脆皮烤猪肉的做法

要把烤猪肉的皮烤到“玻璃脆”,关键就一句话:把皮彻底弄干 + 高温把油脂逼出来。具体给你一套实操型的方法👇


一、选肉 & 预处理(80% 成功在这一步)

最好用:带皮五花肉 / 猪腩(皮厚一点更稳)

1️⃣ 处理猪皮(非常重要)

  • 用刀刮干净猪皮表面的毛和杂质
  • 只在猪皮上扎孔(牙签 / 针 / 烧烤针都行)
    • 扎得密、深但不扎到肉
    • 作用:让油脂往外冒,皮才会起泡变脆

2️⃣ 让皮“极干”

这是最容易被忽略的一步:

  • 用厨房纸反复吸干
  • 把肉皮朝上,放冰箱冷藏风干 8–24 小时
    • 不盖保鲜膜
    • 越干越脆

二、调味技巧(皮千万别沾水)

  • 肉的部分:正常抹盐、酱油、蒜、五香粉、黑胡椒等
  • 猪皮部分
    • ❌ 不抹酱油、不抹水
    • ✔️ 只抹一层细盐(或完全不抹)

👉 如果皮沾到酱汁,直接判死刑,不会脆。


三、烤前“脆皮加速器”(任选其一)

方法 A:刷白醋(最常用)

  • 烤前在猪皮上轻刷一层白醋
  • 作用:破坏蛋白结构,帮助起泡

方法 B:刷一点点油(少量!)

  • 只刷极薄一层
  • 适合空气炸锅 / 家用烤箱

四、烤制温度:先熟肉,再炸皮

家用烤箱 / 空气炸锅通用

1️⃣ 低温阶段(熟肉)

  • 160–170℃
  • 30–40 分钟
  • 猪皮可用锡纸盖住,防止提前上色

2️⃣ 高温阶段(炸皮)🔥

  • 230–250℃
  • 10–15 分钟
  • 拿掉锡纸
  • 你会看到皮开始起泡、爆裂

👉 中途可以开门看看,起泡就成功了。


五、出炉后小技巧

  • 出炉后不要马上切
  • 静置 5–10 分钟
  • 皮会更脆,切面也更漂亮

常见翻车原因 ❌

  • 皮没风干 → 软
  • 扎孔太少 → 不起泡
  • 皮沾酱汁 → 失败
  • 温度不够高 → 只能硬,不脆

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG