收藏 / 列表

toplist 頭像

Java烘焙師 - 架構師必備：限流方案選型（使用篇）

大家好，我是Java烘焙師。為了避免突增流量引起服務雪崩，需要對接口、存儲資源做限流保護，根據系統負載情況設置合適的限流值。下面結合筆者的經驗和思考，對主要限流方案的選型做一下總結，本篇先看如何使用，下一篇再看背後的原理。 下面介紹幾種常見限流方案的使用方法、優缺點： 單機限流：Guava RateLimiter 同時支持單機限流、集羣限流：Sentinel 分佈式限流：Redisson

redis , 限流 , sentinel , 架構 , 分佈式

dewujishu 頭像

得物技術 - RAG—Chunking策略實戰｜得物技術

一、背 景 在 RAG 系統中，即便採用性能卓越的 LLM 並反覆打磨 Prompt，問答仍可能出現上下文缺失、事實性錯誤或拼接不連貫等問題。多數團隊會頻繁更換檢索算法與 Embedding模型，但收益常常有限。真正的瓶頸，往往潛伏在數據入庫之前的一個細節——文檔分塊（chunking）。不當的分塊會破壞語義邊界，拆散關鍵線索並與噪聲糾纏，使被檢索的片段呈現“順序錯亂、信息殘缺”的面貌。在這樣的

算法 , 數據庫 , 大模型 , 後端

dayong_59b0e68b1ed0d 頭像

六邊形架構 - 架構師的悲哀：80%的人都在用錯誤的方式理解Zachman！

文 / 勇哥 原創文章，轉載請聯繫授權 在上一篇文章《別再空談企業架構！TOGAF 的 4A 模型讓你的技術投入至少省 50%！)》中，我們聊了TOGAF框架的核心實踐，今天我們來拆解另一個經典的企業架構框架——Zachman框架。如果你覺得企業架構"太抽象、難落地"，那Zachman的6×6矩陣絕對是你的"架構導航儀"。 作為在企業架構領域摸爬滾打10多年的"老司機"，從參與指導中小

架構師成長之路 , 架構設計 , 架構 , 架構模式 , 架構師

baidujiagoushi 頭像

百度Geek説 - 百度視頻搜索架構演進

導讀 隨着信息技術的迅猛發展，搜索引擎作為人們獲取信息的主要途徑，其背後的技術架構也在不斷演進。本文詳細闡述了近年來視頻搜索排序框架的重大變革，特別是在大模型技術需求驅動下，如何從傳統的多階段級聯框架逐步演變為更加高效、靈活的端到端排序框架。 01 背景 過去近十年，搜索引擎的主流框架為多階段級聯框架，分為召回，粗排，精排幾個階段。在每個階段中，系統會基於相關性、質量、時效性和點擊率等維度獨立建模

視頻 , 架構 , 百度

fannaodeliushu 頭像

程序員阿偉 - 《3D端遊世界角色技能連招的動畫狀態機輕量化實踐》

角色技能連招的流暢度直接決定玩家戰鬥體驗，而動畫狀態機作為技能動作邏輯的核心載體，其設計合理性與性能表現往往成為關鍵瓶頸。此前參與某武俠題材開放世界端遊“劍影江湖”開發時，團隊曾在主角“多武器技能體系”中遭遇典型困境：該角色需兼容劍、拳、暗器三種武器，每種武器對應5個基礎技能與3個派生連招，傳統動畫狀態機為每個技能單獨創建狀態節點，共生成24個獨立狀態，且各狀態間過渡邏輯重複編寫—當玩家在戰鬥中快

3d

mirrorship 頭像

鏡舟科技 - StarRocks 向量索引如何讓大模型“記性更好”？

隨着 ChatGPT、DeepSeek 等大語言模型的普及，我們已經能夠與 AI 進行流暢的對話。然而，即使是最先進的大模型也面臨着“記憶困境”，具體表現模型只能記住訓練時接觸的知識，且這些知識在使用時很可能會過期。實際應用或在處理特定領域問題時，可能生成看似合理但實際錯誤的內容。 大模型的“知識固化”問題一定程度上限制了其在企業級應用中的價值。那麼，如何讓大模型擁有更好的“記性”，實現知識的動態

索引 , 查詢優化 , 數據庫 , starrocks , 大模型

zhaoqianglaoshi 頭像

趙渝強老師 - 【趙渝強老師】MongoDB的分佈式存儲架構

在MongoDB存在另一種集羣就是MongoDB的分片技術。通過使用分片可以滿足MongoDB數據量大量增長的需求。當MongoDB存儲海量的數據時，一台MongoDB服務器可能不能滿足存儲數據的要求，也可能不足以提供可接受的讀寫吞吐量。MongoDB為了解決這一系列的問題提出了將數據分割存儲在多台服務器上，使得數據庫系統能存儲和處理更多的數據，以實現數據的分佈式存儲。這就是MongoDB的分片。

nosql , mongodb , 數據庫

u_15591410 頭像

我就是不長肉而已 - B5817W-ASEMI可直接替換安世PMEG2005EH

編輯：ll B5817W-ASEMI可直接替換安世PMEG2005EH ASEMI首芯半導體可替代安氏半導體功率器件 型號：B5817W 品牌：ASEMI 封裝：SOD-123 特性：肖特基二極管 正向電流：1A 反向耐壓：20V 恢復時間：35ns 引腳數量：2 芯片個數：1 芯片尺寸：MIL 浪涌電

ASEMI , 大數據 , B5817W , hadoop , 在51CTO的第一篇博文 , PMEG2005EH

u_15591470 頭像

ceshiren2022 - 構建智能測試閉環：深入解析ReAct範式與LangGraph的實用應用

一、ReAct範式簡介 在AI智能測試和Agent開發中，ReAct（Reasoning + Acting）範式是核心方法。它通過邊思考邊行動的方式，實現智能體閉環動態決策。 • Reasoning（推理）：分析任務信息、環境狀態和歷史數據，生成下一步行動策略。 • Acting（行動）：根據策略執行動作，如調用接口、生成測試用例或運行任務。 🔹 對測試開發人員來説，ReAct能讓

react , 智能體 , 人工智能 , 深度學習