Origin of Ray

说起管理规划，大部分管理者并不陌生，因为管理者每半年或者每季度就需要做一次规划。有的公司叫制定KPI，有的公司叫梳理团队OKR，还有的公司叫季度规划或年度规划，总之就是要和上级约定，接下来我们要做什么，以及如何评估做的好不好，对管理者来说，这是和上级对齐的最重要的约定。

准确的说，完成团队KPI和OKR的设定，只是管理规划的一部分，因为这个只体现了上级对团队的期待，并不能完全涵盖你作为团队负责人对于管理工作的全部规划

角色认知

无论是否意识到，每一个行为背后都隐含着你对自己身份的认定

新经理的焦点在能力层，希望掌握的是管理者做好管理的能力，从而做出有效的行为来和环境进行良好的互动，也就是术的层次

新经理的上级关注的焦点是在“身份”层，他们希望新经理在理解管理者这个角色的前提下，形成符合管理者角色的信念和价值观，然后再去培养对应的能力。

目前我们已经介绍了图形学中的以下几个步骤:

• 前三个图表示的是MVP矩阵将模型上每个点的坐标转换到屏幕空间的过程
• 最后一个图表示的是，将转换后的屏幕空间中的点连接成的三角面片进行光栅化的过程，即判断每个三角面片会以影响哪些像素点

GAMES101 系列总结（一）：线性代数与模型变换中我们讲了如何通过MVP矩阵将模型上的点坐标变为$[-1,1]^3$的一个立方体之中的坐标，这篇文章我们继续介绍，如何将这个立方体中的点绘制到屏幕上。

光栅化主要分为三个部分，首先是将所有的点拆分为一个个的三角形，这个过程叫做Triangles，在这个过程中，可能出现某些三角形覆盖的位置没法用像素来表示而导致的锯齿，所以我们要做抗锯齿，这个过程叫做Antialiasin，还有就是我们从三维映射到二维的过程中，如何进行深度测试，即如何使用Z-Buffer。

最近在使用python调用gpt的sse接口并通过sse的方式返回给自己的前端。遇到了几个问题，简单记录下，也没什么代码量，但也用了大半天的时间才搞定。

• python如何返回sse
• 为什么我返回的sse中的换行符总是会丢失

我们都知道ChatGPT的接口支持流式SSE的方式进行数据返回，而前端浏览器默认提供了EventSource去接收SSE，但是问题在于，默认的EventSource只支持Get请求，切不支持任何自定义的头部，而ChatGPT的接口就是POST请求，且需要在头部携带token，于是使用了一个微软的库，我们来解释一下它的用法，源码以及从协议角度简单说一下它的源码可以运行的基础，即它的源码为什么可以工作

最近对chatgpt能够进行流式请求返回的协议产生了一点好奇，于是就去了解了一下，一开始我以为是HTTP2，或者是WS协议，后来发现都不是，而是一种叫做SSE（Server-Sent Events）的协议。

最近开始重新系统学习计算机图形学的知识，于是目光放到了GAMES101，一边看，一边做，一边总结吧。这次总结下线性代数的基础知识，以及游戏中是如何做模型变换的。最后完成一下作业1.

之前做了个关系图谱的需求，因为导出png等图片放大会失真，所以希望导出为矢量图。但是G6自带的导出图谱功能再Canvas模式下无法导出为SVG，而SVG模式又有很多特性不支持，所以就想办法能不能把Canvas导出为SVG了。

贪心算法是比较常见的一种算法，贪心的本质是选择每一阶段的局部最优，从而达到全局最优。而模拟退火算法比较常见于人工智能当中。

这两种算法之所以放在一起考虑是因为，模拟退火算法像是加强版的贪心算法。

如果一个问题的每一步的局部最优解无法得到全局最优解，我们常规前后端程序员的算法思维想到的是动态规划。

但是对于AI开发来讲，参数可能是上亿级别的，根本没有办法动态规划，这个时候就可以尝试用模拟退火算法以一定概率跳出这个局部，去整体中找到一个更优的答案，但是，其实这种算法也不像常规算法一样，会得到一个必然的结果。

本文把两种算法放在一起进行总结和比较，看看他们分别适用于什么情况，以及如何使用。