- 博客(82)
- 收藏
- 关注
RSS订阅原创 数据摄取构建模块简介（预览版）(二)
这个代码的核心功能是：基于输入词的长度动态选择反义词示例，并调用大模型生成反义词，体现了 “动态少样本提示（Dynamic Few-Shot Prompting）” 与 “上下文长度感知的示例选择” 的能力。核心作用：根据输入文本的长度，自动计算并选择合适数量的示例（输入越长，选的示例越少），避免 Prompt 总长度超出模型上下文限制；- 示例数据集（examples）：以键值对形式存储「输入-输出」示例，为模型提供任务参考（如"开心"→"伤心"）；
2026-05-11 13:24:53
129
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-11 13:11:10
145
原创 AutoGod:安卓-全兼容！一站式自动化框架，开发效率直接拉满
第七个参数是 auto.leader.rebalance.enable，表示是否允许定期选举 leader，这个参数最好也设置为 false，如果设置为 true 的话，即使当前 leader 一直运行的很稳定，Kafka 也会重新选举出一个新的 leader 来替代它。第四个参数是 segment.bytes ，与之对应的 broker 参数是 log.segment.bytes，同样是控制 Log Segment 文件的大小，默认是 1GB。连接的配置是一个三元组，包括<协议名称，主机名，端口号>。
2026-05-11 12:05:02
40
原创 数据摄取构建模块简介（预览版）(二)
这个代码的核心功能是：基于输入词的长度动态选择反义词示例，并调用大模型生成反义词，体现了 “动态少样本提示（Dynamic Few-Shot Prompting）” 与 “上下文长度感知的示例选择” 的能力。核心作用：根据输入文本的长度，自动计算并选择合适数量的示例（输入越长，选的示例越少），避免 Prompt 总长度超出模型上下文限制；- 示例数据集（examples）：以键值对形式存储「输入-输出」示例，为模型提供任务参考（如"开心"→"伤心"）；
2026-05-11 11:49:41
50
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-11 11:36:02
254
原创 AI Coding 工具 Trae 的简单实践
print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output)print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output)print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20)print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20)
2026-05-10 14:35:47
273
原创 AutoGod:安卓-全兼容！一站式自动化框架，开发效率直接拉满
13 年后，我用 fetch-event-source 订阅大模型的“思维流”，用 OCR 解锁图片中的文字——前端，正在成为 AI 产品的第一道体验防线。'Authorization': `Bearer ${getToken()}`, // 从 Pinia 或 localStorage 获取。关键设计：状态分为 'idle' | 'parsing' | 'success' | 'failed'，对应四个 UI 区块，避免用户困惑。message.error('翻译服务异常，请稍后重试');
2026-05-10 14:02:51
210
原创 数据摄取构建模块简介（预览版）(二)
printf("Q位状态：%s\n", is_q_flag_set()?"溢出（置1）" : "未溢出（置0）");优先使用 ARM GCC 内置函数（如__qadd），深入调试可通过汇编操作 Q 位，检测溢出需读取 APSR 的 Bit27；printf("32位饱和加法结果：%d（预期：2147483647）\n", res1);运算结果超出目标数据类型的数值范围（上限 / 下限） 时，结果被 “钳位” 到该类型的极值；
2026-05-10 13:48:38
143
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
System.out.println("订单技能已挂载，当前租户：" + prompt.attr("tenant_id"));然而，在以 Solon AI 为代表的现代应用开发框架中，AI Skills 已演化为一种更高维度的封装，用于智能体应用开发。异构生态： 不同语言、不同算力环境下的能力，都可以通过统一的 MCP 接口连接，形成一个真正的“智能体微服务网络”。安全边界： 敏感数据处理技能可以部署在专用的、受保护的内网环境中，仅通过受控的 MCP 协议与公网 Agent 通信。
2026-05-10 13:32:46
165
原创 分钟搞懂深度学习AI：反向传播：链式法则的归责游戏
13 年后，我用 fetch-event-source 订阅大模型的“思维流”，用 OCR 解锁图片中的文字——前端，正在成为 AI 产品的第一道体验防线。'Authorization': `Bearer ${getToken()}`, // 从 Pinia 或 localStorage 获取。关键设计：状态分为 'idle' | 'parsing' | 'success' | 'failed'，对应四个 UI 区块，避免用户困惑。message.error('翻译服务异常，请稍后重试');
2026-05-09 16:40:42
175
原创 AI Coding 工具 Trae 的简单实践
这里用的ChatPromptTemplate.from_template和上的ChatPromptTemplate.from_messages不同，区别在于前者比较简单，相当于后者直接用user字典的形式，后者from_messages有langchain框架提供的prompt模板。"你是一位高考作文专家。langchain中提供的chain链组件，能够帮助我门快速的实现各个组件的流水线式的调用，和模型的问答。"请给主题为 {topic} 的议论文写一个 总-递进-总 的简短大纲，一共分为5段。
2026-05-09 16:27:13
155
原创 小龙虾WorkBuddy技能与插件深度解析
服务员（事件循环）负责接待顾客（请求），如果某位顾客点菜后需要等厨房做菜（I/O等待），服务员不会傻等，而是先去接待其他顾客。它的核心是“非阻塞”：当一个请求在等待I/O（比如查数据库、调外部API）时，事件循环（Event Loop）会去处理其他请求，而不是干等着。这意味着，如果你的async函数里干的是CPU密集型的活儿（比如复杂的计算、图像处理），那它依然会阻塞整个事件循环，其他请求照样排队。简单总结：I/O密集型用async，CPU密集型用多线程/多进程，混合型任务两者结合。
2026-05-09 16:12:24
213
原创 数据摄取构建模块简介（预览版）(二)
这个代码的核心功能是：基于输入词的长度动态选择反义词示例，并调用大模型生成反义词，体现了 “动态少样本提示（Dynamic Few-Shot Prompting）” 与 “上下文长度感知的示例选择” 的能力。核心作用：根据输入文本的长度，自动计算并选择合适数量的示例（输入越长，选的示例越少），避免 Prompt 总长度超出模型上下文限制；- 示例数据集（examples）：以键值对形式存储「输入-输出」示例，为模型提供任务参考（如"开心"→"伤心"）；
2026-05-09 15:42:10
168
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-09 15:29:25
149
原创 分钟搞懂深度学习AI：自我进化的最简五步法
针对业界关于 Microsoft Agent Framework 与 Semantic Kernel 关系的疑虑，目前的证据和官方陈述提供了一个清晰的结论：Microsoft Agent Framework 是 Semantic Kernel 在 AI 代理构建领域的官方继任者，其本质上应被视为 Semantic Kernel 的 2.0 版本或代理核心的深度重构版。这种解耦极大地增强了系统的灵活性，使得同一个代理可以在不同的企业环境中快速切换其可调用的资源。对于决定迁移的开发团队，建议采用渐进式的策略。
2026-05-08 18:26:38
141
原创 一天一个Python库：propcache - 简化属性缓存，提升性能
使用 kubectl-neat 插件，可以自动移除这些由集群生成的冗余字段，仅保留有意义的内容，使 yaml 更加简洁，方便复用。## 这里我直接将 kubectl get -o yaml 与 kubectl-neat get -o yaml 输出对比。## 示例是通过 kubectl plugin 方式安装,使用二进制安装改成 kubectl-neat 就好。## 上面说没啥用的地方就在这...实际上能用的参数只有 get(kubectl-neat 自己的参数)## 自动补全命令用的。
2026-05-08 17:27:31
148
原创 一天一个Python库：propcache - 简化属性缓存，提升性能
使用 kubectl-neat 插件，可以自动移除这些由集群生成的冗余字段，仅保留有意义的内容，使 yaml 更加简洁，方便复用。## 这里我直接将 kubectl get -o yaml 与 kubectl-neat get -o yaml 输出对比。## 示例是通过 kubectl plugin 方式安装,使用二进制安装改成 kubectl-neat 就好。## 上面说没啥用的地方就在这...实际上能用的参数只有 get(kubectl-neat 自己的参数)## 自动补全命令用的。
2026-05-08 15:46:58
293
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-08 15:18:39
374
原创 分钟搞懂深度学习AI：自我进化的最简五步法
针对业界关于 Microsoft Agent Framework 与 Semantic Kernel 关系的疑虑，目前的证据和官方陈述提供了一个清晰的结论：Microsoft Agent Framework 是 Semantic Kernel 在 AI 代理构建领域的官方继任者，其本质上应被视为 Semantic Kernel 的 2.0 版本或代理核心的深度重构版。这种解耦极大地增强了系统的灵活性，使得同一个代理可以在不同的企业环境中快速切换其可调用的资源。对于决定迁移的开发团队，建议采用渐进式的策略。
2026-05-07 15:19:29
158
原创 Obsidian + PicGo + 云 COS 搭建个人图床（解决多平台发文图片重复上传问题）
其底层数据存储在对象存储中（S3、COS、OSS、ceph），在用户和对象存储层中加一个中间层，作为文件系统层，负责将文件系统与对象存储的操作进行翻译转换，从而实现POSIX兼容。在介绍之前，首先需要理清楚文件系统与对象存储的区别是什么，文件系统对接对象存储需要做哪些工作，之后才考虑性能的优化与可靠性的优化。对象存储的 FUSE 并不是完美的。操作接口：基于RESTful API()，主要操作是PUT（上传/覆盖），GET（下载），DELETE（删除），HEAD（获取元数据），不支持seek或部分写入。
2026-05-07 14:51:29
225
原创 一天一个Python库：propcache - 简化属性缓存，提升性能
使用 kubectl-neat 插件，可以自动移除这些由集群生成的冗余字段，仅保留有意义的内容，使 yaml 更加简洁，方便复用。## 这里我直接将 kubectl get -o yaml 与 kubectl-neat get -o yaml 输出对比。## 示例是通过 kubectl plugin 方式安装,使用二进制安装改成 kubectl-neat 就好。## 上面说没啥用的地方就在这...实际上能用的参数只有 get(kubectl-neat 自己的参数)## 自动补全命令用的。
2026-05-07 14:24:12
200
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-07 13:56:05
203
原创 OpenSwoole .. 发布：支持 PHP .、io_uring 后端及协程调试改进
将 Excel 转换为 TXT 不仅是格式的简单转换，更是实现数据自动化流程的重要环节。数据清洗与预处理： 将复杂格式的 Excel 数据转换为 TXT，作为其他数据分析工具（如Spark、Hadoop）的输入源，进行更深层次的处理。配置管理： 将 Excel 中维护的系统配置、参数表等导出为 TXT 格式，便于脚本直接读取，同时更适合使用 Git 等工具进行版本管理。自动化报告生成： 从 Excel 模板中提取数据，生成纯文本格式的报告摘要，方便邮件发送或系统集成。# 将工作表内容保存为TXT文件。
2026-05-06 16:11:40
189
原创 分钟搞懂深度学习AI：自我进化的最简五步法
针对业界关于 Microsoft Agent Framework 与 Semantic Kernel 关系的疑虑，目前的证据和官方陈述提供了一个清晰的结论：Microsoft Agent Framework 是 Semantic Kernel 在 AI 代理构建领域的官方继任者，其本质上应被视为 Semantic Kernel 的 2.0 版本或代理核心的深度重构版。这种解耦极大地增强了系统的灵活性，使得同一个代理可以在不同的企业环境中快速切换其可调用的资源。对于决定迁移的开发团队，建议采用渐进式的策略。
2026-05-06 15:33:58
143
原创 Obsidian + PicGo + 云 COS 搭建个人图床（解决多平台发文图片重复上传问题）
其底层数据存储在对象存储中（S3、COS、OSS、ceph），在用户和对象存储层中加一个中间层，作为文件系统层，负责将文件系统与对象存储的操作进行翻译转换，从而实现POSIX兼容。在介绍之前，首先需要理清楚文件系统与对象存储的区别是什么，文件系统对接对象存储需要做哪些工作，之后才考虑性能的优化与可靠性的优化。对象存储的 FUSE 并不是完美的。操作接口：基于RESTful API()，主要操作是PUT（上传/覆盖），GET（下载），DELETE（删除），HEAD（获取元数据），不支持seek或部分写入。
2026-05-06 14:52:23
171
原创 一天一个Python库：propcache - 简化属性缓存，提升性能
使用 kubectl-neat 插件，可以自动移除这些由集群生成的冗余字段，仅保留有意义的内容，使 yaml 更加简洁，方便复用。## 这里我直接将 kubectl get -o yaml 与 kubectl-neat get -o yaml 输出对比。## 示例是通过 kubectl plugin 方式安装,使用二进制安装改成 kubectl-neat 就好。## 上面说没啥用的地方就在这...实际上能用的参数只有 get(kubectl-neat 自己的参数)## 自动补全命令用的。
2026-05-06 14:08:39
197
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
OFA（One For All）是字节跳动提出的多模态预训练模型，支持视觉问答、图像描述、图像编辑等多种任务，其中视觉问答（VQA）是最常用的功能之一——输入一张图片和一个英文问题（该模型仅支持英文），模型就能输出对应的答案（比如输入“瓶子”图片+问题“What is the main subject?ModelScope 加载 OFA 模型时，会自动检查依赖版本，如果发现版本和它硬编码的要求不一致，会直接卸载你的版本并强制安装指定版本——哪怕你已经安装了正确的版本，也会被覆盖，导致之前的努力白费。
2026-05-06 13:28:40
194
原创 OpenSwoole .. 发布：支持 PHP .、io_uring 后端及协程调试改进
设计时，要把依赖关系想清楚，比如认证应该放在靠“里”层（后添加），日志可以放在最“外”层（先添加）。划重点： 中间件函数接收一个 call_next，它就像接力棒，你必须调用它（await call_next(request)），请求才能继续往后走。再说个容易翻车的点。这里千万别学我当初偷懒，图省事直接上 `allow_origins=["*"]`，这在生产环境是安全大忌，相当于餐厅大门敞开，谁都能进。- 迎宾（CORS中间件）：先看你是不是从允许的街区（域名）来的，不是就直接劝退（返回CORS错误）。
2026-05-05 16:46:15
152
原创 分钟搞懂深度学习AI：自我进化的最简五步法
服务成功加锁后，启动后台守护线程，每隔锁过期时间的 1/3 （如 10 秒）检查锁是否仍被自身持有，若持有则延长锁的过期时间（重置为 30 秒），直到业务完成主动释放锁。哨兵将从节点切换为主节点，新主节点无该锁数据，其他服务可重新加锁，导致原锁失效，出现多个服务持有锁的情况。成因：锁 key 粒度太粗（如用“lock:stock”作为所有商品的库存锁），导致所有商品的库存操作都互斥，即使操作不同商品，也需排队等待锁释放，彻底丧失分布式系统的并发优势。③ 释放锁时自动同步清理所有节点锁数据，无需手动协调。
2026-05-05 16:11:52
148
原创 Obsidian + PicGo + 云 COS 搭建个人图床（解决多平台发文图片重复上传问题）
langchain专门用于构建LLM大语言模型，其中提供了大量的prompt模板，和组件，通过chain(链)的方式将流程连接起来，操作简单，开发便捷。response = chain.invoke({"topic": "Python", "concept": "列表"})response = chain.invoke({"topic": "Python", "concept": "列表"})这是模型需要直接回答或处理的问题。("system", "你是一个精通{topic}的资深技术专家。
2026-05-05 15:34:12
169
原创 一天一个Python库：propcache - 简化属性缓存，提升性能
LZW通过为复杂数据构建简单索引来减少存储的数据量，这一点是朴素的哈希算法，当然，这一算法的发明者通过一套特殊的规则使得其他人可以直接通过索引数据反推出复杂数据，而在GIF中，则是GIF发明公司将他所规定的规则写好，编写GIF的人根据这一套规则构建数据，然后其他人直接使用套用了这一套规则的解码器解码，便能将数据还原成原来的样子。其中，最重要的就是图像数据了，其他的块用于规定这些图像数据应当如何呈现到我们眼中或是告知文件的开始结束，因此对于我们来说，其他块基本上都有固定模板，只有图像数据需要我们自己定义。
2026-05-05 14:49:18
173
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
System.out.println("订单技能已挂载，当前租户：" + prompt.attr("tenant_id"));然而，在以 Solon AI 为代表的现代应用开发框架中，AI Skills 已演化为一种更高维度的封装，用于智能体应用开发。异构生态： 不同语言、不同算力环境下的能力，都可以通过统一的 MCP 接口连接，形成一个真正的“智能体微服务网络”。安全边界： 敏感数据处理技能可以部署在专用的、受保护的内网环境中，仅通过受控的 MCP 协议与公网 Agent 通信。
2026-05-05 14:01:37
175
原创 AI开发-python-langchain框架（--文本文档加载器 ）
设计时，要把依赖关系想清楚，比如认证应该放在靠“里”层（后添加），日志可以放在最“外”层（先添加）。划重点： 中间件函数接收一个 call_next，它就像接力棒，你必须调用它（await call_next(request)），请求才能继续往后走。再说个容易翻车的点。这里千万别学我当初偷懒，图省事直接上 `allow_origins=["*"]`，这在生产环境是安全大忌，相当于餐厅大门敞开，谁都能进。- 迎宾（CORS中间件）：先看你是不是从允许的街区（域名）来的，不是就直接劝退（返回CORS错误）。
2026-05-04 14:50:46
173
原创 AI 写代码有多厉害？——快了 %，但错多了 %
服务成功加锁后，启动后台守护线程，每隔锁过期时间的 1/3 （如 10 秒）检查锁是否仍被自身持有，若持有则延长锁的过期时间（重置为 30 秒），直到业务完成主动释放锁。哨兵将从节点切换为主节点，新主节点无该锁数据，其他服务可重新加锁，导致原锁失效，出现多个服务持有锁的情况。成因：锁 key 粒度太粗（如用“lock:stock”作为所有商品的库存锁），导致所有商品的库存操作都互斥，即使操作不同商品，也需排队等待锁释放，彻底丧失分布式系统的并发优势。③ 释放锁时自动同步清理所有节点锁数据，无需手动协调。
2026-05-04 14:30:43
157
原创 Serverless社区
langchain专门用于构建LLM大语言模型，其中提供了大量的prompt模板，和组件，通过chain(链)的方式将流程连接起来，操作简单，开发便捷。response = chain.invoke({"topic": "Python", "concept": "列表"})response = chain.invoke({"topic": "Python", "concept": "列表"})这是模型需要直接回答或处理的问题。("system", "你是一个精通{topic}的资深技术专家。
2026-05-04 14:09:41
138
原创 [AI/Agent/社交] AI Agent社交网络产品：MoltBook =＞ InStreet
LZW通过为复杂数据构建简单索引来减少存储的数据量，这一点是朴素的哈希算法，当然，这一算法的发明者通过一套特殊的规则使得其他人可以直接通过索引数据反推出复杂数据，而在GIF中，则是GIF发明公司将他所规定的规则写好，编写GIF的人根据这一套规则构建数据，然后其他人直接使用套用了这一套规则的解码器解码，便能将数据还原成原来的样子。其中，最重要的就是图像数据了，其他的块用于规定这些图像数据应当如何呈现到我们眼中或是告知文件的开始结束，因此对于我们来说，其他块基本上都有固定模板，只有图像数据需要我们自己定义。
2026-05-04 13:50:20
197
原创 Burpsuite之暴力破解+验证码识别 | 添柴不加火
System.out.println("订单技能已挂载，当前租户：" + prompt.attr("tenant_id"));然而，在以 Solon AI 为代表的现代应用开发框架中，AI Skills 已演化为一种更高维度的封装，用于智能体应用开发。异构生态： 不同语言、不同算力环境下的能力，都可以通过统一的 MCP 接口连接，形成一个真正的“智能体微服务网络”。安全边界： 敏感数据处理技能可以部署在专用的、受保护的内网环境中，仅通过受控的 MCP 协议与公网 Agent 通信。
2026-05-04 13:24:24
173
原创 AI Coding 工具 Trae 的简单实践
这里用的ChatPromptTemplate.from_template和上的ChatPromptTemplate.from_messages不同，区别在于前者比较简单，相当于后者直接用user字典的形式，后者from_messages有langchain框架提供的prompt模板。"你是一位高考作文专家。langchain中提供的chain链组件，能够帮助我门快速的实现各个组件的流水线式的调用，和模型的问答。"请给主题为 {topic} 的议论文写一个 总-递进-总 的简短大纲，一共分为5段。
2026-05-03 19:49:24
174
原创 小龙虾WorkBuddy技能与插件深度解析
服务员（事件循环）负责接待顾客（请求），如果某位顾客点菜后需要等厨房做菜（I/O等待），服务员不会傻等，而是先去接待其他顾客。它的核心是“非阻塞”：当一个请求在等待I/O（比如查数据库、调外部API）时，事件循环（Event Loop）会去处理其他请求，而不是干等着。这意味着，如果你的async函数里干的是CPU密集型的活儿（比如复杂的计算、图像处理），那它依然会阻塞整个事件循环，其他请求照样排队。简单总结：I/O密集型用async，CPU密集型用多线程/多进程，混合型任务两者结合。
2026-05-03 19:18:16
153
原创 AutoGod:安卓-全兼容！一站式自动化框架，开发效率直接拉满
第七个参数是 auto.leader.rebalance.enable，表示是否允许定期选举 leader，这个参数最好也设置为 false，如果设置为 true 的话，即使当前 leader 一直运行的很稳定，Kafka 也会重新选举出一个新的 leader 来替代它。第四个参数是 segment.bytes ，与之对应的 broker 参数是 log.segment.bytes，同样是控制 Log Segment 文件的大小，默认是 1GB。连接的配置是一个三元组，包括<协议名称，主机名，端口号>。
2026-05-03 18:48:29
161
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