- 博客(676)
- 资源 (102)
- 收藏
- 关注
RSS订阅原创 深入解析 Open-AutoGLM：AI 驱动的手机 Agent 及其在移动应用测试领域的实战应用（含清晰格式化命令行与运行 Demo）
摘要： Open-AutoGLM（AutoGLM-Phone-9B）是一款专注于手机自动化控制的AI Agent，通过多模态感知（屏幕截图、UI结构）和自然语言指令理解，实现“感知-思考-行动”闭环。支持在Apple M2（4-bit量化部署）和NVIDIA H800（FP16全精度）等硬件平台运行，提供本地与云端部署方案。实战测试中，其成功完成“港话通”AI助手的法律咨询功能测试，包括界面交互、输入处理和多轮操作，展现了自动化测试潜力。核心能力包括ADB指令执行、多模态决策和任务规划。
2025-12-12 17:06:28
1447
原创 多裁判模型测评：提升AI模型评测可靠性的实战方案
摘要：随着AI模型评测中单一裁判模型的使用日益普遍，其主观偏差、评分随机性和标准不一致等问题逐渐显现。为提升评测的客观性，本文提出采用多裁判模型测评机制。该机制通过并行调用多个独立裁判模型进行评分，采用一致性判定和自动聚合方法处理结果，并对争议项进行人工复核。研究表明，这种方法能有效减少单一偏见、提高评分置信度，并量化评估稳定性。实践表明，多裁判模型机制显著提升了评测可靠性，同时兼容现有系统流程。未来可进一步优化智能聚合策略和裁判模型评估，推动AI评测体系向更加健壮、智能的方向发展。
2025-11-03 19:46:59
741
原创 大模型命名标识全解析：系统梳理与深度解读
LLM 的命名标识不仅用于区分模型版本，更透露了模型设计目标、技术特性与适用场景。从基础的‑Base、指令微调的‑Instruct，到对话优化的‑Chat、知识蒸馏的‑Distill，再到专注数学、代码的‑Math‑Coder，以及面向图像、视频、音频的‑VL‑Video‑Audio，每个后缀都代表了特定的设计理念。量化、混合专家、强化学习等技术标识，则揭示模型在效率和能力上的优化策略。
2025-10-23 16:37:25
641
原创 大模型微调、RAG 和代理学习笔记
微调类别核心思想典型方法优点全参数微调更新全部参数，通过监督数据和 RLHF 调整行为SFT + 奖励模型 + RLHF/PPO性能最高，适合复杂任务选择性微调只更新部分权重（偏置、最后几层或自动选出的参数）Freeze Layers、BitFit、PASTA 等参数少、实现简单加性微调在模型层之间插入小型适配器，只更新适配器Bottleneck Adapter、Adapter Fusion、MAD‑X 等模块化，可组合重参数化微调增加低秩或张量旁路，只更新旁路参数。
2025-10-22 13:49:31
1021
原创 ChatGPT Atlas vs Chrome：AI 浏览器的新纪元
ChatGPT Atlas 和 Chrome + Gemini 代表着浏览器从“窗口”向“助理”转型的两种路径。Atlas 以 ChatGPT 为核心，突出自然语言交互、浏览器记忆和代理执行，试图用 AI 改善效率甚至部分替代用户操作；Chrome 则在原有稳固基础上逐步接入 Gemini，将 AI 整合到搜索、内容理解和安全层面，并计划扩展到代理任务。从技术角度看，两者都处于快速迭代阶段。Atlas 的创新体验令人兴奋，但其代理模式和隐私机制仍在测试；
2025-10-22 09:48:15
832
原创 大模型学习第一课：深入理解 Transformer 与 LLM
摘要： Transformer是2017年提出的革命性神经网络架构，通过自注意力机制取代传统RNN/LSTM，实现高效并行处理和长距离依赖捕捉。其核心模块包括嵌入层、位置编码、多头注意力、前馈网络及残差连接，支持编码器-解码器结构。优势在于计算效率高、语义捕捉能力强，但面临O(n²)复杂度、高能耗等挑战。后续发展为大型语言模型（LLM），结合自监督学习、RLHF和多模态能力，推动AI进步，同时需优化能耗与数据偏见问题。
2025-10-21 08:09:36
836
原创 全面解读大型语言模型测评：从认知演进到实操框架
大型语言模型（LLMs）已从简单文本处理工具发展为多模态通用智能体，其测评体系也从单一指标扩展到多维度综合评价。本文系统梳理了LLM测评的理论基础、指标体系和实施流程，指出全面测评需覆盖准确性、可靠性、偏见公平性和领域适配等维度。随着模型参数规模扩大，涌现能力使测评重点转向高级认知能力评估，而多模态特性则要求增加工具调用等新指标。文章提出八步测评闭环流程，强调需结合公开基准与业务数据，通过自动指标与人工评审相结合的方式进行全面评估。最后指出，科学的测评方法对确保LLM在关键领域的安全可靠应用至关重要。
2025-10-20 13:24:11
1059
原创 MoneyPrinterTurbo 全流程笔记
负责把用户输入的主题 /关键词 /上下文，构造 prompt / messages，调用 LLM（如 Moonshot / OpenAI /DeepSeek 等）生成视频脚本、文案、字幕草稿、画面提示等。负责根据文案 /关键词 /画面提示去素材库（Pexels / Pixabay）拉图 /视频 /图片 /片段；根据素材 +字幕 +音频 +背景音乐进行拼接 /剪辑 /转场 /编码 /输出。在 config / UI 或项目内部，有开关 /素材模式切换（静态图片 / 循环视频 / 混合）三种模式。
2025-10-18 15:26:14
932
原创 n8n 自动短视频工厂：可执行脚本 + 详细操作步骤
这篇博客提供了一个完整的Markdown格式教程，教你如何搭建一个全自动短视频生产系统。主要内容包括： 项目概述：通过AI文案生成、视频制作到自动上传YouTube的全流程自动化方案 环境准备：Docker安装、目录结构配置和关键环境变量设置 部署步骤：n8n容器部署、MoneyPrinterTurbo安装 核心脚本：提供视频生成(gen_video.py)和YouTube上传(upload_youtube.py)两个Python脚本 n8n工作流：可直接导入的JSON格式工作流配置 测试运行方法和常见问题
2025-10-18 12:26:12
1617
原创 AI模型测评平台工程化实战十二讲（第八讲 大模型稳定性测评：从理念到实现的完整技术方案）
摘要： 大模型稳定性测评是评估模型在相同问题多次询问下输出一致性的关键指标。传统测评方法仅关注单次准确率，无法发现模型的不稳定性问题，而稳定性测评通过重复测试（5-100轮）分析答案分布，识别高风险题目。核心指标包括题目成功率、稳定性分类（完全稳定/高度稳定/不稳定）及业务级风险统计。技术实现上需解决性能、并发控制、错误处理等挑战，采用题目级并发+轮次串行、动态并发限制及连接池优化等方案，确保高效稳定的测评流程。稳定性是模型实用性的前提，尤其在金融、医疗等严谨场景中至关重要。
2025-10-14 18:32:13
1160
原创 AI测评新范式：我们如何驯服和理解“野蛮生长”的智能体
这套系统汇集了我们对 AI 评测的理解，也凝聚了业界的最佳实践。它不是终点，而是 AI 评测演化道路上的一个关键里程碑。它已经成为了我们团队内部不可或缺的得力伙伴。那么，对于您的业务场景，您认为当前功能清单中还欠缺哪些 Agent 独有的核心测评维度（例如：工具调用成功率、自我纠错能力、多模态融合理解等）？欢迎告诉我们，让我们一起打造更聪明、更懂 AI 的评测系统。
2025-10-09 10:32:57
486
原创 AI模型测评平台工程化实战十二讲(第七讲：大模型 + Search 的评估方法-从人工标注到第三方模型测评的系统性实践)
大模型与实时搜索的结合（Search-Augmented Generation）颠覆了传统评测体系。传统静态知识评估已无法应对动态事实、开放答案和引用透明性等挑战。新评测方法转向"四维指标"：时效性、来源可信度、逻辑一致性和表达准确度。行业采用"混合评测体系"，结合裁判模型自动评分和人工复核，并探索第三方开放评测平台。尽管自动化评测进步，人工复核仍不可或缺。大模型评测正从简单打分演变为系统的科学实验过程。
2025-10-08 10:20:50
875
原创 当测试工程师遇上大模型：我在测AI“智商”的那些坑与心得
摘要： 大模型评测从传统功能测试转向评估"概率性正确"，需综合考察知识、推理、编程等能力。主流基准如MMLU（跨学科理解）、HumanEval（代码生成）、GSM8K（数学推理）通过量化指标（准确率、鲁棒性等）衡量模型表现，但面临数据污染、文化偏差等挑战。未来AGI评估将聚焦跨模态、长期推理、伦理对齐等维度，强调动态更新与人机协作。测试工程师需平衡自动化与人工审核，警惕"高分假象"，真正理解模型能力边界。（149字） 关键词： 大模型评测、基准测试、AGI评估、概率性
2025-10-05 23:04:02
1043
原创 Cursor 团队代码规范与开发规则
本文提出了一套 Cursor 项目开发规范，涵盖代码结构、命名、日志、测试等关键环节，旨在提升代码质量和团队协作效率。核心规则包括：文件不超过2000行、函数不超过80行；变量命名禁用无意义单词；日志只记录关键信息；配置项禁止硬编码；依赖和敏感信息统一管理；核心逻辑测试覆盖率≥80%；Git提交遵循Conventional Commits规范。通过一个车辆数据处理函数的改造案例，展示了从"不规范"到"规范"的代码优化过程，体现了拆分函数、常量管理、错误处理等规范的实际
2025-10-04 10:05:40
1061
原创 AI模型测评平台工程化实战十二讲（第六讲：大模型测评系统：智能模型管理模块的设计与实现）
本文探讨了大模型测评系统中智能模型管理模块的技术实现。通过工厂模式设计统一接口，支持多厂商AI模型的即插即用集成，采用配置驱动实现热更新和版本控制。系统采用模块化架构，标准化模型客户端接口，并通过JSON配置管理不同模型的功能特性（如联网搜索、法律咨询等）。这种设计提供了高灵活性，支持动态扩展和差异化管理，有效解决了企业级AI应用中的模型调度难题。
2025-10-03 21:21:36
820
原创 AI模型测评平台工程化实战十二讲（第五讲：大模型测评分享功能：安全、高效的结果展示与协作）
大模型测评分享功能的设计和实现是一个复杂而重要的工程，它不仅仅是技术实现，更是对业务需求、用户体验、安全保障的综合考量。业务价值：分享功能解决了评测结果传播和协作的核心痛点，提高了工作效率和决策质量。技术架构：采用分层架构设计，确保了系统的可扩展性、可维护性和高性能。安全保障：多层次的安全控制机制，保护了敏感数据的安全性和访问的可控性。用户体验：从分享创建到结果展示的全流程优化，提供了流畅、直观的用户体验。运维监控：完善的监控和运维体系，确保了系统的稳定运行和持续优化。
2025-09-30 16:45:13
1027
原创 AI模型测评平台工程化实战十二讲（第四讲：TTFT性能分析与连接池优化：从73秒到325秒的性能退化问题深度解析）
摘要 本文分析了HKGAI模型评测系统中出现的严重性能退化问题，表现为TTFT（首Token响应时间）从初始73秒增长至325秒，且60秒超时设置完全失效。通过深入分析，发现三个关键问题：错误的TTFT计算方法（包含网络延迟）、不合理的连接池配置（limit_per_host=1导致瓶颈）以及缺乏重试机制。针对这些问题，提出了完整的解决方案：修正TTFT计时逻辑（精确区分请求发送和响应时间）、优化连接池配置（并发数提升至50）以及实现带指数退避的重试机制。这些优化可显著改善系统性能和稳定性。
2025-09-25 08:36:42
1106
原创 AI模型测评平台工程化实战十二讲（第三讲：Chat ID与TTFT：构建全链路可观测的AI模型评测体系）
本文介绍了AI模型评测系统中的两项关键技术：Chat ID和TTFT（首次响应时间）。Chat ID通过为每次模型调用生成唯一标识，实现了全链路追踪和与Langfuse分析平台的深度集成，解决了评测过程的可观测性问题。系统采用结构化响应格式和多模型统一管理策略，支持上下文对话的关联分析。TTFT则精确测量响应时间，为性能优化提供数据支撑。这两项技术的结合构建了一个透明、可观测的AI模型评测体系，能够回答"模型为何好"、"在什么情况下好"等关键问题，为模型优化奠定基础。
2025-09-22 20:15:48
527
原创 AI模型测评平台工程化实战十二讲（第二讲：目标与指标：把“测评”这件事说清楚（需求到蓝图））
摘要： 本文以AI模型测评平台工程化实践为核心，系统阐述了从目标定义到代码落地的闭环流程。通过四类核心角色（算法、工程、产品、管理）的需求分析，明确测评对象与粒度（数据集、题目、模型、裁判模型），并将"好不好"拆解为6类可度量维度（准确性、稳定性、成本等）。重点提出"评分口径即代码"的理念，通过文件级与系统默认提示词的双层管理，结合JSON强约束协议，确保测评过程可执行、可复用、可追溯。文末附有系统路由、数据结构及关键代码片段，展示如何将抽象指标转化为具体工程实现。
2025-09-20 12:39:45
830
原创 AI模型测评平台工程化实战十二讲（第一讲：从手工测试到系统化的觉醒）
本文介绍了从手工测试到构建自动化评测平台的演进过程。早期手工测试虽简单直观，但存在复用难、口径不一致等问题；脚本化阶段虽能批量处理，但陷入版本分叉、逻辑膨胀的困境。为系统化解决这些问题，团队构建了一个评测平台，具备统一模型接入、一致评分协议、并发治理、可视化报告等功能。平台采用Flask+Jinja2架构，支持端到端评测流程：上传数据集、并发获取答案、裁判打分、结果落库及可视化。关键特性包括错误处理、JSON协议强制、提示词治理等，使评测成为可管理的工程实践。后续将深入系统架构细节。
2025-09-06 21:38:55
776
原创 大模型压缩三剑客：量化、剪枝与知识蒸馏全解析
量化是将模型参数从高精度浮点数（如 FP32）转换为低精度表示（如 FP16、INT8、INT4）的技术。📌 举例：原本每个参数用 4 字节（FP32），量化后仅需 0.5 字节（INT4），模型体积缩小 8 倍！剪枝通过识别并移除神经网络中“不重要”的连接或结构，使模型变得更稀疏、更轻量。🔍 研究表明：大模型中大量参数对最终输出影响微弱，可安全移除。让一个小型“学生模型”学习大型“教师模型”的输出行为，而不仅仅是学习原始标签。
2025-08-22 16:06:00
1271
原创 三星 Galaxy 手机如何投屏到 Mac？最全教程来了！
Scrcpy 是一款开源、免费的 Android 投屏工具，可以将手机画面实时同步到电脑，支持鼠标操作、键盘输入、1080p 高质量投屏，延迟低，非常适合开发者和进阶用户。命令功能scrcpy默认投屏降分辨率和码率（提高流畅度）同时录制屏幕投屏时关闭手机屏幕投屏窗口置顶显示场景推荐方案开发调试✅ Scrcpy（USB 连接）无线远程协作✅ Scrcpy 无线模式零技术门槛用户教学演示✅ Scrcpy + 录屏通过本教程，你已经掌握了将三星 Galaxy 系列手机投屏到 Mac 的多种方法。
2025-07-26 09:47:37
2607
原创 深入理解大语言模型生成参数：temperature、top\_k、top\_p 等全解析
理解并合理配置大语言模型的生成参数，是提升模型效果的第一步。无论你是做产品落地、研究开发，还是系统调优，掌握这些参数的含义与搭配技巧，都会让你的生成结果更可控、更高质。如果你想进一步探索 Prompt 工程、模型微调（如LoRA）、推理引擎优化（如vLLM、TGI），欢迎关注后续内容更新。如有实际模型或API使用问题，也欢迎留言交流，我们将持续补充常用模型（如ChatGLM、LLaMA、Baichuan、Claude 等）的参数使用实战案例。
2025-07-24 18:34:46
1484
原创 语音识别的速度革命：从 Whisper 到 Whisper-CTranslate2，我经历了什么？
Whisper-CTranslate2革新语音识别技术，大幅降低硬件门槛并提升处理速度。该工具基于CTranslate2引擎优化OpenAI Whisper模型，使CPU处理1小时音频仅需5分钟，内存占用降低70%以上。性能测试显示，在普通CPU上其速度甚至超过原版GPU运行效果，而准确率损失仅0.2-0.3%。特别适合处理播客、会议录音等长音频场景，让语音识别从高端GPU需求变为普通电脑即可胜任的任务，为开发者和内容创作者提供了高效低成本的选择。
2025-07-13 06:38:58
646
原创 大模型对比测试系统详解：基于FastChat的全面评估方案
FastChat是一个开源的LLM训练、服务和评估平台，由LMSYS组织开发维护。该系统不仅提供了完整的模型训练和部署功能，更重要的是构建了一套全面的模型评估体系。多模型支持：支持包括Vicuna、Llama、GPT、Claude等主流大语言模型分布式服务：提供Web UI和OpenAI兼容的RESTful API评估框架：集成了MT-Bench、Chatbot Arena等多种评估方法开源透明：所有代码和数据集都开源，确保评估过程的可重现性# 添加新模型支持示例# 注册模型配置。
2025-07-08 10:49:40
947
原创 RAG 与 KAG 深度解析：两种知识增强技术的架构、应用与对比
摘要： RAG（检索增强生成）和KAG（知识增强生成）是两种提升大语言模型性能的知识增强技术。RAG通过实时检索外部文本资源生成动态响应，适用于开放域问答和时效性任务；KAG则利用结构化知识图谱确保事实准确性，适合专业领域的实体问答。两者各有优势：RAG灵活性强但依赖检索质量，KAG准确性高但图谱构建成本大。实际应用中，二者可互补结合，形成混合系统。选择时需考虑任务需求、数据形式和可靠性要求。未来随着技术进步，两种方法可能进一步融合，为AI生成提供更强大的知识支持。
2025-07-05 21:42:41
1122
原创 大模型压测实战：如何评估你的LLM在高并发下的表现？
本文介绍了一套用于评估大语言模型(LLM)高并发性能的异步压测框架。该框架通过模拟不同并发请求，从吞吐量(QPS)、延迟(P99)、Token生成速度(TPS)和首Token响应时间(TTFT)等多个维度评估模型表现。文章详细解析了核心设计思路，包括Prompt加载器、异步请求处理、并发控制等模块的实现代码，并展示了实际压测结果数据。测试结果表明，随着并发量增加，模型响应延迟上升而TPS下降，但仍有余量可提升吞吐。未来计划扩展多模型对比、资源监控等功能，帮助团队更科学地优化LLM部署性能。
2025-07-04 09:33:44
1769
2
原创 LLM微调评估先行：全面掌握 lm-eval 工具的实战与原理
LLM 微调流程常见如下：但真正高效的实践顺序应当是：原因是：选择容易评估的任务，如：选择评估成本可控、有现成数据或可收集的数据集，如：🔑 核心判断标准：任务是否可评估/易评估！评估流程包括：明确任务目标（分类 / 生成）选择合适指标：例如在 GSM8k 上：5. 有没有工具能帮我们评估？✅ 有！推荐使用：lm-evaluation-harness（简称 lm-eval）GitHub 地址：https://github.com/EleutherAI/lm-evaluation-harness特点：
2025-06-24 10:15:03
1873
原创 用 SSE 构建轻量级实时推送系统：在大模型中的实战应用
摘要： Server-Sent Events（SSE）在单向实时通信场景中比WebSocket更简单高效，适用于通知推送、大模型流式输出等需求。SSE基于HTTP协议，实现轻量，支持自动重连。对比WebSocket，SSE在单向推送场景中优势明显，尤其在大模型的"边生成边返回"流式响应中表现突出。文章通过Node.js+OpenAI的实战案例，展示了SSE如何实现流式接口，并给出使用建议。SSE免去了WebSocket的复杂握手和状态维护，是快速实现AI聊天、实时日志等功能的性价比之选。
2025-06-24 09:52:05
910
原创 大模型测评工具全面盘点：谁才是你的理想“打分员”？
大模型测评工具选型指南 当前大模型评估面临公平性、准确性与效率的挑战，主流测评工具各有侧重： 综合评估：商汤OpenCompass支持分布式多模型对比，适合企业级评测； 性能优化：LMDeploy专注推理延迟/吞吐测试； 代码能力：EvalPlus提供代码生成全流程验证； 自动化评分：清华PrometheusEval利用LLM进行问答打分； 工程部署：EvalScope擅长API并发测试。 选型建议：研究机构推荐OpenCompass+lm-eval-harness组合，代码测试选EvalPlus，API场
2025-06-22 12:47:54
1551
原创 FastChat 对战评测
📌 项目地址：👉支持多模型部署；提供 Web UI 进行对话或对战评测（arena）；支持匿名 A/B 投票Elo 排名；可使用 OpenAI、LLaMA、ChatGLM、Mistral 等模型。然后配合投票界面批量比对。
2025-06-19 15:53:59
991
原创 大规模模型及其推理框架的关系探讨
最近要针对大模型进行压力测试，才接触到了大模型推理框架 sglang、vllm，于是要抓紧给自己补补课。随着人工智能技术的不断进步，大规模模型（简称“大模型”）因其在自然语言处理、图像识别等领域的卓越表现而受到了广泛关注。这些模型通常拥有数以亿计甚至更多的参数，能够学习到更加复杂的数据特征和模式。然而，如何有效地部署并运行这些大模型成为了新的挑战。这时，大模型推理框架的作用就显得尤为重要了。
2025-06-17 09:53:30
430
原创 DeepSeek 大型 MoE 模型大规模部署压测学习
📌 摘要 LMSYS团队在96张H100 GPU上成功部署DeepSeek模型，采用预填充-解码拆分(PD Disaggregation)和专家并行(EP)技术，实现了52.3k输入token/s和22.3k输出token/s的高吞吐量，成本仅为官方API的1/5。关键技术包括：专家混合模型(MoE)的EP实现、多头潜在注意力(MLA)优化、DeepGEMM加速等。所有代码已开源，为大规模MoE模型部署提供了完整方案。测试建议采用SGLang框架结合DeepEP通信库，重点关注token吞吐量、专家调度效
2025-06-16 19:24:12
1326
原创 自动化盯盘神器：Python + ADB + OpenCV 实现股票信号识别与钉钉通知
需求：由于没时间盯盘，想写一个脚本能隔一段时间监控是否出了gs然后钉钉通知消息要实现这个功能，我们需要编写一个Python脚本，结合使用来控制手机、来进行图像识别，以及库来发送钉钉消息。这个任务比较复杂，需要一些前置准备工作。我会一步步详细地指导你完成。
2025-06-10 19:28:37
1514
原创 使用Whisper本地部署实现香港版粤语+英语混合语音转文字方案
今天要一个非常好的朋友有个工作，就是要把医院医生诊断的说话记录转成文字，之前都是她本人一句一句的听，然后记录下来的，我想通过ai 来解决这个问题。据调研要实现这个功能，目前最强大且最方便的方案是使用 OpenAI 开发的模型。Whisper 在处理多种语言，甚至是同一句话中夹杂不同语言（例如英语和粤语混合）的场景下，表现非常出色。下面我将为你提供一个完整的、可运行的 Python 代码，并详细解释如何设置环境和使用它。
2025-06-10 09:20:22
2198
1
原创 车路云一体化的优缺点及发展前景
车路云一体化是智能网联汽车发展的一个重要方向，它通过车辆、道路基础设施和云平台的深度融合，实现更安全、更高效的自动驾驶和交通管理。综上所述，车路云一体化在推动智能交通和自动驾驶发展方面具有巨大潜力，但同时也面临着技术、成本、法规和市场等多方面的挑战。
2024-08-27 09:11:23
943
原创 智能驾驶学习笔记，第一天
简单地说，全局路径规划是基于相对固定的、先验的环境模型，规划出相对宏观的行驶路径，局部轨迹规划是基于动态的、实时的环境信息，规划出微观的、局部的行驶轨迹，有时也认为全局路径规划属于任务决策的一部分。感知，解决的是“当前处于什么环境”的问题，汽车通过各种传感器对外部环境进行数据采集，并对复杂的外部环境进行分析与理解，获取行驶环境的信息，包括静态的道路环境、交通设施，以及动态的车辆、行人等一切可以观察到的交通环境信息。：随着技术的进步和基础设施的完善，智能驾驶有望实现更广泛的应用和更高级的智能化水平。
2024-08-02 14:18:25
1388
原创 Mac 下 brew 切换为国内源
Homebrew 是一款自由及开放源代码的软件包管理系统，用以简化 macOS 和 linux 系统上的软件安装过程。它拥有安装、卸载、更新、查看、搜索等很多实用的功能，通过简单的一条指令，就可以实现包管理，十分方便快捷。提供 macOS 应用和大型二进制文件。Homebrew 预编译二进制软件包。Homebrew 核心软件仓库。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。Homebrew 源代码仓库。
2024-06-11 20:26:52
1385
原创 Linux定期清理nginx 日志
通过上述步骤，你可以在Linux系统上定期清理Nginx日志，确保日志文件不会占用过多磁盘空间。你可以选择手动编写脚本并使用cron定时任务，或者使用logrotate进行日志轮转和清理。
2024-05-28 14:36:55
2009
原创 从新认识一下Linux的平均负载
一个简单的命令，一组简单的数据，有多少人知道他们的含义，他们的真正义呢，我相信你对前面的几列比较熟悉，它们分别是当前时间、系统运行时间以及正在登录用户数。而最后三个数字呢，依次则是过去 1 分钟、5 分钟、15 分钟的平均负载（Load Average）。？这个词对很多人来说，可能既熟悉又陌生，我们每天的工作中，也都会提到这个词，但你真正理解它背后的含义吗？简单来说，平均负载是指单位时间内，系统处于和的平均进程数，也就是，它和 CPU 使用率并没有直接关系。
2023-06-09 09:49:48
759
setiscopesetiscope
2011-10-27
badboy安装包
2011-10-17
Notepad Notepad
2011-10-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人