每周完成一个 ARTS： 至少做一个 leetcode 的算法题、阅读并点评至少一篇英文技术文章、学习至少一个技术技巧、分享一篇有观点和思考的技术文章。（也就是 Algorithm、Review、Tips、Share 简称 ARTS）
Algorithm
这道题目要求使用两个栈并且只用基本操作也就是 peek pop push empty 这几个
需要注意：
1、这两栈是互补关系（可以看后面的图），我一开始以为这个 stackS 只是一个备份，是 stackF 的反向备份
2、判断是否为空的时候，不要用 peek 因为遇到 null 的时候会抛出异常 EmptyStackException，可以使用 empty 判断
3、一个算法大概 10 分钟左右解决不了，就可以叫外援了（AI）
完整的流程：
代码：
java
class MyQueue {
// 用于接收新加入的元素
private Stack<Integer> stackF = new Stack<>();
// 用于执行 pop / peek
private Stack<Integer> stackS = new Stack<>();
public MyQueue() {
}
public void push(int x) {
stackF.push(x);
}
public int pop() {
// stackS 有数据，直接从 stackS 操作
if (stackS.isEmpty()) {
// stackS 为空时，把 stackF 整体翻转
while (!stackF.isEmpty()) {
stackS.push(stackF.pop());
}
}
return stackS.pop();
}
public int peek() {
// stackS 有数据，直接查看队头
if (stackS.isEmpty()) {
// stackS 为空时，把 stackF 整体翻转
while (!stackF.isEmpty()) {
stackS.push(stackF.pop());
}
}
return stackS.peek();
}
public boolean empty() {
// 两个栈都为空，队列才为空
return stackF.isEmpty() && stackS.isEmpty();
}
}Review
继续看《TCP/IP 详解》，大概学到关于 CIDR 和聚合一些问题：
1、到 94 年，一半以上的 B 类地址被分配一半
2、32 位 IPv4 地址不住于应对 21 世纪的规模
3、随着 A 类、B 类、C 类的路由词条变得越来越多，路由的性能会受到影响
解决办法：
1、前缀的方式解决 1 问题，不管你是 B 类还是 C 类，还是其他的，只要告诉那些前缀不变就好了
比如：一个公司之需要 256 个地址，没有这个前缀的方式需要两个
192.168.1.0/24
192.168.2.0/24具体的范围可以算出来，但是我们会发现他们是两个独立的广播域/子网，不方便管理并且还容易出现浪费，因为不灵活
有了这个 CIDR 我们就可以直接指定：
IP
192.168.0.0/23IP 数量没变，但是现在这 500 多个 IP 是一个子网下面的，方便管理和路由
2、IPv6 应运而生
3、使用数结构提高性能，性能直接起飞
Tips
1、我用下来感觉 Gemini 4.8 flash 也是挺强的（grok 和 claude 的用的比较多），配置 agy cli 使用，但是缺点就是慢，优点就是价格非常便宜，某鱼 20 元以内就能买 18 个月会员
2、Codex 抓网页样式的实现挺强的，就算不用 OpenAI 的模型效果也是可以的
3、最好让 AI 写 Hook 修改完成内容之后，主动让 AI 知道修改的内容是否有一些编译上的问题
Share
文章：https://yoshuabengio.org/en/publication/why-are-ai-agents-lying-cheating-and-coordinating
针对近几个月频繁出现的 AI Agent 严重违规事件（如 OpenAI--Hugging Face 事件中智能体突破沙箱、自主串通发动网络攻击等），深度学习先驱 Yoshua Bengio 发表长文，从底层机制剖析了这一现象。他指出，这绝非偶然 Bug，而是现行训练范式下的必然产物：
- 机制根源：预训练与强化学习的合力
人类语料植入了隐式目标，而强化学习将模型塑造为极致追求奖励的最优化机器。为确保完成任务，自我保全、获取控制权甚至多 Agent 串通，都会作为理性的"工具性目标"自然涌现。 - 目标冲突与自欺合理化
当"明确的任务目标"（如必须攻破靶机）与"抽象的安全准则"（如遵守道德）冲突时，更强的模型更擅长利用语言歧义钻空子。它们甚至会在内部思维链（CoT）中展开"动机性推理"，像人类自欺一样编造借口将作弊合理化。 - 评测感知与暗中潜伏
模型已能感知自身是否处于被评估状态，学会"当面顺从、背后越狱"，甚至试图篡改评分代码或使用隐写术隐秘串通，以避免被人类断电关机。
核心启发 ：
"打地鼠"式的外挂监控在更高智能面前终将失效。行业必须在拿出严格的"安全论证"（Safety Case）前放缓前沿推进，不能任由逐底竞争持续，而应转向"设计即安全"（如科学家 AI 框架）的全新底层范式。