技术

agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办？ 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办？ Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用？ 串一串一致性协议 当我在说PaaS时，我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂？ 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践（二） Thrift基本原理与实践（一） 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring（八） 支持AOP 自己动手写spring（七） 类结构设计调整 分析log日志 自己动手写spring（六） 支持FactoryBean 自己动手写spring（九） 总结 自己动手写spring（五） bean的生命周期管理 自己动手写spring（四） 整合xml与注解方式 自己动手写spring（三） 支持注解方式 自己动手写spring（二） 创建一个bean工厂 自己动手写spring（一） 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象（LLM）？ 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

Container 23

Concurrency 14

Life 41

Tool 8

Algorithm 8

JVM 10

Go 21

Kubernetes 65

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时，我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

Other 5

Network 15

Python 7

Java 20

Spring 17

Netty 10

Storage 24

Distribute 9

MQ 8

WEB 5

Linux 11

Scala 1

Code 9

MachineLearning 74

agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象（LLM）？ AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

Practice 16

RPC 6

Compute 11

Architecture 20

DDD 6

Reactive 5

Basic 13

Product 3

Monitor 7

CPP 2

Mesh 12


编程语言那些事儿

2018年08月15日

简介

编程语言本就是人类控制计算机的指令，语法规则等方面自然大同小异。

赵海平与张宏波谈编程语言

  1. 一般来说一门语言，它的本质就是提供一些 API 和运行时，让你可以在之上做一些事情，比如让你操作GPU。另外一个，它是给你提供一种抽象机制，它可以让你做模块化的编程。像最早的汇编，它没有 function，所以它基本上没有任何抽象机制，你很难做大规模的模块化编程。
  2. 如果你去学校学一个语言的话，可能你应该去学 Java ，为什么呢？因为 Java 它的设计非常 formal 、正规，非常的 canonical。 PHP 的很多的设计，有一些随意性，有一些 on the fly ，比如我今天在这写的时候，就这样定义，结果一下子就错了好多年。理解语言一定去理解和了解它的来龙去脉，Facebook 没有那么在意代码一定要写得非常的完美，为什么呢？是因为当时大家也不知道网站应该建成什么样子，也许第二天代码就被删掉重新写了，所以你去过度的 polish 打磨代码，有的时候反而还不如快速写完，叫所谓快速迭代的过程。所以 PHP 就跟 Facebook （当时的）研发的模式恰好很匹配，大家也没有那么强的抱怨。
  3. go是第一个主流语言把 structuraltyping 用在工业语言当中。 为什么 Google 要去做 Golang 呢？是因为我们在这个过去的五到十年里面，就发现了实际上绝大多数的公司在写什么呢？在写分布式计算。特别常见的情况是我调你、你调它，它调它。团队大了之后拆分 engineering task 拆分完了之后，我就要 RPC 调用对吧？很多的 application 就变成了所谓的 IO intensive 的这种形式，20 年前的话，很多的软件都是在做大量的计算对吧，没有太多的 RPC 因为都在一个机器上进行。 IO多了，问题就来了，你的线程模型是什么？一个io一个线程不行，最后就发现了一定要用比如说 epoll 这种模型，要搞 user thread ，让其他的人都能够很快的去跳到这个模型上，所以他才把 goroutine （协程）这个概念变成了 first classcitizen ，所以其实人家的本意是在这里。
  4. 程序语言就跟这个人生一样，只有选择没有对错。go没有 exception ，我写 C++ 的话，我觉得 exception 还是很有用的，让很多的那个代码变得很整洁，Go 的话就不行，一定要 return 一个 error 。这样选择的目的是因为 exception 是一个性能损耗点，那我要快，为了极致的性能，对不起你们所有写 Go 语言的人，你们自己累一点。你可以不同意这个取舍。但是没办法，这个语言是人家发明的，人家帮你做了一个决定
  5. 从 industrial（工业）的角度去思考编程语言，有两件事情，目前它做的不是特别的好，或者说还做不到，或者说不在语言的范畴之内
    1. 一个就是数据库，一个语言在访问数据库的时候，很多的有所谓的 data binding ，这个 problem 要解决。有 serialization（序列化）、deserialization（反序列化），有好多类似这样这方面的问题，它并没有把数据库、database 或者 data 的很多东西囊括在语言里面。为什么这两个 camp 的人不能在一起，为什么不把两个东西搞在一起？
    2. 分布式计算。目前还没有一个语言说它能够凌驾在众多的机器之上。我去写一个程序，这个程序咔嚓一下，在几千几万个机器上跑。那当然我们有类似的系统，比如说 map-reduce，但是它没有上升到语言这个层面。它没有说我今天字节只需要一个语言就好了，你们都不要去这写这个写那的什么 server 一个 client 一个，就一个语言，我写一个程序下来，然后一下 deploy 到所有不同的机器上跑。这个问题是有意义的。为什么呢？因为我们微服务实际上是一个很大的调用链。一个服务调其他的，其他服务又调更多的服务，它是一个树状的 call tree，它是有 dependency 的，但是还没有一个语言能够把完整的把整个的 call tree 给描述出来，如果真的可以描述出来的话，那 compiler （编译器）就可以去优化这棵树。我怎么样去优化让整个的调用是最 efficient 的，可是语言并没有回答这个问题，现在情况是，留给大家自己去做一些调度也好，或者自己去做一些优化也好，或者用 WebAssembly 让这个不同的微服务之间有一些 inter-operation。

几个问题

比如我们在学习一门新的语言的时候，可以考虑以下几个问题：

  1. 这门语言是强类型的吗？编译器是否会对语言类型进行严格检查， 或者说 是否只能同类型变量进行操作。
  2. 这门语言是动态类型吗？类型是编译期还是运行期检查的，变量的类型是否可以更改。
    1. 比如 Python 和 JavaScript，因为在编译期间缺少类型提示，编译器无法为对象安排合理的内存布局，所以它们的对象布局相比 Java/C++ 等静态类型语言会更加复杂，同时这也会带来性能的下降。
  3. 它支持多少种内建类型呢？
  4. 它支持结构体吗？
  5. 它支持字典 (Recorder) 吗？
  6. 它支持泛型吗？ 现代编程语言需要泛型

类型系统

为什么要有类型系统

类型是对数据做的一种分类，定义了能够对数据执行的操作、数据的意义，以及允许数据接受的值的集合。编译器和运行时会检查类型，以确保数据的完整性，实施访问限制，以及按照开发人员的意图来解释数据。类型系统是一组规则，为编程语言的元素分配和实施类型。这些元素可以是变量、函数和其他高级结构。类型系统通过两种方式分配类型：程序员在代码中指定类型，或者类型系统根据上下文，隐式推断出某个元素的类型。类型系统允许在类型之间进行某些转换，而阻止其他类型的转换。

  1. “系统”一词由来已久，在古希腊是指复杂事物的总体。到近代，一些科学家和哲学家常用系统一词来表示复杂的具有一定结构的整体。在宏观世界和微观世界，从基本粒子到宇宙，从细胞到人类社会，从动植物到社会组织，无一不是系统的存在方式。
  2. 控制论告诉我们，负反馈就是系统稳定的机制，一个组织系统之所以能够受到干扰后能迅速排除偏差恢复恒定的能力，关键在于存在着“负反馈调节”机制：系统必须有一种装置，来测量受干扰的变量和维持有机体生存所必需的恒值之间的差别。例如，一个实时系统复杂性任务的约束，包括时间约束、资源约束、执行顺序约束和性能约束。
  3. 类型系统，就是复杂软件系统的“负反馈调节器”。通过一套类型规范，加上编译监控和测试机制，来实现软件系统的数据抽象和运行时数据处理的安全。

在低层的硬件和机器代码级别，程序逻辑（代码）及其操作的数据是用位来表示的。在这个级别，代码和数据没有区别，所以当系统误将代码当成数据，或者将数据当成代码时，就很容易发生错误。这些错误可能导致系统崩溃，也可能导致严重的安全漏洞，攻击者利用这些漏洞，让系统把他们的输入数据作为代码执行。类型为数据赋予了意义。类型还限制了一个变量可以接受的有效值的集合。

类型系统层面上的动态性

根据类型检查发生的时间，我们可以把计算机语言分为两类：

  1. 静态类型语言，全部或者几乎全部的类型检查是在编译期进行的。因为编译期做了类型检查，运行期不用再检查类型，性能更高。像 C、Java 和 Go 语言，在编译时就对类型做很多处理，包括检查类型是否匹配，以及进行缺省的类型转换
  2. 动态类型语言，类型绑定到值，类型的检查是在运行期进行的。动态类型不会在编译时施加任何类型约束。日常交流中有时会将动态类型叫作“鸭子类型”（duck typing），代码可按照需要自由使用一个变量，运行时将对变量应用类型。

泛型编程

对于List[int]，其中List就是泛型（Generic Type）。List[int]合一块儿叫具体类型（Concrete Type）。用List这个泛型，生成List[int]这个具体类型的过程叫做参数化 （Parameterization）

来自陈皓《左耳听风》笔记

编程语言的本质是帮助程序猿屏蔽底层机器代码，使得我们可以更为关注业务逻辑代码。

programming paradigm，范即模范之意，是一类典型的编程风格，不同的风格解决的都是同一个问题：如何写出更为通用、更具可重用性的代码或模块。

作者提供了一个视角，从“程序=算法 + 数据结构”出发，从语言对泛型的支持来看待语言的演化：泛型编程的支持。逻辑重用 ==> 算法复用性高 ==> 数据结构标准化 ==> 类型泛型。简单说就是让数据结构 迁就算法。

  1. 对于程序=算法 + 数据结构，C语言有以下问题：一个通用的算法，需要对所处理的数据的数据类型进行适配。
  2. C语言的伟大之处在于 程序猿可以在高级语言的特性之上还能简单的做任何底层上的微观控制。但在编程这个世界中，更多的编程工作是解决业务上的问题，而不是计算机的问题。
  3. C++的作者有一本书《C++语言的设计和演化》这本书系统介绍了C++诞生的背景和初衷： 早先很多是对C的强化和净化 ==> 用引用解决指针问题；用class来解决对象的创建、赋值、销毁等问题（C指针干这些都要手动）。泛型编程是C++的重点

  4. 理想情况下，算法应是和数据结构以及类型无关的，各种特殊的数据类型理应做好自己分内的工作。算法只关心一个标准的实现。而对于泛型的抽象，我们需要回答的问题是：如果我们的数据类型符合通用算法，那么对数据类型的最小需求是什么？

    • 减少自定义数据类型 与 内建数据类型的差异。比如漏出构建、析构、克隆等函数 的hook交由语言自动执行，类似int自动帮你初始化为0.
    • 减少自定义数据类型之间的差异。List、Set 抽象为Iterator，而调用Iterator.next 可以按照实际的数据类型反应。从泛型的角度理解Iterator 的价值
  5. 使用动态类型语言写sum(x,y)貌似没有泛型的问题，但在你要明确类型时又很难受，比如将一个不知道什么类型的x转为一个数字。

一个良好的泛型编程需要解决 几个问题

  1. 算法的泛型，将sum 和max、min等都抽象为 reduce（把数组聚合为一个值），也就是将for 循环之内的 逻辑/算法 作为参数传入。
  2. 类型的泛型，比如sum int 改为sum T。
  3. 数据结构的泛型，比如找到一种公共的方式来描述List、Set、Map 等 ==> Iterator

泛型编程于1985年在论文 generic programming 中被这样定义：Generic programming centers around the idea of abstracting from concrete, efficient algorithms to obtain generic algorithms that can be combined with different data representations to produce a wide variety of useful software. 屏蔽掉数据和操作数据的细节，让算法更为通用，让编程者更多的关注算法的结构，而不是在算法那中处理不同的数据类型。

泛型会让你的 Go 代码运行变慢 提到了泛型的两类基本实现。

编程语言层面上的动态性

动态语言之三：语言的动态性 要点如下

  1. 不同的语言具有不同程度的动态特性，现代大多数语言都是介于二者之间的折中。下面是两个极端：

    1. Fortran语言不支持堆栈，所有的变量和子程序都是在编译时分配好内存的，不能进行动态内存分配，因而不能进行函数递归调用。
    2. Perl、Python和Ruby语言可以在运行时修改类的结构或定义，变量的类型可以按需改变，Lisp语言甚至可以在运行时动态地改变自身的代码。
  2. 动态语言有多种定义，本文采用：动态语言是指能够在运行时改变程序结构和变量类型的语言。
    1. 动态语言的特征是可以在运行时，为对象甚至是类添加新的属性和方法，而静态语言不能在运行期间做这样的修改。
    2. 动态语言的代表是 Python 和 JavaScript，静态语言的代表是 C++。Java 本质上是一门静态语言，但它又提供了反射（reflection）的能力为动态性开了一个小口子。
    3. 从实现的层面讲，静态语言往往在编译时就能确定各个属性的偏移值，所以编译器能确定某一种类型的对象，它的大小是多少。这就方便了在分配和运行时快速定位对象属性。而动态语言往往会将对象组织成一个字典结构。
  3. 程序中定义的操作一般需要特定类型的参数作为操作的输入，操作只有在接收到类型正确的参数时才能正确无误的执行（包括操作内存）。所以无论哪种语言，都逃避不了一个特定的类型系统
  4. 动态类型语言在每个数据对象中保存一个类型标签表明该数据对象的类型，在运行时进行动态类型检查。比如在表达式C=A+B中，A和B的类型在程序运行时确定，也可以在运行时改变，所以每次执行 + 操作时都要根据类型标签对A和B的类型进行检查

  5. 动态类型检查的主要优点在于程序设计的灵活性，不需要声明语句，一个变量名绑定的数据对象的类型可以在程序执行时按需改变，使程序员从数据类型摆脱出来。运行时进行的类型检查也存在几点重大不足：

    1. 程序难以调试。只在程序运行到某一条操作时才对其进行类型检查，软件测试时是不能遍历程序中所有的执行路径，这样没有被执行的路径仍有可能存在bugs
    2. 保存大量的类型信息。运行时需要相当大的额外存储空间
    3. 执行效率低，动态类型检查要靠软件模拟实现，主要是在运行时完成的