aGdF8E3gQ的博客

原创 Socket通信中的多进程编程实例

模型，到进程池优化，再到进程间通信的进阶应用，我们看到了一个完整的演进路径。如果追求更低的资源占用和更高的并发量，可以考虑线程池或异步IO（如 asyncio），但多进程依然是网络编程中不可替代的一环。当有多个客户端同时连接时，服务器只能顺序处理，第一个客户端的长时间通信会阻塞后续所有客户端的连接请求。，由子进程专门负责与该客户端的通信，而父进程继续监听新的连接请求。### 三、改进：使用进程池管理并发虽然 fork 模型简单有效，但在高并发场景下，频繁创建和销毁进程会带来不小的系统开销。

原创 写给毕业生

### 第一课：你的“Hello World”可能连门都进不了很多毕业生在面试时能默写红黑树、手撕快排，但一进公司，面对一个几百万行的老项目，瞬间傻眼。记住：你不是来证明你算法多牛的，你是来交付功能的。—### 第三课：别怕“脏活累活”，那是你的护城河很多毕业生入职后发现，自己天天在写SQL脚本、修配置文件、调环境变量，感觉“大材小用”。你在学校写的代码是“作品”，在公司写的代码是“产品”，别写“// 这里很复杂”，要写“// 为什么复杂：因为上游接口返回字段不固定，所以这里做兼容处理”。

原创 5年编程之旅

技术只占50%

原创 关于高性能的那点事

性能优化永远先测量，再优化。用。

原创 谈一下关于CQRS架构如何实现高性能

传统架构中，一个实体既承担写（插入/更新）又承担读（查询），数据库表结构通常是范式化的，查询时不得不做大量 JOIN 和聚合计算。—### 5. 总结CQRS 架构通过将读写路径彻底分离，在数据库层面消除了锁竞争，在应用层面实现了查询优化，在基础设施层面支持了独立扩展，从而在复杂业务场景下实现了数量级的性能提升。：针对具体查询场景，预先构建好“读优化”的数据结构（如冗余字段、缓存表、物化视图），甚至可以是完全不同的存储（如 Elasticsearch、Redis）。表，只关心插入和更新，无需考虑查询索引。

原创 16. LangChain ChatPromptTemplate多模态应用实战

掌握这些技术，你就能构建真正“眼观六路”的LLM应用——无论是视觉问答、智能客服还是多模态内容生成，都变得游刃有余。记住，模板只是起点，理解底层消息序列化的机制，才能在复杂场景中灵活创新。### 三、动态构建多模态模板：从结构化数据到提示更复杂的场景是：提示模板需要根据结构化数据（如JSON）动态生成文本，并同时附加相关图片。本文将深入剖析其多模态支持原理，并通过可运行代码展示如何构建包含文本、图像、结构化数据的复杂提示模板。字段的多格式支持，允许消息内容为：- 纯文本字符串- 包含。

原创 AScript之匿名类型与动态类型

## 五、总结AScript 的匿名类型与动态类型，代表了类型谱系的两个极端：一个是编译期结构化的精确承诺，一个是运行时期完全自由的权力下放。在实际工程中，推荐采用“外部动态、内部静态”的架构模式——用动态类型拥抱不确定性，用匿名类型固化已验证的数据结构，从而在灵活与安全之间找到最佳平衡点。在 AScript 中，你可以构建一个层——边界处用动态类型接收外部数据，校验后立即转换为匿名类型或显式类型，从而在保持内部安全的同时，不损失外部灵活性。关键字引入了一个完全在运行时解析的类型。检查）来保证健壮性。

原创 【Application Insights】采样率对Function App日志收集的影响和解决方法

# 采样率对Function App日志收集的三大影响### 1. 关键错误日志被随机丢弃假设你的函数在处理请求时遇到了一个异常，但由于采样率设置为10%，这个异常事件可能正好被采样器“淘汰”，导致你在Application Insights中无法看到这个错误。更糟糕的是，由于采样是随机的，你可能只能看到部分成功的请求，而无法定位失败的根本原因。本文将深入剖析采样率的工作原理，如何影响Function App的日志收集，并提供具体的解决和调优方案，配合可运行的代码示例，帮助你彻底掌控日志的完整性。

原创 西安交大最新综述！一文带你读懂大模型智能体及其组网与安全

原创 微信读书出官方 Skill 了，但我用了一天发现它还差关键一步

数据可编程性。

原创 实战演示 | 基于 Apache SeaTunnel 与 Apache DolphinScheduler 实现 MySQL 到 Doris 离线定时增量同步

它要求将源数据库（如 MySQL）中的变更数据（新增、修改）定期同步到目标数据仓库（如 Apache Doris），以保持数据一致性，同时避免全量同步带来的资源浪费。本教程将使用两个强大的开源工具：Apache SeaTunnel（用于数据同步引擎）和 Apache DolphinScheduler（用于任务调度），带领你从基础概念出发，逐步构建一个完整的 MySQL 到 Doris 离线定时增量同步系统。：对于关键业务，建议在同步后添加校验步骤，对比 MySQL 和 Doris 的数据条数。

原创 从矩阵乘法开始手撕多模态大模型 - 完整版

注意力机制中的矩阵秩input @ W。

原创 AI转型不是技术问题，是组织问题

如果CEO问我“AI转型需要多少钱”，我会回答“先开10次跨部门会议，统一数据格式，再谈技术预算”。技术永远只是手段，组织才是决定成败的根基。

原创 【趣事】用 JavaScript 对抗 DDOS 攻击

限流思想。

原创 Java 征途：行者的地图

volatile。

原创 旧物利用 - 将机顶盒改造为一台Linux开发机！

我们将循序渐进，从基础概念讲到高级用法，并附带完整代码示例，让你轻松上手。## 基础概念：机顶盒与Linux的缘分机顶盒（Set-Top Box，STB）本质上是一台嵌入式计算机，通常运行基于Linux内核的操作系统。，即可实现开机自启。机顶盒虽然性能有限（通常四核1.5GHz CPU、1-2GB RAM），但足以运行小型Web应用、学习Python/Shell编程，甚至作为家庭NAS或IoT网关。## 第一步：刷入Linux系统首先，我们需要将机顶盒从封闭的Android系统切换到开放的Linux环境。

原创 Brainfly: 用 C# 类型系统构建 Brainfuck 编译器

csharp// 表示内存中的单元格，使用递归链表public record MemoryCell<T>(T Value, MemoryCell<T>?// 空内存public record EmptyMemory();// 指针位置：用类型参数表示偏移量public record Pointer<TOffset>(int Offset);csharp// 状态接口public interface IBrainfuckState{ Type GetPointerType();

原创 AI的至暗历史：从万众期待到被政府撤资，AI的两次死亡徘徊

更致命的是，当时的系统无法处理“The spirit is willing but the flesh is weak”（心有余而力不足）这样的谚语——机器翻译出的结果可能是“酒鬼愿意但肉是软的”。从1956年的“机器翻译”到2024年的ChatGPT，AI经历了两次“死亡”：第一次死于过度承诺（专家系统无法处理复杂性），第二次死于技术瓶颈（神经网络无法训练深层结构）。下一次AI寒冬可能会来，但它不会杀死那些真正有价值的技术——就像神经网络在1990年代“死亡”后，最终以深度学习的形式重生。

原创 [MAF预定义ChatClient中间件-03]CachingChatClient——利用缓存省钱省时间

合理设置TTL。

原创 ansible roles详解

原创 Agent 从上手到精通：打造有记忆的个人智能体

优化策略示例：在检索时，可以给不同的记忆分配权重，例如系统自动总结的记忆权重高于原始对话，或者引入遗忘曲线函数来动态调整记忆的检索优先级。从原理上看，短期记忆是显式的、有限容量的，而长期记忆是隐式的、可扩展的。一个真正的智能体不仅仅是执行指令的机器，它需要具备感知、决策和行动的能力，而其中最核心的挑战之一就是「记忆」。没有记忆的Agent就像失去过往的旅人，每次对话都从零开始，无法提供个性化的、连贯的体验。本文将深入剖析Agent记忆机制的原理，并通过可运行的代码示例，带你从零打造一个有记忆的个人智能体。

原创 RabbitMQ真实生产故障问题还原与分析

RabbitMQ消息监听程序异常时，consumer会向rabbitmq server发送Basic.Reject，表示消息拒绝接受，由于Spring默认requeue-rejected配置为true，消息会重新入队，然后rabbitmq server重新投递。Basic.Deliver： 服务端调用Basic.Deliver方法，和第一次Basic.Deliver方法不同的是，此时的redeliver参数为true，表示重新投递消息到监听队列的消费者，然后这两步会一直重复下去。

原创 涨姿势了，有意思的气泡 Loading 效果

仔细看两圆相交的过程，在边与边接触的时候，会产生一种边界融合的效果，通过对比度滤镜把高斯模糊的模糊边缘给干掉，利用高斯模糊实现融合效果。那么，怎么能够做到气泡效果，一直发生在圆环的尾部，同时消失的时候又不跟着整个圆环一起进行旋转呢？没错，这个效果中的核心气泡效果，其实借助 CSS 中的滤镜，能够比较轻松的实现，就是所需的元素可能多点。给每个子元素随机设置负的 animation-delay，造成动画上的先后顺序，并以此形成整个无限循环的气泡扩散动画。OK，到这里整个效果基本就做完了。

原创 11 万 Star 的 Spec Kit，90% 的工程师只用它解决了 10% 的问题

为什么 Vibe Coding 的天花板这么低先说清楚问题，再说解决方案。vibe coding 这个词是 Andrej Karpathy 提出的，原意是「顺着感觉写代码，让 AI 处理细节」。在原型验证阶段，这个方式非常有效——你描述个大概，AI 给你一个能跑起来的架子，5 分钟内看到效果。但进入真正的功能开发之后，这个模式会遇到一个内在矛盾：AI Agent 不是搜索引擎，它是「字面意思执行者」。你说「加一个排序功能」，它就加排序功能。

原创 整体架构：Go 引擎 + .NET 壳

关键在控制点的生成上——P₁ 和 P₂ 不是固定的，而是根据起点到终点的距离做随机偏转（±45°），偏移量在距离的 20%~50% 之间。校验器会在加载时就拒绝这种歧义配置，而不是等到运行时。关键的一点是：所有错误路径都保持了回调协议对称——即使 skip 了错误，OnActionDone 仍然会被调用，UI 侧的进度显示不会因为跳过步骤而错乱。项目支持 19 种动作（点击、双击、右键、拖拽、打字、按键、组合键、等待、等待消失、滚动、延时、打开URL、刷新、后退、前进、切换标签页、输入提示、确认、通知）。

原创 ES 深度分页任意跳页的三轮优化实战

直到命中目标位置（from）。目前来说，最耗时的部分还是在于缓存的预热和大幅度跳页之后根据就近锚点深度查找的过程中的 Elasticsearch 查找操作，对于五十万级别的数据量级，按照 1000 的步长进行搜索构造，需要在预热过程中进行 500 次查询操作，如果每次的查询时间耗时较长，总和加起来耗时会非常庞大。通过这种“大区间预热 + 小分页锚点缓存”的策略，系统在保证缓存覆盖范围的同时，将随机跳页场景下的顺序查询次数降至最低，从而有效提升了深度分页查询的响应速度，并进一步提高了缓存命中率。

原创 Office，用 Python 轻松替换 Excel 数据

先把竞争格局说清楚Opus 4.8 发布的时间节点不太寻常。OpenAI 的 GPT-5.5 比它早两周，Gemini 3.1 Pro 比它早一个月。三款旗舰模型在同一个月完成了密集的版本更新，这是近两年 AI 军备竞赛里节奏最快的一次。先看一张完整对比表：主流模型多维度对比维度 Opus 4.8 GPT-5.5 Gemini 3.1 Pro DeepSeek V4 ProSWE-bench Pro（Agent 编码） 69.2% 58.6% 54.2% 55.4%

原创 如何验证一个 Skill 是否真的有效

比如"生成图片"这个任务，难点不只是写 prompt，而是知道什么时候应该用图片生成工具，什么时候该直接画 SVG，透明背景什么时候可以色键抠图，什么时候需要提醒用户走原生透明路径。所以，走进 Skill 的内部机制，真正要看的不是那一份 Markdown，而是它背后的触发路由、渐进加载、资源组织、运行时渲染和团队分发路径。观察它们是否命中对应 Skill，是否读取该读的 reference，是否运行该运行的脚本，是否给出符合团队习惯的输出。会写 Skill，不只是会写文档，而是会把经验做成系统。

原创 Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (7)--- Policy Serving

OpenClawAPIServer 这个名字其实不准确，更准确的命名应该是：OpenClawProxyServer 或OpenClawTrainingPipeline—它是连接Policy Serving、Reward Judging 和Policy Training 三个功能层的协调器（Orchestrator），而非其中任何一层的实现体。├─ _submit_rl_turn_sample() ← 新增: RL-only 路径 (teacher=rollout)