- 博客(436)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 小红书爆文数据挖掘：用 AI 分析 1000 条笔记，我找到了“流量密码”的底层逻辑
以前做文本分析，大家喜欢用jieba分词画个词云图。你会得到一堆大词：“Python”、“学习”、“教程”、“干货”。这有意义吗？毫无意义。谁不知道 Python 频道要写 Python？我们需要的是**“结构”和“情绪”**。不是通过词频，而是通过LLM (大语言模型)理解标题的句式结构（如：反问句、感叹句）。分析封面的视觉要素（如：大字报、对比图）。分析文案的情绪触发点（如：焦虑、爽感、共鸣）。所谓“网感”，其实就是对人性的精确捕捉。
2026-01-21 09:59:17
317
原创 AI 加速开源贡献：自动匹配 Issue，一键生成高质量 PR（含测试与文档）
Issue 迷海：GitHub 上有数百万个 Issue，哪一个适合我？（既不能太难，又不能太无聊）。上下文缺失：拿到一个 Bug，要在几万行代码里找到是哪一行逻辑错了，这通常需要几天时间。合规性噩梦：开源项目通常有严格的 Contributing Guide，代码风格、测试覆盖率、Commit Message 格式，错一点都会被 CI 挂掉。我们将用 AI 将这三座大山夷为平地。AI 不会取代开源贡献者，它会取代**“那些还在用记事本读代码”**的贡献者。
2026-01-21 09:54:45
3
原创 Python + LLM 搞钱实战：全自动“网络问答接单”流水线，一周跑出第一笔收入
传统的“网络答主”每天只能写 3-5 个高质量回答，耗时耗力。而 AI 的出现，将生产成本降低到了几乎为零。我们要做的，就是用 Python 把“流量”这一项拉满。监控端：24 小时盯着哪里有“急需解决”的问题。内容端：用 LLM 生成比 90% 人类更条理清晰的答案。变现端平台激励：部分平台的创作分成。付费咨询：吸引用户点击你的主页，通过私域变现（接单、卖课）。带货：在回答中软植入推荐链接（Affiliate Marketing）。
2026-01-21 09:44:37
4
原创 红队实战：用 CodeQL + LLM 打造“自动代码审计机”，我在 GitHub 热门项目里挖到了 3 个 0-day
每一个做过源码审计的人都知道，使用传统工具扫描时，最痛苦的不是没漏洞，而是99% 的误报。工具告诉你：“这里有个 SQL 注入！。——这只是打印日志，根本没进数据库。CodeQL 的强大在于它支持“污点追踪 (Taint Tracking)”：它能确认数据是否真的从Source（入口）流到了Sink（危险函数）。LLM 的强大在于它懂“语义”：它能看懂代码里是否有这种鉴权逻辑，或者这种过滤函数是否有效。把两者结合，就是降维打击。“自动化”不是为了偷懒，而是为了把人的精力集中在最关键的“利用”环节。
2026-01-20 12:13:39
472
原创 从接需求到上线：Trae 的“原生中文 Agent”模式，是否真的比 Cursor Composer 更懂中国程序员？
Cursor 无疑是伟大的。它的Composer模式允许你按Ctrl+I直接指挥 AI 修改整个项目。但当你试图用它开发一个“微信小程序”或对接“高德地图 API”它生成的代码往往基于海外过时的文档。它不理解“Vant Weapp”或“Ant Design Vue”的最新中文文档。网络波动导致流式输出卡顿，思路中断。这时候，Trae带着它的Builder 模式（全自动代理）来了。这可能是决定你是否迁移的关键。维度CursorTrae网络延迟高。
2026-01-20 12:11:10
362
原创 智能合约“黑暗森林”：复现 DeFi 重入攻击，AI 竟然比黑客更快发现了合约漏洞？
想象一下，你在这个世界上有一台特殊的 ATM 机。检查余额：看你卡里有没有 100 块。吐钞：把 100 块吐给你。扣款：把你账户里的余额减去 100 块。听起来没问题？在步骤 2（吐钞）和步骤 3（扣款）之间，我大喊一声：“再给我取 100 块！因为步骤 3 还没执行，ATM 机觉得你余额还在，于是再次执行步骤 2。如此循环，直到提空 ATM 机的所有现金。这就是重入攻击的本质。Web3 的世界是残酷的。以前，你需要懂汇编、懂 EVM 才能发现深层漏洞。现在，
2026-01-20 12:10:02
314
原创 2026 程序员生存指南：Cursor 跌落神坛？这 6 款 AI 编码神器，谁才配做你的主力？（附深度横评表）
时间来到 2026 年初，如果你对 AI 编程的理解还停留在“在对话框里贴代码”，那你正在被降维打击。现在的头部工具（Cursor, Trae, Claude）已经进化到了Agentic（代理人）以前：你写函数，它补全一行。现在：你说“把支付模块重构了”，它读代码、改文件、跑测试、修 Bug，你只负责喝咖啡和 Review。市面上工具泛滥，但真正值得装进开发环境的，只有这 6 款。今天我们来一场生死看淡，不服就干的深度横评。
2026-01-20 11:59:11
454
原创 Android 脱壳实战：Frida Hook dlopen + AI 辅助，在内存中 dump 出被加固的 DEX
静态分析（Static Analysis）面对加固 APP 是无力的，因为 DEX 是加密存储的。但动态运行（Dynamic Runtime）不会撒谎。加载壳的 SO：通过加载壳的 Native 代码。解密 DEX：在 Native 层解密出原始 DEX 数据。加载 DEX：调用系统函数（如OpenCommonOpenMemory）将 DEX 放入内存，准备执行。守株待兔。我们不需要知道它怎么解密的，我们只需要 Hook 住加载 DEX。
2026-01-20 11:38:39
755
原创 自动发货机器人 2.0：接入大模型之后，它能自己回消息、处理差评和退款纠纷吗
买家：“老板，这个软件支持 M1 芯片的 Mac 吗？急！机器人：“亲，自动发货，拍下秒发哦~”买家骂了一句，去别家买了。买家：“老板，这个软件支持 M1 芯片的 Mac 吗？急！机器人（查询知识库后）：“亲，支持的！我们的软件已经适配了 Apple Silicon 芯片（M1/M2/M3），拍下后我会发给您专用安装包，放心拍！成交。这背后的技术跨越，是从规则匹配 (Rule-based)到语义理解 (Semantic Understanding)的质变。
2026-01-20 11:26:29
5
原创 短视频神器：用 Python moviepy 自动剪辑，把 1 小时的电影切片成 3 分钟解说
Premiere (PR) 和 Final Cut Pro 是给艺术家用的，而MoviePy是给程序员用的。它是一个基于 ffmpeg 的 Python 库，能让你像处理字符串一样处理视频：切割、拼接、加特效、调整大小、混合音频。核心优势：批量化：写好一个脚本，文件夹里的 100 部电影自动处理。精确控制：精确到毫秒级的剪辑。免费：不需要昂贵的软件授权。Python MoviePy 虽然渲染速度不如专业的 PR/AE（因为它主要靠 CPU 计算），但它的核心价值在于“无人值守”。
2026-01-19 10:11:47
7
原创 批量加水印工具：防止盗图，用 Python 给你的 1000 张摄影作品加上透明 Logo
死板：它通常按绝对像素添加。在大图上水印像蚂蚁，在小图上水印像巨石。慢：打开 PS -> 加载脚本 -> 渲染 -> 保存，处理 1000 张图电脑风扇会起飞。Python 的优势在于**“逻辑判断”**。我们可以写代码告诉电脑：“如果图片宽大于 3000px，水印就缩放到 500px；如果是竖构图，水印就放在左下角……”fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333。
2026-01-19 10:06:09
27
原创 省下 20 块钱：用 Python Pillow + cv2 制作标准证件照（自动换底色 + 智能裁剪）
制作证件照的核心难点在于“如何把人从背景里完美地扣出来”。以前我们用 OpenCV 的 HSV 阈值或者 GrabCut 算法，代码写了一堆，头发丝还是扣不干净。现在，我们有Rembg。它是一个基于 U-2-Net 深度学习模型的 Python 库，专门用于移除背景，效果堪比精修。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;
2026-01-19 10:04:08
5
原创 HR 救星：用 Python 批量提取 100 份简历中的“姓名+电话+学校”，自动填入 Excel
简历是典型的非结构化数据。格式不统一：有的是 PDF，有的是 Word。排版不统一：有的名字在左上角，有的在中间；有的写“毕业院校”，有的写“教育经历”。读取：如何让 Python 读懂 PDF 和 Word？提取：如何在杂乱的文字中精准抓取手机号和学校？正则表达式fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;是 PDF是 Word。
2026-01-19 10:01:59
122
原创 不加班的秘密：用 Python PyAutoGUI 录制鼠标键盘动作，自动完成 ERP 系统录入
定位：告诉代码屏幕上的坐标 (x=100, y=200) 在哪里。动作：告诉代码是左键点击、双击还是右键。输入：告诉代码敲击键盘上的哪些字母。它不关心你操作的是 SAP、金蝶、用友还是网页后台，只要屏幕上能看到，它就能点到。PyAutoGUI 不是最高级的技术，但它是性价比最高的技术。它不需要你懂 HTTP 协议，不需要你懂数据库，它只是忠实地模仿你的手。下次遇到几百条数据需要录入时，先别急着叹气。花 10 分钟写个脚本，然后端着咖啡看电脑自己干活，这才是程序员（及其朋友们）该有的工作方式。
2026-01-19 10:01:02
5
原创 LLM 推理加速：深入 vLLM 源码，揭秘 PagedAttention 如何让吞吐量提升 20 倍？
在 vLLM 出现之前，HuggingFace Transformers 的默认推理极其浪费显存。LLM 推理是自回归的（生成一个 Token，存入 KV Cache，再生成下一个）。传统的 KV Cache 管理方式是预分配 (Pre-allocation)假设最大序列长度是 2048，系统就会直接在显存里划出一块能存 2048 个 Token 的连续空间。问题来了：内部碎片：用户只问了句 “Hi”，占用了 5 个 Token，剩下的 2043 个 Token 空间全部闲置，但无法被其他请求使用。
2026-01-19 10:00:10
82
原创 大模型减肥术：4-bit 量化 (AWQ/GPTQ) 原理与实战
为什么我们需要量化？让我们做个简单的算术。: 每个参数占 2 Bytes。: 每个参数占 0.5 Bytes。对于一个70B (700亿参数)FP16 显存需求: GBINT4 显存需求: GB结论：量化是让大模型走入寻常百姓家的唯一路径。虽然单卡 3090 (24GB) 跑 70B 4-bit 仍需 CPU 卸载（速度慢），但它完美适配了Yi-34B(约 18GB) 或，让这些强大的模型在单卡上健步如飞。单卡 3090 (24GB)FP16 极限：只能跑 7B - 10B 模型。
2026-01-19 09:58:20
4
原创 布隆过滤器进阶：布谷鸟过滤器 (Cuckoo Filter) 是如何支持“删除”操作的？
布隆过滤器的原理是将一个元素通过 个哈希函数映射到位数组的 个点上。为什么不能删？假设元素 A 映射到了位置[1, 5, 8]，元素 B 映射到了[2, 5, 9]。它们共享了位置5。如果你想删除 A，把1, 5, 8都置为 0，那么 B 在查询时，发现位置5是 0，就会被误判为“不存在”。这破坏了过滤器的正确性（False Negative 是绝对不允许的）。布谷鸟过滤器通过“指纹存储”“异或位置推导”，完美解决了布隆过滤器的删除难题。
2026-01-18 19:22:24
740
原创 恶意代码分析：在沙箱中运行勒索病毒，用 IDA Pro 逆向它的加密逻辑
逆向勒索病毒是一场与时间的赛跑。通过IDA Pro，我们透视了病毒的骨骼；通过ProcMon，我们记录了它的罪行。提取 IOC (威胁指标)：提取 C2 域名、Hash 值，更新防火墙规则。发现 Kill Switch：阻断传播。找逻辑漏洞：有时候黑客也会写 Bug（比如密钥生成随机性不足），那是受害者唯一的生机。去下载一个简单的CrackMe（合法的逆向练习程序），尝试用 IDA Pro 找到它的注册码生成逻辑，写一个 KeyGen（注册机）。这是成为逆向工程师的第一步。
2026-01-18 19:21:49
713
原创 挖掘 0-Day 漏洞：AFL++ 模糊测试实战，给开源图像库 (libpng) 找一个致命 Crash
传统的 Fuzzing 是“瞎蒙”，随机生成乱码喂给程序，效率极低。及其继承者AFL++引入了覆盖率导向 (Coverage-Guided)机制。变异：对种子文件（如一个正常的 PNG）进行位翻转、剪切、拼接。执行：喂给程序运行。反馈：通过插桩（Instrumentation）监控程序执行了哪些代码路径。如果发现了新路径（比如进了一个生僻的if分支），就保留这个变异样本，作为下一代的“种子”。如果没有新发现，就丢弃。fill:#333;important;important;
2026-01-18 19:20:09
589
原创 Go 调度器 (GMP) 揭秘：从汇编角度看 Goroutine 是如何实现“协程切换”的？
操作系统线程（OS Thread）太重了。创建一个线程需要 1-8MB 栈内存，切换一次需要进入内核态，耗时 1-2 微秒。Go 的 GMP 模型本质上是一个二级调度系统: 仅仅是一个数据结构 (struct g)，包含自己的栈和指令指针 (PC)，初始只占 2KB。: 真正的 OS 线程。它不懂什么协程，它只知道执行代码。: 逻辑处理器，维护了一个本地运行队列（Local Run Queue）。M 并不直接执行 G 的代码，而是通过一个名为 g0的特殊 Goroutine 来充当“调度中介”
2026-01-18 19:19:23
376
原创 Java 并发探秘：JCTools 源码剖析，为什么 Netty 放弃 JDK 自带队列而选择 MpscArrayQueue？
在 Netty 的 Reactor 线程模型中，EventLoop本质上是一个单线程的执行器。IO 事件：来自网络 Socket 的读写。外部任务：其他线程提交给 EventLoop 执行的任务（例如这是一个典型的多生产者-单消费者 (Multi-Producer Single-Consumer, MPSC)场景。如果你使用 JDK 的锁竞争严重put和take共用一把锁（或者两把锁），导致线程上下文切换频繁。伪共享 (False Sharing)
2026-01-18 19:17:02
692
原创 算子优化实战：手写 Triton Kernel，将 LayerNorm 算子的执行时间压缩 50%
PyTorch 的显存带宽瓶颈：LayerNorm 需要读取输入 ，计算均值 和方差 ，然后再读取一次 进行归一化。多次读写 Global Memory 是最大的开销。通用性妥协：原生库为了兼容各种极端 Shape，往往会有很多分支判断逻辑，牺牲了特定场景的极致性能。将所有计算（均值、方差、归一化、仿射变换）融合在一个 Kernel 中，数据只从 Global Memory 读一次，写一次，中间全部在 GPU 的 SRAM（片上内存）中完成。Triton 是 AI 工程师跨越“算子优化”鸿沟的桥梁。
2026-01-18 19:16:29
4
原创 LLM 推理加速：深入 vLLM 源码，揭秘 PagedAttention 如何让吞吐量提升 20 倍？
在 vLLM 出现之前，HuggingFace Transformers 的默认推理极其浪费显存。LLM 推理是自回归的（生成一个 Token，存入 KV Cache，再生成下一个）。传统的 KV Cache 管理方式是预分配 (Pre-allocation)假设最大序列长度是 2048，系统就会直接在显存里划出一块能存 2048 个 Token 的连续空间。问题来了：内部碎片：用户只问了句 “Hi”，占用了 5 个 Token，剩下的 2043 个 Token 空间全部闲置，但无法被其他请求使用。
2026-01-18 19:11:34
4
原创 智能合约安全审计：复现“重入攻击 (Reentrancy)”，一行代码是如何盗走 1000 ETH 的？
想象一个现实场景：你去银行取钱。检查：柜员查账，发现你有 100 元。交互：柜员把 100 元现金递给你。生效：柜员拿起笔，准备在账本上把你账户扣除 100 元。重入攻击就在第 2 步和第 3 步之间发生了。当你接过钱的瞬间（第 2 步刚开始，第 3 步还没做），你大喊一声：“嘿，我还要取 100 元！柜员因为还没来得及改账本，一看账上还是 100 元，于是又递给你 100 元。如此循环，直到银行金库被你搬空。受害者合约 (Bank)攻击者合约受害者合约 (Bank)攻击者合约。
2026-01-17 20:53:08
831
原创 Redis 协议兼容：编写一个支持 RESP 协议的 KV Server
Redis 之所以流行，除了它快，还因为它简单的协议设计。RESP 协议通过简单的文本规则，实现了高性能与易读性的平衡。监听 -> 解析 -> 路由 -> 执行 -> 响应。目前的解析器是同步阻塞的，效率较低。尝试引入 Go 的bufio的Scanner机制，或者尝试支持PIPELINE（一次发送多条命令），这将极大提升你的 Server 吞吐量。
2026-01-17 20:49:53
925
原创 用户态网络栈：DPDK 入门实战，绕过 Linux 内核实现“零拷贝”收发包
硬件中断：网卡收到包 -> CPU 中断 -> 上下文切换。内核处理：内核分配sk_buff-> 协议栈解析（IP/TCP）。用户态拷贝recv()系统调用 -> 数据从内核空间到用户空间。DPDK 的革命性方案：UIO/VFIO 驱动：利用 Linux 的 UIO 机制，将网卡寄存器映射到用户空间，让应用程序直接驱动网卡。Hugepages (大页内存)：减少 TLB Miss，提升内存访问效率。抛弃中断！CPU 死循环轮询网卡，没有上下文切换开销。fill:#333;important;
2026-01-17 20:49:23
656
原创 Solidity 开发入门：编写一个“去中心化投票系统”，部署在以太坊测试网
本文介绍了如何基于以太坊开发一个去中心化投票DApp。通过Solidity编写智能合约实现候选人初始化、投票和结果查询功能，使用Remix IDE进行编译部署，并利用MetaMask钱包在Sepolia测试网进行交互测试。文章详细展示了DApp从合约编写到部署测试的全流程，并分析了区块链技术带来的无服务器、不可篡改和透明性等优势。最后指出可通过React+ethers.js开发前端，迈向全栈Web3开发。该案例展示了区块链作为"信任机器"的核心价值，是入门DAO开发的实用教程。
2026-01-17 20:48:05
710
原创 防火墙性能天花板：使用 eBPF (XDP) 在网卡驱动层丢弃 DDoS 攻击包，性能吊打 iptables
sk_buff在 Linux 内核中，网络包不仅仅是二进制数据，它被封装在一个名为sk_buff(Socket Buffer) 的结构体中。这个结构体包含了大量元数据（时间戳、设备信息、路由信息等），大小往往超过 200 字节。网卡收到包 -> 触发中断。驱动申请内存，创建sk_buff最昂贵的操作数据从 DMA 拷贝到sk_buff。进入协议栈（IP 层）。Netfilter (Iptables) 匹配规则 -> DROP。网卡收到包 -> 触发中断。
2026-01-17 20:45:23
1313
原创 Android 脱壳实战：Frida 脚本 Hook dlopen，在内存中 dump 出被加固的 DEX 文件
静态分析（Static Analysis）面对加固 APP 是无力的，因为 DEX 是加密存储的。但动态运行（Dynamic Runtime）不会撒谎。加载壳的 SO：通过加载壳的 Native 代码。解密 DEX：在 Native 层解密出原始 DEX 数据。加载 DEX：调用系统函数（如OpenCommonOpenMemory）将 DEX 放入内存，准备执行。守株待兔。我们不需要知道它怎么解密的，我们只需要 Hook 住加载 DEX。
2026-01-17 20:44:37
576
原创 零知识证明 (ZK) 科普：如何在不泄露密码的情况下证明“我知道密码”？（附 Python 示例）
零知识证明看似悖论，实则是概率与数论的完美结合。它解决了数字世界中**“信任”与“隐私”**的终极矛盾。如果你看懂了上面的 Python 代码，恭喜你，你已经迈入了 Web3 最硬核技术的大门。尝试了解Circom语言和SnarkJS。这是一个可以让你编写电路逻辑并生成真实 zk-SNARK 证明的开发工具栈，试着写一个“证明我知道方程 的解，但不告诉你是 3”的小程序。
2026-01-17 20:43:48
554
原创 Unity 游戏逆向：使用 Il2CppDumper 还原 C# 符号表，修改 DLL 实现“无敌模式”
Mono: C# -> IL (中间语言)。DLL 包含元数据，极易反编译。Il2Cpp: C# -> IL -> C++ -> Native Code (机器码)。DLL 只有汇编，元数据（类名、方法名）被剥离并打包到了中。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;Il2Cpp 模式 (困难)IDA。
2026-01-17 20:42:18
766
原创 Semantic Kernel 入门：微软官方 SDK 实战，在 C#/Python 项目中无缝集成 LLM 技能
LLM 是概率性的（不可控），而传统软件是确定性的（严谨）。Semantic Kernel 的核心理念是Copilot模式：它不试图取代代码，而是将 LLM 封装成“Plugins” (插件)，让传统代码可以编排 AI，AI 也可以回调传统代码（如查询数据库、发送邮件）。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;插件集 (Plugins)
2026-01-17 20:40:54
9
原创 WebAssembly 逆向分析：如何反编译 Wasm 二进制文件，修改游戏里的“金币数量”？
WebAssembly 是一种基于堆栈虚拟机的二进制指令格式。它类似于汇编语言，但比 x86 汇编更抽象。浏览器加载.wasm文件，编译为机器码运行。逆向 Wasm 的两种核心思路：静态分析：将.wasm反汇编为.wat(WebAssembly Text) 或伪 C 代码，分析逻辑。动态调试：利用浏览器开发者工具挂载断点，或直接修改（线性内存）。fill:#333;important;important;fill:none;color:#333;color:#333;important;
2026-01-16 11:38:28
955
原创 端侧推理加速：NCNN (腾讯开源) 部署实战，在树莓派上跑通 30FPS 的人脸检测
在边缘端（手机、开发板），主流框架有 TFLite、MNN、TNN 和 NCNN。为什么首选 NCNN？无依赖：编译产物只有一个.a或.so库，不依赖 protobuf、OpenCV（核心计算部分），部署极其干净。极致优化：针对 Arm A53/A72 等架构做了深度的汇编优化。社区活跃：转换工具（onnx2ncnn）非常成熟，几乎支持所有主流模型。fill:#333;important;important;fill:none;color:#333;color:#333;important;
2026-01-16 11:37:39
17
原创 H.265 (HEVC) 网页播放：WebAssembly + FFmpeg 实现浏览器端的硬解/软解兼容方案
为什么在 Chrome 里放不出来？因为 H.265 的专利池太深了。只有 Safari (即使是 iOS) 和 Edge (需硬件支持) 原生支持较好。我们的目标是构建一套混合解码方案优先硬解 (WebCodecs)：如果浏览器支持硬件加速（如 Chrome 94+ 的 WebCodecs），直接调用 GPU，性能起飞。降级软解 (Wasm + FFmpeg)：如果不支持，自动切换到 WebAssembly 版的 FFmpeg 进行 CPU 软解，利用 SIMD 指令集加速。fill:#333。
2026-01-16 11:36:13
914
原创 大模型“越狱”指南：DAN 模式与对抗样本 (Adversarial Examples) 攻击原理揭秘
现代 LLM 的安全护栏主要依赖于。模型被训练为最大化“有用性”和“安全性”。但在高维向量空间中，这种对齐并非无懈可击。越狱（Jailbreak）的本质，就是在高维空间中寻找一个“对抗子空间”，使得模型在该区域内的“拒绝回答”概率降为零。!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!1--Two在人类眼里这是垃圾，但在 LLM 眼里，这串 Token 对应的Embedding 向量能够引导模型生成的概率分布向“肯定回答”剧烈偏移。大模型越狱是一场发生在高维概率空间。
2026-01-16 11:32:31
100
原创 分布式事务落地：Seata AT 模式 vs TCC 模式，在订单与库存扣减场景下的艰难抉择
订单服务：创建订单 ().库存服务：扣减库存 ().如果没有分布式事务，当库存扣减成功，但网络超时导致订单服务回滚时，库存就永久丢失了（超卖/少卖）。能用 AT 就用 AT，毕竟“懒”是程序员的美德。性能瓶颈上 TCC，这是架构师能力的体现。TCC 的三个坑：一定要注意处理空回滚(未 Try 先 Cancel)、幂等(多次 Cancel)、悬挂(Cancel 比 Try 先到)。如果你的业务并发极高，TCC 都嫌慢，那就只能上RocketMQ 事务消息了。
2026-01-16 11:29:35
702
原创 手写分布式共识：用 Go 实现 Raft 算法的核心逻辑（选主与日志复制）
强领导者 (Strong Leader)。整个集群只有 Leader 能写日志，Follower 只能被动接受。：老大挂了，怎么选新老大？：老大怎么把指令强行同步给小弟？Safety：怎么保证数据不丢、不乱？fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;超时 (Election Timeout)获得大多数票。
2026-01-16 11:29:00
556
原创 实时同声传译：OpenAI Whisper (Turbo版) + PyAudio，自制一个会议实时字幕生成器
在实时语音识别（ASR）场景下，我们面临一个“不可能三角”高精度(需要大模型，如 Large-v3)低延迟(需要小模型，如 Base/Tiny)低算力(希望能跑在普通笔记本上)以前我们只能选 Tiny 模型跑实时，结果“人工智能”变成了“人工智障”。的出现打破了这个三角。它通过减少解码层的层数，实现了在保持 Large 级别精度的同时，推理速度接近 Small 模型。fill:#333;important;important;fill:none;color:#333;color:#333;
2026-01-16 11:27:03
117
原创 前端 AI 推理：使用 WebGPU 加速 ONNX Runtime，在浏览器端实时运行 YOLOv8
传统的 Web AI 推理主要依赖，它本质上是利用 CPU 计算。虽然 SIMD 指令集带来了一定优化，但面对矩阵乘法这种并行计算任务，CPU 永远打不过 GPU。WebGL 虽然也能用，但它原本是为图形渲染设计的，用于通用计算（GPGPU）时需要经过复杂的 Hack（把数据伪装成纹理），开销巨大。WebGPU 是为计算而生的标准。它提供了对 GPU 的低级访问，配合 ONNX Runtime 的webgpu执行提供商（Execution Provider），性能实现了质的飞跃。fill:#333;
2026-01-16 11:25:53
18
抠一张图要 5 块钱？拒绝被宰！我用 Python 手搓了一个离线版 AI 抠图神器（附源码）
2025-12-05
软考中级资料获取，中级
2023-04-19
yolov8训练与应用
2023-04-24
软件工程师 高级架构师资料
2023-04-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人