假设 14env.sh 脚本内容只有一行：export MY_VAR=”HelloWorld”
执行 source 14env.sh 后，在终端里直接输入 echo $MY_VAR，会输出 HelloWorld。这个变量会一直存在直到你关闭终端。
执行 sh 14env.sh 或 bash 14env.sh 后，再输入 echo $MY_VAR，会输出空行。因为变量在子进程中被设置，子进程结束变量就消失了。
运维实践建议：
当你需要配置当前工作环境（例如设置 JAVA_HOME, PATH 等）时，使用 source。
当你只是要运行一个完成某项任务的脚本时，使用 bash 或 sh。
[root@k8s-node02 ~]# ls -l /lib64/libselinux.so.1
-rwxr-xr-x. 1 root root 155744 Apr 1 2020 /lib64/libselinux.so.1
[root@k8s-node02 ~]# rm -fr /lib64/libselinux.so.1
[root@k8s-node02 ~]# init 6
init: error while loading shared libraries: libselinux.so.1: cannot open shared object file: No such file or directory问题一：xshell窗口无法重启；
问题二：xshell退出激活窗口后，无法通过ssh登录主机；
问题三：控制台登录主机，始终处于login状态，无法跳转至密码对话框；
问题四：重启服务器，无法正常进入页面
tips
/mnt/sysimage 就是救援环境中挂载的“被救援系统”的根目录，对它的修改就是对原系统的修改；若需要在原系统环境中执行命令，建议 chroot 到 /mnt/sysimage 再进行操作。
/mnt/sysimage 是被抢救系统根文件系统的目录。
chroot /mnt/sysimage 是对原系统的修复、检查或配置修改。
发起端或客户端：10.0.0.1 接收端或服务端：10.0.0.78:7891
第一个包：发起新建连接序列号：2640889442
第二个包：
接受确认新新建序列号：2640889443
接受响应新建序列号：2170956858
第三个包：
确认发起序列号：2640889443
确认响应序列号：2170956859
总结：
问题描述
问题分析
症状就是systemctl start一直卡在前台窗口。
因为 systemd 没收到 PostgreSQL 服务启动完成的状态通知，才会一直卡在前台窗口。这种问题主要出现在自编译安装或第三方安装的postgres数据库中，如编译过程中没有添加参数 --with-systemd
cat /usr/lib/systemd/system/postgresql-16.service
[Unit]
Description=PostgreSQL 16 database server
Documentation=https://www.postgresql.org/docs/16/static/
After=network.target
[Service]
Type=notify #问题点，编译未添加 --with-systemd
User=postgres
Group=postgres
Environment=PGDATA=/xxx/pgdata/
ExecStart=/xxx/bin/postgres -D ${PGDATA}
ExecReload=/bin/kill -HUP $MAINPID
KillMode=mixed
KillSignal=SIGINT
TimeoutSec=0
OOMScoreAdjust=-1000
Environment=PG_OOM_ADJUST_FILE=/proc/self/oom_score_adj
Environment=PG_OOM_ADJUST_VALUE=0
[Install]
WantedBy=multi-user.target
问题解决
将notify更改为simple， systemd 只要看到主进程postgres启动就当服务已启动，不等待额外通知。
[Service]
Type=simple
生活中有不少人非常热爱运动，马拉松、自行车赛……大量疯狂的运动“延寿”还是“折寿”？2025年，《欧洲流行病学杂志》期刊发表了一项长达45年追踪2万多双胞胎的研究发现：适度运动的确可以延缓衰老、降低死亡风险，但是运动并不是越多越好，过度运动反而折寿！换句话说，真正有意义的锻炼，并不是极端大量运动，而是持续的适度运动！
这是从1975年到2020年，一场横跨45年的健康追踪研究，有2万多双胞胎参与了研究，他们从年轻到终老，有人热爱运动，也有人不运动，最终拿到衰老与死亡数据。就这样研究人员收集了超过22000人的数据，并提取部分人的“DNA甲基化信息”，这是衡量身体“真实年龄”的重要指标。
研究发现：身体衰老和运动量呈现“U形曲线”关系，那些从不运动的人衰老的快，运动太猛的也衰老的快！也就是说，完全不运动的人和每天疯狂运动的人，身体都“衰老得更快”。
重点：只有那些坚持适度运动的人，才真正延缓了身体的衰老！
为什么那些“锻炼狂人”反而衰老得更快？研究人员解释，在运动极度活跃的人里，DNA中的某些“老化蛋白”反而更高，这些指标和心脏猝死、肾功能下降相关。
此外，在降低死亡风险方面，运动的作用更多体现在降低“短期死亡风险”上，尤其是那些“疯狂的高强度运动者”，他们的死亡率下降主要出现在短期，而长期效果就不明显了。
这项长达45年的实验告诉我们：凡事都要“适度”，过度运动并不等于长寿！
标准的运动量：
1. 有氧运动：
■ 中等强度（如快走、慢跑、游泳等），每周150~300分钟（每天20~45分钟左右）；
■ 高强度（如跑步、快速骑行等），每周75~150分钟（每天10~20分钟左右）；
建议每次有氧运动至少10分钟，以提升心肺功能。
2. 力量训练:
■ 建议每周≥2次抗阻训练，覆盖身体所有主要肌群（如腿部、背部、腹部）；
■ 每组动作重复8~12次，形式包括自重训练（俯卧撑）、负重练习或重体力家务（如搬运重物）。
运动过量的征兆
运动时这些信号，提醒你可能运动过量了。北京大学第三医院运动医学科主任王健全2025年在人民日报健康客户端直播时介绍，每天中等强度运动1小时最佳。如果出现肌肉过度酸痛、关节过度酸痛、气喘吁吁、大汗淋漓，这说明运动过量；而运动过程中如果出现心悸、心慌则需立即停止。长期超负荷易引发头晕、焦虑、高血压等，影响身心健康。
1. 安全第一：运动前身体评估
凡事安全第一，运动也不例外。运动之前应该对自己身体状况有一个基本的判断，比如昨天喝酒了、昨晚没睡好、近期感冒了，这些情况都要减少运动或者轻度运动，避免剧烈运动。
2. 循序渐进：切忌疯狂地运动
如果是长期不运动的人，建议从低强度运动、短时间开始（如每日快走15分钟），每周增量≤10%。切忌长期不运动突然剧烈运动（比如很少运动，上来直接跑5公里/10公里），这易导致肌肉拉伤或心脏风险。
3. 强度把控：中等强度更安全
运动不要和别人相互攀比，中等强度相对来说更安全；如果年纪比较大或心脏不太好，都建议佩戴心率监测的设备，保持一个中等强度心率。
中等强度心率≈（220 – 年龄）× 60%~70%
4. 力量训练：每周2次练全身
运动不止需要有氧运动锻炼心肺，还需要力量训练锻炼肌肉。建议每周2次力量训练，重点锻炼大肌群（腿、背、胸、腹），预防肌肉流失和代谢下降。不想去健身房的，也可选自重训练（深蹲、俯卧撑）、弹力带或器械（8~12次/组）。
5. 恢复补水：别忽略身体信号
运动后最好拉伸5~10分钟（如大腿前侧、肩部拉伸），缓解肌肉紧张。剧烈运动后建议不要立刻停止运动，要慢慢停下来，做做“冷身运动”。运动过程中要及时补充水分（小口多次），对于一些高强度、大强度运动后需补电解质。
出处《健康时报》
https://mp.weixin.qq.com/s/Y15B3coup2DUTrCj5VmGzA
书籍是屹立在时间的汪洋大海中的灯塔。
迷茫时，书是指点你的名师
失意时，书是鼓励你的朋友
痛苦时，书是疗愈你的良医
用 AI 会让人变笨，过度依赖 AI 或导致损坏批判性思维与记忆力
由麻省理工学院媒体实验室的 Nataliya Kosmyna 及其团队主导的最新研究，深入探讨了在论文写作任务中，使用大型语言模型（LLM）如 OpenAI 的 ChatGPT 可能带来的认知成本。该研究发现，尽管 LLM 产品为人类和企业带来了诸多便利，但其广泛应用却可能导致大脑积累 “认知负债”，长远来看甚至会削弱个体的学习技能
该研究招募54名参与者，并将其分为三组：LLM 组（仅使用 ChatGPT）、搜索引擎组 (使用传统搜索引擎，禁用 LLM) 和纯脑力组 (不使用任何工具)。研究共进行了四次会话，其中在第四次会话中，LLM 组的参与者被要求不使用任何工具 (被称为 “LLM 转纯脑力组”)，而纯脑力组的参与者则开始使用 LLM (被称为 “纯脑力转 LLM 组”)。
研究团队通过脑电图 (EEG) 记录了参与者的大脑活动，以评估其认知投入和负荷，并深入理解论文写作任务期间的神经激活模式。此外，研究还进行了自然语言处理 (NLP) 分析，并在每次会话后对参与者进行了访谈，同时邀请人类教师和 AI 评判员对论文进行打分。
核心发现：大脑连接性减弱，记忆和所有权受损
研究结果提供了确凿证据，表明 LLM、搜索引擎和纯脑力组的神经网络连接模式存在显著差异，反映了不同的认知策略。大脑连接性与外部支持的程度呈系统性下降：纯脑力组表现出最强、范围最广的连接网络，搜索引擎组居中，而 LLM 辅助则引发了最弱的整体耦合。
特别值得关注的是，在第四次会话中，“LLM 转纯脑力组” 的参与者表现出较弱的神经连接性，以及阿尔法（alpha）和贝塔 (beta) 网络的投入不足。阿尔法波段连接性通常与内部注意力、语义处理和创造性构思相关。贝塔波段则与主动认知处理、专注注意力和感觉运动整合相关。这些结果表明，过去依赖 LLM 的使用者，在脱离工具后，其大脑在内容规划和生成方面的神经活动有所减少，这与认知卸载的报告相符，即依赖 AI 系统可能导致被动方法和批判性思维能力的减弱。
在记忆方面，LLM 组的参与者在引用自己刚写完的论文时表现出明显障碍，甚至无法正确引用。这直接映射到 LLM 组较低的低频连接性，特别是与情景记忆巩固和语义编码密切相关的西塔（theta）和阿尔法波段。这表明 LLM 用户可能绕过了深层记忆编码过程，被动地整合了工具生成的内容，而没有将其内化到记忆网络中。
此外，LLM 组对自己论文的所有权感知度普遍较低，而搜索引擎组拥有较强的所有权感，但仍低于纯脑力组。这种行为上的差异与神经连接性模式的变化相吻合，凸显了 LLM 使用对认知能动性的潜在影响。
认知负债的积累：效率与深度学习的权衡
研究指出，尽管 LLM 在初期提供了显著的效率优势并降低了即时认知负荷，但随着时间的推移，这种便利可能以牺牲深度学习成果为代价。报告强调了 “认知负债” 的概念：重复依赖外部系统（如 LLM）取代了独立思考所需的努力认知过程，短期内延迟了脑力投入，但长期却导致批判性探究能力下降、更容易被操纵以及创造力减退。
纯脑力组的参与者，尽管面临更高的认知负荷，却展现出更强的记忆力、更高的语义准确性和对其作品更坚定的主人翁意识。而 “纯脑力转 LLM 组” 在首次使用 AI 辅助重写论文时，大脑连接性显著增加，这可能反映了将 AI 建议与现有知识整合时的认知整合需求，暗示了 AI 工具引入的时机可能对神经整合产生积极影响。
对教育环境的深远影响与未来展望
研究团队认为，这些发现对教育领域具有深远意义。过度依赖 AI 工具可能无意中阻碍深层认知处理、知识保留以及对书面材料的真实投入。如果用户过度依赖 AI 工具，他们可能会获得表面的流畅度，但却无法内化知识或对其产生所有权感。
该研究建议，教育干预应考虑将 AI 工具辅助与 “无工具” 学习阶段相结合，以优化即时技能转移和长期神经发展。在学习的早期阶段，全面的神经参与对于发展强大的写作网络至关重要；而在后续练习阶段，有选择性的 AI 支持可以减少无关的认知负荷，从而提高效率，同时不损害已建立的网络。
研究人员强调，随着 AI 生成内容日益充斥数据集，以及人类思维与生成式 AI 之间的界限变得模糊，未来研究应优先收集不借助 LLM 协助的写作样本，以发展能够识别作者个人风格的 “指纹” 表示。
最终，这项研究呼吁在 LLM 整合到教育和信息情境中时，必须谨慎权衡其对认知发展、批判性思维和智力独立性的潜在影响。LLM 虽然能减少回答问题的摩擦，但这种便利性也带来了认知成本，削弱了用户批判性评估 LLM 输出的意愿。这预示着 “回音室” 效应正在演变，通过算法策划内容来塑造用户接触信息的方式。
（研究论文标题为《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》，主要作者为麻省理工学院媒体实验室的 Nataliya Kosmyna 等。）
假如我们不是深信自己对别国领土和财富没有贪婪的恶念，没有攫取物资的野心，没有卑鄙的念头，那么我们在今年的圣诞节中，一定会很难过。
因为我们深信自己对别国毫无恶念，所以圣诞节才能过得心安理得（不难过）。
假如我们不是深信自己对别国毫无恶念，那么我们在圣诞节一定会很难过。
mkdir test-data
fio –rw=write –ioengine=sync –fdatasync=1 –directory=test-data –size=2200m –bs=2300 –name=mytest
mkdir test-data # 创建测试目录
fio \
--rw=write # 测试模式：纯写入
--ioengine=sync # I/O引擎：同步阻塞写入（模拟最严苛的持久化场景）
--fdatasync=1 # 每次写入后调用fdatasync()，确保数据刷到磁盘（类似数据库安全写入）
--directory=test-data # 测试目录
--size=2200m # 每个线程写入总量：2200MB
--bs=2300 # 块大小：2300字节（模拟非常规小块写入）
--name=mytest # 任务名称| 参数 | 意义 | |
|---|---|---|
--rw=write | 测试写入性能（非随机写入）。 | |
--ioengine=sync | 使用同步I/O，每次写操作必须等待磁盘确认完成（性能低但数据安全）。 | |
--fdatasync=1 | 每次写操作后调用 fdatasync()，强制刷新内核缓冲区到磁盘（类似 fsync 但略轻量）。 | |
--bs=2300–size=2200m | 设置非常规块大小（通常用4K/8K），可能是为了模拟特定业务场景的小数据块写入。 总写入量足够大，避免缓存影响测试结果。 |
sync+fdatasync 是数据库保证ACID的常用配置。运行后会显示以下关键指标：
sync 和 fdatasync 的开销）。 write: IOPS=500, BW=1.12MiB/s (1.17MB/s)
sync (usec): min=100, max=10000, avg=2000
fdatasync: 1 calls, total=10msbs=2300 可能导致未对齐写入，正常测试建议用 4K 的整数倍。 --fdatasync=1 和 --ioengine=sync 可测试缓存写入性能（速度会快很多）。