C盘中LarkShell 文件夹占用太多空间解决方案，飞书缓存位置修改，LarkShell 文件夹是什么能删吗，一文告诉你全部 虽然飞书没有提供图形化设置，但我们可以利用Windows系统自带的“目录链接”（又称软链接或符号链接）功能，将缓存文件夹“映射”到其他盘符（如D盘、E盘），从而彻底解放C盘空间。：在C盘原位置创建一个特殊的“快捷方式”（软链接），指向D盘的实际文件夹。飞书程序会像往常一样读写C盘的路径，但所有数据实际上都存储在你指定的D盘位置。2. 打开任务管理器（Ctrl+Shift+Esc），结束所有“Lark”或“Feishu”相关进程。1. 右键任务栏飞书图标，选择“退出”。4. 重启飞书，新缓存将存入D盘。

阅读 4.1k

18赞

收藏 9
Telegram文件管理全解析：Android与Windows缓存、下载与保存路径指南 在移动与桌面平台中，应用缓存与文件保存机制常被混淆，导致用户难以定位已下载内容。Telegram采用按需缓存策略，将临时缓存与永久保存分离，缓存文件存于私有目录并可能被自动清理，而保存操作则复制文件至公共存储。理解这一原理有助于高效管理文件，避免数据丢失。在Android和Windows上，缓存目录与下载路径各不相同，涉及深层目录访问与路径修改。本文深入讲解Telegram在Android和Windows上的文件查看、下载与保存完整链路，涵盖缓存目录定位、文件转永久保存、桌面端路径修改及深层目录挖掘，帮助用

阅读 1.4w

1赞

收藏 3
Windows 桌面残留文件夹无法删除：真实路径与 Shell 缓存排查 摘要 本文针对Windows桌面上无法删除的顽固文件夹问题，分析了四种常见原因：文件被占用、权限异常、路径异常和Explorer桌面缓存残留。特别指出当系统提示"找不到指定文件"时，表明问题已转为清理Explorer视图缓存，而非实际文件删除。作者提供了常规强制删除命令组合（attrib、takeown、icacls、rd），但强调该方法仅适用于真实存在的文件夹。对于缓存残留情况，建议后续处理Explorer缓存而非反复执行删除命令。文章结构清晰，通过实际案例演示了专业的问题诊断思路，区分了表象与本质原因，

阅读 7.7w

36赞

收藏 30
Linux - 缓存利用率 本文探讨了CPU多级缓存（L1-L3）的工作原理及其对程序性能的影响。L1缓存访问速度可达内存的百倍，L2为30-100倍，L3为10-30倍。缓存行通常为64字节，CPU会预加载邻近数据以提高命中率。数据结构缓存利用率排序为：紧凑数组>B+树/顺序表>跳表>平衡二叉树>哈希表>链表。优化建议包括：1）SOA/AOS数据布局选择；2）64字节对齐减少缓存行浪费；3）冷热数据分离；4）避免多线程伪共享；5）使用内存池提升局部性。这些方法能显著提升程序性能，特别是在大数据量场景下。

阅读 921

29赞

收藏 23
【Redis 进阶】缓存实战：从更新策略到三大经典问题全解析 在后端开发的技术栈里，Redis 最核心的应用场景从来不是纯内存数据库，而是缓存。 我们都知道 MySQL 这类关系型数据库扛不住高并发，于是在前面加一层 Redis 做缓冲，把绝大多数读请求挡在数据库之外，是业界最通用的性能优化手段。但很多开发者用缓存，只停留在「查之前先查 Redis，查到就返回，查不到就查库再写回」的简单逻辑。对缓存怎么更新、满了怎么淘汰、常见的穿透 / 雪崩 / 击穿问题一知半解，线上一出问题就是数据库打挂、服务雪崩。本文就从缓存的基本原理讲起，系统梳理缓存的更新策略、Redis 内

阅读 2.0k

52赞

收藏 53
大模型工程化实战（九）：Token 成本六维优化——把 token 账本摊开算：缓存命中、上下文裁剪、小模型路由、重试预算，一份 mock 日流量实测省 60% 成本 月初我对账单，厂商后台那个总额吓我一跳。查下来模型没调价、业务量也没暴涨，可账单比上月翻了快一倍——问题不是模型贵，是没人算过账。Token 成本是算出来的业务属性，厂商账单只给一口价总额，我把它拉出来一摊，最烧钱的那条链自己就浮出来了。钱大头不在“干活”的输出，而是每次请求重发的 system 前缀、RAG 每问拖回来的 8 篇文档、fallback 到大模型那几条链，还有重试把调用翻倍。

阅读 576

32赞

收藏 38
C盘爆满？迁移Codex与VS Code缓存到D盘，告别空间告急 C盘空间不足是开发机常见困扰。系统盘容量的隐形杀手往往不是系统本身，而是开发工具持续写入的缓存与扩展文件。Codex历史会话、VS Code插件、npm和pip缓存以及自动化脚本的临时文件，都会默认堆积在用户目录下，肉眼难察却迅速吞噬可用空间。理解缓存写入机制与目录定位原理，是解决这一问题的关键。通过robocopy精准复制目录，再利用junction（目录联接）实现原路径透明重定向，应用无感知即可完成数据搬迁。此方案不涉及重装系统或软件，操作可复用、可验证，适合Windows环境下的本地开发工作流。迁移后

阅读 672

11赞

收藏 4
Windows 上如何彻底清理 OpenAI Codex 缓存与残留文件？ 文章摘要：OpenAI Codex在Windows系统下会占用大量C盘空间，主要由于隐藏目录中的运行依赖、日志和会话记录等文件未被常规清理工具识别。核心问题包括独立运行时依赖、重度日志记录、沙箱迭代残留和全量会话备份等。文章详细列出9个高占用目录（如codex-runtimes、logs_*.sqlite等），并评估各目录清理风险，提供手动删除和PowerShell脚本两种清理方案。对于非技术用户，推荐使用开源工具cx-clear进行自动化安全清理，该工具能智能保留必要文件。最后解答了常见问题，强调会话记录

阅读 2.2k

9赞

收藏 11
Shiro - 掌握 Shiro 缓存策略 实现缓存过期与更新机制 Shiro缓存策略实现指南 摘要 本文深入探讨Apache Shiro框架的缓存机制，重点讲解如何实现缓存过期与更新策略。文章首先介绍了Shiro的核心缓存接口CacheManager和Cache，分析了默认缓存行为的局限性。随后，针对生产环境中可能出现的权限滞留和内存占用问题，提出了基于Caffeine的高性能缓存解决方案。 主要内容包括： Shiro缓存机制概述及其核心接口解析 缓存过期与更新机制的必要性分析 基于Caffeine实现带TTL过期策略的自定义Shiro缓存 提供完整的Java代码实现示例

阅读 1.2w

12赞

收藏 12
linux内核 页缓存的脏页管理 linux内核 页缓存的脏页管理，脏页刷盘机制 ，脏页管理调优策略

阅读 1.3k

28赞

收藏 21
omlx实战：5分钟让Apple Silicon本地跑通Claude Code——分页SSD KV缓存把TTFT从90秒压到1秒（附安装踩坑+实测） 本地模型到底能不能带得动 Claude Code？过去的答案是"能跑，但别抱期望"——编码 Agent 的请求前缀一直在悄悄漂移，绝大多数 MLX 推理服务器一旦前缀变了就把 KV 缓存整个作废、从头重算，几轮之后每次响应要干等 30~90 秒。omlx（Apple Silicon 专属本地 LLM 推理服务器，底座是 Apple 的 MLX 框架）用分页 SSD KV 缓存把算过的缓存分块落盘、相同前缀直接从硬盘恢复，社区实测缓存命中率 96%、TTFT 压到 1~3 秒。本文按"先用起来再讲原理"展开：

阅读 2.2k

10赞

收藏 10
彻底根治豆包PC端霸占C盘！mklink永久迁移缓存（零报错+终身生效） 很多小伙伴明明将豆包PC客户端安装在E盘、D盘，没装在C盘，可电脑C盘空间还是越来越小、频繁爆红！反反复复清理缓存，没过几天空间又被占满，根本问题始终解决不了。核心元凶：豆包基于Electron框架开发，官方没有任何自定义缓存路径的设置入口，所有聊天缓存、AI绘图、AI视频、模型 资源会强制默认写入C盘AppData目录。手动清理只是治标不治本，重启软件、重新对话就会自动重建缓存。今天给大家分享Windows 原生mklink目录联接方案，一次配置、永久生效、零报错、不影响软件更新，彻底根治豆包霸占

阅读 3.7k

9赞

收藏 9
Token 统计中的“命中缓存”和“未命中缓存”是什么意思？ 本文解释了AI模型Token统计中"命中缓存"和"未命中缓存"的含义。命中缓存指模型可以复用之前处理过的相同内容（如重复的项目代码、历史对话等），无需重新计算；未命中缓存则是需要重新处理的新内容或修改过的部分。输出Token则是模型生成的新回答内容。理解这些概念有助于优化提示词结构、提高缓存命中率，从而提升模型处理效率并可能降低成本。文章通过类比浏览器缓存和老师批改作业等生活化例子，帮助读者直观理解这些技术概念。

阅读 1.5w

20赞

收藏 15
微信/QQ/钉钉缓存迁移 + 清理全流程｜轻松释放 10~30GB C盘空间 长期使用即时通讯软件（微信、QQ、钉钉）时，大量聊天图片、视频、文件和缓存会默认占用系统盘 C 盘，导致磁盘空间不足、系统卡顿、软件运行缓慢。本文提供官方、安全、无毒的缓存清理和迁移方案，帮助你轻松释放 10~30GB 空间，让系统和软件运行更流畅。很多 Windows 用户 C 盘爆满，不是软件太多，而是即时通讯软件的缓存长期堆积导致。系统盘空间越来越少软件打开缓慢，卡顿明显升级或安装其他软件受影响本文提供官方方法 + 安全操作。

阅读 808

5赞

收藏 4
Gradle - 与Redis集成 项目构建中缓存依赖与构建结果 本文介绍了如何将Gradle与Redis集成，通过缓存依赖和构建结果来提升构建效率。主要内容包括： 缓存需求分析：阐述大型项目中重复下载依赖和重复构建带来的效率问题，以及缓存带来的构建速度提升、带宽节省等优势。 Redis特性：说明Redis作为高性能内存数据库，其快速读写、灵活数据结构和持久化机制等特性如何适用于Gradle缓存场景。 实现方案：提供两种集成方式（官方分布式缓存和自定义插件），并详细讲解通过自定义插件实现的步骤，包括环境准备、插件结构创建和核心代码实现。 实践指导：给出完整的插件代码示例，

阅读 2.3w

17赞

收藏 19
作者推荐
秦jh_
TA很懒，还没有添加简介
关注
无小道
欢迎交流学习
关注
Optimistic _ chen
无限进步
关注
aXin_ya
菜鸡一个，把博客当笔记看，主要自己回来看复习，欢迎一起交流学习OwO
关注
青春：一叶知秋
本人是在校的一名大学本科生
关注
zRainy啊
愚者，笃行。
关注
程序员龟苓膏
五岭逶迤腾细浪，乌蒙磅礴走泥丸。
关注
卷毛的技术笔记
敲代码贼牛逼，16年Java后端开发经验。开源组件silky-starter作者，专注微服务架构、MySQL、JVM、Spring Boot及设计模式实践分享。
关注
難釋懷
CSDN、掘金、知乎、StackOverflow等平台的技术创作者 CSDN:https://blog.csdn.net/m0_61787196 知乎:https://www.zhihu.com/people/zi-shu-88-48 掘金:https://juejin.cn/user/2390784883567450 小红书:https://www.xiaohongshu.com/user/profile/60798e75000000000101f994 咸鱼:https://www.goofish.com/personal?spm=a21ybx.item.itemHeader.1.55c9
关注
小小工匠
show me the code ,change the world
关注