博客 RSS 訂閱

apocelipes 頭像

apocelipes - POSIX兼容系統上read和write系統調用的行為總結

關於UNIX和Linux的宣傳語中，一切皆文件應該是最廣為人知的一句。 不管是普通文件，還是硬件設備、管道、網絡套接字，在Linux甚至還有信號和定時器都共享一套相似的api，大家可以用類似的代碼完成各種不同的任務，大大簡化了代碼複雜度和學習成本。 當然這只是理想中的情況，現實是普通文件和硬件設備是兩種完全不同的東西，普通文件和網絡套接字尤其是UDP協議的那種更是風馬牛不相及，強行把這些行為屬性完

後端

收藏 評論

827-s 頭像

好想成為人類啊 - C語言中的算術類型轉換

1.尋常算數轉換 在C語言中，當不同類型的操作數參與到算術運算時，編譯器會將操作數轉換成同一類型，再運算。這一過程被稱為尋常算術轉換，由於這個過程我們程序員看不見，所以它也是一種隱式類型轉換（見整型提升） 1.1尋常算數轉換的過程 1.1.1整型提升 若操作數是小整數類型（字節大小小於int），會自動進行整型提升，提升為int或unsigned int（見整型提升） 1.1.2類型提升 和整型提升

後端

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - 智能招聘革新：破解校招低效困局的核心方案

智能招聘革新：破解校招低效困局的核心方案 每年校招季，大型企業往往要面對數千份甚至上萬份簡歷的 “轟炸”。傳統招聘模式下，HR 團隊深陷重複性工作，將大量時間耗費在簡歷初篩與首輪面試中，不僅效率低下成為普遍痛點，更可能因人工篩選的主觀性、疏忽性，讓頂尖人才與企業失之交臂 —— 這既是人力資源的無效損耗，更是企業長期競爭力的隱性流失。如何用智能手段打破這場低效消耗戰，成為企業招聘轉型的關鍵命題

人工智能

收藏 評論

aws_aidevcommunity 頭像

亞馬遜雲開發者 - Agentic AI基礎設施實踐經驗系列（五）：Agent應用系統中的身份認證與授權管理

1. 引言 人工智能正經歷深刻變革。傳統AI多為被動工具，而隨着大型語言模型（LLM）和多智能體系統（MAS）的快速發展，AI Agent正向具有高度自主性的主動智能體（Agentic AI）演進。這些AI Agents能夠自主思考、規劃和執行復雜任務，甚至協同完成更復雜的目標。 這種演進帶來了前所未有的機遇，同時也引發了新的安全挑戰，特別是在身份認證與授權管理方面。近年來發生的多起安全事件充分

人工智能

收藏 評論

shuirongshui 頭像

水冗水孚 - 類比前端知識來學習Java的Spring Boot實現MySql的全棧CRUD功能——搭配Svelte+Vite

前言 本文梳理了後端的相關操作流程環節 使用Svelte+Vite（前端）搭配Spring Boot（後端） 實現了一個增刪改查全棧項目 有助於前端更好理解後端java的分層思想，數據流轉控制 和Svelte嚐鮮學習瞭解 完整前後端代碼在github：https://github.com/shuirongshuifu/svelte-springBoot-crud 大道至簡，一些知識

svelte , springboot

收藏 評論

chenchu_6110ed583800c 頭像

weiweiyi - 一文了解網口Bond幾種模式原理

前言 網口/網卡bond，也就是多個網絡接口綁定成一個邏輯接口的技術（NIC Teaming/Link Aggregation），或者稱為鏈路聚合。 例如，當你有一張兩個10Gps端口的網卡時，若你想將網口的速率翻倍，變為20Gps,便可以考慮在os下將這兩個網口做一個mode=0 或 mode =4 的綁定， 便可以得到一個 速率為20Gps的網絡接口。 下面本文將介紹bond的歷史來源、基本幾

服務器 , 負載均衡 , Linux , 網卡 , 網絡

收藏 評論

deephub 頭像

deephub - LightRAG 實戰： 基於 Ollama 搭建帶知識圖譜的可控 RAG 系統

LightRAG 是個開源的 RAG 框架，專門用來快速搭建模塊化的檢索增強生成管道。這個項目在 GitHub 上熱度不低，我們今天來看看他到底怎麼用 基礎安裝與環境配置 LightRAG 的安裝過程很簡單，幾行命令就能搞定： pip install "lightrag-hku[api]" cp env.example .env # ---這個有很多參數 非常豐富 lightra

llm , 知識圖譜 , 人工智能 , 檢索系統 , Python

收藏 評論

dayong_59b0e68b1ed0d 頭像

六邊形架構 - 想不到吧！68%做AI的Java開發者選擇了這個大模型框架！

文 / 勇哥 原創文章，轉載請聯繫授權 在前一篇文章中，我們探討了《Spring AI，一個讓 Spring 應用輕鬆擁抱 AI 的統一框架》。今天，讓我們深入剖析LangChain4j——這個被Java開發者親切稱為"大模型開發瑞士軍刀"的框架，它是在2023年年底由LangChain官方和社區貢獻者共同發起，旨在為Java生態提供專業、高效的大模型應用開發解決方案，它的出現填補了J

llm , openai , 人工智能 , JAVA , prompt

收藏 評論

tuzixiansen_63d4d65909d62 頭像

兔子先森 - vue3前端pdf直接預覽

安裝依賴 npm i vue-pdf-embed 頁面結構 vue-pdf-embed :source="state.source" :style="scaleFun" :page="state.pageNum" @rendered="pdfRendered" @rendering-failed="pdfRendered" / 使用 script setup lang="t

react , vue.js , typescript , 前端 , Javascript

收藏 評論

itpaiqiujun 頭像

it排球君 - opentelemetry全鏈路初探--埋點與jaeger

前言 某天一位業務研發老哥跑來諮詢 研發老哥：我的服務出現了504，但是不太清楚是哪個環節報錯，每次請求需要訪問4個微服務、2個數據庫、1個redis、1個消息隊列。。。 苦逼運維：停停停，不要再説了，目前不支持鏈路追蹤，只能手動幫你一個服務一個服務的排查了 先請老哥大概描述了一下業務邏輯以及訪問方式，10分鐘過去了。再逐級排查每個服務以及對應訪問的資源層，終於在半小時之後完成了故障定位。

監控

收藏 評論

zohocrm 頭像

Python最棒 - CRM系統如何實現客户生命週期管理

明明花了 10 萬營銷費引來 500 個潛在客户，最終成交的不到 30 個；好不容易簽下的客户，用了 3 個月就不再續費；老客户有新需求，卻被競品搶先挖掘…… 這是很多企業在客户管理中常遇到的困境。如今，市場早已從 “增量爭奪” 進入 “存量競爭”，獲客成本較 5 年前上漲了 60%，但客户留存率每提升 5%，企業利潤卻能增加 25%-95%（哈佛商學院數據）。 這組反差數據背後，藏着一個關鍵命題

數據挖掘 , 深度學習

收藏 評論

smalbox 頭像

SmalBox - 【URP】Unity[後處理]帕尼尼投影PaniniProjection

【從UnityURP開始探索遊戲渲染】專欄-直達 Panini Projection是Unity URP後處理中的一種圓柱形投影效果，主要用於大場景中保持透視視圖的直線特性。它通過特殊的幾何變換使垂直直線和穿過圖像中心的放射線保持筆直，從而解決廣角鏡頭產生的畸變問題。 核心特性與用途 ‌視覺矯正‌：在建築可視化或全景拍攝中修正廣角畸變，保持垂直線條筆直 ‌藝術表現‌：可創造類似魚眼鏡頭

遊戲開發 , unity3d , 圖形學

收藏 評論

1d1d1d1d1d1d1d1d_6671403974cb4 頭像

3Q聊工具 - 效率翻倍2025年敏捷開發必備的10大協作項目管理軟件橫評

引言：CIO的選型困境與破局之道 在數字化轉型深化的2025年，敏捷開發已成為企業應對不確定性的核心能力。但對於IT決策者而言，選型卻陷入“嘈雜陷阱”：公有云工具（如Jira、飛書）功能全面卻面臨數據主權風險，私有化工具（如禪道、鼎捷）安全可控但需評估集成成本，SaaS工具（如Trello）輕量靈活卻難以支撐複雜項目。本文基於長期行業觀察，建立10大評估維度，客觀對比10款主流工具，為政企、金融、

項目管理工具 , 項目管理 , 項目管理軟件 , 敏捷開發 , 項目經理

收藏 評論

seven97_top 頭像

程序員Seven - MyBatis 常見面試題

Mybatis基礎 Mybatis是什麼？ MyBatis框架是一個開源的數據持久層框架。 它的內部封裝了通過JDBC訪問數據庫的操作，支持普通的SQL查詢、存儲過程和高級映射，幾乎消除了所有的JDBC代碼和參數的手工設置以及結果集的檢索。 MyBatis作為持久層框架，其主要思想是將程序中的大量SQL語句剝離出來，配置在配置文件當中，實現SQL的靈活配置。 這樣做的好處是將SQL與程序

JAVA , Mybatis

收藏 評論

u_9849794 頭像

子丶不語 - Flex佈局-實戰篇

flex佈局屬於一維佈局簡單來説就是橫向或縱向佈局，將子元素羣編排成行或列。 上面的佈局我們用flex都可以輕鬆幾行實現 一、骰子的佈局 下面，就來看看Flex如何實現，從1個點到9個點的佈局。 HTML模板如下 div class="box" span class

Css , 前端開發 , ide , HTML

收藏 評論

youdiscovered1t 頭像

YouDiscovered1t - BUUCTF-Pwn-hitcontraining_uaf

一、題目來源 BUUCTF-Pwn-hitcontraining_uaf 二、信息蒐集 通過 file 命令查看文件類型： 通過 checksec 命令查看文件使用的保護機制： 三、反彙編文件開始分析 將題目給的二進制文件丟入 IDA Pro 當中開始反彙編。 程序的主要功能菜單函數已經寫的很清楚了： int menu() { puts("----------------------")

網絡安全

收藏 評論

yunpan-plus 頭像

雲棧開源日記 - 從功能測試到自動化測試開發：軟件測試工程師技能提升指南

軟件測試職業發展的關鍵差異 在軟件測試領域，手工測試與自動化測試的工作效率存在顯著差異。掌握自動化測試技能的工程師，可以通過腳本快速完成迴歸測試工作，而這正是測試開發工程師的核心能力之一。 本文分享一套完整的軟件測試學習課程，涵蓋從基礎理論到自動化測試的全棧技術內容。 課程簡介 本課程為軟件測試全棧實戰課程，內容包括： 測試基礎理論與流程

軟件測試

收藏 評論

CaspianCKY 頭像

CaspianCKY - Keil5 安裝教程（C51篇）

Keil µVision5 安裝教程（51篇） 聲明： 軟件僅供學習與交流，禁止商用，否則後果自負 version: 2.0(2025-11-08) 添加了MDK-ARM的安裝教程 目錄 Keil µVision5 安裝教程（51篇） 一. 簡介 二. 安裝前準備 三. 下載安裝包 3.1 官方下載地

軟件工程

收藏 評論

lying7 頭像

躺柒 - 讀浪潮將至10國家的未來

1.馬鐙 1.1.在馬鐙出現之前，騎兵在戰場上的實際作用極其受限 1.2.戰馬的主要作用僅僅是將士兵運送到戰場上 1.3.馬鐙將騎兵與衝鋒的戰馬緊密地結合在一起，從而形成了一個強大的戰鬥單元 1.4.在中世紀早期，馬鐙剛剛傳入歐洲不久，法蘭克人的領袖查理·馬特察覺到了它的潛力 1.5.隨之形成的新的社會基礎結構為這些權力中心提供了支撐與保障 1.6.技術的指數級發展擴大了每個人和每件事的影響力

AI

收藏 評論

yunpan-plus 頭像

雲棧開源日記 - Rachoon：基於 TypeScript 和 PostgreSQL 的自部署發票管理系統

每個月為發票管理工具付費？ 其實你可以用一個開源項目，在自己的服務器上搭建發票系統，數據完全由自己掌控。 這是什麼項目 Rachoon 是一個發票管理系統，專門給自由職業者和小團隊用的。名字來自波斯尼亞語裏"račun"這個詞，就是發票的意思。 它能做這些事： 開發票和報價單 記錄客户信息 跟蹤哪些錢收到了、哪些還沒收 自己設計發票模板

前端

收藏 評論

chenxuan11 頭像

陳敍安 - 比賽題解 總結

1.[HNOI2003] 操作系統 思路 此題是一道大模擬，主要根據任務優先級來計算最後執行此任務的時間，此時我們可以進行分類討論： 當此任務的到達時間晚於等於上一個未執行完任務的結束時間，上一個任務就一定能運行完，因此直接輸出結束時間 當此任務的到達時間早於上一個未執行完任務的結束時間，上一個任務就只能在 CPU 中運行一段時間，因此只能更新執行時間 因為執行任務要看其優先級，因

c++

收藏 評論

LiEs 頭像

Li斯 - JavaSE----- 流程控制

JavaSE 流程控制 1.用户交互Scanner 基本語法：Scanner s = nwe Scaneer(System.in); 通過Scanner類的next()與nextLine()方法獲取輸入的字符串，在讀取之前一般使用hasNext()與hasNextLine()判斷是否還有輸入的數據 1.next() 一定要讀取到有效字符後才可以結束輸入 對輸入的有效字符之前遇到

後端

收藏 評論

fannaodeliushu 頭像

程序員阿偉 - 《VS+Elasticsearch+Figma：開發全流程工具聯動指南》

GitLab的代碼管理與協作閉環、Visual Studio（VS）的智能編碼生態、Postman的接口全生命週期管控、Elasticsearch的日誌分析與問題定位、Terraform的基礎設施編排、Figma的設計開發無縫聯動，這組覆蓋“代碼-編碼-測試-排查-部署-協作”的工具矩陣，正在打破傳統開發流程中的信息孤島與流程斷點。很多開發者往往止步於單個工具的基礎操作，卻忽略了它們之間“協同大於

visual-studio

收藏 評論

deephub 頭像

deephub - TensorRT 和 ONNX Runtime 推理優化實戰：10 個降低延遲的工程技巧

模型速度的瓶頸往往不在算法本身。幾毫秒的優化累積起來就能讓用户感受到明顯的性能提升。下面這些技術都是在生產環境跑出來的經驗，不需要重構代碼實施起來也相對簡單並且效果顯著。 固定輸入形狀，越早告訴運行時越好 動態形狀用起來方便但對性能不友好。TensorRT 和 ONNX Runtime 在處理固定形狀時能做更激進的優化。 TensorRT 這邊，構建引擎時最好圍繞實際使用的 min/opt

pytorch , 人工智能 , tensorrt

收藏 評論