Ll070jo43的博客

原创 哪里是乐土？--关于团队良性循环

早上，开发者打开 IDE，代码规范清晰，测试快速通过，CI 绿色，同事的代码评审意见是建设性的。这种状态，就是“乐土”。当循环转动起来，你会发现，乐土就在你的团队里，就在每一次代码提交和每一次协作的细微之处。而有的岛屿上，架构清晰，协作流畅，每个人都像在乐土上耕种。这种循环，从代码规范、自动化测试，到知识分享、反馈机制，环环相扣，最终形成一种自我强化的正向飞轮。### 一、良性循环的起点：代码规范与可读性想象一个团队，每个人都有自己的代码风格：有人喜欢用单字母变量，有人执着于超长函数，有人从不写注释。

原创 使用分页方式读取超大文件的性能试验

内存恒定。

原创 设计十日谈[一]产品、设计

—把产品拆成模块，然后实现。真正的产品，是一个。

原创 你真的理解 volatile 关键字了吗？

在并发编程的世界里， 是一个既熟悉又陌生的关键字。很多初学者可能只知道它“能保证可见性”，但真正理解它的人却不多。今天，我们就从零开始，循序渐进地揭开 的面纱。本文将以 Java 为例（C/C++ 中也有类似概念，但语义略有不同），但核心思想同样适用于其他语言。—### 1. 从硬件层面看：为什么需要 volatile？现代计算机的 CPU 为了提升性能，会在每个核心中引入多级缓存（L1/L2/L3）。当多个线程运行在不同 CPU 核心上时，它们操作的是各自核心的缓存，而不是直接操作主内存。问题来了：如果

原创 AI 测试全场景提效：功能 / 性能 / 安全 / 自动化，用 AI 重塑测试工作流

原本需要 30 分钟编写的边界用例，AI 在 5 秒内生成 80% 的覆盖，剩余 20% 由工程师补充关键业务逻辑，显著降低重复劳动。### 安全测试：AI 驱动的漏洞扫描与语义分析安全测试中，AI 不仅能扫描已知漏洞，还能通过代码语义分析发现逻辑缺陷。：1. 从单点场景（如 AI 生成用例）切入，验证 ROI 后再扩展2. 建立“AI 生成 + 人工复核”的机制，避免盲目信任3. 所有 AI 决策都要可回滚、可审计测试的未来，不是“全自动”，而是“人机协同的智能测试”。

原创 我用自己的微信聊天记录，微调了一个“数字分身”

最近，我决定用自己真实的微信聊天记录，微调一个开源的语言模型，打造一个“数字分身”。运行后，你会发现模型生成的句子风格很像你——比如“今天心情不错”可能回复“是啊，阳光明媚，适合出去玩”。## 总结通过这篇文章，我用自己的微信聊天记录微调了一个GPT-2模型，打造了一个“数字分身”。最终模型能模仿我的语气生成回复。未来，你可以尝试用更大的模型（如LLaMA-7B）或更精细的对话结构（如角色扮演），让它更像“你”。比如，如果我的聊天记录是连续的，我可以构建成“用户: 你好\n助手: 你好呀”这样的对话对。

原创 告别 “cd /var/log“ ！用 journalctl 统一掌控 Linux 日志

内核日志这种方式的缺点显而易见：- 日志分散，难以统一检索- 需要记住不同日志文件的路径和名称- 日志文件可能被轮转（rotate），增加查找难度- 缺乏结构化的元数据（如时间戳、优先级等）而 systemd-journald 服务将日志集中存储在二进制格式的 journal 文件中，并通过。，不仅仅是命令的替换，更是日志管理思维的升级。journalctl 的优势在于：- 统一接口：所有日志通过单一命令查询，无需记忆不同文件路径- 强大过滤：按时间、服务、优先级、字段等条件精确检索- 实时监控：通过。

原创 世界杯一粒进球被吹掉，背后可能有多少 AI？

真实场景中，这个逻辑会复杂得多：AI 需要同时处理 22 个球员的骨骼点、球的轨迹、传球时间戳（由 VAR 系统标记），并结合 FIFA 规则（如“干扰比赛”判定）。：球员是否故意手球（通过肌肉运动追踪）这些数据通过注意力机制（Attention）融合，输出“有效/无效”的概率。比如，2022 年世界杯阿根廷对阵沙特的越位判罚，AI 通过半自动越位技术（SAOT）精确到毫米，但引发了“是否干扰门将”的讨论。下次看世界杯时，不妨留意 VAR 屏幕后的 AI 逻辑，它们正在以毫秒级的速度，决定一粒进球的命运。

原创 [MAF预定义的AIContextProvider-01]TextSearchProvider——RAG在MAF中的实现

原创 用 ChatModel 构建 LLM 驱动的 Java 应用

原创 python自动化测试（2）-自动化基本技术原理

本文将从底层原理切入，深入剖析 Python 自动化测试的核心技术——元素定位、事件模拟、等待机制与断言。#### 2.1 常用定位策略| 策略 | Python By 类 | 浏览器底层方法 | 适用场景 ||------|-------------|---------------|---------|| ID |时，Python 客户端将命令序列化为 JSON，通过 HTTP 请求发送给浏览器驱动（如 chromedriver），驱动再将其转换为浏览器内部的操作指令，最终执行对应的 DOM 操作。

原创 京东咚咚架构演进

核心启示。

原创 .NET AsyncLocal 避坑指南

原创 RabbitMQ真实生产故障问题还原与分析

自动确认是陷阱。

原创 ChatGPT一夜爆火，是算力、数据、算法七十年的漫长等待后的爆发

原创 [MAF预定义ChatClient中间件-02]FunctionInvokingChatClient——实现ReAct循环和人机交互的大功臣

基于反馈继续推理，直到完成任务从简单的计算器到复杂的多工具协作场景，我们看到了这个中间件的强大能力。在构建智能对话系统时，我们往往希望AI不仅能"说话"，还能"行动"——比如查询数据库、调用外部API、执行计算任务。## 三、深入ReAct循环：多步推理与工具调用现在让我们看一个更复杂的场景，AI需要多次调用不同工具才能完成任务。，你就掌握了让AI从"空谈"走向"实干"的关键技术。： - 每个函数职责单一，描述清晰 - 参数类型明确，避免歧义 - 返回结构化数据，便于AI理解2.

原创 Redis通关手册（三）：Redis Geo实现地理位置检索

在现代应用中，地理位置检索（Geo-location lookup）已经成为一个核心功能，例如查找附近的餐馆、计算两个地点之间的距离，或者在地图上显示附近的用户。## Redis Geo 的数据结构与核心原理Redis Geo 的底层实现依赖于有序集合（Sorted Set），每个成员（member）关联一个分数（score）。这个编码过程基于 Geohash 算法，它将二维的地理坐标（经度、纬度）转换为一个一维的字符串，同时保留了空间邻近性——即在地理上相邻的点，其 Geohash 编码的前缀也相同。

原创 支撑亿级文件规模：途虎养车 JuiceFS + Ceph RADOS 存储优化实践

JuiceFS 是一个面向云原生的高性能 POSIX 文件系统，它将数据与元数据分离：元数据存储在 Redis 或 SQL 数据库中，数据则存储在对象存储（如 S3、Ceph RADOS）中。- JuiceFS + Ceph：总耗时 12 秒（平均 120ms/文件）- NFS：总耗时 58 秒（平均 580ms/文件）## 遇到的大坑与解决方案### 坑 1：Redis 内存爆炸现象：文件数超过 5 亿时，Redis 内存使用达 200GB，导致 OOM。对于亿级文件，我们调整了缓存策略：- 开启。

原创 图解 | 原来这就是网络

开头的，统一从路由器出去发给某一群设备（后面会提到这其实是子网的概念），那你就需要要求某一子网下统统买一个厂商制造的设备，要么你就需要要求厂商在生产网络设备烧录 MAC 地址时，提前按照你规划好的子网结构来定 MAC 地址，并且日后这个网络的结构都不能轻易改变。随着越来越多的人加入，你发现身上开的网口实在太多了，而且网线密密麻麻，混乱不堪。你的 MAC 地址是 aa-aa-aa-aa-aa-aa，你的伙伴 b 的 MAC 地址是 bb-bb-bb-bb-bb-bb，以此类推，不重复就好。

原创 第一出：record 类型

一个应用/服务由多个Actor组成，每个Actor都是一个独立的运行单元，拥有隔离的运行空间，在隔离的空间内，其有独立的状态和行为，不被外界干预，Actor之间通过消息进行交互，而同一时刻，每个Actor只能被单个线程执行，这样既有效避免了数据共享和并发问题，又确保了应用的伸缩性。目前官方已经提供了Go，Node，Python，.NET，Java， C++，PHP，Rust，Javascript的Sdk，简化Dapr的集成。了解了Dapr是什么，以及其提供的特性，那Dapr的应用场景就一目了然了。

原创 记一次 Cloudflared Tunnel 在 Docker 中 DNS 解析异常的排查与解决

近期在家庭 NAS（Debian 12）上通过 Docker 部署 Cloudflare Tunnel（cloudflared），用于将内网服务安全暴露到公网。按照官方文档编写的 docker-compose.yml 启动后，容器却一直报错，无法连接 Cloudflare 边缘节点。经过一系列排查，最终定位到 Docker 内部 DNS 解析机制的异常，并通过挂载宿主机 /etc/resolv.conf 绕过了问题。本文将完整记录排查过程、原理分析和最终方案，希望对遇到类似问题的朋友有所帮助。环境信息。

原创 借助游戏预启动提前加载游戏，读条快人一步

若在应用实现尤其预启动过程中，未检测到异常状态，那么游戏引擎会开始自渲染并运行到登录页或大厅界面，之后开发者可以调用completeGamePrelaunch接口，自主决定预启动到达的最终阶段，并在到达该阶段后及时通知启动加速服务游戏预启动已完成。在应用实现游戏预启动的过程中，可能会遇到资源更新、用户未同意隐私协议等场景，此时开发者可以调用terminateGamePrelaunch接口，通知游戏启动加速服务终止当前预启动。// 若当次非预启动运行，游戏启动完成后不进行任何处理。

原创 ScreenCapture

取景框，支持快捷键复制 RGB 颜色（Ctrl+R）、 HEX 颜色（Ctrl+H）与 CMYK 颜色（Ctrl+K）。撤销（Ctrl+Z）、重做（Ctrl+Y）、保存为文件（Ctrl+S）、保存到剪贴板（Ctrl+C或双击）。绘制填充、非填充的椭圆、正圆（按住Shift）、矩形、正方形（按住Shift）、箭头、标号等。绘制曲线、直线（按住Shift）、马赛克、橡皮擦、文本。滚动截图（截长图）、屏幕录制（输出Gif\Mp4格式）。截图、绘图标注、滚动截图（截长图）、录屏。// 显示托盘图标（默认）

原创 Python HTTP 服务（推荐，支持大文件）

Server 端（被下载方）

原创 LangChainJs之基础模型(一)

而 LangChain 另辟蹊径，它并不试图改变模型的“思维”，而是为其“长出手脚”——通过集成网络搜索、本地知识库检索（即 RAG）、文档编辑等外部工具，让大模型能够利用外部信息源进行推理与行动，从而极大地扩展了其应用边界。这一设计让模型能够清晰区分“谁在说”、“说了什么”，从而真正理解对话的上下文，实现连贯的多轮交互。LangChain 是一个专为智能体（Agent）设计的开发框架，其核心价值在于为大模型赋予“连接外部工具”的能力，从而突破其固有的“大脑”(大模型)边界。

原创 Hermes 上下文压缩架构：长任务 Agent 不失忆的几个关键设计

一次真实的工具型会话里，系统提示、历史消息、工具调用、终端输出、文件读取结果、截图、代码片段都会在每一轮重新塞回模型。provider 返回 413、context overflow，或 Anthropic 长上下文层的 429 时，Hermes 会进入错误恢复压缩。压缩刚结束时，系统还没拿到下一轮 provider 的真实 usage，此时把 token 视为 0，避免刚压完就被 schema 粗估拉回压缩循环。gateway 如果也按 50% 触发，长会话会在很多轮里提前压缩，成本高，信息损耗也大。