给简历写一个生成器:从主页数据到 A4 PDF
每次投申请,简历都要改一遍:这个岗位多放两个项目,那个项目砍掉一段经历;中文版、英文版、法文版各改一次。主页上的数据明明是现成的,简历却要手工维护,时间一长两边就对不上。 于是有了 /cv/:一个只给自己用的简历生成器。左边勾选语言和条目,右边实时预览 A4 纸面,点一下直接下载 PDF。这篇文章记录它是怎么搭起来的,以及中间踩到的几个坑。 一、数据从哪来 站点的首页本身是数据驱动的:教育、实习、项目、竞赛、技能、链接分别放在 data/<lang>/sections/*.yaml 里,Toha 主题负责渲染。简历生成器没有另起一套数据,而是在构建时把三种语言的这些 YAML 直接嵌进页面: {{- $langs := slice "zh-cn" "en" "fr" -}} {{- $cvData := dict -}} {{- range $lang := $langs -}} {{- $entry := dict -}} {{- $d := index site.Data $lang -}} {{- $sec := $d.sections -}} {{- range $key := slice "about" "education" "experiences" "projects" "competitions" "achievements" "skills" "connect" -}} {{- $entry = merge $entry (dict $key (index $sec $key | default (dict))) -}} {{- end -}} {{- $cvData = merge $cvData (dict $lang $entry) -}} {{- end -}} 这样只有一处真相:主页改了什么,简历里就有什么。三个语言版本也天然一致,不需要各自维护。 二、一个不显眼的坑:script 标签里的 JS 上下文 第一版把所有数据渲染进 <script type="application/json">,结果页面里的 JSON 完全解析不了,打开看是这样一个东西: "{\"en\":{\"about\":{\"badges\":[...]" 整段 JSON 被多包了一层引号,里面的引号全被转义了。原因不在 jsonify,而在 Go 模板的上下文感知转义:模板引擎看到输出位置在 <script> 标签里,会按 JavaScript 字符串字面量的规则来转义,于是把整段 JSON 当成一个字符串,套上引号。 修复只需要一个过滤器: <script id="cv-data" type="application/json">{{ $cvData | jsonify | safeJS }}</script> jsonify 保证输出是合法 JSON,而 JSON 本身就是合法的 JS 字面量;safeJS 告诉模板引擎「这段内容已经是安全的 JS,别再包一层」。这个坑在任何 Hugo 站点里往 <script> 注入 JSON 时都会遇到,值得记一笔。 三、勾选、排序与记忆 左侧面板按板块分组:每个板块可以整组开关、上下移动;组内每个条目也可以单独勾选、排序。状态结构大致是: state = { lang: 'zh-cn', contact: true, avatar: true, style: { size: 'md', font: 'sans', layout: 'single' }, groups: { 'zh-cn': { projects: { enabled: true, selected: [...], order: [...] } } }, groupOrder: {} } 整个对象序列化进 localStorage。数据文件以后新增条目时,旧的选择状态长度对不上,就对该组回退为默认全选——不会因为索引错位丢内容。 2026.11.18
2分钟
→
给静态博客接上评论区:giscus、主题同步与三个配色坑
这个站是 Hugo 生成的纯静态站点,托管在 GitHub Pages 上。没有服务器,也就没有地方存评论。想加评论区,绕不开一个问题:数据放在哪。 最后选了 giscus:评论存在 GitHub Discussions 里,前端只加载一个 iframe。这篇文章记录选型、接入过程,以及真正花时间的部分——让评论区和站点主题看起来像一家人。 一、静态站点为什么不能自己写评论 传统做法是「表单 → 后端 → 数据库」。GitHub Pages 只发文件,没有运行时,这条链路走不通。 可行的路线只剩三类: 第三方托管评论:Disqus、giscus、 utterances。 自建 Serverless 后端:Twikoo、Waline,前端 + 云函数 + 数据库。 不叫评论:邮件、Formspree 之类的留言表单。 Disqus 广告和追踪太多,国内访问也不稳定,先排除。Twikoo/Waline 能匿名留言,但要维护 Vercel、数据库和审核后台,对现在的需求偏重。 giscus 的取舍很明确:访客必须有 GitHub 账号,换来的是零后端、零数据库、无广告,评论天然归档在 Discussions 里。 二、giscus 的最小接入 先准备一个公开仓库专门放评论,例如 yicongl1/site-comments。源码仓库是私有的,不能拿来当评论仓库,否则 giscus 读不到。 步骤只有四步: 新建公开仓库; Settings → Features 勾选 Discussions; 新建分类,例如 Comments(类型选 Announcements 即可,讨论由 giscus App 创建); 安装 然后在 填仓库,拿到两个 ID: data-repo-id: "R_kgDO..." data-category-id: "DIC_kwDO..." Toha 主题本身带 giscus partial,把配置写进 hugo.yaml 就能用: 2026.11.18
2分钟
→
SY02:用 R 把概率论与数理统计跑一遍
SY02 是 UTC 城市工程专业的一门概率论与数理统计课。它不像纯数学课那样只推公式,而是要求把每一个结论都用 R 跑出来:模拟、估计、检验,最后对着输出解释「为什么是这样」。结课之后我把七个 TP(Travaux pratiques,实践课)的代码和笔记重新整理成了一个公开档案:yicongl1/sy02-statistiques-r。 这篇文章不是课程讲义的搬运,而是我自己的一份复盘:从描述统计一路走到假设检验,记录每个 TP 到底在练什么、R 里对应的函数是什么、以及那些当时卡住我的地方。 说明:课程讲义、题目与答案的著作权归授课教师和学校所有,仓库里只保留我自己写的 R 代码和课程提供的数据,不发布任何课件 PDF。 一、为什么值得单独建一个仓库 概率统计最容易「看懂」却「不会用」。公式背得下来,换一组数据就不知道从哪下手。我把 SY02 拆成七个独立的 TP 文件夹,每个文件夹都有一份中法双语的 README,写清四件事: 这一节的学习目标; 每个文件负责什么; 核心公式与它在 R 里的落点; 怎么运行、应该看到什么。 这样做的好处是,半年后回来复习时,不需要重新翻课件,只要打开对应 TP 的 README,就知道当时验证的是哪个结论。 二、仓库结构 SY02/ ├── 01-r-basics/ # R 入门与描述统计 ├── 02-probabilities/ # 概率分布与模拟 ├── 03-estimation/ # 点估计与最大似然 ├── 04-confidence-intervals/ # 置信区间与覆盖率 ├── 05-linear-regression/ # 线性回归与诊断 ├── 06-hypothesis-tests/ # 假设检验与功效 ├── 07-tp7-modification/ # 综合修改练习 └── 08-revisions/quiz/ # 计分测验 七个 TP 加一次测验,基本覆盖了从「把数据看明白」到「对数据下判断」的完整链路。 2026.11.18
3分钟
→
17 个任务、8 个人、5 份周计划:无人机项目的项目管理课
同一学期,同一个题目,我们交了两份东西:一份是飞起来的无人机,另一份是项目管理课的交付物。前者在赛场上拿了上海市特等奖;后者留在仓库的 05_项目管理课程/ 里——甘特图、PERT、RACI、五份周计划、一份 211 人的问卷,以及一场差一点没做完的答辩视频。 这门课在学业档案里的记录:项目管理(23005512)。 这篇文章不看飞控,只看这个项目是怎么被管的。 项目管理课的小组海报:产品定位、优势、调研与展望。GitHub 仓库 05_项目管理课程/小组作业/group/final/ 下有原图。 一、先拆任务,再谈时间 课程给的方法很直接:先把项目拆成任务(WBS),每个任务写清名称、工期、前置任务、执行人,然后才画图。我们最后拆出 17 个任务,总共 290 人时: 阶段 任务 工期 前置 SP1 创建 T1 选题 4 h — T2 无人机行业调研 6 h T1 T3 消费者需求分析(问卷) 4 h T2 T4 产品定位 6 h T3 SP2 规划 T5 概念模型 16 h T4 T6 技术实现方案 20 h T5 T7 团队组建与分工 8 h T6 T8 成本估算与控制 6 h T7 T9 风险识别与评估 14 h T8 SP3 执行 T10 机械结构制作 60 h T6 T11 软件与算法开发 60 h T6 SP4 跟踪 T12 产品测试与优化 20 h T10、T11 SP3 执行 T13 宣传物料(海报、传单) 16 h T12 SP5 运维 T14 售后与维护方案 20 h T12 SP6 收尾 T15 三分钟短片 12 h T12 T16 答辩录像 10 h T12 T17 项目验收 8 h T13、T14 两个 60 h 的任务(T10、T11)都挂在 T6 后面,彼此不互为前置;测试 T12 必须等两边都完成。这张表后来成了甘特图和 PERT 的唯一数据源——图是表的投影,不是另外一份工作。 2026.11.13
2分钟
→
从相关性热力图到系统动力学:BEST 项目的多尺度框架
上一篇讲的是怎么从 560 篇文献里整理出两套指标。这一篇讲后半段:指标之间是什么关系,以及怎么把关系变成一个可以讨论的多尺度框架。 先看相关性,但不要急着解释 我用 OECD Better Life Index 的 22 个指标做了一张 Pearson 相关矩阵。数据是“国家 × 指标”的长表,透视后计算相关,再用 seaborn 画热力图。 pivot = df.pivot(index="country", columns="indicator", values="value") corr = pivot.corr(method="pearson") sns.heatmap(corr, cmap="coolwarm", center=0, annot=True, fmt=".2f") 22 个 OECD 指标的相关性热力图。红色为正相关,蓝色为负相关。 几条强关系: 关系 r 可能的解释 预期寿命 ↔ 缺乏基础设施的住房 −0.85 卫生设施不足影响健康 个人收入 ↔ 生活满意度 +0.80 财务稳定与主观福祉相关 失业率 ↔ 技能水平 −0.68 资质与就业能力相关 这些关系符合常识,可以作为“指标体系没有明显跑偏”的证据。但热力图只能告诉我们“一起变化”,不能告诉我们“谁导致谁”。 一个异常值得保留:水质与就业率、生活满意度强相关。它更可能是国家样本结构造成的——高收入国家同时有更好的水质和更高的就业率。把这种关系直接写进模型,会得到错误的政策建议。 相关性之后,为什么还需要系统动力学 相关矩阵是静态的:它描述同一时点的变量关系,但没有反馈、存量和时间延迟。 BEST 要讨论的是“领土系统均衡”,它至少包含三个互相影响的子系统: 人口:迁移、年龄结构、住房需求; 住房:供给、价格、空置; 经济活动:就业、企业、通勤。 Forrester 1969 年的城市动力学用存量、流量和反馈回路描述这些关系。我在 Vensim 里做的不是完整仿真,而是把关键变量和反馈方向画出来,作为概念模型的一部分: 2026.11.13
1分钟
→
560 篇文献之后:把领土系统、福祉与平衡变成指标
BEST 项目要回答的问题很宏大:一个领土系统怎样才算“均衡”?但落到研究助理的日常,它先变成三个更小的问题: 领土系统由哪些部分构成? 福祉由哪些维度构成? 均衡用什么来观测? 这三个问题各自需要一套文献综述,最后还要落到可以计算的指标上。这篇记录我在 TN09 里做这三步的方法,以及最后得到的两套指标表。 先做三份综述,而不是一份大综述 “领土系统”“福祉”“均衡”看起来属于同一个话题,但它们的文献传统完全不同:城市动力学、福祉经济学、区域规划、公共政策各自有一套词汇。如果混在一个检索式里,结果会被数量最多的领域淹没。 所以我把它们拆成三份独立的 PRISMA 综述: 主题 分析篇数 主要问题 领土系统 360 领土如何组织?在哪些尺度上? 福祉 120 居民福祉由哪些维度构成? 领土均衡 80 哪些杠杆能带来协调发展? PRISMA 的流程本身不复杂: 识别研究 → 去重 → 标题/摘要筛选 → 全文阅读 → 纳入/排除 难的是保持一致:同一篇文章在不同阶段被不同标准判断,最后就会得到不可复现的语料。我用了三样东西来控制: 一套固定的检索式与数据库(Scopus、Google Scholar、HAL、PROSPERO); 一张纳入/排除表,每篇文章记录“相关 / 部分相关 / 不相关”及理由; Zotero 管理引用、注释和交叉引用。 最后得到 560 篇的语料。这个数字不是成果本身,真正的成果是:每篇文章都能追溯为什么被纳入。 把概念变成指标 综述回答“概念是什么”,指标回答“怎么观测”。两者之间需要一次翻译。 领土系统:134 项可持续指标 Agenda 21 提供了 134 项城市可持续指标。我把它们按四个维度分类: 经济:生产率、增长、消费、基础设施、交通、住房; 社会:人口、教育、健康、贫困; 环境:水、空气、土地、生态; 制度:治理、参与、规划能力。 然后补充法国本地数据源(INSEE、ADEME、eaufrance、ATMO France、部委),把“概念指标”变成“可采集指标”。 福祉:OECD Better Life Index 的 11 个维度 福祉更容易被当成一个主观词。OECD 的 Better Life Index 把它拆成 11 个维度: 2026.11.13
1分钟
→
用 OpenCV 找吊顶开口:颜色分割、blackhat 与网格异常单元
在 TN10 实习里,我试着回答一个很具体的问题:一张现场照片,能不能自动变成整改项需要的“位置”? 答案是可以,但只能到“候选区域”为止。这篇拆两条 OpenCV 流水线:一条用红色标注验证基本链路,一条在真实吊顶场景里找开口。两条都刻意保持保守:输出候选框,不输出“这是缺陷”的结论。 案例 A:红色标注作为代理 第一条流水线不是检测缺陷,而是验证“分割 → 轮廓 → 定位”这条路能不能走通。测试图上有一个人工红圈,代码把它当成待定位的区域。 核心步骤: hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) # 红色在 HSV 中横跨 0 和 180 两端 mask = cv2.inRange(hsv, (0, 80, 80), (10, 255, 255)) | \ cv2.inRange(hsv, (170, 80, 80), (180, 255, 255)) kernel = np.ones((5, 5), np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1) contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) 然后过滤面积过小的轮廓,把主轮廓转成 (x, y, w, h) 外接矩形。 案例 A:红色标注被转成候选外接矩形。它验证的是链路,不是缺陷检测器。 这条链路在信号强、背景简单时很稳定。但它的局限也写在代码注释里:它检测的是人工标注,不是缺失的喷淋装饰圈本身。换一张没有红圈的现场照片,它就失效了。 案例 B:不依赖标注的吊顶开口 吊顶场景更难:没有人工标注,开口可能被阴影、管线、灯具和透视变化干扰。我的做法不是直接找“暗色区域”,而是先理解吊顶的网格结构,再看哪些格子不正常。 1. 用 blackhat 强化深色接缝 吊顶的接缝是细长的深色结构。用一个宽矩形核做 blackhat,可以保留这种“比周围暗的细长区域”,同时压掉大面积的亮度变化: 2026.11.13
1分钟
→
整改项为什么会失效:从「通用整改项」到 OPR 复核
在施工管理里,整改项(réserve)看起来只是一条记录:哪里有问题、谁去改、改完打勾。真正进入 OPR(竣工验收准备)阶段后,问题会变得很具体:同样的缺陷在几十个办公隔间里重复出现,记录数量迅速上升,而复核的人手没有增加。 这篇拆一下我在 TN10 实习里观察到的核心矛盾:录入越省事,复核越费事。以及为什么“定位”不是一个可选的细节,而是整改项能不能成立的前提。 一条整改项至少要回答五个问题 一条可执行的整改项,必须能让人在不问你的情况下采取行动: 在哪里:楼层、区域、图纸、参照点; 是什么:足够明确的技术描述; 谁负责:专业分包与施工单位; 何时完成:期限或截止日期; 证据:照片、状态历史、验收记录。 少任何一项,现场就会开始“找人、解释、补照片、重新确认”。在重复性办公空间里,这种沟通成本会被数量放大。 通用整改项:省了录入,丢了定位 为了减少录入,常见做法是把多个同类问题合并成一条 “通用整改项”(réserve générale): “34–39 层所有缺少喷淋装饰圈的点位,请统一整改。” 纸面上看,一条记录覆盖了几十个点,效率很高。现场却会出现三个问题: 施工单位处理了一部分,忘了另一部分; MOE 不知道最初到底有多少个点,无法判断是否全部闭合; 整改项没有精确位置,复核只能靠“再巡一遍”。 于是,录入节省的时间被转移到复核、催办和争议处理上。最坏的情况是:记录显示“已整改”,现场仍然有缺失,但没有人能证明漏了哪几个点。 定位不是录入细节,而是控制手段。 没有位置,就没有可验证的完成标准。 把整改项做成结构化数据 在 TN10 里,我用 IDCapture 把现场问题结构化成一张可跟踪的工单: 位置:楼层、区域、图纸/点位; 专业包(lot)与施工单位; 技术描述; 期限或截止日期; 照片; 状态:待整改 / 企业已整改 / MOE 已验收 / 有争议 / 拒绝。 这套结构的关键不是“字段多”,而是每个字段都对应一个动作: 位置决定施工单位能不能找到; 专业包决定找谁; 期限决定什么时候催; 状态决定这条记录有没有真正闭合; 照片决定争议时谁有证据。 统计也围绕这些字段做:按企业看问题集中度,按楼层/区域看返工组织,按时间看 OPR 的整改与验收节奏。统计的目的不是做报表,而是决定下一周把精力放在哪里。 三个容易忽略的现场细节 1. 状态不等于完成 “企业已整改”和“MOE 已验收”是两件事。很多项目只统计前者,导致“完成率”看起来很好,但现场仍有大量未复核的点。真正应该盯的是已验收关闭的数量。 2. 通用项要拆回点位 如果业务上必须使用通用整改项,至少要保留每个发生点的定位,或者要求施工单位按点位回报。否则“通用”会变成“到处都有,等于哪里都没有”。 3. 工具落地比工具本身难 账号、角色、图纸切分、session、三级校验流程、培训,任何一项没做好,工具就会退化成“存照片的地方”。在 TN10 里,工具落地本身就是一项独立工作,不是 IT 部门配好就能用。 2026.11.13
1分钟
→
从 KMP 到关键路径:把 36 个数据结构实验串成一张图
数据结构课的内容很容易学成散点:线性表、栈、队列、串、树、图,每一章都有一堆算法。真正有用的时刻,是你能把它们连起来——知道 KMP 的失效函数和树的递归、图的拓扑排序共享同一种“用结构换时间”的思路。 这份仓库把第 3–7 章整理成 36 个专题模块,每个模块一个头文件加一个可运行的 Test*.cpp。这篇挑三个点,串一下从串到图的路径。 KMP:失效函数到底在记什么 朴素匹配在失配时把模式串整体右移一位,KMP 则利用“已经匹配过的前缀”直接跳到下一个可能的位置。核心是失效函数 f[]: void GetFailure(const String &pat, int f[]) { f[0] = -1; int j = 0, k = -1; while (j < pat.GetLength() - 1) { if (k == -1 || pat[k] == pat[j]) f[++j] = ++k; else k = f[k]; } } f[j] 的含义是:pat[0..j-1] 的最长相等真前缀与真后缀的长度。匹配失败时,j = f[j] 把模式串向右滑到“已经匹配的后缀还能继续用”的位置,而不是从头再来。 匹配循环: while (i < ob.GetLength() && j < pat.GetLength() && pat.GetLength() - j <= ob.GetLength() - i) { if (j == -1 || pat[j] == ob[i]) { i++; j++; } else j = f[j]; } 最后一个条件 pat.GetLength() - j <= ob.GetLength() - i 是提前退出:目标串剩下的长度已经不够模式串,没必要再比。时间复杂度 O(n + m),空间 O(m)。 2026.11.12
2分钟
→
C++ 模板数据结构:顺序表、链表、栈与队列的泛型边界
数据结构课的第一道坎不是算法,而是“同一份代码怎么同时装下 int、double、string 和自定义类型”。C 里通常靠 void* 加强制转换,C++ 里更自然的答案是模板。 这份课程仓库里,顺序表、链表、栈、队列、二叉树、图都用了 template <class ElemType>。写模板和写普通类有一点点不同:错误会推迟到实例化那一刻才出现。这篇从顺序表讲起,顺便看一个只在实例化时才暴露的笔误。 顺序表的骨架 SeqList 的数据成员只有三个: template <class ElemType> class SeqList { protected: int length; // 当前长度 int maxLength; // 最大容量 ElemType *elems; // 连续存储空间 public: SeqList(int size = DEFAULT_SIZE); SeqList(ElemType v[], int n, int size = DEFAULT_SIZE); virtual ~SeqList(); int GetLength() const; bool IsEmpty() const; void Clear(); Status GetElem(int i, ElemType &e) const; Status SetElem(int i, const ElemType &e); Status DeleteElem(int i, ElemType &e); Status InsertElem(int i, const ElemType &e); Status InsertElem(const ElemType &e); // ... }; 几个设计点: 容量固定:构造时申请 size 个元素的空间,满了返回 OVER_FLOW,不会自动扩容。这符合课程对“顺序存储”的定义,也逼着调用方考虑容量。 下标从 1 开始:GetElem(i) 里实际访问 elems[i - 1]。这是教材习惯,不是 C++ 习惯;接口注释必须写清楚,否则调用方很容易越界。 状态码而不是异常:SUCCESS、RANGE_ERROR、OVER_FLOW、NOT_PRESENT 都是 Status 枚举值。插入/删除的每一步都要检查返回值,错误不会被静默吞掉。 插入的实现很典型: 2026.11.12
2分钟
→
用 C 写 Gram–Schmidt:49 行代码里的内积、归一化与列主序
MATLAB 写 Gram–Schmidt 只需要几行,因为 dot、norm 和整列运算都是现成的。换到 C 里,所有东西都要自己落地:矩阵怎么存、内积怎么写、归一化怎么避免除零、输出怎么和 MATLAB 对齐。 仓库里的 main.c 只有 49 行,但正好把“数学公式变成可执行程序”的几步都走了一遍。 输入与存储 程序先读两个整数: int x, y; scanf("%d%d", &x, &y); 约定 x 是列数,y 是行数。接下来逐行读入矩阵: for (int i = 1; i <= y; i++) for (int j = 1; j <= x; j++) scanf("%lf", a[j] + i); 注意这里存的是 a[j][i],不是 a[i][j]:第一个下标是列,第二个是行。也就是说,读入时顺手转置了。这样 a[i] 指向的是第 i 列,列内的 x 个元素在内存里连续,后面按列做内积和减法时循环顺序更自然。 代价是下标必须从 1 开始,a[0] 那一行/列空着不用;对于 100×100 的 double,两个数组约占 160 KB,放在栈上不算小,但在这个规模下能跑。 两个子程序 内积: double produitscalaire(double a[], double b[], int l) { double s = 0; for (int i = 1; i <= l; i++) s += a[i] * b[i]; return s; } 归一化: 2026.11.12
2分钟
→
经典 Gram–Schmidt 与修正版:同样的公式,误差为什么差十几个数量级
Gram–Schmidt 有两个版本。教科书通常先讲经典版(CGS),再提一句“数值上更推荐修正版(MGS)”,然后继续往下写。但这个“更推荐”到底值多少?在什么矩阵上会出事?出事时误差有多大? 这个课程项目用 MATLAB 和 C 把两个版本都实现了一遍,然后用病态矩阵和随机矩阵把差异量出来。结论比“MGS 更稳”具体得多。 两个版本只差一个下标 经典版对第 k 个向量一次性减去它在所有已构造正交向量上的投影: u_k = v_k - Σ_{j<k} <v_k, u_j> u_j 修正版把投影拆开,每减一次就更新当前向量: v_k ← v_k - <v_k, u_j> u_j, j = 1..k-1 精确算术下两者完全等价。MATLAB 代码也只差一个字母: % CGS:内积始终用原始列 a(:,i) b(:,i) = b(:,i) - dot(a(:,i), b(:,j)) / dot(b(:,j), b(:,j)) * b(:,j); % MGS:内积用已经更新过的 b(:,i) b(:,i) = b(:,i) - dot(b(:,i), b(:,j)) / dot(b(:,j), b(:,j)) * b(:,j); CGS 的每一次投影都基于“原始向量”,所有投影系数一次性算完;MGS 的每一次投影都基于“被前一次投影修改过的向量”。这个顺序差异,决定了舍入误差会不会被后续步骤放大。 为什么会丢精度 把向量 v_k 投影到已构造的正交基上,本质是在做减法。如果 v_k 与某个 u_j 几乎平行,投影项就非常接近 v_k 本身,两个相近的大数相减会产生严重的相消(cancellation),有效数字大量丢失。 2026.11.12
1分钟
→