1.主要编码和规范：
命名是代码的 “标签”，比如变量、函数、文件名，必须让看到的人立刻知道它的用途，避免用a/b/c、temp这种模糊的名字。格式乱的代码就像 “乱糟糟的笔记”，即使逻辑对，也很难读。核心是用 “缩进” 和 “空行” 区分代码层次。注释是给 “人” 看的说明，不是给 “电脑” 看的（电脑会忽略注释）。核心原则：“不写 obvious 的注释，只写必要的解释”。
2.阅读<数学之美>有感：
初读《数学之美》时，我本以为会陷入复杂的公式推导，直到翻到 “信息的度量和作用” 这一章，才发现数学能以如此通俗的逻辑，解开我大学生活里的诸多困惑。这一章中，香农提出的信息熵概念，彻底改变了我对 “信息” 的认知 —— 从前我以为信息是 “有用的内容”，而香农却用数学证明，信息的本质是 “消除不确定性”，这一观点像一把钥匙，打开了我看待专业学习与生活的新视角。
在大学物理实验课上，我曾因 “数据太多” 而困扰：测量单摆周期时，记录了几十组数据，却不知道该优先分析哪组，总担心遗漏关键信息。读完这一章后，我试着用 “信息熵” 的思路梳理：那些波动小、与理论值偏差小的数据，能更快 “消除我对‘真实周期’的不确定性”，而波动大的数据反而会增加不确定性，属于 “冗余信息”。按照这个逻辑筛选后，实验报告的分析效率提升了不少，也让我意识到：数学不是书本上的公式，而是解决实际问题的 “思维工具”—— 它能帮我们在杂乱的信息中找到核心，避免 “盲目努力”。
更让我触动的是，这一章还提到 “信息的价值与‘不确定性的大小’成正比”。这一点在撰写课程论文时体现得淋漓尽致：当我研究 “人工智能在教育中的应用” 时，最初搜索到的文献多是 “概念介绍”，这些内容对我而言 “不确定性小”，信息价值也低；直到找到几篇包含 “具体教学案例与数据对比” 的文献，它们解决了我 “AI 如何实际影响课堂效果” 的疑问 —— 这种 “高不确定性” 的问题被解答时，我才真正感受到信息的价值。这也让我反思：平时学习中，与其花费时间重复已知的知识，不如多关注那些 “让自己感到困惑” 的问题，因为这些问题背后，藏着更有价值的信息，也藏着提升自己的机会。
从前我总觉得 “数学之美” 是数学家的浪漫，与我无关；但读完这一章才明白，数学的美不在于公式的复杂，而在于它能将看似抽象的概念（如 “信息”）转化为可量化、可应用的逻辑，帮我们看清世界的本质。这种 “用简单逻辑解决复杂问题” 的思维，不仅适用于实验与论文，更适用于生活中的每一个选择 —— 比如在面对众多社团活动时，用 “哪个活动能消除我对‘未来职业方向’的不确定性” 来判断，而不是盲目跟风。
这一章带给我的，远不止对 “信息度量” 的理解，更有一种思维方式的转变：它让我学会用 “量化” 的眼光看待模糊的问题，用 “逻辑” 代替 “直觉” 做判断。往后再面对专业学习中的难题时，我或许会先问自己：“这个问题的‘不确定性’在哪里？我需要什么样的信息才能消除它？”—— 而这，或许就是《数学之美》留给我最珍贵的礼物。
