RETBJ73u8的博客

原创 Claude Code：AI编程的深度体验与实践

## 从“代码补全”到“代码协作者”过去我们用GitHub Copilot，感觉像是有一个很聪明的自动补全器，你写一半，它帮你补完。### 总结：AI编程的未来已来Claude Code带给我的体验，是**从“写代码”到“描述代码”**的转变。### 深度体验一：自然语言驱动的需求分析Claude Code最强大的地方在于，它可以直接读取你整个项目的上下文，然后根据你的自然语言描述来修改代码。这种“主动发现问题并解决”的能力，让我觉得它已经超越了“工具”的范畴，更像是一个结对编程的伙伴。

原创 免费的个人网站托管-InfinityFree

php.ini零成本验证想法。

原创 SQL Server也能玩正则表达式？二开实现比MySQL更强大的文本处理能力

re。

原创 BFS 广度优先搜索算法

原创 XXL-JOB v.. | 分布式任务调度平台

核心概念。

原创 C++ 使用分治减小模板递归深度

## 深度对比与性能考量| 实现方式 | 递归深度(计算F(90)) | 编译时间 | 可扩展性 ||---------|-------------------|---------|---------|| 线性递归 | 90层 | 较慢 | 受限于深度限制 || 分治递归 | 7层 | 快速 | 可计算至极大N |分治策略不仅降低了递归深度，还通过减少模板实例化数量来加速编译。当我们需要处理较大的编译期数据结构（如编译期整数序列、类型列表或复杂递归运算）时，线性递归会迅速消耗实例化深度，导致编译失败。

原创 Why框架元推理，苦逼码农翻身得解放

直到我深入理解了“框架元推理”（Meta-Reasoning for Frameworks），才明白为什么有些码农能轻松“翻身”，而大多数人还在苦海里挣扎。而元推理框架更像一个聪明的助手，你告诉它“想要什么”，它自己琢磨出怎么干。：多说“做什么”，少说“怎么做”，把实现细节交给框架## 总结框架元推理不是银弹，但它确实是让码农从“翻译机器”转变为“业务设计师”的关键。，而元推理框架可能只需要你描述“给我所有成年用户”，它自动推断出查询条件、缓存策略、甚至错误处理。：关注支持元编程的框架（如Python的。

原创 一人开发游戏的实战心得，长期更新！

从零开始构思、写代码、画图、音效到发布，一个人搞定所有环节，听起来很酷，但实际操作中，有无数坑等着你。一人开发游戏，意味着你是 CEO、程序员、美术师、音效师、测试员，甚至客服。如果你也想尝试一人开发，不妨从今天开始，写一个最简单的“移动-收集”游戏。比如，我开发了一款极简的“收集物品”小游戏，主角移动、碰撞检测、计分，这些是核心。：- 第2-5行：初始化 Pygame，设置窗口大小。- 第25-28行：碰撞检测，当玩家碰到物品时，标记为已收集。：- 第5-12行：用字典存储所有游戏状态，便于扩展。

原创 LLM-RAG项目细节-数据处理、分块..

如果你已经熟悉RAG的基本概念，但卡在“如何把文档变成模型能理解的结构”这一步，那么这篇文章就是为你准备的。如果知识库里的数据是乱七八糟的文本块，或者分块方式不合理，检索到的内容就会牛头不对马嘴，生成的结果自然拉胯。简单来说，我们需要：-：中文场景推荐使用专门的中文模型，如BAAI/bge-large-zh，效果更好。记住：没有最好的分块，只有最适合你数据的分块。常用的有OpenAI的text-embedding-ada-002或开源的BGE系列。比如代码示例中的换行符，如果全删了，分块时可能割裂代码块。

原创 Hutool被卖半年多了，现状是逆袭还是沉寂？

Hutool既没有逆袭，也没有沉寂。

原创 低延迟垃圾收集器：挑战“不可能三角”

以 ZGC（Java 的 Z Garbage Collector）为例，它使用“染色指针”（Colored Pointers）技术：在 64 位指针中，用额外比特位存储对象状态（如标记、重分配信息）。### 总结低延迟垃圾收集器通过并发标记、读屏障和转发指针技术，成功将 GC 停顿时间压缩到毫秒级，挑战了传统的“不可能三角”。传统 GC（如 G1、CMS）通过“Stop-the-World”（STW）阶段来保证正确性，但 STW 时间随堆大小增长而线性增加，导致延迟不可控。，从而将停顿时间压缩到极短。

原创 Java Heap Dump详解

原创 在Vona ORM中实现多数据库/多数据源

原创 SpringAI流式对话(带前端)

后端。

原创 磁盘格式化和LVM挂载

格式化将磁盘的低级数据组织提升为可用的文件系统，而LVM通过抽象层实现了空间的动态管理和跨磁盘聚合。当执行格式化操作时，系统会：1. 擦除磁盘上的元数据（如分区表信息）2. 创建文件系统结构（如ext4的超级块、块组描述符）3. 初始化inode表和数据块位图### 实战：格式化并挂载磁盘以下示例演示如何在Linux中对一块新磁盘（假设为。## LVM的高级操作：动态扩展与缩减### 扩容逻辑卷LVM的核心优势是可以在不卸载文件系统的情况下扩展空间。先重新组织文件系统的数据块，释放超出目标的块。

原创 Chapter- Memory Management (section .-.)

_del__手动管理（C/C++）

原创 在 OpenCowork 里输入一个任务 → Agent 自动调用工具 → 右侧预览结果文件 / 表格 / PDF → 最终输出结

原创 豆包语音识别热词功能实现指南

豆包语音识别API支持热词功能，允许开发者自定义词汇列表，从而提高这些词汇的识别精度。热词功能的关键在于合理设置词汇和权重，从而在不增加额外延迟的前提下，显著提升特定词汇的识别率。## 总结本文通过三个代码示例，从基础识别到热词集成，再到实战场景，详细展示了豆包语音识别热词功能的实现方法。## 实战：优化医疗领域热词识别假设要在医疗场景中识别医生口述的病历，包含专业术语如“心肌梗死”、“高血压”、“糖尿病”等。## 基础语音识别代码示例首先，我们实现一个基础的语音识别功能，不包含热词。

原创 分布式链路追踪系统之二进制安装skywalking

skywalking-ui: 前端服务,端口号8080。skywalking-oap(Observability Analysis Platform)：可观测性分析平台,11800为gRPC数据端口，12800为http数据端口。es：9200为elasticsearch的数据读写端口，目前skywalking支持的存储有elasticsearch、h2、mysql、tidb、influxdb、postgresql等。

原创 Hermes Agent 完全指南：比 Claude Code 更自由的开源 AI Agent，从安装配置到多 Agent 协作

web_extract — 页面内容提取extract_mode=“markdown”, # 将 HTML 转为 Markdown。

原创 Fast-WAM 方法原理详解：把“想象未来”留在训练中

视频预测的条件是当前帧、语言和本体上下文。位置编码也仍由各专家按自己的数据结构生成：视频 token 使用覆盖时间、高度和宽度的 3D RoPE，动作 token 使用动作序列上的 1D RoPE。Fast-WAM 进一步追问：如果视频预测真正有价值的部分，是它在训练期塑造了更好的表示，那么推理期的未来视频也许只是昂贵的“中间产品”，并非动作预测所必需。它的优点是直接，缺点是训练目标只要求“动作答对”，未必迫使视觉骨干理解：手臂推一下物体会往哪里走、夹爪闭合后物体是否会被抓住、布料受力后会怎样变形。

原创 MVS软件基本介绍、搭建SDK基础环境

海康机器人官方工业相机配套上位机软件MVS，用于海康全系列工业相机的设备发现、图像采集、参数调试、图像保存，是机器视觉项目调试标准工具。在这里插入图片描述左侧设备树栏GigE：千兆网口工业相机适配网卡列表，包含物理网卡、虚拟机虚拟网卡、无线网卡 WLAN；USB：USB3.0/USB XHC 工业相机控制器通道；Camera Link、GenTL：兼容第三方工业相机通用协议通道；当前状态提示「无设备信息」：代表电脑未接入任何海康工业相机，未识别到采集设备。主视觉展示区。

原创 跨平台纯C++训练和推理框架LibTorch介绍、开发环境搭建和Demo

在深度学习开发中，Python 凭借简洁的语法成为训练首选，但在工业部署、嵌入式设备、跨平台原生应用场景中，Python环境依赖、性能损耗、兼容性问题成为瓶颈。我们目前需要一套无 Python 依赖、支持多平台、可训练可推理的纯 C++ 解决方案（直接融合到应用中，进入工厂/专家模式可进行训练）。

原创 Kimi Code CLI 系统指令的摸索 以及 开发实战经验分享

一、为什么我要关心系统指令？如果你用过 Kimi Code CLI 这类 AI 编程助手，一定遇到过这种场景：你明明说过"不要直接推送到 main 分支"，但 AI 在后续任务中又忘了你设定过项目的代码规范，但 AI 在生成新文件时又忽略了你反复强调要用中文回复，但某次长对话后 AI 突然切回了英文这些问题的根源，在于系统指令的层级结构和上下文稀释机制。

原创 .NET 高级调试技术：超越基础 Dump 分析

第一章：非托管句柄泄露检测1.1 非托管互操作的隐藏威胁当 C# 程序通过 P/Invoke 与 C++ 交互时，就进入了"非托管泥潭"。即使是一个简单的 C++ 调用也可能引入从托管代码角度几乎不可见的句柄泄露问题。场景：C# 应用调用一个创建 Event 句柄但从未关闭它的 C++ 原生方法：printf(“\nEvent句柄值: %#08x\t”, hEvent);// 缺失: CloseHandle(hEvent);

原创 嵌入式Linux C应用编程——tslib库的使用

使开发更为方便，我们将使用Linux系统下专门为触摸屏开发的tslib库进行开发。tslib 是专门为触摸屏设备所开发的 Linux 应用层函数库，并且是开源的。tslib 为触摸屏驱动和应用层之间的适配层，它把应用程序中读取触摸屏 struct input_event 类型数据（这是输入设备上报给应用层的原始数据）并进行解析的操作过程进行了封装，向使用者提供了封装好的 API 接口。tslib 从触摸屏中获得原始的坐标数据，并通过一系列的去噪、去抖、坐标变换等操作，来去除噪声并将。

原创 RAG入门-让大模型学会“开卷考试“

一、大模型的三大"知识痛点"1.1 痛点一：知识效率低你以为大模型读了那么多书，应该记得很牢？实际上，模型对知识的记忆效率惊人地低：发现 数据记住一个知识点需要的曝光次数 约1000次！GPT-4 Turbo本科知识测试准确率 仅73.6%类比：大模型就像一个"记忆力很差的学生"，读了100遍才记住一个知识点，而且还会记错。1.2 痛点二：知识是静态的大模型的知识来自预训练数据，有一个致命问题：时效性。举例：问：“2024年世界杯冠军是谁？

原创 LangChain开发核心技巧，动态切换AI大模型参数

AI 大模型的参数配置体系中，90% 的常规业务场景，仅需配置model、temperature和max_tokens三个核心参数，即可完成模型的基础调用配置。完成参数配置后，可直接通过invoke()方法调用 AI 大模型，接收并获取模型生成的回复结果。若需灵活调整参数，我们可通过with_config()方法，在完整保留原有基础配置的前提下，快速修改目标参数并生成全新的模型实例；该实例无需额外冗余配置，同样可直接通过invoke()方法完成调用。复制代码import os。

原创 AScript函数体系详解

脚本内定义函数，使得脚本配置更加灵活，不必依赖于硬编码增加函数。1 string s = @"2 int sum(int a, int b) {3 return a + b;4 }5 sum(3, 5); // 86 ";7 var script = new Script();8 Assert.AreEqual(8, script.Eval(s));1 string s = @"2 int sum(int a, int b) => a +

原创 PIR传感器：延迟、响应慢、误报、漏报、盲区、探测距离近的底层原理分析

容易产生误报探测距离与安装角度强相关存在探测盲区需要锁定时间，有时候响应慢受温度影响大易受电磁信号干扰PIR 相关的基础知识，以前有做过本文尝试从器件底层原理上来解释上面问题原因。这里我们先思考几个问题：为什么人体能发出红外辐射？还有哪些物体能发出红外辐射？人体红外辐射的波长是多少？为什么红外辐射能转换为电信号？要解答上面问题，我们需要先了解一下热量传递的基础知识。