程序员新人频繁使用count(*),被组长批评后怒怼:性能并不拉垮!

银行级机器学习部署:从模型上线到系统性风控的工程实践 机器学习模型部署不是代码打包上线的技术动作,而是面向高可用、低延迟、强合规生产环境的系统性工程。其核心在于应对数据漂移、特征失效、跨系统依赖断裂等不确定性风险,关键技术包括可解释模型选型、特征时效性分级、幂等重试与有感知降级、全链路时间统一及决策审计日志。在金融场景中,模型必须满足监管可追溯、业务可干预、故障可自愈三大刚性要求。本文聚焦银行级ML系统落地中的真实挑战与工程解法,覆盖部署集成、性能压测、漂移监控、合规验证与治理审计全链路。 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:小白debug


在我们平时查询数据库表记录行数的时候,经常会使用到count()函数,比如使用count(*)、count(1)或者count(某个主键或索引列),今天我们来对比下这些用法中哪个性能最优秀!

创建短信表

比如说,你有一张短信表(sms) ,里面放了各种需要发送的短信信息。

c77ce1585ea4d91d33ba86d1a014ec0a.png
sms建表sql
5aeb969d11fc48ede0f23816a657edf8.png
sms表

需要注意的是state字段,为0的时候说明这时候短信还未发送。

此时还会有一个异步线程 不断的捞起未发送(state=0)** 的短信数据,执行发短信操作,发送成功之后state字段会被*置为1(已发送) 。也就是说未发送的数据会不断变少* 。

f7d9d23204f5e1a86e9e6a3e5daee725.png
异步线程发送短信

假设由于某些原因,你现在需要做一些监控,比如监控的内容是,你的sms数据表里还有没有state=0(未发送)的短信,方便判断一下堆积的未发送短信大概在什么样的一个量级。

为了获取满足某些条件的行数是多少 ,我们一般会使用count()方法 。

这时候为了获取未发送的短信数据,我们很自然就想到了使用下面的sql语句进行查询。

select count(*) from sms where state = 0;

然后再把获得数据作为打点发给监控服务。

当数据表小的时候,这是没问题的,但当数据量大的时候,比如未发送的短信到了百万量级 的时候,你就会发现,上面的sql查询时间会变得很长,最后timeout报错,查不出结果了 。

为什么?

我们先从count()方法的原理 聊起。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

count()的原理

count()方法的目的是计算当前sql语句查询得到的非NULL的行数 。

我们知道mysql是分为server层和存储引擎层的 。

5e22899db4796c31e97f1c6a983dd8af.png
Mysql架构

存储引擎层里可以选择各种引擎进行存储,最常见的是innodb、myisam。具体使用哪个存储引擎,可以通过建表sql里的ENGINE字段进行指定。比如这篇文章开头的建表sql里用了ENGINE=InnoDB,那这张表用的就是innodb引擎。

虽然在server层都叫count()方法,但在不同的存储引擎下,它们的实现方式是有区别的。

比如同样是读全表数据 select count(*) from sms;语句。

使用 myisam引擎 的数据表里有个记录当前表里有几行数据的字段,直接读这个字段返回就好了,因此速度快得飞起。

而使用innodb引擎 的数据表,则会选择体积最小的索引树 ,然后通过遍历叶子节点的个数挨个加起来,这样也能得到全表数据。

因此回到文章开头的问题里,当数据表行数变大后,单次count就需要扫描大量的数据 ,因此很可能就会出现超时报错。

那么问题就来了。

为什么innodb不能像myisam那样实现count()方法

myisam和innodb这两个引擎,有几个比较明显的区别,这个是八股文常考了。

其中最大的区别在于myisam不支持事务,而innodb支持事务。

而事务,有四层隔离级别,其中默认隔离级别就是可重复读隔离级别(RR) 。

dc46c5dd107332b956701a1c6f3e1636.png
四层隔离级别

innodb引擎通过MVCC实现了可重复隔离级别 ,事务开启后,多次执行同样的select快照读 ,要能读到同样的数据。

于是我们看个例子。

abcc6dec2581f3f3ae2076b704c218c7.png
为什么innodb不单独记录表行数

对于两个事务A和B,一开始sms表假设就2条 数据,那事务A一开始确实是读到2条数据。事务B在这期间插入了1条数据,按道理数据库其实有3条数据了,但由于可重复读的隔离级别,事务A依然还是只能读到2条数据。

因此由于事务隔离级别的存在,不同的事务在同一时间下,看到的表内数据行数是不一致的 ,因此innodb,没办法,也没必要像myisam那样单纯的加个count字段信息在数据表上。

那如果不可避免要使用count(),有没有办法让它快一点?

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

各种count()方法的原理

count()的括号里,可以放各种奇奇怪怪的东西,想必大家应该看过,比如放个星号*,放个1,放个索引列啥的。

我们来分析下他们的执行流程。

count方法的大原则是server层会从innodb存储引擎里读来一行行数据,并且只累计非null的值 。但这个过程,根据count()方法括号内的传参,有略有不同。

count(*)

server层拿到innodb返回的行数据,不对里面的行数据做任何解析和判断 ,默认取出的值肯定都不是null,直接行数+1。

count(1)

server层拿到innodb返回的行数据,每行放个1进去,默认不可能为null,直接行数+1.

count(某个列字段)

由于指明了要count某个字段,innodb在取数据的时候,会把这个字段解析出来 返回给server层,所以会比count(1)和count(*)多了个解析字段出来的流程。

  • 如果这个列字段是主键id ,主键是不可能为null的,所以server层也不用判断是否为null,innodb每返回一行,行数结果就+1.

  • 如果这个列是普通索引字段 ,innodb一般会走普通索引 ,每返回一行数据,server层就会判断这个字段是否为null,不是null的情况下+1。当然如果建表sql里字段定义为not null的话,那就不用做这一步判断直接+1。

  • 如果这个列没有加过索引 ,那innodb可能会全表扫描,返回的每一行数据,server层都会判断这个字段是否为null,不是null的情况下+1。同上面的情况一样,字段加了not null也就省下这一步判断了。

理解了原理后我们大概可以知道他们的性能排序是

count(*) ≈ count(1) > count(主键id) > count(普通索引列) > count(未加索引列)

所以说count(*),已经是最快的了。

知道真相的我眼泪掉下来。

那有没有其他更好的办法?

允许粗略估计行数的场景

我们回过头来细品下文章开头的需求,我们只是希望知道数据库里还有多少短信是堆积在那没发的,具体是1k还是2k其实都是差不多量级,等到了百万以上,具体数值已经不重要了,我们知道它现在堆积得很离谱,就够了。因此这个场景,其实是允许使用比较粗略 的估计的。

那怎么样才能获得粗略的数值呢?

还记得我们平时为了查看sql执行计划用的explain命令 不。

其中有个rows ,会用来估计 接下来执行这条sql需要扫描和检查多少行。它是通过采样的方式计算出来的,虽然会有一定的偏差,但它能反映一定的数量级。

fc81db60ea69e49c6bd0c5c5b40d68ff.png
explain里的rows

有些语言的orm里可能没有专门的explain语法,但是肯定有执行raw sql的功能,你可以把explain语句当做raw sql传入,从返回的结果里将rows那一列读出来使用。

一般情况下,explain的sql如果能走索引,那会比不走索引的情况更准 。单个字段的索引会比多个字段组成的复合索引要准。索引区分度越高,rows的值也会越准。

这种情况几乎满足大部分的监控场景。但总有一些场景,它要求必须得到精确的行数,这种情况该怎么办呢?

必须精确估计行数的场景

这种场景就比较头疼了,但也不是不能做。

我们可以单独拉一张新的数据库表,只为保存各种场景下的count。

CREATE TABLE `count_table` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT '主键',
  `cnt_what` char(20) NOT NULL DEFAULT '' COMMENT '各种需要计算的指标',
  `cnt` tinyint NOT NULL COMMENT 'cnt指标值',
  PRIMARY KEY (`id`),
  KEY `idx_cnt_what` (`cnt_what`)
) ENGINE=InnoDB  DEFAULT CHARSET=utf8mb4;
961fe59e81b2aa334a2b1cc3776a22b1.png
count_table表保存各种场景下的count

当需要获取某个场景下的cout值时,可以使用下面的sql进行直接读取,快得飞起 。

select cnt from count_table where cnt_what = "未发送的短信数量";

那这些count的结果值从哪来呢?

这里分成两种情况。

实时性要求较高的场景

如果你对这个cnt计算结果的实时性要求很高,那你需要将更新cnt的sql加入到对应变更行数的事务中 。

比如我们有两个事务A和B,分别是增加未发送短信和减少未发送短信。

5863d1c034791fea2ecc9932b7973b5e.png
将更改表行数的操作放入到事务里

这样做的好处 是事务内的cnt行数依然符合隔离级别,事务回滚的时候,cnt的值也会跟着回滚。

坏处 也比较明显,多个线程对同一个cnt进行写操作,会触发悲观锁,多个线程之间需要互相等待。对于高频写的场景 ,性能会有折损。

实时性没那么高的场景

如果实时性要求不高的话,比如可以一天一次,那你可以通过全表扫描后做计算。

举个例子,比如上面的短信表,可以按id排序 ,每次取出1w条数据,记下这一批里最大的id,然后下次从最大id开始再拿1w条数据出来,不断循环。

对于未发送的短信,就只需要在捞出的那1w条数据里,筛选出state=0的条数。

f4dc5727b914a839f39e22059965cffa.png
batch分批获取短信表

当然如果有条件,这种场景最好的方式还是消费binlog将数据导入到hive里 ,然后在hive里做查询,不少公司也已经有现成的组件可以做这种事情,不用自己写脚本,岂不美哉。

19e3aebf1fb816dfdba0c6302d4b303b.png
mysql同步hive

总结

  • mysql用count方法查全表数据 ,在不同的存储引擎里实现不同,myisam有专门字段记录全表的行数,直接读这个字段就好了。而innodb则需要一行行去算。

  • 性能方面 count(*) ≈ count(1) > count(主键id) > count(普通索引列) > count(未加索引列),但哪怕是性能最好的count(*),由于实现上就需要一行行去算,所以数据量大的时候就是不给力。

  • 如果确实需要获取行数,且可以接受不那么精确的行数(只需要判断大概的量级) 的话,那可以用explain里的rows,这可以满足大部分的监控场景,实现简单。

  • 如果要求行数准确 ,可以建个新表,里面专门放表行数的信息。

  • 如果对实时性要求比较高 的话,可以将更新行数的sql放入到对应事务里,这样既能满足事务隔离性,还能快速读取到行数信息。

  • 如果对实时性要求不高 ,接受一小时或者一天的更新频率,那既可以自己写脚本遍历全表后更新行数信息。也可以将通过监听binlog将数据导入hive,需要数据时直接通过hive计算得出。



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

65998b7485b08ac9aad2a17d9d540683.png

已在知识星球更新源码解析如下:

cc84ef695d05bb5fb898d50c90a6d665.jpeg

a72dc8d3764b2c1b5896070ed959524c.jpeg

22cc98c6edc0bcdd1ba0a536acfed706.jpeg

769614dc80d2fba97a7fb76f2c9aadba.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
需求设计文档:软件工程中的认知对齐与风险控制协议 需求设计文档不是产品交付给开发的说明书,而是保障多方认知一致、约束技术实现、承载验收依据的工程契约。其核心原理在于对抗需求传递过程中的信息熵增,通过结构化描述用户场景、交互状态、数据规则与非功能指标,实现业务意图到系统行为的无损转译。技术价值体现在降低返工率、前置暴露边界风险、量化验收标准并明确协作责任。典型应用场景覆盖中大型敏捷团队的需求评审、跨职能UAT对齐、合规性交付及高可用系统建设。本文深入剖析一份可落地的设计文档必须包含的七大刚性模块及其工程实践方法。 阅读详情

相关推荐

Autonomy Loops:反思→评估→校正→执行的自主性闭环操作系统

Autonomy Loops是一种面向工程落地的自主性闭环方法论,其核心并非依赖AI或大模型,而是通过结构化、可验证的四阶段循环(Reflection→Evaluation→Correction→Execution)实现人机协同的持续优化。它源于对‘自动化幻觉’的反思,强调将人的判断力嵌入标准化动作:用可识别的触发条件启动反思,以基准线+容忍带+否决点构建评估坐标系,以单变量、可回滚、带标记的方式实施校正,并通过前置检查、人工确认、后置验证完成闭环认证。该范式已广泛应用于系统运维、CI/CD治理、产品AB迭

weixin_34331102的博客 339

可执行规则工程:从原始数据到业务动作的七步落地法

可执行规则(Actionable Rules)是将原始数据转化为业务决策的关键桥梁,其本质不是统计模型的副产品,而是业务逻辑的结构化压缩。它需满足可识别、可干预、可验证三大硬性条件,依赖字段语义化、时间粒度对齐、增量置信度校准等工程化手段实现稳定落地。相比黑箱预测模型,可执行规则更强调与现有系统兼容、动作原子化封装及人机协同闭环,广泛应用于智能运维、精准营销、风险控制等实时决策场景。本文聚焦规则从日志到指令的完整工业化路径,尤其深入解析actionable rules的业务可行性约束与rule mining

weixin_33912638的博客 456

【MySQL】MySQL count(*) count(1) 实现方式以及各种 count 对比

在这个文章之前,我一直用count(1) 查询所有数据,以前我们都是说 count(*) 是最慢的。但是这个博客恰恰相反。对于来说,InnoDB 引擎会遍历整张表,把每一行的 id 值都取出来,返回给 server 层。server 层拿到 id 后,判断是不可能为空的,就按行累加。对于 count(1) 来说,InnoDB 引擎遍历整张表,但不取值。server 层对于返回的每一行,放一个数字“1”进去,判断是不可能为空的,按行累加。

九师兄 838

聊一聊count的性能

在开发的过程中,我们经常有需求要计算一个表的行数,很多人都会想到可以直接使用select count(*) from table。但是随着系统记录不断变多,这条语句也会变慢,今天我么就聊一聊count(*)这个语句如何实现的。 count(*)的实现 在MySQL中count(*)由于引擎的不同,实现的方式也是不一样的。 在MyISAM中有一一个表的总行数存在了磁盘中,使用count(*)可以直接返回 在InnoDB引擎中,执行count(),会把数据一行一行从引擎中读出,然后累计 **这也就造成了为什么

m0_37561303的博客 505

vuecil3+版本下,兼容ie等不支持es6的低版本浏览器

*综上,完成兼容性涉及到的配置的文件有,对应在页面中查看代码,就不单独附代码了:main.js。

yhr0322的博客 835

智能变电站协议系列-1、GOOSE、SV、MMS协议简介及GOOSE示例运行问题(IEC61850)

目前有一个新的研究,关于电网使用的GOOSE、SV、MMS协议,并使用相关库来做一下测试。由于goose、sv、mms等都属于IEC61850,因此,需要对IEC61850相关内容有一些了解,都是国际标准,属于电气自动化的一部分,对于自动化或者电气相关领域有接触的专业应该或多或少有一些了解。IEC61850目标是用于变电站自动化、分布式能源、水力和天然气发电厂、风力发电厂、电动汽车作为分布式能源等领域,目前似乎在变电站自动化方面的推广和使用更加广泛。

逍遥游的博客 2万+

程序员初学者频繁使用count(*),被组长批评后怒怼:性能并不拉垮

mysql用count方法查全表数据,在不同的存储引擎里实现不同,myisam有专门字段记录全表的行数,直接读这个字段就好了。而innodb则需要一行行去算。性能方面count(*) ≈ count(1) > count(主键id) > count(普通索引列) > count(未加索引列),但哪怕是性能最好的count(*),由于实现上就需要一行行去算,所以数据量大的时候就是不给力。

java1527的博客 571

Ubuntu20.04安装Torque-6.1.2单机版(踩坑篇)

说明:PBS排队系统原先是在Centos7安装使用很顺利,但是有客户需求在Ubuntu20.04上使用,着手在Ubuntu20.04安装上安装的时候发现很多报错,并不能顺利安装,网上查找到的教程,有的说是让放弃转slurm,有的是换源安装,但是安装好的版本很低,有许多bug,不是很好用。经过自己慢慢摸索之后,改了部分配置以及源码之后,能够顺利安装,再次记录一下踩坑心得,与大家一起分享学习。如有问题,欢迎大家来撩。...............

华青水上的博客 8094

Python字符串格式化全解析:从%到f-string的四种方法对比与实践

字符串格式化是编程中的基础操作,其核心原理是将变量值动态嵌入到静态文本模板中。在Python中,这一技术经历了从C语言风格的%格式化到现代f-string的演进,每种方法在性能、安全性和可读性上各有侧重。对于开发者而言,掌握不同格式化方法的技术价值在于能够根据场景选择最优方案:f-string凭借其内联表达式和卓越性能成为现代Python开发的首选,尤其适合日志生成和API构建等高频操作;而string.Template则因其严格限制表达式执行,在用户自定义模板和国际化等安全敏感场景中不可替代。本文通过对比

weixin_30555515的博客 439

基于STM32设计的水下水质检测装置(微信小程序)(205)

本项目设计了一款基于STM32微控制器为核心的水下水质检测设备,该设备具有高度集成化、智能化的特点,能够实时监测水深、温度、浊度及溶解性总固体(TDS)等关键水质参数,并通过4G网络将数据上传至腾讯云IOT物联网平台,实现远程监控和数据分析。同时,为了便于操作和移动观测,还配套开发了微信小程序,用户可通过微信小程序实时查看并控制设备的各项功能,如调整下潜深度等。

1253

AgentScope Java 2.0 最佳实践:9 个完整示例手把手带你开发 Java‑Agent

本文基于9 个完整示例,深入剖析从基础对话(BasicChatExample)、工具调用(@Tool 注解)、结构化输出(POJO Schema)、ToolGroup 自主管理、MCP 外部工具集成、Hook 生命周期监控、Spring Boot SSE 流式 Web、JsonSession 会话持久化到中断恢复的全链路实战教程。

program哲学 1688

C++多进程编程实战:从fork到共享内存构建并行日志分析器

在计算机科学中,并发编程是提升程序性能、充分利用多核处理器资源的核心技术。其基本原理在于允许程序同时执行多个任务,从而将计算密集型或I/O密集型工作的效率提升数个量级。从技术价值看,并发模型能显著优化响应时间、吞吐量和资源利用率,是现代高性能服务器、科学计算和数据处理系统的基石。常见的实现方式包括多线程与多进程,前者共享内存、通信高效但稳定性相互影响;后者内存隔离、稳定性高,是构建高可靠系统的首选。在C++开发中,多进程编程通过POSIX接口(如fork、pipe)实现,尤其适用于日志分析、批量数据处理等需

weixin_30800807的博客 404

【七.三维视觉与视频分析】【1.点云处理:PointNet++/PointTransformer】

各位老铁,今天咱们要聊的可不是普通的二维图像处理,而是三维视觉领域最硬核的技术——点云处理。从最早的PointNet到如今的PointTransformer,这场技术进化堪比三维版的"像素革命"。今天咱们就深入解剖两大里程碑:PointNet++和PointTransformer,保证让你看完全文就能在点云领域横着走!想象一下,你抓了把沙子撒在空中,每粒沙子的位置都是三维坐标——这就是点云的典型形态。最后送大家一句话:点云处理就像在三维宇宙中寻找星辰的轨迹,既要望远镜的宏观视野,也要显微镜的细致入微。

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 474

银行级机器学习系统:从模型上线到生产稳定的全链路工程实践

机器学习模型部署不是代码打包上线,而是将算法嵌入复杂业务系统的工程化过程。其核心在于理解数据如何流动、服务如何响应、故障如何收敛——这涉及特征管道的时效性保障、跨系统协议的严格契约、毫秒级延迟下的确定性行为,以及数据漂移与业务结果之间的因果映射。在强监管、高可用、低容错的金融场景中,模型必须具备可审计的决策链、可回滚的版本控制、可解释的输出结构和可协同的异常SOP。真正的MLOps能力,体现在当`last_30d_transaction_count`空值率飙升至47%时,系统能否自动降级并触发精准告警;也体

434

第170篇 因子图优化入门——图模型在状态估计中的应用

本文系统介绍了从滤波方法到因子图优化的思维转变,重点解析了因子图的原理与应用。首先对比了递推式滤波(卡尔曼滤波等)与全局优化的区别,指出优化方法能利用所有信息且适合处理稀疏结构。然后详细阐述了因子图的二部图结构(变量节点和因子节点)及其将复杂概率分布分解为小因子乘积的优势。文章讲解了因子图优化如何转化为最小二乘问题,并介绍高斯-牛顿法和LM方法等求解技术。最后对比了g2o、Ceres和GTSAM三大主流框架的特点及适用场景,强调了初始化和鲁棒核函数的重要性,为SLAM相关面试提供了实用建议。

郑伟强dev的专栏 374

198、影像系统设计评审流程:从需求评审到 EVT、DVT、PVT 各阶段的关注重点

本文详细介绍了影像系统从需求评审到EVT、DVT、PVT各阶段的设计评审流程及关键点。作者通过实际案例(如IMX766模组偏紫问题)强调硬件工艺的重要性,指出影像系统是功能定义与物理实现的反复拉锯过程。文章分阶段解析:需求评审需将模糊需求转化为物理参数;架构评审要明确接口定义和时序约束;EVT阶段重点关注模组一致性和基础链路;DVT阶段需平衡算法调优与硬件验证;PVT阶段则以量产一致性为核心。最后提出建立"边界条件确认表"和"健康度看板"等实用建议,强调工程师需具备从表象追溯硬件根源的物理直觉。全文贯穿实战

sundong_81的博客 218

EER建模实战:MySQL中子类型、弱实体与复合属性的语义落地

EER(增强型实体关系模型)是面向业务复杂性的数据建模语言,它超越传统ER图,通过子类型/超类型、弱实体、复合属性和多值属性等语义构造,精准表达‘同中有异、异中有同’的现实业务结构。其核心原理在于将业务约束前置为可验证的数据契约,而非依赖应用层补丁。技术价值体现在提升数据一致性、降低表结构变更频次、规避JOIN性能陷阱,并支撑高可靠扩展。典型应用场景包括多形态客户体系(如Free/Pro/Enterprise)、强依赖型业务实体(如订单明细)、地理与联系方式等查询敏感型复合结构。本文聚焦EER四大关键构造在

weixin_30376083的博客 431

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

数据科学学习是马拉松:四阶段配速模型与实战避坑指南

数据科学不是算法堆砌,而是融合统计思维、工程能力与业务理解的系统性实践。其本质是一场需科学配速的长期旅程——从数据感知、工具驯化,到问题建模与价值校准,每个阶段都存在典型认知断层与技术陷阱。尤其在特征工程中易陷入量纲主导偏差,在模型评估时盲目依赖AUC而忽视业务成本不对称,在部署环节低估Flask的并发瓶颈。真实项目更常因时间泄露、特征穿越或监控盲区导致‘高分模型’失效。本文基于87名转行学员与12个落地项目经验,提炼可复用的阶段判断标准、三层穿透式工具解剖法及生产级监控体系,助力学习者跨越从‘会跑’到‘跑

weixin_30698527的博客 325

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

企业级AI编码落地的17道质检关卡与安全等高线

AI代码生成已从概念验证迈入企业生产环境,其核心挑战并非模型能否写出代码,而在于生成结果能否通过严苛的工程化质量门禁。围绕agentic coding和enterprise AI两大热词,本文揭示从单点智能到系统智能演进中必须跨越的可靠性断层:静态扫描、安全审计、合规校验、可观测性保障等17项刚性流程,本质是将大模型的不确定性纳入可审计、可回滚、可归责的软件交付体系。技术价值体现在降低AI引入带来的运维熵增与合规风险,典型应用于金融核心系统改造、医疗SaaS迭代及工业IoT固件升级等强监管、高可用场景。最终

weixin_33682790的博客 983

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

银行级机器学习系统上线后的五大集成风险与工程解法

机器学习模型部署不是开发终点,而是系统性工程挑战的起点。在金融等强监管、高可用场景中,模型稳定性高度依赖特征时效性、服务幂等性、降级可观测性、全链路时间一致性及Schema变更管控等底层能力。本文聚焦真实生产环境中高频爆发的五大集成故障——特征时效错配、重试污染、Fallback绕过监控、时间戳混乱与Schema静默变更,结合银行级SLA(P99.9延迟≤70ms)、可审计决策日志、跨系统SOP协同等实践要求,提供可落地的架构设计与防御机制。适用于MLOps工程师、风控系统架构师及合规导向的AI平台建设者。

weixin_30703911的博客 742

可读性优先的防御性编程实战指南

代码可读性不是主观感受,而是影响协作效率与故障定位速度的核心工程指标;防御性编程也并非简单判空,而是分层设防、精准归因、预设失败逃生路径的系统性设计。二者共同构成高可靠软件交付的基础能力,支撑从单体应用到微服务架构的平滑演进。在真实业务场景中,可读性差直接导致新人上手慢、修改易出错、Code Review低效;缺乏防御机制则放大外部依赖波动、数据异常或并发冲突带来的雪崩风险。本文基于千万级SaaS平台及多行业代码健康度审计经验,提炼出命名即契约、错误分类树、测试驱动设计、可观测性闭环等可落地实践,聚焦如何让

weixin_33709364的博客 286

复合型技术交付团队的五维一体方法论

在企业数字化进程中,技术落地常面临业务、架构与执行之间的断层。本文聚焦‘复合型技术交付团队’这一关键角色,解析其如何以业务动线为起点,将模糊需求转化为可测量的价值目标,并通过结构化框架实现开发、架构、管理、培训与企业解决方案的深度协同。核心围绕‘契约驱动开发’与‘技术债量化治理’两大实践,强调用业务语言定义SLA、以红蓝对抗锤炼系统韧性、借能力护照固化组织成长。该模式特别适用于年营收5000万至10亿元的成长型企业,为其提供从救火式运维到可持续技术演进的系统性路径。

diaozhiwa5526的博客 362

177.Agent-LangGraph-MCP的构成说明

MCP架构通过MCP主机、客户端与服务器的协同,实现工具、资源与提示词的统一管理。MCP服务器提供Tools、Resources、Prompts能力,MCP客户端则负责发现、调用与读取,使Agent可按需获取上下文。其核心在于将工具从Agent中抽离,封装为可复用的服务,提升灵活性与可维护性,推动AI应用高效协作。

计算机王的博客 317

Docker Compose:搭建本地多服务开发环境

从一个 Java API、PostgreSQL 和 Redis 开始,配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离,以及哪些数据不能依赖“重建容器”保留,能够把个人开发环境整理成团队可复用的启动入口。

m0_62221377的博客 478
上一篇: 一次线上事故,我顿悟了异步的精髓
下一篇: ThreadLocal 搭配线程池使用造成内存泄漏的原因和解决方案
公众号-芋道源码
博客等级 码龄10年 1640粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值