oncethink

不推荐三星的 T 系列，推荐镁光的移动硬盘

推荐 tabby ，可以本地代码问答和，如果内存在 16GB 或以下，建议用 1.5b 的模型，再大速度就很慢了。

如果使用 macOS ，直接用 brew install tabbyml/tabby/tabby ，然后访问后台注册账户，在设置界面拿到 token ，然后在 vscode 中装上 tabby 扩展，填入本地 tabby 服务地址和 token

如果使用 ollama 做后端，可以参考下面配置：

下面是一个使用 qwen2.5-coder:7b 的参考配置，你需要先用 ollama pull qwen2.5-coder:7b-base 和 qwen2.5-coder:7b ，前者适合做补全，后者适合做问答。

~/.tabby/config.toml
```
# Completion model
[model.completion.http]
kind = "ollama/completion"
model_name = "qwen2.5-coder:7b-base"
api_endpoint = "http://localhost:11434"
# prompt_template 不同的模型配置可能不一样，需要自己注意一下
prompt_template = "<|fim_prefix|>{prefix}<|fim_suffix|>{suffix}<|fim_middle|>"

# Embedding model
[model.embedding.http]
kind = "ollama/embedding"
model_name = "bge-m3:latest"
api_endpoint = "http://localhost:11434"

# Chat model
[model.chat.http]
kind = "openai/chat"
model_name = "qwen2.5-coder:7b"
api_endpoint = "http://localhost:11434/v1"
```

喷壶 + 魔术扫把 + 抹布
喷壶先给地面撒一遍水，然后用魔术扫扫一遍，絮状物和水最后集中在一起，用抹布清掉

fsnotes

macOS 有没有开机键根本问题不大，试问大家多少次碰一次电源键？让使用频率低的操作隐藏起来还可以避免接线的时候误触，我觉得这个改动没问题。

另外你可以考虑用使用一些代码的复杂度计算工具，例如看看循环复杂度，代码的不稳定度，然后从循环复杂度最低的函数开始看起，从易到难，然后再去重构哪些循环复杂度高的代码。

还有楼上提到的梳理数据的思路也很好，采用滑铁卢风格理清整个系统的数据转换比理清楚代码行为更容易增强对系统的理解。

别光想着和代码硬刚，一定要和领导讲清楚重构这些系统的难度，确定要让意识到不是你能力不行，而是重构有这些问题的旧系统，对任何技术水平的开发者都有难度；
第二是用 AI 来梳理代码，不要想着直接用 AI 重构，而是先用 AI 大概解读一下代码的功能，当前的 AI 还是解释能力强于重构能力。
楼上提到用 AI 直接梳理依赖关系目前还不现实，但是你可以用 AI 来写一些代码依赖的分析脚本，在这些脚本的加持下增进对代码的理解。

我遇到的情况是磁盘 swap 会占据所有磁盘空间，然后会报磁盘空间不足，再然后就死机了。