ZFnWr3xR1的博客

原创 记一次 .NET 某智能视觉软件 句柄爆高分析

托管内存由 GC 管理，但非托管资源必须显式释放。

原创 MySQL EXISTS与IN用法对比分析

是两种常用的子查询操作符。它们都能实现“根据另一张表的数据过滤当前表”的逻辑，但在执行机制、性能表现和适用场景上存在显著差异。—## 三、性能对比：关键差异点### 1. 子查询结果集大小- 如果子查询返回的结果集很小（比如几十条），更容易触发MySQL的“半连接”优化（semi-join），尤其是在MySQL 5.6+版本中，优化器会将。：将外层查询的某个字段值与子查询返回的结果集（通常是单列）进行比较，若匹配则返回该行。通常能使用子查询结果集上的索引，但无法直接利用外层表的索引进行“半连接”优化。

原创 介绍了LiveBindings格式化的几种进阶方法： * 使用表达式列格式化。 * 自定义绑定方法。 * 使用自定义表单方法格式化。 ...

它允许你编写完全自定义的格式化函数，这些函数可以访问整个表单上下文，包括其他控件、数据库查询结果等。在实际开发中，建议根据以下原则选择：- 逻辑简单且一次性使用 → 表达式列- 逻辑复杂但可复用 → 自定义绑定方法- 需要访问表单上下文或动态数据 → 自定义表单方法掌握这些技巧后，你将能够构建出既美观又健壮的数据驱动应用，让 LiveBindings 成为你手中的强大武器。## 自定义绑定方法当格式化逻辑需要复用或涉及复杂计算时，自定义绑定方法（Custom Binding Method）是更好的选择。

原创 一步一步学习使用LiveBindings（） LiveBindings图像绑定与自定义绑定方法()

今天，我们将通过实际案例，一步步学习如何在项目中实现图像绑定和自定义绑定方法。## 图像绑定：将图片文件名绑定到图像显示图像绑定比文本绑定更复杂，因为图像数据通常不是简单字符串，而是位图对象或文件路径。从基础的文本数字绑定，到复杂的图像绑定和自定义绑定方法，我们看到了数据绑定的强大之处。## 高级技巧：条件绑定与错误处理在实际应用中，我们经常需要根据条件选择不同的绑定行为，或者处理绑定过程中的错误。方法，重新加载图像并更新显示。## 基础绑定：文本与数字在深入图像绑定之前，我们先回顾一下基础的数据绑定。

原创 纯 C#实现+AOT 打造的智能PDF目录提取工具 PdfTocExtractor

原创 我的AI自学路线，可能对你有用

循序渐进 + 动手实践。

原创 微读 Go 标准库 - net/mail 解析邮件地址与消息格式

nil { fmt.Println(“解析地址列表失败:”, err) return } // 遍历并打印每个地址 for i, addr := range addrs { fmt.Printf(“地址 %d: 名称=%q, 邮箱=%s\n”, i+1, addr.Name, addr.Address) }}” -> 名称=“John Doe”, 邮箱=john@example.com成功解析 “John (comment)

原创 Johny_Zhao

自动化任务调度器就像一个智能闹钟，它能按你设定的时间（比如“每5分钟”或“每天上午9点”）自动执行任务。它通常用于：- 定时数据抓取- 系统监控与告警- 定时邮件发送- 日志清理我们的目标是用Python写一个简单的调度器，支持。- 每个任务执行时都启动新线程，这样如果一个任务耗时很长，不会影响其他任务的调度。## 第三步：编写测试用例现在，让我们创建一个使用示例，模拟一个每天打印时间的任务和一个一次性任务。## 第二步：实现调度器引擎调度器引擎负责维护任务队列，并在一个无限循环中检查任务是否就绪。

原创 年前端性能优化终极指南

本文将深入剖析前端性能优化的核心原理，并提供可运行的代码示例，帮助你在实际项目中实现极致性能。## JavaScript执行层面优化：减少主线程阻塞### 使用Web Workers进行并行计算JavaScript是单线程执行的，长时间计算会阻塞UI渲染。## 渲染层面优化：减少重排与重绘### 避免强制同步布局浏览器渲染流程包括：解析HTML、构建DOM树、计算样式、布局、绘制。），让浏览器缓存资源，避免重复下载。：通过监听滚动事件，动态计算当前可视区域，仅创建可见项的DOM节点，并复用它们。

原创 面试官：如何确保动态线程池任务都执行完？

提交任务时，线程池遵循以下流程：1. 如果当前线程数 < corePoolSize，创建新线程执行任务。## 线程池的工作原理与任务执行模型要理解“确保任务执行完”，首先需要回顾线程池的核心组件：核心线程池（corePoolSize）、最大线程池（maximumPoolSize）、工作队列（workQueue）和拒绝策略。的阻塞机制依赖于内部锁，当工作线程数变为0时，锁被释放。这种方案不依赖线程池关闭，适合需要频繁提交任务的场景。设置线程池状态为 SHUTDOWN，拒绝新任务，但允许已有任务继续。

原创 源码调试-带你了解下车牌识别的深度学习模型-LPRNet

原创 qemu的外部快照实现原理

qemu-img。

原创 从零开始：C# 拼音首字母搜索、字符串编码、关键词高亮的原理即实现考虑

编码转换。

原创 深入解析Tomcat类加载器：为何及如何打破Java双亲委派模型

原创 使用 Github Pages 和 Hexo 搭建博客

source/

原创 Microsoft 代理框架简介（预览版）：让每个开发人员都能轻松使用 AI 代理

无论你是想做一个简单的聊天机器人，还是一个能联网、能操作数据、能调用API的复杂自动化系统，这个框架都能帮你快速起步。毕竟，未来的开发方式，很可能就是“写几个工具函数，让AI代理自己去组合、执行”。别被“代理”这两个字吓到，简单说，它就是一个让开发人员能快速搭建AI驱动的自动化助手（也就是“代理”）的工具包。比如，让它能进行数学计算。它把底层复杂的东西都封装好了，你只需要关注“代理要做什么”，而不是“怎么调用LLM”。比如一个“搜索代理”负责查资料，一个“总结代理”负责整理，一个“写作代理”负责输出文章。

原创 3分钟搞懂深度学习AI：毁掉AI的广播机制陷阱

记住：永远不要依赖隐式广播来“修复”维度错误。

原创 不积跬步无以至千里，不积小流无以成江海！

无论是初学者还是老手，我们都深有体会：每一个伟大的项目、每一行优雅的代码，都源自无数个微小的步骤和点滴的积累。最后，希望你能从这篇文章中获得一些启发，在自己的技术旅程中，脚踏实地，积累点滴，最终到达属于你的“千里”之地。记住，每一行代码都是你迈向成功的“跬步”，每一段程序都是你汇入“江海”的“小流”。比如，想用一个月学会 Python 并写出一个完整的 Web 应用，结果因为基础不牢，代码写出来满是 bug，调试起来让人崩溃。：每次提交都是一个“小流”，但通过这些提交，你可以回溯历史，构建出复杂的项目。

原创 Oracle数据库物理备份与恢复技术深度解析

# 物理备份的核心工具：RMANRMAN（Recovery Manager）是Oracle自带的备份恢复工具，它就像一个“智能管家”，自动管理备份文件、校验数据完整性，并简化恢复流程。今天，我将用通俗易懂的语言，结合代码示例，带你深入理解Oracle的物理备份与恢复技术。物理备份，简单来说，就是直接复制数据库的物理文件，比如数据文件、控制文件、归档日志等。记住，备份是“买保险”，恢复是“理赔”。## 高级恢复技巧：时间点恢复有时，我们不想恢复到最新状态，而是希望回到某个特定的时间点（比如误操作前）。

原创 2026年 Safari 和 iOS版本检测新思路

基于特性推断。

原创 Solon AI vs Spring AI vs LangChain4j 深度对比

Java 8 兼容、框架无关嵌入、三级 Agent 体系、动态技能系统——它解决的是另外两个框架覆盖不到的场景：遗留系统 AI 化、复杂智能体编排、资源敏感部署。本文将聚焦三个最具代表性的 Java AI 框架——Solon AI、Spring AI、LangChain4j，从定位、能力、代码体验、工程化等多个维度进行横向对标，给出明确的场景推荐。Spring AI 有独立的 Java MCP SDK，支持同步/异步 Client/Server，注解式 MCP Client Handler 简化开发。

原创 从零学习Kafka：生产者压缩

另一种是 LogAppendTime，这种时间戳是记录的 Broker 在写入磁盘时的时间戳，Broker 需要解压整个批次，然后修改每条消息的时间戳，再压缩整个批次。因为压缩的本质是通过找到数据之间的重复模式来减少体积，批次内积累的数据越多，重复的可能性就越大，压缩概率也就越好。除了 Producer 端压缩之外，Broker 端也是可以进行压缩的，但这种情况并不常见。最后再提一下，重压缩是非常消耗 Broker 端 CPU 资源的，我们要尽量避免 Broker 端的重压缩，让它只做磁盘的读写操作就好。

原创 20260428 - ZetaChain 安全事件分析

所以，由以上的代码可以得知，在 ZetaChain 上调用 GatewayZEVM.call() 函数所进行的参数检查是很宽松的。20260428，ZetaChain 遭受了跨链调用攻击，由于对跨链信息缺乏校验与限制，黑客通过构造恶意的跨链信息，将目标链上曾经对 Gateway 合约授权的用户的资金进行转移。

原创 数据库隔离级别

PostgreSQL 的 Repeatable Read 实际上是 Snapshot Isolation，可能发生写倾斜（Write Skew）异常，需要 Serializable 才能完全避免。MySQL InnoDB 在 Repeatable Read 级别通过 Next-Key Lock 已实际解决了幻读问题，所以标注为 ✓*。Read Committed：默认使用锁，可通过 READ_COMMITTED_SNAPSHOT 启用 MVCC。– 仍返回 5 条，无幻读。

原创 用 Solon AI ReActAgent 落地智能客服工单处理

public String get_logistic_status(@Param(description = “物流单号”) String trackNo) {public String get_order(@Param(description = “订单号”) String orderId) {return “{“status”: “lost”, “info”: “包裹在上海分拨中心丢失”}”;+ ““trackNo”: “track_123”, “sku”: “智能耳机”}”;

原创 k8s调用服务异常cannot allocate memory

从该节点上看可分配内存只用到了一半，这种异常在资源比较紧时经常出现，其实与节点或宿主机硬件资源有关，比如CPU和内存条比较老，因为同等核数和内存的新服务器即使用90%大概率不会出现这种情况。大量 Pod 设置了高 memory limit 但实际未完全使用，一旦这些 Pod 突然增长使用内存，节点可能 OOM。但还是查了下资料提示是节点内存限制这块的Limit 耗尽 (97%)，服务启动需要2G空间，所以不够。释放 Limit 配额：调低部分 Pod 的 memory limit，或驱逐不需要的 Pod。

原创 霍尔定理和最大流算法 入门

基础概念二分图：简单说就是"两个阵营"的图，比如左边是「男生」（集合A），右边是「女生」（集合B），边代表"男生和女生能配对"，没有跨阵营内部的边（比如男生之间不连边）。完美匹配：左边每个男生都能找到一个唯一的女生配对，右边每个女生也只配一个男生（相当于"全员配对成功"）。霍尔条件：对于左边集合A的任意子集S，S中节点的邻居集合N(S)的大小必须≥≥ S的大小。即∣��∣≥∣�∣∣N(S)∣≥∣S∣ 对所有�⊆�S⊆A 成立。

原创 查询的处理流程

BTW：刚开始我尝试用langchain封装的方法，但后来发现langchaing的核心库以及对neo4j的封装，接口已经大变，很难对齐颗粒度，所以这里使用的方法是自己梳理的过程。实现流程整体流程图：是否用户提问获取图谱 SchemaLLM 生成 Cypher 查询Neo4j 执行查询查询成功?获取查询结果返回错误信息LLM 增强生成自然语言回答详细流程说明：Neo4j图数据库大语言模型用户Neo4j图数据库大语言模型用户。

原创 python-LangGraph框架（3-33-LangGraph多分枝实战）

首先需要定义整个图结构的核心节点，每个节点对应一个具体的任务，节点的职责必须清晰、单一。我们的案例中，共定义了4个核心节点，各司其职：- 入口节点：作为整个流程的启动器，负责接收用户的查询请求，同时触发两个专业化分支的并行执行，相当于多分支的“总开关”；- 两个专业化分支节点：分别负责获取天气、时间数据，输出原始数据，不参与决策；- 汇聚决策节点：负责收集两个分支的原始数据，校验数据的完整性，再结合决策逻辑，输出最终的户外活动适宜性评估报告。

原创 前端视角下的 Java

写了这么多，我想回到开篇的比喻：镜子。Java 之于前端，不是一座需要征服的山，而是一面需要理解的镜子。我们熟悉的 React Context，在 Java 里叫我们熟悉的 Redux Action，在 Java 里叫我们熟悉的 useEffect cleanup，在 Java 里叫我们熟悉的 Vite Hot Module Replacement，在 Java 里叫我们熟悉的 TypeScript Interface，在 Java 里叫我们熟悉的 npm audit，在 Java 里叫最后。