博客 RSS 訂閱

u_17602582 頭像

mb69410ac31213c - 華為雲Flexus AI智能體，讓每家企業都擁有開箱即用的AI超能力

AI落地的最後一公里，卡在"用不起來" 2024年，不談AI的企業已被時代拋下。但真正試過的人都知道：大模型很強，落地很難。招不到AI工程師、搞不懂複雜參數、擔心數據泄露、算力成本燒不起……這些痛點讓90%的企業在智能化門口徘徊。Flexus AI智能體的出現，正是要撕掉"高門檻"的標籤——無需開發經驗，無需鉅額投入，20+款經過華為雲驗證的行業Agent，一鍵部署即可讓A

大數據 , 數據 , 數據倉庫 , 調優 , 模態

收藏 評論

u_16653481 頭像

金海境科技 - 【服務器數據恢復】H3C華三Ceph分佈式存儲文件丟失數據恢復案例

一：客户信息 海南某三甲醫院 二：案例背景 什麼是分佈式文件系統 分佈式文件系統（DistributedFile System，DFS）是一種能夠在多台計算機之間共享文件存儲資源的系統。它將文件存儲在多個節點上，這些節點通常是位於不同地理位置的服務器或計算機集羣。分佈式文件系統的核心目標是提高文件存儲的可靠性、可擴展性和性能，同時為用户提供透明的文件訪問體

服務器 , 文件系統 , 數據 , 分佈式存儲 , 分佈式

收藏 評論

hanazawa 頭像

不愛吃香菜 - Python 的內置函數 dir

Python 的內置函數 dir() 是一個非常有用的工具，它用於返回指定對象的有效屬性列表。當不帶參數調用時，dir() 會返回當前局部作用域中的名稱列表；當帶參數調用時，它會嘗試返回該對象的有效屬性列表。 基本語法 dir([object]) 可選參數 object：可以是模塊、類、實例或任何具有 __dict__ 屬性的對象 主要功能 無參數調用： 返回當前局部作

知識 , Python

收藏 評論

u_15500998 頭像

u_15500998 - MySQL遊標執行帶有MINUS/INTERSECT查詢導致core問題解析

MySQL遊標執行帶有MINUS/INTERSECT查詢導致core問題解析 一、問題發現 在客户現場提交的一次問題中發現某個帶有MINUS聯合查詢cursor語句進行查詢的時候，用MINUS和INTERSECT進行聯合查詢會導致core，但是用UNION卻不會。 注意：這裏用的版本是debug版本會core，release版本會報錯。這個問題在MySQL 8.0.3

f5 , MySQL , 數據庫 , SQL

收藏 評論

OBCE666 頭像

OBCE666 - OceanBase 在滴滴大規模運維經驗以及新功能落地實踐

作者：吳其朋，滴滴分佈式存儲運維負責人 滴滴出行（下文簡稱“滴滴”）作為涵蓋#網約車、#出租車、#順風車、#代駕 等業務的一站式多元化出行平台，擁有全球客户6.5億。自2024年應用OceanBase以來，已在多個場景落地並替換RocksDB、TokuDB，包括網約車增長服務、中台核心歸檔庫、代駕核心歸檔庫、EP、無人車服務等。本文以網約車增長服務、歸檔庫等核心業務為例，闡述滴滴的數據庫技術經驗以

數據庫

收藏 評論

abai_649946e81ca72 頭像

uiuihaoAICG - OpenAI API Key 獲取太難？用國內中轉+20分鐘搭建私有版 NotebookLM (Open Notebook)

1. 痛點：好用的工具，難搞的門檻 最近 AI 圈子裏，Google 的 NotebookLM 絕對是頂流。扔幾篇 PDF 進去，它不僅能精準回答，還能生成一段像模像樣的雙人播客，簡直是科研和學習的神器。 但對於國內開發者來説，想在生產環境用上類似的工具，有兩個巨大的攔路虎： 數據安全：把公司合同或未公開的論文傳給 Google？很多老闆直接 Say No。 基礎設施門檻：想搞個私有版替代品

教程 , 知識 , 人工智能

收藏 評論

fannaodeliushu 頭像

程序員阿偉 - 《天梯榜三重防護：數據實時校準與反刷榜技術實踐指南》

玩家對天梯排行榜的信任，建立在每一個排名背後的數據真實性與實時反饋之上。當某款競技類產品的排行榜出現“無名玩家一夜登頂”“實力與排名嚴重脱節”等現象時，不僅會擊穿玩家的參與熱情，更會直接摧毀產品的長期生態—曾有熱門競技遊戲因刷榜問題導致三個月內活躍用户流失20%，核心付費玩家佔比驟降，足以見得天梯榜的可靠性對產品生命週期的決定性影響。天梯榜的核心價值，在於通過數據客觀反映玩家實力層級，而實現這一價

遊戲

收藏 評論

ke999it_top 頭像

梓源 - python如何做性能測試自動化

深入理解《節奏規劃：Python 自動化 + 性能壓力測試的 3 階段學習進度安排》 在現代軟件開發中，自動化和性能測試顯得尤為重要。本文將解析《節奏規劃：Python 自動化 + 性能壓力測試的 3 階段學習進度安排》一文的核心理念，旨在幫助讀者更高效地掌握所需技能，並通過階段性的學習策略來提升學習效果。 學習指導的核心理念 該文章強調了學習過程中的系統性和階段性，以下是三個主

性能測試 , Python

收藏 評論

xaye 頭像

祝你今天愉快 - C++進階學習（六） 靜態內存開闢和動態內存開闢

在 C++ 中，內存管理是核心課題之一。根據內存開闢的時間和方式，主要可以分為靜態內存開闢（通常涉及棧空間和全局/靜態區）和動態內存開闢（堆空間）。 1. 靜態內存開闢 靜態內存開闢是指在編譯階段就確定了大小，並在程序運行到對應作用域時由系統自動分配和釋放的內存。 存儲位置：主要在棧 (Stack) 或 全局/靜態存儲區。

指尖人生 , 數組 , 移動開發 , c++ , Android , 動態內存 , 示例代碼

收藏 評論

u_87634 頭像

新新人類 - 本地事務、分佈式事務以及解決方案

分佈式事務：本地事務 + RPC 的“隱形炸彈” 只要系統被拆成多個微服務，“分佈式事務”就繞不過去。 很多同學只記住了 @Transactional，卻忽略了一個關鍵事實： 它只對本地數據庫負責，對遠端 RPC 一無所知。 真正的坑，往往就埋在“本地事務裏嵌套 RPC 調

鏈路 , 服務器 , rpc , 分佈式 , 網絡協議

收藏 評論

EXQSLoveForever 頭像

星空Dreamer - LeetCode 1：兩數之和（Two Sum）

一、題目描述 原題 給定一個整數數組 nums 和一個整數目標值 target，請你在該數組中找出和為目標值 target 的那兩個整數，並返回它們的數組下標。 你可以假設每種輸入只會對應一個答案，並且你不能使用兩次相同的元素。 你可以按任意順序返回答案。 示例 示例 1： 輸入：nums = [2,7,11,15], target = 9 輸出：[0,1] 解釋：因為 nums[0] + num

後端

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 物理驗證：你選哪款 DRC/LVS

“物理驗證是通往 tape-out 的最後一關。” 當工藝推進至 7 nm、5 nm 乃至更先進節點，設計規則變得愈發複雜、模塊層級更多、混合信號／3D 封裝挑戰加劇。此時， DRC (Design Rule Check) 與 LVS (Layout Versus Schematic) 這兩項物理驗證工作不僅是良率保障，更是與 foundry 簽入流程中不可繞開的一環。選對工具，能讓你少走彎

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 論文解讀 - 潛在思維鏈推理的全面綜述

一、簡要介紹 大語言模型（LLMs）在複雜推理任務中，通過思路鏈（CoT）提示取得了顯著的性能。然而，傳統的CoT依賴於用自然語言明確表達的推理步驟，這不僅降低了效率，還限制了其在抽象推理中的應用。為了解決這一問題，研究者們對潛在CoT推理產生了濃厚的興趣，這種推理方式在潛在空間中進行。通過將推理與語言分離，潛在推理不僅提供了更豐富的認知表示，還實現了更靈活、更快的推理過程。研究者們在這一

大數據 , 人工智能 , 深度學習

收藏 評論

u_17213027 頭像

wx676be6175e246 - Android開發中的for循環詳解

在Android應用開發中，for循環是Java/Kotlin語言中實現重複執行代碼塊的核心結構，特別適用於需要精確控制循環次數的場景。作為Android開發的基礎知識，掌握for循環對提升代碼效率和可讀性至關重要。 基本語法與工作流程 for循環的標準結構包含初始化、條件判斷和迭代更新三個部分： for (初始化; 條件; 更新) { //

移動開發 , 初始化 , Android , for循環

收藏 評論

u_11659620 頭像

爾等氏人 - PostgreSQL故障診斷與恢復

引言 PostgreSQL作為企業級數據庫系統，在運行過程中難免會遇到各種故障情況。有效的故障診斷和恢復策略不僅能減少系統停機時間，還能保護重要數據免受損失。本文將詳細介紹PostgreSQL常見故障類型及其診斷和恢復方法，幫助數據庫管理員快速定位並解決問題。 故障分類與影響分析 硬件故障 硬件故障是最嚴重的故障類型之一，包括磁盤損壞、內存故障、電源中斷等。這類故障往往導

redis , 數據 , 數據庫 , postgresql , SQL

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程四：計算機視覺 第二週：經典網絡結構 課後習題和代碼實踐

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第四課第二週的課後習題和代碼實踐部分。 1. 理論習題 【中英】【吳恩達課後測驗】Course 4 -卷積神經網絡

AI

收藏 評論

u_12831 頭像

epeppanda - Centos 7基於NAT（地址轉換）模式的負載均衡配置詳解_51CTO博客

背景介紹：為什麼選擇 LVS 負載均衡？ 在高併發 Web 架構中，隨着用户量增長，單台服務器的性能瓶頸和單點故障問題會愈發突出。傳統應用層負載均衡（如 Nginx）雖配置靈活，但在百萬級併發場景下，用户態轉發的性能限制會顯現。 LVS（Linux Virtual Server）作為內核級負載均衡方案，工作在傳輸層（Layer 4），通過 I

服務器 , ip , 負載均衡 , Centos , lvs

收藏 評論

developer-tianyiyun 頭像

天翼雲開發者社區 - 雲原生研發突破，國際頂會認可！

近日，由天翼雲與中國電信雲計算研究院聯合完成的論文《gShare: Efficient GPU Sharing with Aggressive Scheduling in Multi-tenant FaaS platform》，獲計算機系統領域國際頂級會議ASPLOS 2026長文收錄。該研究面向AI智能應用場景，提出了一套針對GPU FaaS雲函數的高效資源共享與調度機制，標誌着天翼雲在Serv

雲計算

收藏 評論

u_15125029 頭像

Quarkn - HarmonyOS鴻蒙多線程併發之TaskPool快速上手

助理鴻蒙生態建設，歡迎成為鴻蒙開發者，免費獲取鴻蒙開發者認證，歡迎留言領考試學習資料，免費！免費！ 多線程併發 對於剛接觸多線程編程的新手來説，理解進程、線程、併發和並行等基礎概念是至關重要的。在深入探討多線程併發之前，讓我們先統一這些基礎概念的認識，為後續學習打下堅實的基礎。 基本概念 進程 進程是操作系統分配資源（CPU、內存、文件等）

移動開發 , 工作線程 , 開發者 , 併發模型 , html5

收藏 評論

u_17216172 頭像

數據庫知識分享者小北 - 阿里雲 Tair 基於 3FS 工程化落地 KVCache：企業級部署、高可用運維與性能調優實踐

導讀 接着上一節內容，本文系統介紹了阿里雲 Tair KVCache 團隊與服務器研發存儲軟硬件結合團隊對 3FS（高性能 KVCache 底座）開展的全方位工程化升級實踐。 面向 AI 大模型推理中高吞吐、低延遲、強穩定性的核心訴求，團隊從性能調優、產品化增強與雲原生管理三大維度推進深度優化： 在性能層，通過 RDMA 流量均衡與小 I/O 參

tair , 數據 , nosql , 緩存 , 數據庫 , storage

收藏 評論

imssgear 頭像

紙飛機；iosxiasoluo - 探索蘋果iMessage羣發系統：營銷新利器，無需人工介入，自動化發送短信

一、iMessage 羣發系統是什麼？ iMessage 羣發系統是依託於蘋果生態系統的一項用於批量發送消息的工具 ，允許用户通過蘋果設備（如 iPhone、iPad、Mac 等）向多個收件人同時發送 iMessage 信息。iMessage 是蘋果設備之間的一種即時通訊服務，與傳統短信（SMS）不同，它通過互聯網連接發送和接收消息，不僅支持基本的文本內容，還能發送圖片、視頻、音頻、位置信息、

軟件測試

收藏 評論

deephub 頭像

deephub - ONNX Runtime Python 推理性能優化：8 個低延遲工程實踐

在深度學習落地過程中，有一個常見的誤區：一旦推理速度不達標，大家的第一反應往往是拿着模型開到，比如：做剪枝、搞蒸餾、甚至犧牲精度換小模型。 實際上生產環境中的 Python 推理鏈路隱藏着巨大的“工程紅利”。很多時候你的模型本身並不慢，慢的是低效的數據搬運、混亂的線程爭用以及不合理的 Runtime 默認配置。在不改變模型精度的情況下，僅靠ONNX Runtime (ORT) 的工程特性，往往就能

神經網絡 , 人工智能 , 深度學習 , Python

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - OmniThoughtV：面向多模態深度思考的高質量數據蒸餾

作者：嶽元浩(顧城)、汪誠愚(熊兮)、黃俊(臨在) 背景 近年來，多模態人工智能技術迅猛發展，推動了視覺、語言、語音等多種模態信息的深度融合與理解。尤其在多模態深度推理任務中， GPT-4V 等前沿模型通過模擬人類的鏈式思維過程，展現出強大的跨模態推理能力。然而，當前的多模態大模型在實際應用中仍面臨兩個關鍵問題：首先，能力較強的SOTA模型往往參數規模龐大、計算資源消耗高，導致部署成本高昂，難以在

阿里雲 , 人工智能

收藏 評論

u_17562097 頭像

wx68fe051338153 - 使用ascpectj框架做切面

一、AspectJ 框架簡介 AspectJ 是一個基於 Java 語言的 AOP 框架。在 Spring 2.0 以後，新增了對 AspectJ 框架的支持。在 Spring 框架中建議使用 AspectJ 框架開發 AOP。 1、 AspectJ 框架中的通知類型 2、 AspectJ 框架配置 AOP 方式 通過 XML 文件配置 AOP

sed , System , 後端開發 , JAVA , ide

收藏 評論