AI 编码代理的持久化记忆层
Beads 是一个基于 Dolt 的分布式图结构问题追踪器,为 AI 编码代理提供持久化、依赖感知的结构化记忆,替代易丢失上下文的 Markdown 计划文件。对正在构建长周期任务代理的团队来说,这是解决"做着做着就忘了"问题的关键基础设施。
Bartosz Ciechanowski 创建了交互式网站 float.exposed,将浮点数的二进制表示、指数、尾数等内部结构可视化展示。AI 工程师调试数值精度问题(如训练 loss 异常、梯度爆炸)时,能直观看到 float16/32/64 的实际存储差异。
这篇2019年的文章最近被顶上来,大概率跟 LLM 训练里 fp8/fp16 混合精度的调试痛点有关。很多团队遇到 loss spike 或梯度 NaN 时,靠盲试 bf16 或 full fp32,其实根本原因是没理解 subnormal number、rounding mode 和 exponent bias 的相互作用。
Ciechanowski 的可视化工具比直接读 IEEE 754 文档直观十倍,尤其适合做量化压缩和自定义 CUDA kernel 的工程师。建议配合他另一篇讲光线追踪的文章一起看,同一个作者,把底层机制讲透的风格一脉相承。