从 TCP 90μs 到 SHM 28μs：我的 RPC 框架零拷贝优化历程 在做这次 TCP → SHM 的迁移之前，我对进程间通信的理解就是"socket 一发一收"。做完之后才意识到——即使是本机 loopback，走 TCP 也要穿过整条内核网络栈，中间每一步拷贝和系统调用都是成本，SHM 本质上就是把"中间人"全去了，两个进程直接在同一块内存上干活。严格来说，SHM 数据路径上从用户 Buffer memcpy 到 ring buffer 这一步仍然是 CPU 拷贝，不算"零拷贝"。

阅读 523

13赞

收藏 15
Jenkins的流程 后面如果用 Ansible，通常是：Jenkins 负责“什么时候跑”，Ansible 负责“到服务器上具体怎么部署”。开发写代码 → Git 仓库 → Jenkins 自动构建测试 → 产物/部署 → 测试或上线。Jenkins 的核心作用是：把重复的“构建、测试、部署”流程自动化。理想状态：回滚也是流水线里的一键/自动步骤，而不是纯手工慌乱操作。传包或 pull 镜像 → 停旧 → 替换 → 启动 → 探活。├─► 自动部署到测试环境 → 探活 → 通知。└─►（审批）部署到生产 → 探活 → 通知。

阅读 307

12赞

收藏 4
Python数据容器详解：列表、元组、字符串、集合、字典全面总结 列表是 Python 中最常用的数据容器之一，可以保存多个数据，并且支持数据修改。[]作为标识，多个元素之间使用逗号分隔。# 普通列表空列表列表定义、空列表创建以及不同类型数据存储方式均属于列表基础内容。元组和列表类似，也是用于保存多个数据。元组创建后不能修改。()tuple()key:value形式存储数据。"name": "张三","age": 18Python 数据容器是程序开发中非常重要的基础知识。数据容器特点列表 List有序，可修改，可重复元组 Tuple。

阅读 56

3赞

收藏 0
AI名词完整入门教程【看懂各种黑话】 这篇文章用通俗易懂的语言梳理了AI领域的核心概念与应用场景。作者以"课程主理人需要AI辅助内容生产"为切入点，逐步解析了AI技术栈的层级关系（AI→机器学习→深度学习→大模型→LLM→GPT），澄清了GPT与ChatGPT的区别（发动机vs整车），并重点介绍了提升AI使用效果的三大关键：清晰的Prompt工程（角色/任务/格式等要素）、上下文管理（Token/RAG/知识库）以及工具连接能力（MCP标准接口）。文章还区分了Agent（自主决策）与Workflow（固定流程）的工作模式，强

阅读 667

32赞

收藏 36
postman runner使用外部数据 postman runner 使用外部数据进行接口测试

阅读 7.8k

6赞

收藏 4
基础模型为什么重要 今天我们说“大模型”，在中文语境里，很多时候会把“大语言模型”里的“语言”两个字省掉。但事实上，完整地说，大语言模型是建立在文本数据上的基础模型。我们作为在中文环境里读书的人都知道，中国古代的典籍，最初是没有标点符号的，甚至也没有今天意义上的空格。用今天的观点看，在文本。我们今天讲模型、讲大语言模型，但“基础模型”这个概念，是到2021 年才被这样明确提出的。它的重要性在于，它让我们意识到：数据不是简单地喂给模型的材料，而是模型能力形成的根基。今天的大语言模型，把人类对文本的处理带到了一个前所未有的高度。

阅读 83

2赞

收藏 1
【LangChain】核心组件详解：文档加载器（Document Loaders） 大型语言模型（LLM）虽然拥有强大的语义理解和文本生成能力，但存在两个致命的局限性：训练数据有截止日期，无法获取实时信息；无法访问私有数据，如企业内部文档、个人笔记等。为了解决这些问题，检索增强生成（Retrieval-Augmented Generation, RAG） 技术应运而生，成为当前大模型应用的核心模式。RAG 的核心思想是：当用户提问时，系统首先在私有知识库中进行语义搜索，找到最相关的内容，然后将这些内容和问题一起交给 LLM 生成答案。我们的第一步就是把文档加载进去。

阅读 535

31赞

收藏 33
BaseMetas FileView 1.2.0 发布：Office/WPS 大文件预览与内存安全优化实测 BaseMetasFileView 1.2.0正式发布，重点优化大文件预览功能。新版本通过文件预处理、任务隔离和资源回收等系统优化，显著提升了Word、PPT等百MB级大文件的预览成功率，同时降低了对普通预览任务的影响。测试验证显示，597MB的复杂文档和109MB的PPTX文件都能稳定处理。建议用户配合预转接口使用，并合理控制大文件并发数量。企业版体验官计划同步开放招募，邀请有真实部署需求的团队参与产品优化。

阅读 375

9赞

收藏 5
Linux基本指令(1) 了解初步的一些基础指令,

阅读 423

33赞

收藏 29
【Linux篇】数字世界中Linux内核探秘——命令行Shell的编写 本文介绍了如何用C++实现一个简易的Linux Shell命令行界面。作者从环境变量获取、命令行样式构建入手，详细讲解了命令输入解析、普通命令执行（如ls、pwd）和内建命令（如cd、echo）的实现方法。关键技术点包括：1. 使用getenv()获取环境变量构建提示符；2. 通过strtok分割输入命令；3. 利用fork-execvp执行外部命令；4. 特殊处理cd命令的路径切换和echo命令的环境变量输出。代码展示了完整的Shell循环结构，包含命令解析、内建命令判断和执行流程。该实现涉及环境变量操作

阅读 426

38赞

收藏 30
csp信奥赛C++高频考点专项训练：【排序算法】案例2：找最小值 csp信奥赛C++高频考点专项训练：【排序算法】案例2：找最小值

阅读 285

6赞

收藏 6
面向 Agent 运维，解读原生确定性架构价值 本文探讨了AI Agent在数据库运维中的角色与边界问题。随着大模型技术的发展，运维Agent已能实现故障诊断、方案生成等自动化操作，但其通用性设计导致对特定数据库内核的理解有限，且存在安全隐患。文章提出理想架构应为"数据库-专业管控平台-Agent"三层结构，以管控平台作为核心中枢，确保数据精准度、执行安全性和系统稳定性。并以金仓KEMCC为例，展示原生管控平台在指标采集、诊断深度、操作审计等方面的不可替代性。

阅读 1.5w

22赞

收藏 20
七大算法完整总结：冒泡 / 插入 / 选择 / 快排 / 归并 / 堆排 + 二分查找 稳定排序：冒泡、插入、归并；其余快排、堆排、选择都是不稳定原地排序（\(O(1)\)空间）：冒泡、插入、选择、堆排最坏仍保证 \(O(nlogn)\)：归并、堆排；快排有序数据会退化\(O(n^2)\)二分查找只用于有序数组，核心是折半缩小区间。

阅读 574

8赞

收藏 5
地表最强 GitHub 使用指南 GitHub使用指南：从工具下载到商业机会挖掘（150字摘要） GitHub不仅是代码仓库，更是优质工具库和需求金矿。新手需掌握四个核心：1）看README了解功能，Releases下载安装包；2）通过Issues发现真实痛点，比官网更诚实；3）关注项目维护状态而非Star数，避免失效工具；4）警惕源码与成品区别，绿色按钮慎点。进阶用户可将反复出现的用户抱怨转化为选题（如数据迁移难题），或挖掘商业机会——通过打包安装、中文适配、部署维护等增值服务变现。开源≠安全，下载前需查权限、看反馈。善用搜索语法（如&q

阅读 861

43赞

收藏 60
Java 部署：Jenkins Pipeline 构建 Java 项目（自动化） Jenkins Pipeline 是一种将整个软件交付流程定义为代码的方式，它允许您将构建、测试、部署等阶段以脚本形式描述，实现真正的"Pipeline as Code"。可重复性：每次构建都遵循相同的流程可审计性：完整的构建历史记录可视化：通过 Blue Ocean 插件直观展示流水线状态可暂停：支持人工审批节点可扩展：支持复杂的多分支、多环境部署在当今的软件开发流程中，持续集成和持续部署（CI/CD）已成为提高开发效率、保证代码质量的关键环节。

阅读 192

4赞

收藏 4
Agent & AI 名词大扫盲 一句话：大模型就是「读过全网、能对答如流」的超级大脑。大模型（Large Language Model，LLM）是指参数规模巨大的神经网络模型，通过在海量文本数据上训练而来。它学到的不是「死记硬背」，而是语言的模式、逻辑的脉络和知识的关联。GPT-4、Claude、Gemini、DeepSeek、Qwen 等。可以这样理解：一个学生读了互联网上几乎所有的书、文章和对话，虽然不能保证每个知识点 100% 准确，但绝大多数问题都能给出像样的回答——这就是大模型。💡为什么叫「大」？

阅读 1.6k

37赞

收藏 49