- 博客(248)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 重构系统：程序员的必备技能指南
本文探讨了代码重构的重要性和实施方法。重构通过优化代码结构提升可维护性，常见时机包括出现长函数、复杂条件判断等情况。建议采用小步渐进式重构，配合测试驱动开发。文章提供了重构流程表（分析→提取→测试等）和常见陷阱解决方案。尽管重构能降低70%维护成本、提升50%开发效率，但企业常因短期产出压力而忽视。建议通过代码评审、技术氛围培养重构思维，并引入AI辅助质量检测。重构是技术债务的长期解决方案，需要平衡业务需求与代码健康。
2025-10-22 21:51:45
865
原创 日活百万？高并发ToC系统落地基石
众所周知，高用户量的ToC系统往往更关心：**高并发、高可用、低延迟、海量用户、用户体验、快速迭代**等。>当然，不包括哪些僵尸用户日活不到1w冒充高并发的ToC。>也不包括某xxOKR虚假宣传的数据量=并发量。让我们来一起看看高并发、低延迟思想下的经典代码范例。本篇涵盖并行调用、高性能计数、批处理、缓存等核心模式。
2025-10-01 19:00:00
1689
原创 Java性能测试利器：JMH性能基准测试
摘要： 本文介绍了JMH（Java Microbenchmark Harness）工具在Java微基准测试中的应用。JMH通过处理JVM优化（如JIT编译、死码消除等）确保测试准确性。文章详细解析了JMH的核心注解（如@Benchmark、@State、@Setup等）和参数配置，并提供了避免测试陷阱的实用技巧（如使用Blackhole防止死码消除）。此外，还强调了测试代码的合理范围，避免过度优化干扰结果。推荐通过官方示例和资源深入学习JMH的高级用法。
2025-09-22 20:00:00
2013
原创 AI对话接口入参解析
文章摘要 本文解析了AI对话接口的入参和响应设计，以通义千问(QW)和DeepSeek(DS)为例。核心参数包括session_id和parent_msg_id，用于标识对话链路和消息顺序。两者在参数获取流程和设计理念上存在差异：QW采用冗余设计确保数据独立性，而DS追求极简传输效率。响应方面，QW采用全量快照式结构，DS则为增量补丁式。文章还对比了Header设计的认证机制和流式传输实现，最后提出一个融合两者优点的简化设计建议，更适合一般项目开发。
2025-09-18 16:49:09
1216
原创 算法，蒜鸟蒜鸟-P5-理解“堆、图”
【摘要】本文介绍了堆和图两种重要数据结构及其应用。堆的核心功能是高效获取极值（O(1)时间），通过小顶堆解决LeetCode 215题（第K大元素）展示了其优势。图的邻接表表示和遍历方法（DFS/BFS）被详细说明，并以LeetCode 200题（岛屿数量）为例，阐述了如何通过DFS标记连通分量来统计岛屿数量，重点强调了visited集合对避免环路无限递归的关键作用。文章通过具体代码示例，直观呈现了数据结构的实现与应用逻辑。
2025-09-18 16:46:45
1079
原创 算法，蒜鸟蒜鸟-P3-理解“递归、回溯与分治”
摘要 本文深入探讨回溯算法（Backtracking）的核心思想与实现模式，通过经典例题展示其应用场景和优化技巧。主要内容包括： 回溯本质：基于DFS的试错搜索，通过“选择->递归->撤销选择”三步走结构实现，避免无效路径（剪枝）。 全排列问题（LeetCode 46）：维护可选列表（used[]数组）、路径（path列表）和结束条件（路径长度等于输入数组长度），完整代码示例演示回溯框架。 组合问题（LeetCode 77）：通过强制从小到大选择和动态调整循环范围（startIndex）避免重复
2025-09-16 09:00:00
1015
原创 算法，蒜鸟蒜鸟-P4-理解“动态规划-DP”
本文介绍了动态规划（DP）的基本概念及其在解决重叠子问题中的应用，并以LeetCode 70题“爬楼梯”为例详细解析了DP的五步解题法：定义dp数组含义、推导递推公式、初始化、确定遍历顺序和获取最终答案。通过优化空间复杂度，展示了如何用滚动数组将空间复杂度降至O(1)。文章还推荐了其他DP练习题供巩固学习。
2025-09-16 09:00:00
819
原创 算法，蒜鸟蒜鸟-P2-理解“树的遍历（BFS & DFS）”
本文介绍了树结构的两种基本遍历策略：深度优先搜索（DFS）和广度优先搜索（BFS）。DFS采用递归或栈实现，包括前序、中序和后序遍历三种经典方式；BFS则通过队列实现，适用于层序遍历和最短路径查找。文章通过LeetCode题目示例展示了两种算法的代码实现，并对比了它们的应用场景：DFS适合深度探索，BFS适合广度扩展。
2025-09-15 16:56:58
812
原创 算法，蒜鸟蒜鸟-P1-理解“双指针”
本文介绍了双指针算法的两种模式：左右指针和滑动窗口。左右指针适用于有序数组搜索问题，可将时间复杂度优化至O(n)；快慢指针则用于解决链表环路等问题。通过示例展示了正确实现双指针算法的逻辑结构，强调状态处理与转移分离的重要性。滑动窗口模式用于解决连续子数组/子串问题，详细说明了其扩展和收缩窗口的步骤，并提供了无重复字符最长子串的代码实现。文章还推荐了相关LeetCode题目和题解资源，帮助读者深入理解双指针算法的应用。
2025-09-15 16:56:09
768
原创 Dubbo轻松入门-RPC框架的绝对主流
Dubbo 为业务应用提供了微服务开发API、RPC 协议、服务治理三大核心能力，让开发者真正的专注业务逻辑开发。本篇可以快速入门Dubbo。
2025-08-26 22:39:43
685
原创 vLLM轻松通
vLLM主要是解决大模型推理服务化问题，专于与推理、优化GPU使用、提供吞吐量，提供简单易用的API接口，支持Hugging Face模型无缝接入。本篇，让我们一起了解vLLM。
2025-08-26 22:33:11
1267
原创 MCP轻松入门
摘要： MCP（Model-Context-Protocol）是一种标准化协议，旨在解决AI应用与外部工具/数据交互时的NxM集成复杂性问题。其核心架构包括MCP Host（AI应用）、MCP Client（协议请求方）和MCP Server（协议执行方），通过中间层实现解耦与统一管理。MCP提供安全网关、降低厂商锁定风险，并支持灵活扩展。实际应用中需关注Server设计、安全授权、服务发现及性能监控。典型场景如IT支持机器人，可通过多个MCP Server分别调用本地系统与Jira API，由MCP Cl
2025-08-20 19:00:00
891
原创 提示词Token控制
本文介绍了优化大型语言模型（LLM）Prompt token的实用策略。主要内容包括：精简Prompt内容（清晰指令、限制示例、结构化输出）；管理上下文窗口（截断、输入输出平衡、内容总结）；高级技术（RAG检索增强、思维骨架提示、批处理）；API参数微调（最大长度、停止序列等）。还提出落地应用建议：自适应RAG系统、任务分解让LLM专注自然语言处理部分，结合传统API提高效率。这些方法可在保证输出质量的同时有效控制token使用，优化模型性能和成本效益。
2025-08-19 22:23:32
991
原创 “你不干有的是AI干”，提示词中的“情感化提示”
这篇文章探讨了大型语言模型(LLM)中"情感化提示"的作用原理和应用场景。作者指出，这些看似"无厘头"的提示词之所以有效，是因为LLM通过统计学习建立了"高期望→高质量输出"的模式关联。文章将这类提示分为四类：赋予专业性身份、提高任务重要性、鼓励深度思考和施加竞争压力，并通过测试案例展示了不同提示的效果差异。最后强调，情感化提示需要与清晰的基础提示结合使用，在复杂推理、专业文本生成等场景中效果尤为显著。
2025-08-19 22:22:33
1251
原创 一文了解金融合规
金融合规与安全开发摘要 本文系统介绍了金融科技领域的安全合规要求。金融合规是法律强制的核心要求，保障系统稳定性和数据安全，涉及KYC、AML、风控等关键概念。 文中提供了金融合规术语速查表，从Java工程师视角解释了KYC认证、反洗钱监测、数据脱敏等技术的实现要点，强调加密存储、审计日志、权限校验等开发规范。 金融系统开发需具备合规思维：数据安全是首要任务，所有操作必须可追溯，业务逻辑需严格精准。开发人员需将合规要求融入技术实现，如KYC认证流程、实时交易监控等，确保系统符合金融监管标准。
2025-08-16 16:11:07
1259
原创 难以忘记，快速入门DDD
DDD（领域驱动设计）是一种解决软件复杂性的思维框架，其核心价值在于通过领域建模管理业务固有的复杂性。传统开发存在以下问题： 业务与技术语言鸿沟：通用语言可确保代码与业务术语一致，避免需求偏差。 贫血模型导致逻辑分散：业务规则分散在Service层，充血模型通过封装行为到领域对象保证一致性。 系统边界模糊：限界上下文和聚合划分明确边界，避免领域间耦合。 DDD通过领域模型、限界上下文等模式，将复杂业务逻辑转化为可维护的代码结构。
2025-08-14 23:49:44
1108
2
原创 AI Agent 为什么需要记忆？
AI Agent 为什么需要记忆？核心瓶颈在于大语言模型（LLM）的 **“固定上下文窗口” (Fixed Context Window)** 是有限的，无法在一次处理中容纳长期的、跨会-话的全部信息。且应用需要控制成本、响应速度。为了让 Agent 能够执行复杂、长期的任务，就必须构建一个超越这个有限窗口的记忆系统。基于此，我们可以构建一个清晰的认知框架，从 **“存哪里”（存储架构）** 和 **“怎么用”（管理策略）** 两个基本维度来解构 Agent 的记忆系统。
2025-08-14 23:46:28
1044
原创 LoRA微调实战：万字深度解析
本文介绍了参数高效微调(PEFT)技术及其在自然语言处理中的应用。文章首先探讨了如何选择适合的预训练模型，以文本风格润色任务为例，推荐了Qwen2.5系列模型。随后详细阐述了微调方案的选择标准，包括QLoRA、Flash Attention-2等技术组合。文章重点展示了PEFT实战过程，特别是数据准备阶段的数据增强技术，通过教师模型自动生成高质量的指令数据集，包括总结扩写、提问回答和风格迁移三种模板。
2025-08-12 20:30:43
1655
原创 微调入门：为什么微调
本文探讨了大语言模型微调的技术选择与应用场景。文章首先分析了需要微调的四种典型情况：领域差异大、低资源语言、数据敏感性和硬件限制。随后详细对比了全量微调（Full Fine-tuning）和参数高效微调（PEFT）两类方法，重点介绍了LoRA、QLoRA等技术的原理与适用场景。通过对比表格，总结了不同微调方法在显存需求、训练速度、性能上限等方面的差异，并提供了技术选型建议。最后比较了RAG与微调在垂直领域的应用差异，指出RAG侧重知识增强而微调侧重技能传授。全文为开发者提供了清晰的微调技术路线图，特别强调了
2025-08-12 20:26:32
644
原创 从零构建TransformerP2-新闻分类Demo
本文介绍了一个从零构建Transformer模型的完整流程，主要用于新闻分类任务。代码使用PyTorch实现，包含关键组件：词嵌入层（TokenEmbedding）、位置编码（PositionalEncoding）和多头注意力机制（MultiHeadAttention）。文章强调LLM应用工程师需要对Transformer有基本理解，并提供了详细的模块设计说明和代码实现。模型采用标准的Transformer架构，包括缩放点积注意力、多头机制等技术，适用于序列数据处理任务。代码由QWen3-Coder生成，可
2025-08-08 21:58:32
494
原创 从零构建TransformerP1-了解设计
本文介绍了如何基于PyTorch实现一个完整的Transformer模型。文章首先回顾了序列任务的特点和Transformer的核心优势，特别是其自注意力机制能有效建模长距离依赖和元素间关系。作者详细讲解了输入序列的处理方式（分词、词向量嵌入、位置编码）以及批量训练技巧（padding和mask）。通过对比RNN/LSTM和CNN在长距离依赖处理上的不足，凸显了Transformer的架构优势。最后，文章以文本分类任务为例，展示了Transformer如何通过自注意力机制解决语义歧义问题，建立词之间的关联
2025-08-08 21:56:38
1312
原创 PyTorch Quickstart
本文介绍了PyTorch快速入门指南，重点讲解了数据处理和模型优化两个核心环节。在数据处理部分，详细说明了Dataset和DataLoader的作用：Dataset负责样本管理和索引访问，DataLoader实现批量加载和并行处理。同时介绍了PyTorch提供的三大领域工具箱（TorchText、TorchVision、TorchAudio）及其内置功能。在模型优化部分，对比了手动更新参数和使用优化器的区别，演示了训练循环的实现流程，包括前向传播、损失计算、反向传播和参数更新步骤，并提供了测试模型性能的标准
2025-08-08 00:43:36
1085
原创 PyTorch 核心三件套：Tensor、Module、Autograd
本文介绍了PyTorch的核心组件Tensor和Module。Tensor作为多维数组，是深度学习的基础数据结构，用于表示输入数据、标签、模型参数及中间计算结果。Module是构建神经网络的基类，通过定义forward()方法实现数据流动逻辑。文章详细讲解了Tensor的五大应用场景（数据表示、标签、参数存储、中间计算、梯度计算）和常用API，并演示了Tensor的创建、运算和自动求导功能。同时介绍了使用nn.Sequential快速构建模型和自定义Module子类的方法，帮助读者从工程角度理解PyTorc
2025-08-07 21:49:38
502
原创 神经网络入门指南：从零理解 PyTorch 的核心思想
本指南适合以下读者：- 正在学习 PyTorch，已掌握基础三件套：`Tensor`、`nn.Module`、`Autograd`- 希望补全对“神经网络”整体认知的学习者- 想要建立直觉理解而非仅记忆公式的新手
2025-08-07 21:45:14
765
原创 PyTorch入门引导
为什么要学习PyTorch？微调、部署、研究都需要。- 现代AI研究的通用语言基础就是PyTorch。- 几乎所有的微调工具和库，包括Hugging Face的transformers, peft, trl，其底层都是基于PyTorch构建的。- 当你需要排查部署中的性能瓶颈、显存溢出（OOM）等问题时，理解模型在PyTorch中是如何加载和计算的，将是解决问题的关键。尝试让读者通过本篇快速认识PyTorch，开始学习PyTorch。
2025-08-06 23:37:51
1038
原创 RAG优化-二进制向量，为RAG带来32倍内存效率提升
本文探讨了在大规模RAG系统中使用二进制量化技术提升效率的方法。面对海量文档处理时标准向量检索的内存消耗问题，二进制量化通过将浮点向量转换为1位二进制码，实现32倍内存压缩和毫秒级响应。尽管牺牲了部分精度，但高维向量的整体语义模式仍保持有效，配合高效的汉明距离计算，能显著提升检索速度。文章详细介绍了技术原理、优势权衡及实践应用方案，证明该技术是处理千万级以上数据的高性价比选择，体现了"以精度换效率"的工程智慧。
2025-08-06 08:30:00
1806
原创 从Agent到CrewAI，一口气读懂
本文介绍了从Agent到CrewAI框架的演进过程。首先解释LLM应用与传统应用的区别，指出LLM应用的输入、过程和输出更具不确定性。接着阐述LLM Agent的概念，即具备感知、推理、行动能力的自动化LLM系统，并分析构建优秀Agent的六大特征。文章重点讨论Multi-Agent系统，提出任务设计应遵循8/2法则（80%精力用于任务设计，20%用于代理定义），强调动态任务驱动的重要性。最后介绍CrewAI框架的三个核心类（Agent、Task、Crew）及其协作流程，包括顺序执行和分层执行两种模式，展示
2025-08-05 22:11:07
1614
原创 RAG深入了解P1：从RAG类型出发看优化点
本文系统梳理了RAG（检索增强生成）技术的最新发展与应用。首先介绍了RAG的多种类型：基础RAG（标准检索-生成模式）、迭代RAG（引入反馈循环）、查询优化RAG（优化检索查询）、混合RAG（融合多种检索策略）以及RAG-Agent系统（结合智能代理）。接着探讨了RAG的优化方向，重点在于提升检索相关性和生成质量。文章指出，RAG技术正朝着更智能、自适应和具备多模态能力的方向发展，能够应对日益复杂的知识处理需求。通过分析不同类型RAG的特点和适用场景，为构建高效RAG系统提供了参考框架。
2025-07-17 22:00:00
991
原创 FastAPI快速入门
摘要：本文介绍了FastAPI快速入门指南，对比了Uvicorn与Tomcat NIO、Netty的网络模型差异。重点讲解了Pydantic数据验证和FastAPI的依赖注入系统，展示了如何通过BaseModel定义数据结构，以及使用Depends实现类似Spring AOP的认证功能。文章还比较了pip与Poetry/PDM的依赖管理方式，为Java开发者提供了Python Web开发的快速上手参考。
2025-07-17 08:15:00
744
原创 FastAPI-P1：Pydantic模型与参数额外信息
FastAPI中的Pydantic模型与参数校验 本文介绍了FastAPI中Pydantic模型的使用方法及其优势。Pydantic通过BaseModel实现数据验证和类型转换，可定义结构化数据模型并自动校验字段类型和格式。文章展示了如何通过Field为模型字段添加验证规则和元数据。 同时还讲解了两种参数校验方式： 使用Query为查询参数声明验证规则、默认值和描述信息 使用Annotated结合Query/Path/Body进行类型提示和元数据标注 这些功能使FastAPI能够自动处理数据验证、生成API
2025-07-14 23:41:46
793
原创 Pythonic：Python 语言习惯和哲学的代码风格
摘要： 本文介绍了Pythonic规范的核心原则与常见实践，强调遵循PEP 8指南编写符合Python语言哲学的代码。内容涵盖命名规范（snake_case变量、PascalCase类）、代码结构优化（列表推导式、上下文管理器）、迭代技巧（enumerate/zip）以及布尔简化等典型场景，通过对比非Pythonic写法突出其简洁性和可读性优势。文章指出遵循这些规范能提升代码效率、可维护性及团队协作效率，并推荐查阅官方PEP 8文档获取完整标准。全文以实用示例展示如何将Python特性转化为优雅的编码实践。
2025-07-14 23:37:00
1058
原创 咨询导览，AI发展趋势
本篇作下列两篇文章的搬运整理。https://www.turing.com/resources/top-llm-trendshttps://prajnaaiwisdom.medium.com/llm-trends-2025-a-deep-dive-into-the-future-of-large-language-models-bff23aa7cdbc总的来说，符合之前网上的四字总结：“专、小、廉、强”。
2025-07-12 23:18:52
938
原创 Python基础：并行与并发概念
总的来说，Python多线程实质上是并发，其受限于GIL的存在。但Python可以通过asyncio或Multiprocessing绕过GIL。也可以通过 C/C++（如 Cython）或 Rust 编写扩展模块。这些模块在执行时不受 GIL 限制，可以充分利用多核并行计算。许多高性能的 AI 库（如 NumPy、TensorFlow、PyTorch）底层就是用 C/C++ 优化的。
2025-07-12 08:15:00
974
原创 Transformer：从入门到放弃
没什么好说的，Transformer：从入门到放弃。推荐看资料。本文深入解析了Transformer模型的核心架构与自注意力机制。Transformer采用编码-解码结构，编码器由自注意力层和前馈神经网络组成，解码器额外引入编码器-解码器注意力层。自注意力机制通过查询（Query）、键（Key）、值（Value）向量计算词元间关联度，动态调整表示，有效解决长距离依赖问题。其并行化处理能力显著优于传统RNN模型。文章还详细阐述了自注意力的矩阵化实现流程，并推荐了相关学习资源。
2025-07-11 08:45:00
313
原创 大模型基础：词元与LLM局限性及应对方案
摘要 本文系统探讨了语言模型(LM)的核心概念、技术缺陷及解决方案。首先阐述了词元(token)作为文本基本单元的定义，分析了不同词元化方法(如BPE、WordPiece)的特点与应用场景。其次揭示了语言模型的6大类缺陷：事实性错误(如幻觉)、上下文处理局限(如注意力衰减)、逻辑推理不足、社会偏见、可控性差及高昂成本。最后指出提示工程、RAG、Agent等技术正是为应对这些缺陷而产生。文章通过技术解析与案例说明，为理解语言模型的运作机制及局限性提供了全面视角。
2025-07-11 08:15:00
684
原创 深入探索 Embedding 模型：从理论到实践
本文旨在深入探讨 Embedding 模型的核心概念、不同类型的模型优势劣势与适用场景，并着重阐述在生产环境中如何进行科学的模型选择与验证。
2025-07-10 08:30:00
964
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人