<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Jgre1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Jgre1]]></copyright><item><title><![CDATA[别只让 AI 帮你写代码：技术团队提效的正确打开方式]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/164398732</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/164398732</guid><author>Jgre1</author><pubDate>Sat, 05 Sep 2026 12:09:06 +0800</pubDate><description><![CDATA[AI 的价值不只是替开发者敲出几段代码。它更大的潜力，是帮助团队把需求澄清、方案设计、测试验证、故障排查和知识沉淀这些工程方法执行得更快、更完整。但前提是，我们不能把 AI 当作不需要管理的自动程序，更不能把“它说完成了”当作完成。把项目上下文和规则告诉 AI；用 Skill 固化优秀工程方法；用测试、数据和 Review 验证产出；用最小权限控制工具和数据风险；用团队指标判断是否真正提效。接下来，我们不要求大家为了使用 AI 而使用 AI。]]></description><category></category></item><item><title><![CDATA[一把锁是怎么排队的：从 ReentrantLock 走进 AQS]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/164143859</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/164143859</guid><author>Jgre1</author><pubDate>Fri, 28 Aug 2026 12:27:05 +0800</pubDate><description><![CDATA[state是同步器的状态，含义由子类定义。获取失败的线程会被包装成Node，进入 FIFO 双向队列。只有排到队首的线程才会反复尝试，其他线程在前驱节点的SIGNAL保护下挂起。释放成功后，AQS 从头节点附近找到下一个有效节点并唤醒它；等待者如果曾被中断，会在拿到锁后补回中断标记。。不要一开始就试图把所有状态值、共享模式和 Condition 队列全部装进脑子里。先把独占锁跑通，AQS 的骨架就出来了。]]></description><category></category></item><item><title><![CDATA[用户下单特征实时数仓方案设计]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/164124875</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/164124875</guid><author>Jgre1</author><pubDate>Thu, 27 Aug 2026 20:30:01 +0800</pubDate><description><![CDATA[本方案将订单事实和用户特征读模型解耦：订单系统继续负责事实写入，Kafka 负责事件传输，Flink 负责实时聚合，用户特征表负责持久化快照，Redis 负责高并发读取。用户端、风控、推荐或运营接口需要频繁读取以下订单特征：累计下单数、今日下单数、最近 7 天下单数、最近 30 天下单数、待提交订单数，以及取消订单数和有效订单数。若已提交订单后来支付失败，必须发布可排序的失效事件，Flink 执行补偿扣减。每日按用户 hash 分片执行对账，从订单事实库按相同状态映射和业务时区聚合，比较快照表及日桶表。]]></description><category></category></item><item><title><![CDATA[数据库性能瓶颈治理实战：从主库承压到查询分流、业务拆库与资源隔离]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/164109221</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/164109221</guid><author>Jgre1</author><pubDate>Thu, 27 Aug 2026 09:25:13 +0800</pubDate><description><![CDATA[数据库治理不是一次“换引擎”，而是重新建立负载、数据和权限的边界。慢 SQL Top10 解决眼前最昂贵的问题；查询分流让不同引擎做擅长的事；活动拆库缩小竞争范围；ADB 资源组把在线、分析与探索性负载隔开；AI LAB 只读和 API 写入则守住数据规则。真正可复用的方法只有三点：先用证据定位，不凭感觉改架构；按业务语义分流，不按组件名称分流；每一步都保留灰度、校验和回滚能力。数据库性能优化的终点，不是某个指标短暂变好，而是核心交易不再为不可控的非核心负载承担代价。]]></description><category></category></item><item><title><![CDATA[高可用 API 网关限流与微服务过载保护实战：从 Sentinel 动态阈值到 DB 连接池舱壁]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/164065124</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/164065124</guid><author>Jgre1</author><pubDate>Tue, 25 Aug 2026 21:08:22 +0800</pubDate><description><![CDATA[一套可靠的流量治理不是 Sentinel 的单点能力，而是四层边界共同作用：CDN/WAF 过滤明显恶意流量，Gateway 快速限流和封禁，服务侧熔断/隔离/降级，数据库连接池限制最后的并发预算。最容易犯的错误有三个：把固定阈值当成永久答案，把所有异常都重试，把数据库连接池当成吞吐开关。正确做法是用真实压测得到安全容量，用动态规则跟随系统负载，用明确的降级协议保护核心链路，再用连接池 pending 和慢 SQL 指标决定是否继续放行。]]></description><category></category></item><item><title><![CDATA[用 WorkBuddy/Claude/Codex + Obsidian，搭建自生长自学习个人知识库]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163643318</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163643318</guid><author>Jgre1</author><pubDate>Mon, 10 Aug 2026 18:40:05 +0800</pubDate><description><![CDATA[搭完目录、装好插件、看到关系图谱的那一刻，很容易产生“知识库已经完成”的满足感。其实那只是基础设施完成了。真正的生长发生在后面：一篇新资料修订了旧观点；一次项目让某个方法得到验证；一次失败暴露出原有结论的边界；下一次写方案时，你不再从空白页开始，而是从过去全部可追溯的积累开始。这套系统最有价值的地方，不是让 AI 替你记住所有东西，而是让你每次付出的思考，都不再随着聊天窗口关闭而消失。能追溯、能连接、能调用、能修订，才是知识。]]></description><category></category></item><item><title><![CDATA[spec-superflow：把合计 33 万+ Star 的 OpenSpec 和 Superpowers 打造一条工作流]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163607231</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163607231</guid><author>Jgre1</author><pubDate>Sun, 09 Aug 2026 10:54:16 +0800</pubDate><description><![CDATA[《33万Star项目融合：Spec-SuperFlow如何连接规划与执行》摘要： OpenSpec和Superpowers两个知名开源项目（合计33万Star）分别解决了软件开发中的规划与执行问题。新项目Spec-SuperFlow通过创新性地桥接这两个工具，构建了从需求规划到代码交付的完整闭环。 核心创新点包括： 独创契约层（contract-builder），将规划文档转换为可执行的约束条件 智能分流机制，根据修改风险自动选择轻量或完整流程 状态守卫系统，确保各阶段工件一致性 9个专项技能分工，覆盖从需]]></description><category></category></item><item><title><![CDATA[Spring Cloud Gateway 如何抗住千万级 QPS：从运行机制到集群容量]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163539461</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163539461</guid><author>Jgre1</author><pubDate>Thu, 06 Aug 2026 16:56:58 +0800</pubDate><description><![CDATA[Spring Cloud Gateway 能支撑高并发，不是因为“响应式”三个字自动带来性能，而是因为 Reactor Netty 用事件驱动减少线程等待，WebFlux 把路由、过滤和代理组成非阻塞流水线，连接复用与池化内存降低每次请求的固定成本。Gateway 热路径必须短、非阻塞、有边界。一次block()、一次同步远程鉴权、一次无上限请求体聚合，都可能破坏整个模型。]]></description><category></category></item><item><title><![CDATA[Codex、Claude、Gemini 怎么选？别看跑分，看谁更适合干活]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163374799</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163374799</guid><author>Jgre1</author><pubDate>Sat, 01 Aug 2026 10:48:47 +0800</pubDate><description><![CDATA[如果你的工作以开发、文件处理和项目执行为主，选Codex。如果你的工作以写作、策划、研究和长资料处理为主，选Claude。如果你的工作依赖搜索、多模态内容和 Google 生态，选Gemini。Gemini 负责找Claude 负责想Codex 负责做不要纠结谁在所有方面最强。真正应该比较的是：谁能在你的工作中减少步骤、降低返工，并把任务推进到可交付状态。]]></description><category></category></item><item><title><![CDATA[使用 Codex 生成策划文案和图片：一套能直接落地的工作流]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163367698</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163367698</guid><author>Jgre1</author><pubDate>Fri, 31 Jul 2026 14:42:31 +0800</pubDate><description><![CDATA[不少人用 Codex 做策划，最后得到的却是：文案看着完整，实际没法执行；图片看着精致，放到项目里却不合适。问题通常不在工具，而在使用方法。不要让 Codex 一次性生成整套方案，而要让它按照“整理资料、确定方向、细化执行、审查修改、生成视觉”的顺序工作。]]></description><category></category></item><item><title><![CDATA[GitHub今日热榜TOP10[特殊字符]]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163355438</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163355438</guid><author>Jgre1</author><pubDate>Fri, 31 Jul 2026 09:42:04 +0800</pubDate><description><![CDATA[⭐ Star：8,893｜📈 今日新增：+628Hugging Face 开源的语音到语音（Speech-to-Speech）框架，可利用开源模型快速构建本地 Voice Agent，实现语音输入、理解和语音输出全流程，非常适合智能助手、AI 客服和语音交互应用。⭐ Star：54,017｜📈 今日新增：+155微软推出的 AI 入门课程，包含 12 周、24 节系统课程，涵盖大语言模型、机器学习、生成式 AI 等内容，是学习 AI 基础知识的热门开源教程。]]></description><category></category></item><item><title><![CDATA[我把 Codex、ChatGPT、Claude Desktop 都装上后，才发现 AI 最浪费时间的根本不是写提示词]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163335170</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163335170</guid><author>Jgre1</author><pubDate>Thu, 30 Jul 2026 14:16:34 +0800</pubDate><description><![CDATA[上午 9:43，运营在催活动方案。10:20，广告图要换一批方向。下午，产品要补交互，研发说需求还不够清楚，前端顺手问了一句：埋点怎么算？电脑里，Codex、ChatGPT、Claude Desktop 都开着。看起来像多了三个帮手，实际却很容易陷入另一种忙碌：在这个窗口讲一遍背景，复制到另一个窗口再讲一遍；这个工具要单独装，那个工具要重新配；换一台电脑，又从账号、密钥和环境开始折腾。工具越来越多，真正做事的时间却没有同步变多。我后来才意识到，AI 最浪费时间的地方，不一定是提示词写得不好。]]></description><category></category></item><item><title><![CDATA[AI越先进，组织为什么越拧巴？真正卡住的不是技术，而是分配]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163213136</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163213136</guid><author>Jgre1</author><pubDate>Sun, 26 Jul 2026 12:01:44 +0800</pubDate><description><![CDATA[很多公司正在经历一种诡异的局面：AI工具买得越来越多，培训办得越来越勤，管理层喊得越来越响，团队的效率却没有明显提升。相反，会议更多了，汇报更重了，部门之间更难配合了。老板觉得员工不够积极：“这么好用的工具，为什么就是推不动？员工觉得老板目的不纯：“嘴上说能力升级，心里想的恐怕是人员优化。技术部门觉得业务不懂AI，业务部门觉得技术只会做Demo。所有人都在谈提效，最后真正提高的，却是组织的内耗。问题可能不在AI。]]></description><category></category></item><item><title><![CDATA[怎么确认中转站给你的真是 GPT-5.6-Sol，而不是廉价模型？]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163086153</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163086153</guid><author>Jgre1</author><pubDate>Tue, 21 Jul 2026 21:24:53 +0800</pubDate><description><![CDATA[纯血版”不是标准技术术语。模型身份一致：实际执行的是商家宣称的模型家族与版本，而不是更小模型、蒸馏模型或其他厂商模型。能力没有被阉割：上下文长度、工具调用、结构化输出、视觉输入等能力与宣称版本相符。请求没有被偷偷改写：中转站没有加入会明显改变结果的隐藏系统提示，也没有擅自压缩上下文、降低输出上限。路由规则透明：不会因高峰期、低余额、请求难度或用户等级而悄悄降级。计费口径可信：输入、输出、缓存和推理 token 的统计逻辑能解释，并与同条件官方基线大致相容。]]></description><category></category></item><item><title><![CDATA[一个 1.3 万星开源项目，讲透 AI Agent 落地最容易踩的 4 个坑]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163085562</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163085562</guid><author>Jgre1</author><pubDate>Tue, 21 Jul 2026 20:26:20 +0800</pubDate><description><![CDATA[AI 客服演示时很聪明，上线后为什么会忘事、乱调工具、越聊越笨？一个 1.3 万星开源项目给出答案：模型只是大脑，上下文是眼睛，工具是手脚，评估才是质量闭环。本文用退款客服场景，拆解企业落地 AI Agent 最常见的四个坑。]]></description><category></category></item><item><title><![CDATA[别再把 Codex 当成聊天框：这套工作流，才是效率翻倍的关键]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163054458</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163054458</guid><author>Jgre1</author><pubDate>Mon, 20 Jul 2026 20:55:57 +0800</pubDate><description><![CDATA[摘要：本文探讨了高效使用Codex的核心方法，强调从单次问答转向系统化任务管理。关键点包括：1.将模糊需求转化为明确任务（目标/输入/交付/约束/验收）；2.建立四个工作习惯：预处理资料、固化规则到AGENTS.md、生成审稿分离、内容多渠道分发；3.创建可复用的Skill（如内容工厂流程）；4.构建完整生产闭环（选题-创作-审核-分发-复盘）。特别指出视觉内容应作为有机组成部分，而非事后补充。真正的效率提升源自减少重复劳动和建立可持续的工作流，而非单纯加快生成速度。（149字）]]></description><category></category></item><item><title><![CDATA[Claude Code、Codex、Gemini 都会写代码后，真正的门槛是什么？]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/163054183</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/163054183</guid><author>Jgre1</author><pubDate>Mon, 20 Jul 2026 20:45:38 +0800</pubDate><description><![CDATA[AI编程工具快速发展，但开发者仍面临效率瓶颈。当前限制因素已从模型能力转向“上下文税”——即反复向模型解释项目背景的高成本。多模型并存带来选择灵活性，也增加了管理负担。未来竞争重点将是构建高效的“上下文供应链”，而非单一模型性能。成熟团队需要分层管理模型使用，平衡任务需求与成本，避免技术锁定。AI编程的终局将是建立开放、可替换的工具架构，而非依赖某个超级工具。开发者需要保持选择权，在吸收新技术的同时控制切换成本。]]></description><category></category></item><item><title><![CDATA[GitHub 今日热榜Top 10]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/162900700</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/162900700</guid><author>Jgre1</author><pubDate>Wed, 15 Jul 2026 11:53:51 +0800</pubDate><description><![CDATA[GitHub今日热门项目聚焦AI与开发效率，OpenCut以4300+新增Star成为增长最快的开源视频剪辑工具。AI领域占据榜单半壁江山，包括Skills（Claude技能库）、Vibe-Trading（AI自动交易）等实用工具，以及awesome-llm-apps（LLM应用合集）等资源库。安全相关项目如destructive_command_guard（AI危险命令防护）和Trivy（云安全扫描）也表现亮眼。趋势显示开发者关注点正从模型能力转向AI实际应用，特别是参与开发、创作与自动化工作流的方向。]]></description><category></category></item><item><title><![CDATA[GitHub 今日热榜Top 10]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/162841764</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/162841764</guid><author>Jgre1</author><pubDate>Mon, 13 Jul 2026 14:20:38 +0800</pubDate><description><![CDATA[⭐ Star：2,565｜📈 今日新增：+444这是一个专门为 AI Agent 打造的安全防护工具，可以阻止 Claude、Cursor、Codex 等 AI 助手执行 rm -rf、git reset --hard 等危险命令，避免误删代码或破坏开发环境。随着 AI Coding 的普及，这类安全工具越来越受到开发者关注。⭐ Star：7,907｜📈 今日新增：+207。]]></description><category></category></item><item><title><![CDATA[产研团队如何通过AI提效80%？我们的三阶段落地实践]]></title><link>https://blog.youkuaiyun.com/Jgre1/article/details/162781318</link><guid>https://blog.youkuaiyun.com/Jgre1/article/details/162781318</guid><author>Jgre1</author><pubDate>Sat, 11 Jul 2026 09:43:55 +0800</pubDate><description><![CDATA[2024年以来，AI编程工具井喷式爆发，但大多数团队的现状是：工具买了一堆，效率提升有限。个别人用得飞起，团队整体没变化。我们团队经过半年多的实践，摸索出一套覆盖产品、前端、后端、测试全岗位的AI提效体系，整体研发效率提升约80%。本文完整分享我们的三阶段落地路径、踩过的坑，以及两个行业痛点的应对思路。维度提效幅度PRD撰写提效约60%技术方案输出提效约50%编码效率提效约90%代码评审提效约90%测试用例生成提效约40%（受知识库限制）综合研发效率提升约80%]]></description><category></category></item></channel></rss>