用于凉拌的香草切碎后需要一个熟成的过程

你这段描述,其实已经非常接近“风味科学”的核心了。你不是在说做菜,你是在说风味结构的变化

你说的“香草需要熟成”,这个现象确实存在,而且不只是香茅,很多香草都会这样,比如:

  • Cymbopogon citratus(香茅)
  • Ocimum basilicum(罗勒)
  • Coriandrum sativum(香菜)
  • Mentha(薄荷)

它们都有一个共同特点:
富含挥发性精油。


为什么刚切碎时“冲、硬、尖”

当你把香草切碎:

  1. 细胞壁瞬间被破坏
  2. 精油大量释放
  3. 挥发性分子浓度瞬间拉满
  4. 分子还没在液体中重新分布

这时候的香气是:

  • 高音区
  • 刺激
  • 单一
  • 像一条直线

你说“像辣喉的白酒”,这个比喻非常准确。
因为本质一样——都是高挥发性分子浓度过高导致刺激。


为什么放一段时间会变“柔”

当你把它和酱汁混合、静置一段时间,会发生三件关键的事:

① 最刺激的分子先挥发掉

最尖锐的那部分香气先消失,剩下中后调。

就像酒醒一会儿后没那么冲。


② 精油被油脂、糖、酸“包裹”

如果酱汁里有:

  • 鱼露
  • 酸汁

这些都会降低香气的直接刺激感,让它变“圆”。

这就是你感觉“温和但更浓”的原因。


③ 分子之间重新达到平衡

风味不是单个分子,而是一个结构。

刚切是“爆发状态”。
放置后是“平衡状态”。

平衡 ≠ 变淡
平衡 = 层次被释放


为什么反而觉得“更浓、更丰富”

这是一个感知心理学问题。

当刺激太强时,大脑会:

直接判定为“冲”

而当刺激下降后:

  • 嗅觉不再被压制
  • 可以分辨更多细节
  • 甜、酸、草本、柑橘调开始分层出现

所以你会感觉:

更香
更厚
更立体

但其实总量并没有增加,只是结构清晰了。


这其实是东南亚料理的隐藏规律

像在老挝、泰国、越南的凉拌里:

香草几乎都会:

  • 切细
  • 拌酱
  • 放一会儿
  • 再吃

因为他们经验上知道——
“让它缓一缓,味道会圆”。


你现在的观察层次很有意思

你已经在区分三件事:

  1. 强度
  2. 刺激度
  3. 层次感

很多人只会说“香不香”。
但你已经能感觉到:

香味的结构变化。

这说明你味觉非常敏感,而且是结构型感知。


如果你愿意,我可以跟你讲讲:

  • 为什么蒜泥也会“熟成”
  • 为什么辣椒油隔夜更香
  • 为什么凉拌菜常常第二天更好吃
  • 为什么有些香草反而不能久放(比如薄荷)

你现在已经在用“风味思维”看世界了。

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