墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
387平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
https://www.youtube.com/watch?v=WhlpElaeYHE&t=186s
这个关于遗留项目的重构视频可以反复看
1. 关于 base fragment 的必要性？
可能不太有必要，一些公用的方法可以通过ext扩展函数来实现
如果一定要集成一个基类，比如实在不想每个fragment都添加方法，可以讲这个base写成具体的功能，不过Philip还是很拒绝使用继承来实现这些~~~~
2. 关于一些可能的公共功能，将功能从viewmodel中抽离出来，并且用interface的方式来引用，通过依赖注入来初始化，便于测试
3.有些很好的flow的方式，可惜没有源码贴不出来
TP4054芯片实战：手把手教你设计USB锂电充电电路（附PCB散热优化技巧）
本文以TP4054芯片为核心，手把手教你设计稳定可靠的USB锂电池充电电路。文章详细解析了芯片的恒流恒压工作模式、关键外围元件选型计算，并重点分享了PCB布局与散热优化的实战技巧，帮助工程师从“能工作”提升到“工作得好”，确保充电效率与系统稳定性。
AI - 旧系统重构无从下手？AI 扫描遗留代码，自动生成模块依赖图 + 重构建议
重构遗留系统不再是“盲人摸象”。通过 AI 扫描代码、生成依赖图与重构建议，我们获得了上帝视角——看清系统的过去、理解它的现在、规划它的未来。从此，面对百万行遗留代码，你不再恐惧，而是自信地说：“给我 10 分钟，我让 AI 画出它的全貌。💡行动建议：今天就用 Python 脚本扫描你的项目，生成第一张依赖图。认知，是重构的第一步。🚀👨💻👩💻。
深入剖析STM32F103 I2C总线死锁问题及高效应对策略
本文深入剖析了STM32F103硬件I2C总线在轮询模式下发生死锁的根本原因，即硬件状态机的预取机制与软件响应速度不匹配。文章提供了高效的解决方案，包括在轮询模式下提前发送NACK/STOP信号、降低总线速度，以及治本的中断与DMA应用策略，帮助开发者根据项目需求选择最合适的方案，彻底解决这一经典硬件缺陷问题。
遗留系统改造：利用AI自动重构老旧代码的实战记录
摘要 本文记录了利用AI技术重构老旧Java代码的实战经验。面对一个技术债务高企的遗留结算系统，团队采用渐进式改造策略，结合AI辅助代码生成与严格的质量控制流程。通过绞杀者模式逐步替换核心模块，使用结构化Prompt工程指导AI生成符合DDD原则的代码，并建立AST差异分析、静态检查、特征测试三重验证机制。以折扣策略模块为例，展示了如何将1800行的"上帝类"重构为策略模式，消除硬编码，完善异常处理。最终在保证行为一致性的前提下，使代码可维护性显著提升，为类似遗留系统改造提供了可复用的方
分享一些基于微信小程序开发的小游戏源码
小游戏小程序是运行在微信生态系统（或其他支持小程序的平台）中的轻量级应用程序，专为休闲游戏体验而设计的小程序子类别，小游戏小程序通常体积较小，加载速度快，用户无需等待长时间即可开始游戏。用户无需下载或安装单独的游戏应用程序，即可通过小程序入口直接进入游戏，同时小游戏小程序通常包含排行榜、分享功能等社交元素，可以增强游戏体验并促进用户参与。game.js：游戏页面的逻辑文件，包含页面数据、生命周期函数、事件处理函数等。game.wxml：游戏页面的结构文件，定义了页面的布局和组件。
数字频率计设计中的常见误区：从VHDL代码到硬件实现的避坑指南
本文深入探讨了数字频率计从VHDL代码到FPGA硬件实现过程中的关键误区与解决方案。重点分析了闸门时间生成的精度与资源平衡、控制时序设计中的竞争冒险规避，以及如何利用EDA工具进行综合、时序约束与调试，确保设计稳定可靠。文章为开发者提供了从仿真成功到硬件可用的实战避坑指南。
实战项目：遗留单体系统的AI重构
方法。我们不再手动划分微服务边界，而是通过精心设计的提示词（Prompt Engineering），让AI理解业务意图并推荐最优的绞杀点。来看一个实际例子：假设我们要从一个单体电商系统中剥离"订单履约"模块。传统方式需要架构师反复权衡数据依赖、事务一致性、网络延迟等因素。
基于MATLAB实现的克里金插值的代码
参考代码 克里金插值matlab代码 youwenfan.com/contentcsb/81657.html。
Sourcetrail遗留系统分析：理解与重构老旧代码库的利器
你是否曾经接手过一个庞大的遗留代码库，面对数十万行陌生的代码感到无从下手？当你需要修改一个功能时，却不知道这个改动会影响哪些其他模块？或者当你试图理解一个复杂的类继承关系时，不得不在多个文件之间反复跳转？ 这正是软件开发中常见的痛点：**遗留代码的理解和维护成本极高**。据统计，开发人员平均花费70%的时间在阅读和理解代码上，只有30%的时间在编写新代码。对于老旧系统，这个比例更加失衡。 ##...
数据清洗（Data Cleansing）
数据清洗（Data Cleansing）是指对数据进行处理和纠错，以去除或修复数据集中存在的错误、不致、不完整和冗余的数据，从而使数据更加准确、可靠和有用。数据清洗是数据处理和数据分析中一个非常重要的步骤，它可以帮助我们提高数据的质量，从而提高数据分析和机器学习的准确性和可靠性。数据清洗是一个重要的过程，它可以帮助我们提高数据的质量，从而提高数据分析和机器学习的准确性和可靠性。在实际应用中，我们可以使用一些工具和技术来实现数据清洗，例如 Pandas、NumPy 和 OpenRefine 等。通过数据清洗，
Nvidia Driveos SDK/PDK介绍
NVIDIA DRIVEOS SDK/PDK介绍
用 Claude Code 重构遗留系统：从混乱到有序的实战指南
本文系统阐述如何借助 Claude Code 安全高效重构遗留系统。针对代码混乱、测试缺失、知识断层等痛点，提出“读懂系统、拆解计划、逐模块重构、升级依赖、沉淀文档”五步流程。通过订单系统实战案例，展示AI辅助下分步验证、风险可控的重构路径，并强调避免范围失控、盲目信任输出、跳过测试三大避坑原则，助力团队在低风险中实现老系统焕新。
电路中的DGND、GROUND、GROUND_REF的区别，VREF、VCC、VDD、VEE和VSS的区别？
DGND是数字地，是数字电路部分的公共基准端，用于连接数字电路的接地。
用Claude Code重构遗留系统：老项目自动化重构实践，提示词与效果验证
用Claude Code重构遗留系统，先建测试安全网再让AI动手。本文给出TaoToken统一通道配置、分析/补测试/增量重构三阶段提示词模板，以及401、local proxy failed等报错排查清单，帮你把老项目自动化重构落地。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
从质疑到理解：遗留代码安全重构的工程实践
在软件工程中，重构是改善代码结构而不改变外部行为的关键手段，但面对历史遗留系统，重构常常伴随着不可预知的风险。如何理解遗留代码背后的业务约束，如何用特征测试固化现有行为，如何通过差分验证、功能开关与控制影响面，让重构变得可验证、可回滚、可观测？这些是每位后端开发者进阶之路上必须掌握的工程能力。本文以程序员“质疑—理解—成为”的成长视角，深入剖析安全重构的落地方法，包括特征测试、小步重构、代码审查与回滚策略，帮助你在高风险的遗留代码环境中做出理性决策。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
特性测试（Characterization Test）：遗留系统重构的“行为保险“
特性测试（Characterization Test）介绍
AI自主重构遗留JavaScript模块的工程实践
遗留系统重构是软件工程中的经典难题，其本质是应对历史债务、文档缺失与认知断层带来的维护性危机。现代自主智能体通过静态分析、动态观测与影响测绘等技术手段，实现端到端的代码理解与安全重构。相比传统辅助型工具，自主智能体能主动建模函数调用图谱、捕获幽灵分支行为、生成可验证的JSDoc契约，并以黄金路径比对保障行为一致性。该方法已在真实场景中成功治理高复杂度JavaScript模块（如七层回调嵌套、跨服务字符串污染），显著提升可测试性与可维护性。本文聚焦于自主智能体在遗留前端模块重构中的落地路径，涵盖沙盒权限设计、
遗留系统重构实战：四步让烂代码安全着陆
软件系统的长期演进难免积累技术债，遗留代码中常见的巨型函数、重复逻辑、循环依赖等坏味道，往往让维护成本持续攀升。代码重构不是简单地把代码写漂亮，而是通过结构调整在保持系统行为不变的前提下提升可维护性。面对缺乏测试覆盖的存量代码，特征测试是构建安全网的有效手段，它能锁定当前行为，为后续小步修改提供回归保障。基于风险与业务影响排序改造优先级，配合小步提交、代码审查和静态检查等工程实践，是实现渐进式重构的关键。无论是电商订单模块还是其他业务系统，只要模块仍在持续演进，就可以用这套方法在不停机的状态下偿还技术债，让
Claude Code在遗留系统重构中的实战方法论
遗留系统重构是企业级软件演进的核心挑战，其本质在于突破代码腐化、文档缺失与技术债累积的三重困境。Claude Code并非通用AI编程助手，而是基于Claude 3.5 Sonnet微调的深度语义理解引擎，擅长跨文件解析调用链、异常路径与配置依赖，提供系统级上下文洞察。相比传统LSP工具，它对PHP/Java/Python旧版本语法、框架魔改及自定义DSL具备强适应性，尤其适用于无文档、高耦合、低测试覆盖率的生产环境。典型应用场景包括接口契约固化、依赖倒置改造、领域事件解耦与灰度流量迁移。本文聚焦‘ubun
Claude Code实战：重构十年遗留系统的方法论
遗留系统重构是企业技术演进中的核心挑战，涉及代码腐化、技术断层与业务隐性知识沉淀等多重难题。其本质在于平衡稳定性与可维护性，在不破坏现有逻辑的前提下实现渐进式现代化。Claude Code凭借强上下文理解、本地化IDE集成与安全沙箱机制，成为面向真实生产环境的重构辅助工具——它不替代工程师决策，而是将业务规则、历史约束与代码意图结构化呈现，支撑可验证、可回滚、可度量的精准重构。典型应用场景包括VB6/Java 1.6/Spring 2.5等老旧技术栈的模块解耦、测试覆盖补全及重构契约沉淀。本文聚焦Claud
opencode代码重构实战：AI辅助优化遗留系统架构案例
本文介绍了如何在星图GPU平台上自动化部署opencode镜像，构建本地化AI辅助代码重构环境。基于该平台，开发者可快速启动vLLM+Qwen3-4B-Instruct模型服务，并通过OpenCode终端工具对Java遗留系统（如电商订单服务）进行模块解耦、职责分离与测试生成，显著提升架构优化效率与安全性。
AI自主代理重构遗留代码的实战风险与防御策略
代码重构是提升软件可维护性的基础工程实践，其核心在于保障行为一致性前提下的结构优化。随着大语言模型驱动的自主代理（Autonomous Agent）兴起，自动化重构能力显著增强，但其决策高度依赖静态分析与提示词约束，缺乏对遗留系统中隐性契约（如时间维度逻辑、数据兼容约定、运维脚本依赖）的理解能力。这导致在真实生产环境中易引发同步/异步误改、DTO破坏下游解析、日志格式变更致监控失效等典型生产风险。本文基于Java单体服务重构实战，系统揭示Agent‘优化’与业务稳定间的根本张力，并提出以防御性提示词、人机协
Claude Code 跑遗留代码重构：用 TaoToken 核对调用量
Claude Code 重构 src/utils/client.ts 这类遗留代码时，最大的坑是 token 消耗失控：扫描、改回调、跑测试都烧钱。本文用一个五年老项目演示如何先在 ~/.claude/settings.json 里配置 ANTHROPIC_BASE_URL 指向 https://taotoken.net/api（勿加 /v1），再让 Claude Code 分阶段改 Promise.then 为 async/await。重构完成后，登录 TaoToken 后台按时间窗口筛选调用记录，即可核
管理遗留代码的五个核心策略：从理解到重构的实战指南
在软件开发领域，遗留代码（Legacy Code）是普遍存在的技术债务，它通常指那些难以维护、缺乏文档但承载核心业务逻辑的旧代码。理解其原理在于认识到遗留代码并非单纯的负担，而是承载业务价值的技术资产，其管理核心在于平衡维护成本与业务连续性。从技术价值看，有效管理遗留代码能显著提升系统可维护性、降低故障风险，并为团队赋能。在应用场景上，无论是单体应用还是微服务架构，面对代码腐化、技术栈过时或团队更迭时，都需要系统性的改进方法。本文聚焦于通过渐进式重构、建立测试安全网、提升可观测性等工程实践，结合绞杀者模式（
遗留系统重构实战：从可信基线到绞杀者式替换
技术债务并不只是代码风格问题，遗留系统的核心风险在于行为契约丢失：历史分支、特殊返回值、时区与字符集等隐式规则，会让线上偶发故障难以复现。处理遗留代码时，可信运行基线和特征测试用于锁定现有行为，绞杀者模式则通过接口适配、双跑对比和灰度开关分块替换，降低一次性重写带来的不可回滚风险。这套方法适用于老项目接手、后端服务重构、慢查询与连接池治理、事务失效排查等场景。把基线、用例、日志、发布清单串成闭环，才能让遗留系统重构从凭经验改代码，变成可验证、可灰度、可回滚的工程实践。
从一到无穷大 #108：Meta 的 AI 存储架构——BLOB 重构与跨地域数据加载
在 Meta 的旧 BLOB 服务里，数据已经放到闪存上，一次请求中的多层元数据查询仍可能耗费数百毫秒，部分请求还要跨地域。底层介质变快以后，上层存储服务的查找和转发开销开始直接影响 GPU 利用率。[1]另一种等待发生在训练之前。GPU 分散在不同地域，研究者要先找到有算力的地方，再把训练数据搬过去。一次小规模实验也可能先花几个小时导入数据，调整数据后再等一轮。Meta 保留了底层 Tectonic，改造了它上面的 BLOB 访问路径。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
468
扫一扫
