- 博客(14)
- 收藏
- 关注
RSS订阅原创 【Java-JMM】Happens-before原则
如果 A happens-before B，且 B happens-before C，那么 A happens-before C。线程 A 中调用线程 B 的 start() 方法之前的所有操作，happens-before 线程 B 中的任意操作。根据线程终止规则：子线程 B 的 var = 66 happens-before 主线程 join() 之后的操作。线程 B 中的所有操作 happens-before 线程 A 中调用 B.join() 方法成功返回后的操作。// 构造函数中的写入。
2025-12-21 15:04:46
278
原创 【打造自己的 DeepSeek】第 1 期：为什么要打造自己的 DeepSeek？ _
这个需求比较小众，大体就是一些知识记录者不想将这些知识放在网上，但又希望能快速检索自己知识库的内容，甚至能根据自己整理的知识进行分析，使用 AI 大模型是比较方便的方法，但公网的 DeepSeek 显然是不适合的。DeepSeek 是放在公网上的，意味着所有向 DeepSeek 的提问都有被记录的可能，如果涉及一些安全密级较高的数据或者特别隐私的信息，直接在网络上提问是有风险的。公版的 DeepSeek 是满血版的，非常强大，但它的功能都是设定好的，能回答的问题也是规定好的，有些敏感问题它是回答不了的。
2025-12-21 15:04:04
279
原创 用 .NET 最小化 API 构建高性能 API | 葡萄城技术团队
本文将深入探讨如何利用.NET 中的最小化 API 架构构建高性能 API，通过简洁的代码示例和实用建议，帮助开发者掌握这一现代 API 开发方法。最小化 API 是使用 ASP.NET Core 构建 HTTP API 的一种轻量级方式，它摒弃了传统的基于控制器的结构。异步操作通过在 I/O 等待期间释放线程，显著提高了系统的并发处理能力，使 API 能够用更少的资源服务更多的用户。对于非常复杂的大型企业应用，特别是需要完整 MVC 功能的场景，传统的基于控制器的方法可能仍然更适合。
2025-12-17 19:50:52
245
原创 Shopee 验证码解决方案
可搭配我们的代理网络与 Puppeteer、Playwright 及 Selenium 一起使用，以最大程度降低验证码的出现。Bright Data 的验证码解决方案已内置于 Scraping Browser 与 Web Unlocker 中，实现验证码处理的自动化。ight Data 的验证码解决方案是 抓取浏览器 和 网络解锁器 的内置功能，为应对最复杂的验证码挑战提供完整解决方案。利用先进的 AI 逻辑自动检测、分析并解决验证码，支持重试、指纹识别与请求头优化等强大功能，应对各类复杂反爬机制。
2025-12-17 19:49:32
781
原创 MAF快速入门（6）混合编排工作流
这是一个内容审核管道工作流，假设我们提供了一个AI对话服务，我们需要针对用户给出的对话内容或者提示词做检测，如果检测到提示词越狱（Jailbreak）就输出指定回复而不再继续；Executor和Agent的应用场景在实际业务场景中，Executor通常用来覆盖确定性的业务逻辑，例如：数据验证、数据格式化、数据清洗和计算等等，这类场景往往需要100%确定性。而Agent则用来覆盖AI智能决策的场景，例如：智能判断、理解 和 内容生成等等，这类场景通常需要基于模型能力，具有一定的不确定性。
2025-12-15 13:19:57
229
原创 别再说 WinForm 做的工业软件丑了！这些开源库让它颜值拉满、交互流畅
此时，第三方 UI 库就成了绝佳的"中间方案"——它们在不改变 WinForm 核心架构的前提下，通过重绘控件、引入主题系统、优化布局逻辑等方式，让老框架焕发新面貌。ucBtnsGroup2.DataSource = new Dictionary<string, string>() { { "1", "河南" }, { "2", "北京" }, { "3", "湖南" }, { "4", "上海" } };选型建议：没有"最好"的 UI 库，只有"最合适"的方案。// Theme 属性用来设置整体的主题。
2025-12-15 13:19:07
271
原创 AI编程助手：Aider使用手册（中文版）
随后，Aider 会向“编辑器模型”发出另一项请求，要求其根据架构师的建议，生成具体文件编辑指令。对于这类模型，采用架构模式搭配专门负责生成文件编辑指令的编辑器模型，往往能取得比单纯使用代码模式更好的效果。待Aider完全理解你的需求后，再切换到“code”模式，让其开始编辑你的文件。与Aider的所有功能一样，你可以在现有仓库中使用语音编程，也可以用它开始新项目。目前尚不清楚它们对 aider 最新版本的跟踪情况，因此最好在终端中运行最新的 aider 并与编辑器一起使用 --watch-files。
2025-12-14 11:17:48
795
原创 MySQL篇（为啥会有非关系型数据库？MySQL的数据存储一定在磁盘吗？）
虽然大多数情况下，MySQL使用InnoDB或MyISAM等存储引擎将数据存储在磁盘上（如.ibd或.MYD文件），但它也支持MEMORY存储引擎，允许将数据完全存储在内存中，从而获得极快的查询速度。使用MEMORY存储引擎时，数据仅存在于内存中，重启MySQL服务后数据会丢失，因此它适用于临时数据或缓存场景，而非持久化数据存储。这不是数据存储在内存中，而是数据在磁盘上，部分数据被缓存在内存中以提高性能。例如，Redis 等内存数据库可以将数据存储在内存中，从而实现极快的读写速度。
2025-12-14 11:16:42
343
原创 从零开始学Flink：事件驱动
Apache Flink 为此提供了强大的 ProcessFunction 家族（KeyedProcessFunction、CoProcessFunction、BroadcastProcessFunction 等），它们在算子层面同时具备“事件处理 + 定时器 + 状态”的能力，是构建复杂流式应用的核心基石。在流处理场景（无界数据）中，常用“有界乱序”策略。在 onTimer 中被调用。Watermark：推进事件时间的“时钟”，只有当 Watermark 超过某个时间点时，对应的事件时间定时器才会触发。
2025-12-13 18:19:52
425
原创 记录一次USB虚拟网络问题排查
这几个符号都来自linux kernel 驱动代码，具体在kernel/drivers/net/usb/usbnet.c，由CONFIG_USB_USBNET决定是否编译，但是在我的自己的defconfig中CONFIG_USB_USBNET已经被显示设置为y了。阅读源码，Kconfig并没有提及CONFIG_USB_USBNET是否有依赖项，查看代码CONFIG_USB_USBNET实际是属于CONFIG_USB_NET_DRIVERS的一个子模块，所以尝试也配置。由于qxdm log在该目标机上受限。
2025-12-13 18:19:02
237
原创 【光照】UnityURP为什么要[Gamma矫正]？
伽马校正是对颜色值进行非线性变换的过程，其核心是通过幂函数（γ函数）调整亮度值，使人眼感知更均匀。数学表达式为：输出 = 输入^γ，其中γ=0.45用于编码（sRGB到线性空间），γ=2.2用于解码（线性空间到sRGB）。存储优化：8位色深(0-255)下，通过伽马编码为暗部分配更多值域，亮部分配较少值域，更符合人眼感知特性。显示一致性：补偿早期CRT显示器电压-亮度非线性关系(γ≈2.2)，现代显示器通过硬件模拟保持兼容。渲染准确性：在线性空间计算光照和混合（如PBR），避免亮度计算错误。
2025-12-12 11:56:42
685
原创 DAPO浅析
然而在训练long-cot的reasoning模型时，其目标是为了提升模型的能力（math、推理、code等）训练前后的模型分布可以是显著不一样的，KL惩罚项可能会限制模型的探索新知识的能力，因此去除。但是DAPO认为长度越长的sample的贡献度越大，因此过长的sample是对的会重点强化（提高概率），但是错了的话，会重点惩罚，从而减小错的长response的概率，即。同时，实验也验证了上面发现的问题。是在A<0的sample起作用，若重要性采样的比值很大，并不会对A<0的token进行裁剪。
2025-12-12 11:55:36
282
原创 [PBR][环境光]实现方法解析
Unity URP的环境光实现方案在保持实时性能的同时，通过精心设计的混合策略提供了足够高质量的全局光照效果，特别适合需要跨平台部署的项目。随着硬件发展，URP也在逐步引入更多实时全局光照技术，如Enlighten和GPU Lightmapper的集成，但核心的环境光处理架构仍保持这一基本设计理念。URP混合方案 中 中 ★★★★☆ ★★★★☆。球谐光照 极低 极低 ★★★★★ ★★☆☆☆。反射探针 中-高 中 ★★★☆☆ ★★★★☆。SSR 低 高 ★★★★☆ ★★★★☆。
2025-12-11 11:09:55
294
原创 推荐系统中损失函数梳理：从Pointwise到Listwise
具体配置：预训练阶段以用户行为序列为正样本对（例如同一session内的物品或连续点击的物品），批内其他样本为负样本，使用InfoNCE训练物品向量。预训练完成后固定物品向量（或使用小学习率微调），在有标注的下游任务上训练用户塔和输出层。实施要点：预训练的目标是学习通用的物品表示，应使用多样化的正样本对构造方式（共现、序列、时序相邻等），避免过度偏向某种特定模式。另一个实践经验是：主任务（业务最关心的指标）的权重应始终最大，辅助任务的权重不宜过高（通常主任务权重占总权重的60%以上），避免主任务被稀释。
2025-12-11 11:09:19
706
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人