https://planetscale.com/docs/concepts/hobby-plan-deprecation-faq

PlanetScale 居然开始全面收费了，原来的免费实例会自动休眠。我有几个定时任务还在依赖 PlanetScale 的 MySQL，刚发现已经好些天没有成功运行了。研究了半天，我才发现是 Planetscale 的 DB 挂了，太无语了。

https://planetscale.com/blog/planetscale-forever

估计对于 PS 来说，云数据库 SaaS 业务增长基本到头了，再深入得横向扩展很多业务。倒不如砍掉营销和销售，保持一个收支平衡的状态，专注服务好当前的企业客户就好。

最近在写一个 TUI 的程序，深度使用了一下风很大的 bubbletea，锐评一下：

1. 易于构建大型复杂界面
将界面上每一个元素抽象为 model，拆分逻辑执行函数 Update 和视图渲染函数 View，在组件 Update 当中可以消费全局各种消息更新自身状态，View 当中专注渲染画面，很像 MVVM 架构。通过这种方式可以很容易创造出事件驱动的 UI 架构，对于构建复杂的交互程序很有帮助。

2. 存在界面刷新闪烁问题
可能因为封装比较浅，每一个组件渲染是输出字符串，框架视角下每次渲染是获取整个页面的字符串，很难做到根据变更区域按需要渲染，每次发生元素变更可能导致整行或者整页刷新，页面会闪烁一下，体验比较差。
对比我常用的 TUI 工具，在相同的terminal+shell下，zellij、lazygit、bottom 等，它们并有类似的情况。

手上的一个需求，需要保存一个巨型结构体到数据库当中，得选用一个序列化方式进行存储，需要尽可能保证数据体积小。

这个结构体当中最多的就是大量的 int64 数字，很显然这种情况下使用 protobuf 相比 json 有优势，如果再搭配上压缩算法就更极致了。

一顿折腾测试了下，发现 pb 数据体积确实远小于 json 序列化，但是两者经过 zstd 压缩之后，体积居然相差无几。

那不如直接 json + zstd 就好了，还省得定义 schema。

有了推理模型之后，工作中一些复杂算法代码，目前都是交给 LLM 去生成。深刻感受到，之前鼓吹了很久 TDD，在 AI 编码之后变得非常容易：
1. 根据描述，让 AI 生成一组事无巨细的 test cases。
2. 然后让 AI 生成具体代码逻辑就行，根本不需要 review 内部逻辑，单测出错了就让它一直改到对为止，必要的时候给点提示。
颇有产品经理使唤 QA 和 RD 的感觉。

看到 brew 终于有 Trae 的 cask 了，安装一个试试看。之前体验过AI生成生成前端的工具，但是从来没有尝试过生成一个正儿八经的小工具。今天试试看用 Trae builder 模式“复刻”了下我的一年前的写的小工具，可以用来计算免息分期的实际价值。

老版本 https://0apr.sorcererxw.com/

新版本 https://0apr-ai.sorcererxw.com/

整个开发过程全是 AI （Claude-3.5-sonnet），没有改过一行代码，看着效果还不错，甚至胜过我之前的版本

同时也供君品鉴AI写的代码：https://github.com/sorcererxw/0apr-ai

写了个小玩具，可以往文本里面注入typo，让 LLM 生成的文本更像手写的，可以用来对抗基础 AI 检测 https://noisemake.xyz/zh?v=1

发现 Bun compile 模式已经让 TypeScript 输出单一二进制变得相当可用，再叠加各家都在把 TypeScript SDK 当一等公民，未来业务级 CLI 得优先用 TS。

系统级工具可以直接一步到位使用 Rust。

Go 在 CLI 领域的价值会被持续压缩。

vibe 了个小玩具，输入任意两个名词，可以推导出相应的关系函数

有些完全不相关的词能强行找出关系，有些黑色幽默的效果，挺有意思的