1.代码规范：
目的：
为提高代码可读性、可维护性与一致性，减少错误与沟通成本，制定统一的代码规范，适用于团队所有项目与语言（需按具体语言细化）。
一般原则
一致性：团队内风格一致优先于个人喜好。
可读性优先：代码应像写给下一位维护者一样清晰。
小而单一职责：函数/方法应短小、职责单一。
遵循 KISS / YAGNI / DRY：保持简单、避免过早实现未使用功能、避免重复。
先写测试（可选）：关键逻辑应有自动化测试覆盖。
文件与项目结构：
项目结构清晰：按功能或层次划分目录（如 src/, tests/, docs/, scripts/）。
模块化：每个模块职责单一，暴露明确接口。
配置分离：环境配置（数据库、密钥等）不应硬编码，使用配置文件或环境变量。
忽略敏感文件：使用 .gitignore / 等价工具排除临时文件、编译产物、密钥。
命名规范：
统一风格（视语言而定）：
变量/函数：使用驼峰或下划线一致（例如 userCount 或 user_count）。
类/类型：首字母大写（如 UserService）。
常量：全大写带下划线（如 MAX_RETRIES）。
语义化命名：名称应表达用途，避免缩写或模糊词（如 data, tmp 除非临时使用）。
布尔命名：以 is/has/can/should 开头（如 isActive）。
编码风格：
缩进与行长：统一缩进（空格或制表符），推荐使用 4 空格；行长限制在 80–120 字符。
空行与分组：逻辑上分段，用空行分隔不同逻辑块。
注释风格：文档注释用于模块/函数接口；内联注释用于说明“为什么”，不要解释显而易见的“如何”。
代码格式化：使用自动格式化工具（如 Prettier、clang-format 等），提交前格式化代码。
函数与方法：
单一职责：每个函数只做一件事。
参数控制：参数少于 4 个；若超过，考虑使用对象/参数对象或重构。
返回明确：避免多种返回类型或通过副作用返回重要结果。
错误处理：明确抛出或返回错误，统一使用异常或错误码风格。
变量与内存：
最小作用域：变量作用域尽可能小，及时释放资源。
不可变优先：优先使用不可变数据结构或常量，减少副作用。
资源管理：打开的文件/连接/句柄需及时关闭或使用上下文管理（如 try-with-resources）。
异常与错误处理：
不要吞掉异常：捕获后至少记录或重新抛出。
统一错误策略：明确何时返回错误码、何时抛出异常。
错误消息有意义：日志中包含足够上下文（但不暴露敏感信息）。
日志与监控：
合理日志级别：使用 DEBUG/INFO/WARN/ERROR 级别，避免过多 INFO。
结构化日志：优先输出结构化/可解析格式（JSON）。
不在日志中写敏感信息：如密码、密钥、隐私数据需脱敏或避免记录。
测试：
覆盖关键逻辑：单元测试、集成测试覆盖核心功能与边界情况。
可重复与无状态：测试应可独立运行且结果确定。
CI 自动化：提交合并前在 CI 上运行测试套件。
性能与安全：
先正确再优化：先保证正确性，再做必要的性能优化并记录原因。
避免过早优化：用实际数据分析热点再优化。
输入验证与防护：对所有外部输入做校验，防止注入/溢出等问题。
依赖管理：定期更新依赖并及时修复安全漏洞。
接口与文档：
明确接口契约：函数/模块的输入输出、错误类型应文档化（注释 + README）。
API 语义稳定：对外接口变更需语义版本控制与通知。
README 要有用：包含项目目的、快速上手、运行与测试命令、配置说明。
代码审查（Code Review）：
必审原则：所有合并请求需至少一位审查者通过。
审查重点：可读性、正确性、安全性、测试覆盖、依赖变更。
小提交、频繁合并：避免巨大的单次提交，便于审查与回滚。
提交与版本控制：
原子提交：每次提交做一件逻辑改动。
有意义的提交信息：简明描述“做了什么、为什么要做”。
分支策略：采用统一分支模型（如 Gitflow、 trunk-based），并在 PR 描述中写明目的与影响。
第三方库与许可：
谨慎引入库：优先考虑成熟、轻量、活跃维护的库。
检查许可：确认许可证与项目使用兼容。
限制依赖范围：避免因单一小功能引入大量依赖。
国际化与本地化：
文本分离：界面/提示文本应与代码分离，便于翻译。
时区/格式处理：处理时间、数字、货币时使用库并考虑区域差异。
隐私与合规：
最小化数据采集：仅收集必要用户数据，符合法规（如 GDPR）。
加密敏感数据：传输与存储敏感数据时使用加密。
访问控制：严格控制密钥与凭据的访问权限。
例外与扩展：
语言/框架特定规则：在通用规范基础上，补充具体语言或框架的最佳实践（如 Python PEP8、Java 的代码风格、JS ESLint 规则）。
定期回顾：每 6–12 个月回顾并更新规范以适应新需求或工具。
2.读《数学之美》第六章有感
粗略读了《数学之美》第 6 章关于 “信息的度量和作用” ，不敢说吃透，但却彻底颠覆了我对 “信息” 的朴素认知。原来信息不是模糊的 “内容多少”，而是能用数学精确量化的概念 —— 香农提出的 “熵”，把信息和不确定性牢牢绑定，比如 “明天太阳从东方升起” 因确定性高而熵值低，“明天是否下雨” 因不确定而熵值高。
这一章最让我触动的是理论与现实的连接：从衡量语言冗余度，到指导数据压缩、密码学设计，抽象的数学公式竟成了信息时代的 “度量衡”。它让我明白，真正的数学之美，在于用简洁逻辑解开复杂现实的密码，也让我更懂为何看似遥远的理论，能支撑起我们每天使用的通信与技术。