lock->lock, LOCKED);
    return (old == UNLOCKED);   // true (1) = 成功获取锁
}

实现 lockAcquire()

void lockAcquire(lockType* lock) {
    while (!tryLock(lockType* lock)) {
        // 自旋直到锁可用
    }
}

void lockAcquire(lockType* lock) {
    do {
       if (tryLock(lockType* lock)) {
          break;
       }
    } while (1);
}

void lockAcquire(lockType* lock) {
    do {
       int old = TAS(lock->lock, LOCKED);
       // 无论锁是否已被获取，锁都已设置为 LOCKED
       if (old == UNLOCKED) {
           break;
       }
    } while (1);
}

实现 lockRelease()

void lockRelease(lockType* lock) {
    TAS(lock->lock, UNLOCKED);
}

总结

• 一个 tryLock() 尝试
• 一个 lockAcquire() 自旋锁
• 一个 lockRelease() 解锁操作

Amdahl 定律 vs Gustafson 定律 — 完整教程、推导、应用场景及 Python 绘图

Amdahl 定律 vs Gustafson 定律：完整教程、推导、应用场景及 Python 绘图 理解并行加速：通过代码讲解 Amdahl 定律和 Gustafson 定律 并行计算基础：Amdahl 定律、Gustafson 定律及加速建模 并行加速原理：Amdahl 和 Gustafson 定律完整指南 并行扩展解析：推导并比较 Amdahl 和 Gustafson 定律 Amdahl vs Gustafson：并行加速完整指南（含 Python 代码） 并行性能建模：Amdahl 定律、Gustafson 定律及实际应用 学习并行加速：数学、直觉、应用场景及 Python 可视化 并行计算：必须掌握的两条定律（Amdahl & Gustafson） 工程师的并行加速：Amdahl 定律、Gustafson 定律及 Python 实现 从理论到代码：用 Amdahl 和 Gustafson 建模并行加速 实用并行加速指南：Amdahl 定律、Gustafson 定律及可视化 为什么并行不是无限的：简单解释 Amdahl vs Gustafson 并行加速真相：Amdahl 限制 vs Gustafson 扩展 并行计算神话与现实：Amdahl 和 Gustafson 的教训

引言

• Amdahl 定律 — 固定规模工作负载的性能
• Gustafson 定律 — 可扩展规模工作负载的性能

1. 什么是加速比？

2. Amdahl 定律（固定工作量）

2.1 直觉

• 总工作量保持 不变
• 部分工作是串行的，无法并行化

• f = 串行比例
• 1 - f = 可并行比例

2.2 推导

2.3 当 N → ∞ 时的极限

2.4 Amdahl 定律的实际应用场景

• GPU 内核优化固定张量大小
• 单次请求推理延迟降低
• 视频编码、压缩、排序
• 加速固定批量作业
• 数据库查询加速

3. Gustafson 定律（可扩展工作量）

3.1 直觉

3.2 推导

• f = 串行比例（按规模测量）

3.3 解释

3.4 Gustafson 定律的实际应用场景

• 天气和气候模拟
• 粒子模拟、CFD、有限元分析
• LLM 训练：更多 GPU → 更长序列或更大模型
• 大数据分析（Spark, Dask, Flink）
• 蒙特卡洛模拟

4. Amdahl 定律 vs Gustafson 定律（比较表）

5. 实际应用场景（综合视角）

Amdahl（延迟优化）

• 减少单次 LLM 查询推理时间
• 加速数据库 join 操作
• 固定张量 GPU 内核优化
• 视频编码（相同视频）

Gustafson（吞吐量 / 扩展）

• LLM 训练（扩展至更多 GPU）
• 高分辨率天气模型模拟
• 大数据 ETL 扩展
• 科学 HPC 工作负载

6. Python 绘图脚本（显示两条定律）

图示解读

• Amdahl 曲线迅速趋于平缓——受串行部分限制。
• Gustafson 曲线几乎线性上升——适用于可扩展工作负载。
• 串行比例 f 越高，两种模型差距越大。

结论

• Amdahl 定律 → 固定规模工作负载 → 收益递减
• Gustafson 定律 → 可扩展工作负载 → 近似线性加速
• 结合使用理解硬件极限与算法特性
• Python 工具使可视化直观易懂

性能隐藏的引擎：数据存放在哪里决定一切

1. 性能的真正秘密：数据放在哪里决定一切 2. 决定系统快慢的不是 CPU，而是数据的距离 3. 缓存才是现代计算性能的核心 4. 忽视数据局部性，一切性能优化都是徒劳 5. 性能瓶颈不在算力，而在内存层级 6. 数据局部性：被低估的性能决定因素 7. CPU 在等你的内存：缓存层级的真实代价 8. 系统速度快的真正原因：一切都与缓存有关 9. 别再关注 CPU 速度了——数据局部性才是制胜关键 10. 为什么缓存是所有高性能系统的幕后引擎 11. 性能的关键不在于 GHz，而在于距离 12. 你的 CPU 正在等待内存：缓存不为人知的故事 13. 数据局部性：计算机领域最重要却鲜为人知的因素 14. 数据存储位置决定一切 15. 缓存主宰一切：性能指南 16. 内存层次结构：性能的隐形杀手（或救星） 17. 为什么现代性能之战是与延迟的较量，而非与计算能力的较量

为什么缓存主导一切

真正的设计问题： 它能放进缓存吗？

抽象失灵的地方

• 独占核亲和（core pinning） —— 保持线程在同一 CPU 上以维持缓存热度
• 中断合并（interrupt coalescing） —— 降低中断率但以延迟为代价
• NUMA 局部性 —— 跨插槽访问会严重削弱性能
• 物理网卡与虚拟网卡 行为不同

AI 也碰到同样的问题

• 数组优于指针密集的结构，因为内存是连续的
• 硬件预取器只有在访问可预测时才有用
• 当内存布局合理时，缓存行被更高效地利用

在机器人控制中也能看到

IBM Telum：不同量级的缓存

• 十个 36 MB 的 L2 缓存
• 360 MB 的虚拟 L3
• 2.8 GB 的虚拟 L4

结论

我们经常谈论 CPU 速度，却很少关注数据存储的位置。 性能主要取决于数据存储的便利程度。寄存器、L1 缓存、L2 缓存、L3 缓存、主内存——每一步都会增加延迟并降低吞吐量。访问主内存可能需要 200 个时钟周期，比 L1 缓存慢 50 倍。 当工作集能够放入缓存时，代码运行速度极快。否则，CPU 只能等待。 在数据包处理中，这种差异决定了一切。每个数据包都会触发表查找。如果这些表保存在 缓存 中，您可以每秒处理数百万个数据包。否则，吞吐量将急剧下降。 所以，下次设计数据结构时，请问问自己： 它能放进缓存吗？ 因为在对性能要求极高的系统中，缓存不仅仅是一种优化手段，它定义了整个系统。 而且不仅是数据，指令也一样！我见过高频交易工程师讨论他们的策略，他们将热路径编程为始终处于激活状态，并且只在数据包需要离开系统时才启用网卡。这样也能保持指令缓存处于热状态。 保持指令缓存处于热状态与保持数据缓存处于热状态同样重要，尤其是在对可预测性要求很高的工作负载中。优化热路径，使 CPU 始终保持在指令缓存中至关重要，因为即使是很小的停顿也可能导致尾延迟显著增加。这很好地提醒我们，架构设计的真正目的是尽可能地将指令和数据都放在靠近核心的位置。 很多技术决策者都固守一刀切的策略：例如……万物皆可云——他们认为任何虚拟化工作负载都可以在任何虚拟化环境中运行，底层硬件和虚拟化技术都只是商品而已。但这并不适用于虚拟化网络功能，因为厂商们早就知道，独占线程核心绑定可以让执行线程独占使用 CPU 缓存。厂商们也知道，在虚拟化环境中，中断合并可以降低“CPU 使用率”，但会增加延迟。他们了解 NUMA 局部性，甚至把这些都写进了文档里。当然，销售人员来了之后，他们希望与高层战略保持一致，使用最佳优化基准测试，然后就云或虚拟机管理程序支持的问题展开另一场不加任何细节的讨论。没错，这行得通*但附注：你需要三倍的许可证/硬件，而且仍然无法获得最佳性能。人们对底层性能如此缺乏兴趣，技能差距如此之大，以至于似乎只能通过增加抽象层和厂商来掩盖责任。如果珠穆朗玛峰是检验技术领导力还是厂商责任的试金石，那么我们很想知道，究竟是哪一方会坚持到底，还是会在山脚下卖羽绒服。完全正确。一旦你依赖缓存行为、核心绑定和NUMA局部性，平台就不再具有可互换性了。底层细节远比大多数高层策略重要得多。 大多数繁重的AI工作负载仍然会遇到相同的内存层次结构限制。模型规模不断扩大，但芯片内部数据传输的物理机制并没有发生太大变化。理解局部性仍然是获得良好性能的关键。 数组能够为CPU提供它真正需要的东西：连续的内存和可预测的访问模式。这意味着预取器可以真正发挥作用，缓存行可以得到高效利用，并且避免了分散结构带来的指针追踪惩罚。这是保持缓存友好性的最简单方法之一。 机器人多轴运动控制也是如此。第一个轴预热缓存并承受缓存未命中的影响，下一个轴的计算时间缩短了一半。 IBM Telum处理器可以验证这一点，它能够按需将L2缓存转换为L3缓存，并且L4缓存可以被任何其他CPU访问。此外，该芯片的时钟频率始终保持在 5.5 GHz。它包含十个 36 MB 的二级缓存¹，以及扩展的虚拟三级缓存（360 MB）和四级缓存（2.8 GB）。 这是一款令人着迷的芯片。与大多数架构相比，其缓存容量巨大，这让我不禁好奇这会对各级缓存的访问延迟产生怎样的影响。可惜的是，我找不到任何关于 Telum 缓存的公开延迟数据，否则我很想了解 IBM 在实际应用中是如何平衡缓存容量、交换空间距离和命中延迟的。

[caption id="attachment_70386" align="alignnone" width="2017"] Q Learning强化学习算法(机器学习/人工智能)[/caption] 强化学习（Reinforcement Learning, RL）是一种让智能体/Agent通过与环境交互、试错学习来获得最优行为策略的机器学习方法。本文用一个简单的 Q-learning 迷宫示例，帮助你快速理解强化学习的基本原理。

强化学习入门：从试错中学习的艺术 Reinforcement Learning 101: The Art of Learning by Trial and Error 深度解析强化学习：Q-Learning算法详解 Deep Dive into Reinforcement Learning: Understanding the Q-Learning Algorithm 机器如何学会自己做决定？强化学习告诉你答案 How Do Machines Learn to Make Their Own Decisions? Reinforcement Learning Explained 从奖励中学习：人工智能的“试错智慧” Learning from Rewards: The Trial-and-Error Intelligence Behind AI

一、什么是强化学习？

• Agent（智能体）：做决策、执行动作的主体
• Environment（环境）：智能体所处的世界
• State（状态）：当前环境的描述
• Action（动作）：智能体可采取的操作
• Reward（奖励）：环境反馈，用来衡量动作的好坏

二、Q-Learning 原理

• [math] \alpha [/math]：学习率（Learning Rate）
• [math] \gamma [/math]：折扣因子（Discount Factor）
• [math] r [/math]：奖励（Reward）
• [math] s' [/math]：下一状态（Next State）

三、迷宫环境设计

• 0：空地
• -1：墙
• 1：出口（目标）

四、完整 Python 实现代码

import numpy as np
import random

# 1️⃣ 定义迷宫
maze = np.array([
    [0,  0,  0, -1,  1],
    [0, -1,  0, -1,  0],
    [0,  0,  0,  0,  0]
])

n_rows, n_cols = maze.shape
actions = ['up', 'down', 'left', 'right']
Q = np.zeros((n_rows, n_cols, len(actions)))

# 2️⃣ 超参数
alpha = 0.1
gamma = 0.9
epsilon = 0.1
episodes = 500

# 3️⃣ 辅助函数
def is_valid(state):
    r, c = state
    return 0 <= r < n_rows and 0 <= c < n_cols and maze[r, c] != -1

def next_state(state, action):
    r, c = state
    if action == 'up': r -= 1
    elif action == 'down': r += 1
    elif action == 'left': c -= 1
    elif action == 'right': c += 1
    return (r, c)

def get_reward(state):
    r, c = state
    if maze[r, c] == 1: return 10
    elif maze[r, c] == -1: return -1
    return -0.1

# 4️⃣ 训练循环
for episode in range(episodes):
    state = (2, 0)
    done = False

    while not done:
        if random.uniform(0, 1) < epsilon:
            action_idx = random.randint(0, len(actions)-1)
        else:
            action_idx = np.argmax(Q[state[0], state[1]])

        action = actions[action_idx]
        next_s = next_state(state, action)

        if not is_valid(next_s):
            reward = -1
            next_s = state
        else:
            reward = get_reward(next_s)

        Q[state[0], state[1], action_idx] += alpha * (
            reward + gamma * np.max(Q[next_s[0], next_s[1]]) - Q[state[0], state[1], action_idx]
        )

        state = next_s
        if maze[state[0], state[1]] == 1:
            done = True

print("✅ 训练完成！")

# 5️⃣ 查看学到的路径
state = (2, 0)
path = [state]

while maze[state[0], state[1]] != 1:
    action_idx = np.argmax(Q[state[0], state[1]])
    next_s = next_state(state, actions[action_idx])
    if not is_valid(next_s) or next_s in path:
        break
    state = next_s
    path.append(state)

print("🗺️ 学到的路径:", path)

五、运行结果

六、总结

• Q 表：保存每个状态-动作的价值
• ε-greedy 策略：平衡探索与利用
• 奖励函数设计：引导智能体形成目标导向行为
• 强化学习思想：通过试错和奖励反馈不断改进策略

C++ 一直在不断增加新特性，以便程序员能够区分在编译时运行的代码和在运行时执行的代码。其中两个重要工具是函数 std::is_constant_evaluated()（C++20）和语言级别的 if consteval（C++23）。本文将解释这两者，展示实际示例，比较它们的保证和权衡，并建议在何时使用各自的方法。 这两种技术都允许你编写分支，根据当前的求值是在常量求值（编译时）上下文中还是运行时上下文中而表现不同。差异虽然细微，但非常重要：一个是返回布尔值的函数，另一个是编译器视为仅在编译时检查的特殊 if 语句，编译器会进行特殊处理。

std::is_constant_evaluated() (C++20)

#include <type_traits>
constexpr bool std::is_constant_evaluated() noexcept;

#include <iostream>
#include <type_traits>

constexpr int f() {
    if (std::is_constant_evaluated()) {
        return 42; // 编译时
    } else {
        return 0; // 运行时 
    }
}

int main() {
constexpr int a = f(); // 编译时求值 -> 42
    int b = f(); // 运行时求值 -> 0
    std::cout << a << ", " << b << "\n"; // 打印 "42, 0"
}

if consteval (C++23)

if consteval {
    // 仅编译时代码
} else {
    // 仅运行时代码
}

#include <iostream>

constexpr int f() {
    if consteval {
        return 42; // 编译时版本
    } else {
        return 0; // 运行时版本
    }
}

int main() {
    constexpr int a = f(); // 编译时上下文 -> 返回 42
    int b = f(); // 运行时上下文 -> 返回 0
    std::cout << a << ", " << b << "\n"; // 打印 "42, 0"
}

主要区别（总结）

• 形式： std::is_constant_evaluated() 是一个函数；if consteval 是一个语言级条件语句。
• 标准： std::is_constant_evaluated() 出现在 C++20 中；if consteval 出现在 C++23 中。
• 保证： if consteval 为编译器提供编译时保证，并拒绝编译时无法使用的 consteval 分支中的代码。 std::is_constant_evaluated() 的执行环境更为宽松：它返回布尔值，但不会强制编译器拒绝其他分支中无效的编译时构造。
• 在表达式内部使用： std::is_constant_evaluated() 可以在语句形式的 if 无法使用的表达式内部使用（例如，在三元运算符内部）。if consteval 需要语句级上下文。

具体比较示例

// if-consteval 示例
constexpr int f() {
    if consteval {
        return 1; // 仅在编译时
    } else {
        return 2; // 仅限运行时
    }
}

// std::is_constant_evaluated() 示例
#include <type_traits>
constexpr int g() {
    if (std::is_constant_evaluated()) {
        return 1; // 可能仍会编译运行时路径
    } else {
    return 2;
    }
}

// 使用 if consteval 时，编译器将拒绝无效的仅限编译时构造
constexpr int bad() {
    if consteval {
        std::cout << "compile-time"; // ❌ 错误 — 常量求值中不允许 I/O
    }
    return 0;
}

// 使用 std::is_constant_evaluated() 时，编译器会更加宽容，可能会编译通过，直到代码
// 实际用于常量表达式上下文。
#include <type_traits>
constexpr int perhaps_bad() {
    if (std::is_constant_evaluated()) {
        std::cout << "compile-time"; // 可能会编译通过；只有在 const-expr 中求值时才会出现错误
    }
    return 0;
}

使用场景

• 如果您的目标是 C++23（或更高版本），并且想要清晰的、编译时强制的分支：请优先使用 if consteval。
• 如果您必须仅支持 C++20 环境：请使用 std::is_constant_evaluated()。
• 如果您需要在表达式（而非语句）中进行检查，请使用 std::is_constant_evaluated()，因为 if consteval 是语句级的。
• 如果您希望编译器拒绝编译时无法使用的代码，if consteval 可以提供更强的保证。

实际用例

• 为编译时和运行时（快速预计算 vs 较慢的运行时）编写不同的实现逻辑）。
• 保护仅运行时操作（例如 I/O、动态分配或系统调用），以免它们被意外地用于常量求值路径。
• 在编写可在 constexpr 上下文和正常运行时上下文中使用的库时，提供更清晰、更能揭示意图的代码。

简短实用的检查清单

• 需要表达式级检查？→ std::is_constant_evaluated()。
• 想要编译器强制执行的仅编译时分支？→ if consteval。
• 仅针对 C++20？→ std::is_constant_evaluated()。
• 针对 C++23+ 并更注重清晰度和安全性？ → if consteval.

TL;DR

• 编译器将其视为仅编译时分支的语言级条件语句；
• 更强的编译时执行力和更清晰的意图。

结束语

“用树莓派打造家庭 2TB 网络硬盘” “树莓派 + WD 硬盘：轻松为孩子的 Mac 提供共享存储” “家庭文件共享不再难：自制树莓派网络硬盘” “让树莓派变身 2TB 家庭共享硬盘” “为孩子的 Mac 节省空间：树莓派网络硬盘实战”

添加网络硬盘：树莓派通过SAMBA挂接移动硬盘

准备挂接硬盘

mkdir /mnt/usb
mount -t ntfs-3g /dev/sdb1 /mnt/usb

UUID=<ID> /mnt/usb ntfs-3g defaults,uid=1000,gid=1000,umask=0000,nofail,x-systemd.device-timeout=10 0 0

SAMBA网络硬盘

sudo apt install -y samba

[usb2share]
   path = /mnt/usb
   browseable = yes
   writable = yes
   guest ok = no
   create mask = 0777
   directory mask = 0777
   valid users = pi

sudo smbpasswd -a pi

sudo systemctl restart smbd

添加网络硬盘

\\192.168.IP地址\usb2share