快速摘要：AI 领域的标杆人物 Andrej Karpathy 近期公开呼吁回归 RSS 订阅，并分享了一份包含 92 个技术博客的 OPML 文件，这些博客均来自 2025 年 Hacker News 上最受欢迎的内容源。 这份列表涵盖了深度技术探讨、编程实践、数学研究和科学前沿等方向，其中不乏 Paul Graham、Julia Evans、Simon Willison、陶哲轩等业界顶级写作者的个人博客。本文将从 Karpathy 的技术背景讲起，深入拆解 RSS 的工作原理，手把手教你如何配置开源 RSS 阅读器并导入这份订阅源，同时逐一介绍这份列表中的重磅博客。 往下看，有更详细的拆解。
本文由 莫潇羽@无忆研习社（www.wuyi.wiki） 原创撰写，转载请注明出处。
一、Andrej Karpathy 是谁？为什么他的推荐值得关注？
如果你在关注 AI 领域的技术进展，Andrej Karpathy 这个名字几乎不可能没有听过。他不是那种只在学术论文上露脸的研究者，而是真正横跨学术界和工业界、在多个关键节点上都留下深刻印记的技术人物。
Karpathy 出生于斯洛伐克的布拉迪斯拉发，15 岁随家人移居加拿大多伦多。他在多伦多大学完成了计算机科学与物理学的双学位，随后在不列颠哥伦比亚大学取得硕士学位，研究方向是物理模拟人物的学习控制器。之后，他进入斯坦福大学攻读博士学位，师从计算机视觉领域的顶级学者李飞飞教授，研究方向聚焦在卷积神经网络、循环神经网络及其在计算机视觉和自然语言处理交叉领域的应用。
在斯坦福期间，Karpathy 做了一件对整个深度学习教育影响深远的事情——他设计并主讲了斯坦福大学第一门深度学习课程 CS231n：卷积神经网络与视觉识别。这门课从 2015 年开课时的 150 名学生，迅速增长到 2017 年的 750 名学生，成为斯坦福最受欢迎的课程之一。CS231n 的课程笔记和视频至今仍然是全球学习深度学习的经典入门资料。
博士毕业后，Karpathy 的职业轨迹贯穿了 AI 行业最核心的几家机构：
OpenAI 创始成员（2015-2017）： 2015 年，Karpathy 作为创始成员加入了 OpenAI。在那个 OpenAI 还是非营利研究机构的早期阶段，他参与了大规模深度学习模型的基础研究，帮助确立了 OpenAI 早期的研究方向。
Tesla AI 负责人（2017-2022）： 2017 年 6 月，Karpathy 加入 Tesla，担任 AI 和自动驾驶视觉方向的高级总监，直接向 Elon Musk 汇报。在 Tesla 期间，他领导了 Autopilot 自动驾驶系统的计算机视觉团队，负责内部数据标注、神经网络训练以及在 Tesla 自研推理芯片上的部署。他的团队推动 Tesla 从依赖雷达和超声波传感器转向纯视觉方案，这是一个在业界引发广泛讨论的技术决策。2020 年，他被 MIT Technology Review 评为 "35 岁以下创新者"。2022 年 7 月，Karpathy 宣布离开 Tesla。
重返 OpenAI 与 GPT 后续研发（2023-2024）： 2023 年 2 月，Karpathy 重新回到 OpenAI，组建了一个专注于中期训练和合成数据生成的新团队，参与了与 ChatGPT 相关的后续研发工作。一年后，2024 年 2 月，他再次离开 OpenAI。同年，他被 Time 杂志评为 AI 领域最具影响力的 100 人之一。
创办 Eureka Labs（2024 年至今）： 2024 年 7 月，Karpathy 宣布创办 Eureka Labs，一家以 "AI 原生" 为理念的教育公司。他的愿景是让 AI 教学助手与人类教师协作，使任何人都能在 AI 的辅助下学习任何知识。Eureka Labs 的第一个产品是 LLM101n，一门帮助学生从零训练自己的 AI 模型的本科级课程。
目前，Karpathy 在 YouTube 上持续发布关于大语言模型和 AI 的教学视频。他的频道分为两条路线：面向普通观众的通识讲解（如《深入理解 ChatGPT 等大语言模型》），以及面向技术人员的 "从零到英雄" 系列。他的一小时深度学习讲座已获得超过 310 万次观看。
如果你对 AI 技术原理感兴趣，尤其是想理解大语言模型的底层逻辑，Karpathy 的 YouTube 频道和 GitHub 项目是目前公认的最优质学习路径之一。正是因为他这种兼具深度研究能力和清晰表达能力的特质，当他公开推荐某种信息获取方式时，整个技术社区都会认真对待——而这次他推荐的，是一种看似古老却极其有效的方式：RSS 订阅。
莫潇羽在 无忆研习社 长期跟踪这些海外技术大佬的动态，Karpathy 的这次发言确实在技术圈引起了不小的反响，值得我们深入了解。
二、Karpathy 的开源项目：理解大语言模型的最佳入口
在聊 Karpathy 推荐的信息源之前，有必要先了解他最具影响力的两个开源项目。这两个项目不仅是学习大语言模型的绝佳教材，也体现了 Karpathy 一贯的教育理念——用最少的代码把最复杂的概念讲清楚。
2.1 nanoGPT：极简主义的预训练标杆
项目地址： https://github.com/karpathy/nanoGPT
nanoGPT 是 Karpathy 为教学和研究目的开发的最简约 GPT 训练库，在 GitHub 上获得了超过 52,000 个 Star。它的设计目标非常纯粹：剥离工业级代码中繁杂的工程包装，只保留 Transformer 架构最核心的逻辑，让开发者能清晰地看到一个类似 GPT-2 的模型是如何从零开始构建和训练的。
nanoGPT 的核心代码极其精炼，主要由两个文件组成：
nanoGPT/
├── model.py # ~300行，定义完整的 Transformer 模型结构
├── train.py # ~300行，实现完整的训练循环
├── data/ # 数据预处理脚本
└── config/ # 训练配置文件model.py 定义了完整的 Transformer 数学结构，包括多头自注意力机制、前馈网络、层归一化以及位置编码。train.py 实现了完整的训练循环，包括数据加载、前向传播、损失计算、反向传播和参数更新。
尽管代码量极小，nanoGPT 完整支持了现代深度学习的关键技术：
- 分布式数据并行（DDP）训练，可以在多 GPU 上并行训练
- 混合精度训练和 Flash Attention 加速
- 与 OpenAI 官方 GPT-2 权重的兼容，可以加载预训练权重进行微调
- 支持从 GPT-2（124M 参数）到 GPT-3 级别模型的训练
在一个 8 块 A100 40GB 的 GPU 节点上，nanoGPT 可以在大约 4 天内完成 GPT-2（124M）在 OpenWebText 数据集上的预训练复现。而随着社区的持续优化，现在复现 GPT-2 级别的性能已经可以在约 1 小时内完成，成本不到 10 美元。
对于想要理解大语言模型工作原理的开发者来说，nanoGPT 的价值在于它的"教学透明度"。每一行代码都对应着明确的技术概念，没有多余的抽象层。你可以从头到尾阅读这 600 行代码，就能建立起对 GPT 模型架构、训练过程和关键优化技术的完整理解。
不过需要注意的是，Karpathy 在 2025 年 11 月更新了 nanoGPT 的 README，标注该项目已经 "deprecated"（不再维护），并推荐用户转向它的进阶版本 nanochat。
2.2 nanochat：从"会写字"到"能聊天"的全链路指南
项目地址： https://github.com/karpathy/nanochat
如果说 nanoGPT 关注的是预训练——让模型学会预测下一个 token，那么 nanochat 就是进阶版的全栈式大模型训练框架。这个项目在 GitHub 上获得了超过 42,000 个 Star。
nanochat 不仅涵盖了预训练阶段，还补齐了将原始语言模型转化为类似 ChatGPT 的对话模型所需的完整链路。整个流程包括：
预训练（Pretraining）： 在大规模文本数据上训练基础语言模型，让模型学会语言的统计规律和世界知识。nanochat 使用 HuggingFace 的 FineWeb 数据集进行预训练。
分词器训练（Tokenizer Training）： 训练专用的分词器，将文本转换为模型可以处理的 token 序列。这一步决定了模型如何"理解"和"切分"输入文本。
有监督微调（Supervised Fine-Tuning, SFT）： 使用人工标注的对话数据对预训练模型进行微调，让模型学会按照指令回答问题。nanochat 使用 HuggingFace 的 SmolTalk 数据集。
强化学习（Reinforcement Learning）： 通过人类反馈的强化学习（RLHF）或其他对齐技术，进一步优化模型的回答质量，使其更加有用、安全和准确。
这个项目用约 8,000 行代码实现了上述端到端系统，并且自带了一个 Web 聊天界面，让用户在训练结束后能立刻与自己的模型对话。
nanochat 的一个亮点是它维护了一个 "GPT-2 Speedrun" 排行榜，记录在 8 块 H100 GPU 上将模型训练到 GPT-2 级别性能所需的时间。2019 年，OpenAI 训练 GPT-2 的成本大约需要 43,000 美元，而现在通过 nanochat 以及社区的各种优化，同样的性能只需不到 100 美元、不到 3 小时就能达到。这个进步幅度充分展示了过去七年间软硬件栈各个层面的巨大改善。
如果你想要一个从数据准备到模型对话的完整学习体验，nanochat 是目前最好的选择之一。
以上是 Karpathy 在开源领域的两个代表性项目。接下来，让我们回到本文的主题——他为什么突然站出来推荐 RSS，以及那份 92 个信息源的列表到底有什么价值。
三、为什么 Karpathy 呼吁回归 RSS？
2026 年 2 月初，Karpathy 在自己的 X（原 Twitter）账号上发了一条引发广泛讨论的帖子。他写道：
"最近我发现自己越来越多地回到 RSS/Atom 订阅。那里有更多高质量的长文，更少为了诱导点击而制造的垃圾内容。任何产品，只要底层激励结构相同，最终都会收敛到同一个引力井的中心。我们应该让 RSS 回归——它是开放的、普遍存在的、可自定义的。"
这段话看似简单，但如果你理解当前互联网内容生态的现状，就会明白 Karpathy 说的并不是一句怀旧感慨，而是一个经过技术思考的判断。
3.1 当前内容生态面临的问题
社交媒体平台的核心商业模式是注意力经济——平台通过算法推荐来最大化用户的在线时长和互动频率，然后将这些注意力转化为广告收入。在这种激励结构下，平台天然倾向于推送能引发即时情绪反应（愤怒、焦虑、好奇）的内容，而不是需要深度思考的长篇文章。
近两年，随着生成式 AI 的普及，这个问题变得更加严重。大量 AI 生成的"快餐内容"充斥着各个平台——这些内容表面上看起来完整、流畅，但实际上缺乏原创思考和实质性信息。Karpathy 用了一个精确的词来描述这类内容：slop（垃圾泥浆）。这个词在技术社区已经成为描述低质量 AI 生成内容的通用术语。
更深层的问题在于，算法推荐本质上是一个黑箱。用户无法控制自己看到什么内容，也无法理解为什么某些内容会被推送给自己。长期暴露在这种环境下，人的信息摄入会逐渐被算法塑造，形成所谓的"信息茧房"——你以为你在自由浏览，实际上你只是在算法划定的范围内打转。
3.2 RSS 为什么是解决方案
RSS（Really Simple Syndication，简易信息聚合）是一种基于 XML 的开放标准协议，诞生于互联网早期。它的核心理念极其简单：
内容发布者 在自己的网站上维护一个 RSS 文件（通常是 XML 格式），每当网站发布新内容，这个文件就会自动更新，列出最新文章的标题、摘要、发布时间和链接。
内容消费者 使用 RSS 阅读器软件，添加自己感兴趣的网站的 RSS 地址。阅读器会定期检查这些地址的更新，并将所有新内容汇聚到一个统一的界面中。
这种模式与算法推荐形成了鲜明的对比：
在 控制权 方面，RSS 的信息源完全由用户自己选择和管理。你订阅了什么，就看到什么，不存在任何隐形的算法筛选或排序。没有中间商来决定你"应该"看到什么内容。
在 隐私保护 方面，RSS 阅读器只是定期抓取公开的 XML 文件，不需要登录账号、不收集用户行为数据、不构建用户画像。你的阅读习惯只属于你自己。
在 内容质量 方面，RSS 订阅的内容源通常是独立博客和专业网站，这些内容的产出者写作的动机是分享知识和思考，而不是追求点击量和互动率。这意味着 RSS 中的内容整体质量显著高于算法推荐的信息流。
在 开放性 方面，RSS 是一个公开标准，不属于任何公司。你可以自由选择任何 RSS 阅读器，在不同阅读器之间无缝迁移你的订阅列表，不存在平台锁定。
正如 Karpathy 所说，RSS 是"开放的、普遍存在的、可自定义的"。在当前被算法和 AI 垃圾内容侵蚀的信息环境中，RSS 确实可能是普通用户重新掌握信息获取主动权的最后一道防线。
四、RSS 的技术原理：小白也能看懂
莫潇羽@无忆研习社 在这里为不太熟悉 RSS 的读者做一个详细的技术科普。理解 RSS 的工作原理，会帮助你更好地使用它。
4.1 RSS 的基本架构
RSS 系统由三个核心组成部分协同工作：
RSS 源（Feed）： 这是一个标准化的 XML 文件，由内容发布网站生成和维护，通常位于网站的某个固定 URL 上（比如 https://example.com/feed.xml 或 https://example.com/rss）。
RSS 阅读器（Reader/Aggregator）： 这是安装在用户设备上或运行在云端的软件。它存储用户添加的 RSS 源地址列表，按照设定的频率（比如每 15 分钟或每小时）向这些地址发送 HTTP 请求，获取最新的 XML 文件，解析其中的新条目并呈现给用户。
OPML 文件： 这是一种用于导入和导出 RSS 订阅列表的标准格式。你可以把它理解为 RSS 订阅的"通讯录"——一个 OPML 文件可以包含几十甚至上百个 RSS 源地址，方便用户在不同阅读器之间迁移订阅，或者直接导入别人分享的订阅列表。Karpathy 推荐的那 92 个博客，就是以 OPML 文件的形式分享的。
4.2 一个 RSS 文件长什么样？
下面是一个简化的 RSS 2.0 文件结构示例，帮助你理解它的组织方式：
<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
<channel>
<title>莫潇羽的技术博客</title>
<link>https://www.wuyi.wiki</link>
<description>无忆研习社 - 分享开源技术与实践</description>
<language>zh-cn</language>
<lastBuildDate>Mon, 09 Feb 2026 08:00:00 GMT</lastBuildDate>
<item>
<title>深入理解 Transformer 架构</title>
<link>https://www.wuyi.wiki/post/transformer-deep-dive</link>
<description>本文从零开始拆解 Transformer 的核心组件...</description>
<pubDate>Mon, 09 Feb 2026 08:00:00 GMT</pubDate>
<guid>https://www.wuyi.wiki/post/transformer-deep-dive</guid>
</item>
<item>
<title>nanoGPT 源码逐行解析</title>
<link>https://www.wuyi.wiki/post/nanogpt-walkthrough</link>
<description>跟随 Karpathy 的代码，理解 GPT 训练的每一步...</description>
<pubDate>Sun, 08 Feb 2026 10:00:00 GMT</pubDate>
<guid>https://www.wuyi.wiki/post/nanogpt-walkthrough</guid>
</item>
</channel>
</rss>可以看到，RSS 文件的结构非常直观。最外层的 <channel> 标签包含了整个信息源的元数据（标题、链接、描述），内部的每个 <item> 标签代表一篇具体的文章，包含标题、链接、摘要和发布时间。RSS 阅读器要做的事情就是定期获取这个文件，解析 XML 结构，将新出现的 <item> 提取出来并展示给用户。
4.3 RSS 的工作流程
用一个完整的流程来说明 RSS 是如何运作的：
第一步，发布者生成 Feed 文件。 当博客作者发布一篇新文章时，网站的 CMS 系统（如 WordPress、Hugo、Jekyll 等）会自动更新 RSS 文件，在文件中插入一条新的 <item> 记录。大多数现代博客框架都内置了 RSS 生成功能，作者通常不需要手动操作。
第二步，用户在阅读器中添加订阅。 用户找到自己感兴趣的网站的 RSS 链接（通常在网站的页脚、侧边栏或专门的订阅页面可以找到，也可以尝试在网站域名后面加 /feed、/rss 或 /atom.xml），将这个链接添加到 RSS 阅读器中。
第三步，阅读器定期拉取更新。 RSS 阅读器按照设定的间隔（比如每 30 分钟）向所有已订阅的 RSS 地址发送 HTTP GET 请求，下载最新的 XML 文件。
第四步，阅读器解析并呈现新内容。 阅读器将新下载的 XML 文件与上次的版本进行比对，识别出新增的条目，并将其格式化后呈现在用户界面中。用户可以在阅读器内直接阅读文章摘要，或者点击链接跳转到原始网站阅读全文。
整个过程完全自动化，用户只需要在初始设置时添加订阅源，之后就可以在一个统一的界面中阅读所有关注网站的最新内容。
4.4 RSS 和 Atom 的区别
你可能还会看到 Atom 这个词（Karpathy 的帖子中就提到了 "RSS/Atom feeds"）。Atom 是另一种信息聚合格式，它和 RSS 的功能基本相同，只是 XML 结构有所不同。Atom 是由 IETF 标准化的（RFC 4287），在某些技术细节上比 RSS 2.0 更规范。大多数现代 RSS 阅读器都同时支持 RSS 和 Atom 格式，对用户来说基本无感。
4.5 OPML 文件的结构
OPML（Outline Processor Markup Language）是用于交换 RSS 订阅列表的标准格式。它的结构也是基于 XML 的：
<?xml version="1.0" encoding="UTF-8"?>
<opml version="2.0">
<head>
<title>My RSS Subscriptions</title>
</head>
<body>
<outline text="Tech Blogs" title="Tech Blogs">
<outline type="rss" text="Simon Willison"
title="Simon Willison's Weblog"
xmlUrl="https://simonwillison.net/atom/everything/"
htmlUrl="https://simonwillison.net/"/>
<outline type="rss" text="Julia Evans"
title="Julia Evans"
xmlUrl="https://jvns.ca/atom.xml"
htmlUrl="https://jvns.ca/"/>
</outline>
</body>
</opml>每个 <outline> 标签代表一个订阅源，其中 xmlUrl 是 RSS 文件的地址，htmlUrl 是网站的首页地址。理解了 OPML 文件的结构，你就能明白为什么只需要把一个文件导入到 RSS 阅读器中，就能一次性订阅几十个博客。
五、Hacker News 与那份 92 个博客的列表
5.1 什么是 Hacker News？
在介绍那 92 个博客之前，有必要先说说 Hacker News（简称 HN）。Hacker News 是由 Y Combinator（硅谷最知名的创业孵化器）创办和运营的新闻聚合网站，地址是 news.ycombinator.com。
Hacker News 的运作方式很简单：用户提交链接或文本帖子，其他用户通过 upvote（点赞）来决定内容的排名。没有算法推荐，没有广告，界面也保持着极其朴素的风格——纯文字列表，橙色的背景色，几乎没有任何视觉装饰。
但正是这种"反设计"的风格，吸引了一批高质量的用户群体。Hacker News 的主要用户是程序员、创业者、研究人员和技术爱好者。在这里被讨论和推荐的内容，通常具有较高的技术深度和原创性。很多重要的技术趋势、开源项目和学术突破，都是先在 Hacker News 上引发讨论，然后才扩散到更广泛的技术媒体。
Y Combinator 孵化过的公司包括 Airbnb、Dropbox、Stripe、Reddit 等一系列知名企业。Hacker News 作为 YC 的社区平台，在科技界、程序员圈子和创业圈子中拥有极高的地位。
5.2 OPML 文件的来源和内容
Karpathy 推荐的那份 OPML 文件，并不是他自己编写的，而是来自 GitHub 用户 emschwartz 的一个 Gist。这位开发者基于 2025 年 Hacker News 上内容被引用和讨论最多的博客进行了统计排名，整理出了 92 个最受欢迎的独立博客，并将它们的 RSS 订阅地址打包成了一个 OPML 文件。
OPML 文件地址： https://gist.github.com/emschwartz/e6d2bf860ccc367fe37ff953ba6de66b
这份列表的筛选标准本身就是一个很好的质量过滤器——能在 Hacker News 这个以技术深度著称的社区中持续产出受欢迎内容的博客，其内容质量通常是经得起检验的。
5.3 列表中的重磅博客逐一介绍
这份 92 个博客的列表涵盖面相当广，从深度技术探讨到编程实践，从数学研究到科学思考，从创业经验到互联网文化评论，都有覆盖。下面，莫潇羽为大家挑选其中最具代表性的几位作者，做一些详细介绍。
Simon Willison（simonwillison.net）
Simon Willison 是 Django Web 框架的联合创始人之一。Django 是 Python 生态中最流行的 Web 框架，被 Instagram、Pinterest、Mozilla 等大量知名网站使用。Willison 在 2003-2004 年于 Lawrence Journal-World 报社工作期间，与同事 Adrian Holovaty 等人共同创建了 Django。
但 Willison 真正让技术社区持续关注的，不是 Django 本身，而是他对 AI 工具的务实态度和深入测试。从 2023 年开始，他的博客几乎每天都在更新关于大语言模型的实验记录、Prompt 工程技巧、API 使用心得以及安全漏洞分析。他还是 "prompt injection"（提示注入攻击）这个术语的提出者。
不同于很多 AI 领域的内容创作者只是泛泛而谈概念或者简单转述新闻，Willison 会亲自写代码测试每一个新模型和新工具，详细记录测试过程和发现。他维护着一个名为 Datasette 的开源数据探索和发布工具，以及一个名为 LLM 的命令行大语言模型工具。他在 GitHub 上维护着超过 250 个项目，用 GitHub Issues 作为自己的"外部大脑"来记录和管理所有想法。
Willison 也是 Python Software Foundation 的董事会成员。他的博客自 2002 年开设至今，是技术博客领域持续运营时间最长的之一。如果你只能订阅一个 AI 相关的技术博客，Willison 的博客可能是回报率最高的选择。
博客地址： https://simonwillison.net/
Julia Evans（jvns.ca）
Julia Evans 是一位在 Stripe 工作的软件工程师，但她在技术社区中更为人知的身份是——一个用漫画和 zine（小型独立出版物）解释复杂技术概念的创作者。
Evans 的独特之处在于她的表达方式。她用手绘漫画来解释 Linux 内核机制、网络协议、Git 工作原理、DNS 查询过程等底层技术概念。她的 Wizard Zines 系列涵盖了大量主题，包括《Bite Size Linux!》《Networking, ACK!》《How DNS Works!》《How Git Works!》《The Secret Rules of the Terminal》等。
这种"用漫画讲技术"的方式看似轻松，实际上要求创作者对技术概念有极深的理解——你只有真正吃透一个东西，才能用最简单的图画把它讲清楚。Evans 的博客文章也秉持同样的风格，用通俗易懂的语言解释她在日常工作中遇到的技术问题和发现。
她提倡一种 "get specific"（聚焦具体）的学习方法——不是从宏大的概念入手，而是从一个具体的、可操作的细节开始。比如，她不会写"让我解释什么是线性一致性系统"，而是会写"当你使用一个线性一致性分布式系统时，它会因为 leader 选举而周期性地变得不可用——知道这一点很有用"。
对于刚入行的程序员来说，Evans 的博客和 zine 是建立底层技术直觉的绝佳资源。她让很多人第一次意识到，那些看起来很"吓人"的底层技术（tcpdump、strace、/proc 文件系统）其实并不复杂。
博客地址： https://jvns.ca/
Paul Graham（paulgraham.com）
Paul Graham 是 Y Combinator 的联合创始人，也是 Lisp 编程语言的倡导者和《黑客与画家》一书的作者。他虽然更新频率不高，但几乎每一篇文章都能在 Hacker News 上引发大量讨论。
Graham 的文章主题横跨创业、编程、教育、写作和社会观察。他的写作风格清晰而有说服力，经常能用简洁的语言揭示一些被忽视的深层逻辑。他的经典文章如《Do Things That Don't Scale》（做那些无法规模化的事情）、《Maker's Schedule, Manager's Schedule》（创造者的时间表 vs 管理者的时间表）已经成为创业圈的必读文献。
博客地址： http://paulgraham.com/
John Gruber（daringfireball.net）
John Gruber 是独立科技博客 Daring Fireball 的创始人，同时也是 Markdown 标记语言的发明者。没错，你每天在 GitHub、各种笔记应用和技术文档中使用的 Markdown 语法，就是他在 2004 年创造的。
Gruber 的博客以苹果生态评论著称。他对苹果产品的分析深入且独到，经常能提供不同于主流媒体的视角。Daring Fireball 自 2002 年开始运营，是独立科技博客领域最具影响力的存在之一。
博客地址： https://daringfireball.net/
Terence Tao / 陶哲轩（terrytao.wordpress.com）
陶哲轩是当代数学界公认的最杰出数学家之一，也是菲尔兹奖（数学界的诺贝尔奖）得主。他 2 岁开始学数学，8 岁参加 SAT 数学考试得了 760 分（满分 800），13 岁成为最年轻的国际数学奥林匹克金牌得主，21 岁获得普林斯顿博士学位，24 岁成为 UCLA 的正教授。
陶哲轩的博客记录了他的数学研究笔记、教学材料和学术思考。对于数学爱好者来说，这是一个可以直接"窥探"世界顶级数学家思维过程的窗口。虽然其中的专业内容可能超出大多数人的理解范围，但他偶尔发布的关于数学学习方法、学术研究心得的文章，对所有研究工作者都有参考价值。
博客地址： https://terrytao.wordpress.com/
Neal Agarwal（neal.fun / nealagarwal.me）
Neal Agarwal 是一位独特的存在——他不做枯燥
