hOsdkD9Qz的博客

原创 领域驱动 vs 本体驱动：DDD 代码建模与 Ontology 语义建模的对比分析

DDD 是“从代码到业务”，而 Ontology 是“从概念到代码”。两者并不互斥，而是互补。如果你在做一个业务逻辑复杂、需要快速迭代的应用，DDD 是更好的选择；如果你在做一个跨系统共享语义、需要推理和校验的系统，那 Ontology 会让你走得更远。最好的架构师，往往懂得在正确的地方使用正确的工具。

原创 用SymPy自动因式分解：从面积拼图到代数恒等式

今天，我们就用 Python 的 SymPy 库，让计算机帮我们自动完成因式分解，顺便看看它和“面积拼图”背后的代数恒等式有什么关系。这背后其实是“多项式环”上的因式分解算法，比如 Kronecker 方法或 Zassenhaus 算法，但对我们使用者来说，一行。下次你遇到一个复杂多项式，不妨先想想它的“面积拼图”长什么样，然后用 SymPy 验证你的直觉。更复杂的是，有些多项式看起来像“面积”，但需要“补拼图”才能分解。那时候，我们靠的是“面积拼图”——把代数问题变成几何图形，直观得让人拍案叫绝。

原创 一套 Skills，搞定需求评审 + 用例生成全流程

很多团队在需求评审时，要么流于形式，要么评审后测试用例的生成依然靠人工“手搓”，导致遗漏和低效。今天，我就用通俗易懂的语言，结合代码示例，带你搞定这个流程。而通过一套标准化的技能（如需求建模、规则提取、自动生成工具），我们可以将评审结果直接转化为可执行的测试用例，减少人为误差。看，通过代码，我们自动生成了5个测试用例，覆盖了正常、异常、边界（锁定）场景。在需求评审会议上，你只需运行这个脚本，就能生成一份结构化的测试用例文档。在需求评审会议上，你可以用这种结构化方式让开发、产品、测试三方对齐，避免歧义。

原创 秒杀系统如何设计

分层处理实际生产中的秒杀系统还需要考虑网络层优化、CDN加速、数据库分库分表、降级策略等。

原创 Kueue 如何管理 DRA 模式下的 GPU 配额

LocalQueue配额抽象动态分配。

原创 解密启动盘UD分区的技术原理 | FBinst 理论+实操手搓全能三分区启动盘

创建UD分区。

原创 centos搭建k8s 1.28集群

其核心流程如下：1. 检查系统环境（内核模块、swap 关闭、端口可用性）2. 拉取控制平面组件镜像（如 kube-apiserver、kube-controller-manager）3. 生成证书和 kubeconfig 文件4. 启动静态 Pod 形式的控制平面组件5. 生成加入令牌以供工作节点加入—## 基础环境配置（所有节点）所有节点（Master 和 Worker）需执行相同的基础配置。通过本文的指导，读者应能快速建立一个可运行的 K8s 集群，为后续的容器化应用部署打下坚实基础。

原创 Duckdb存储结构

# 3. 压缩算法：列存的核心武器DuckDB支持多种压缩算法，根据数据类型自动选择最佳方案：| 数据类型 | 默认压缩算法 | 适用场景 ||---------|-------------|---------|| INTEGER | 字典压缩 + 位打包 | 低基数枚举值 || FLOAT/DOUBLE | 无压缩（直接存储） | 高精度要求 || VARCHAR | 字典压缩 | 重复值多 || DATE/TIME | 差分编码 + 位打包 | 有序时间序列 |### 3.1 实战演示压缩效果。

原创 17、FileReader的源码和使用方法详细分析（windows操作系统，JDK8）

FileReader。

原创 Tarjan 求强连通分量详细解析

原创 AI 成本战的隐性成本与降本五层：从“成功率悖论“到“系统复杂度“（中）

在上一篇文章中，我们探讨了AI成本战中“成功率悖论”的本质——即为了追求单次推理成功率而消耗的过度计算资源，反而推高了整体成本。当我们深入系统层面时，会发现成本结构的核心问题在于“系统复杂度”——为了优化一个指标，我们往往需要引入多层级的缓存、重试机制、模型路由等组件，这些组件本身带来的维护成本、延迟成本和故障风险，构成了AI系统中最隐蔽的“隐性成本”。更重要的是，如果失败率在高峰时段飙升至20%（比如模型负载过高），重试次数会指数级增长，形成“失败风暴”——重试加剧负载，负载导致更多失败，最终系统崩溃。

原创 代码不是 AI 编程的最终资产，AI Coding 真正该存的是 Checkpoint

最终留下来的还是 diff，但 diff 背后的东西丢了：最初的 prompt 是什么，Agent 看了哪些文件，试过哪些方案，哪些测试失败过，为什么最后选了这个方向。它更像一个 Git 感知的记录系统：当 Agent 辅助完成一次变更并提交 commit 时，应该把本次会话上下文归档成 Checkpoint，并和 commit 绑定起来。人读需求、改代码、跑测试、提交 PR。一个 Agent 干到一半，另一个 Agent 可以读取历史 session，知道已经试过什么、卡在哪里、下一步该做什么。

原创 Agent：Claude Code 真正的提效方式

那天晚上我赶着重构一个用户权限模块，思路是把原来散落在十几个文件里的权限校验逻辑收拢成一个 middleware。我打开 Claude Code，敲了一句：「帮我重构一下用户权限校验的代码」。它给了我一堆建议，列了五个文件要改哪些函数。我说「好的，改吧」。它改了第一个文件，改得还行。然后我继续说「下一个」。改完第二个，发现和第一个改法有冲突。我退回去，重新说「先看下整体结构再改」。它又给我分析了一通。我又说「好，按这个来」……

原创 神经网络：通用函数逼近器

在《[[AI 研究方法的演变]]》那篇笔记中，我们沿着研究方法的演变脉络，理解了 AI 当前主流的研究为什么会走向深度神经网络。具体来说就是：在逻辑符号无法对所有规则进行编码，而概率方法又卡在了特征工程的情况下。深度神经网络提供了一种激进的方式回答了后一个难题，即放弃人工设计特征，让模型自己从数据中学。现在，我们需要进一步解释的是，这个回答背后的数学基础究竟是什么。通用逼近定理。

原创 linux系统移植pjsua库实现sip通话功能 一、概述

（1）用户设备（UA）向SIP服务器发送 REGISTER 请求，包含用户标识（如 sip:user@example.com）。a.主叫发送 ​INVITE​ 请求，包含被叫URI（如 sip:bob@domain.com）和媒体描述（SDP协议）。（2）若需认证，服务器返回 ​401 Unauthorized，要求提供凭证（如用户名、密码）。c.被叫摘机后发送 ​200 OK，携带自身SDP参数（如接收IP和端口）。b.若可接听，返回 ​180 Ringing​（振铃），主叫听到回铃音。

原创 (Redis基础教程之十二) 如何解决Redis中的故障

对内存相关问题进行故障排除memory usage告诉您单个键当前正在使用多少内存。它以键的名称作为参数，并输出其使用的字节数：为了更全面地了解您的Redis服务器如何使用内存，可以运行以下memory stats命令：此命令输出与内存相关的指标及其值的数组。以下是报告的指标memory stats：peak.allocated：Redis消耗的最大字节数total.allocated：Redis分配的总字节数startup.allocated：Redis在启动时消耗的初始字节数。

原创 模型进步没有想象中那么快

因此，下面这篇文章讨论的并不是“谁已经可以替代工程师”，而是一个更实际的问题：在人仍然负责目标、拆解和验收的前提下，Fable 5 与 GPT-5.6 Sol 分别适合承担哪些 task。科研任务尤其不用纠结：GPT 的联网搜索能爬到更多一手料，加上产出全面、核查仔细，Fable 在这块既没有搜索优势、又容易在大模型相关话题上被安全路由拦下来（详见下文第 6 点），综合体验差距非常明显——科研直接上 GPT。GPT-5.6 Sol 在这块偏"稳而平"：能用、规范、不出错，但惊喜少一点，默认审美更朴素。

原创 Transformer、“训练-微调”范式-AI 相关概念之（核心技术与架构）

QKV 就是实现注意力的三把钥匙：Q（我想找什么）去匹配 K（你是什么），匹配成功后，就把 V（你的具体内容） 提取出来，融合成当前词最精准的上下文含义。当它处理一句话时，不需要按顺序读，而是一眼就能看完所有词语，并且能瞬间判断出这句话里任意两个词之间的关系（比如：“它”到底是指“猫”还是“老鼠”）。在当前这个 AI 技术大爆发的时期，各行各业都在努力发展能够提升自身工作效率的技术，学习 AI 操作之前需先了解各个重要的概念，打牢基础，要对 AI全局有一个清晰的认识，才能事半功倍。”、“如何治疗咳嗽？

原创 Transformer、“训练-微调”范式-AI 相关概念之（核心技术与架构）

QKV 就是实现注意力的三把钥匙：Q（我想找什么）去匹配 K（你是什么），匹配成功后，就把 V（你的具体内容） 提取出来，融合成当前词最精准的上下文含义。当它处理一句话时，不需要按顺序读，而是一眼就能看完所有词语，并且能瞬间判断出这句话里任意两个词之间的关系（比如：“它”到底是指“猫”还是“老鼠”）。在当前这个 AI 技术大爆发的时期，各行各业都在努力发展能够提升自身工作效率的技术，学习 AI 操作之前需先了解各个重要的概念，打牢基础，要对 AI全局有一个清晰的认识，才能事半功倍。”、“如何治疗咳嗽？

原创 解决Linux下WPS PDF鼠标滚轮滚动过快的问题

注意，请根据你的系统选择合适的包管理器。此外，在aosc os以外的系统上，需要安装的包可能叫xserver-xorg-input-evdev，请结合AI辅助。7、再次执行xinput list-props ID | grep -Ei ‘libinput|evdev’，如果出现evdev，则证明设置成功。2、执行xinput list，找到类似↳ Razer Razer Ouroboros id=12 [slave pointer (2)]5、创建针对该鼠标的evdev设置。为什么是evedv？

原创 跨系统聚合查询（支持菜鸟、多多、兔喜）

整个系统是无服务端，可以单独打包为C/S程序，使用IoTBrowser框架，界面使用Deepseek生成Html，定制开发了一个浏览器插件用于间接调用各大平台接口。目前驿站只需要一个人入完库就走，同时搭配语音播报提示客户取件注意事项和视频播放解说产品，实现无人自助取件和商业推广的双目标。视频播放（可以录制产品推广视频，售卖驿站商品，或者承接广告投放）自动短信发送（调用菜鸟的短信功能，可以绕开默认不发短信的设置）日志查询（这个很实用，有些顾客取走了，可以通过查日志排查）

原创 OPPO R9st 获取Root权限

成功安装后，我们的手机在设备管理器中会由“其他设备”中的“QUSB_BULK”变成“端口（COM和LPT）”中的“Qualcomm HS-USB QDLoader 9008（COM3）”，名称中的“COM3”会根据每个人的电脑情况进行随机设置的，我这里的是“COM3”，可能你们的不一样，“COM4”或者“COM5”这样，这是正常的，这个编号我们可以留意一下，待会儿可以用到。手机执行关机操作，等待一会儿，等手机完全关机，并把数据线的USB口一侧插入电脑的USB接口中。

原创 架构设计：把 GDAL “藏“ 起来

用户机器上可能装了 OSGeo4W、QGIS、ArcGIS，各自在环境变量里写入 GDAL_DRIVER_PATH、GDAL_DATA 等配置，不同版本的驱动混用可能导致加载失败。编码检测（EncodingUtil） —— Shapefile 的 .dbf 属性表编码是行业老大难：老数据可能是 GBK，新数据是 UTF-8，需要一个自动检测方案。另外，GDAL 初始化被设计为线程安全的懒加载——每个可能先被调用的类都在静态构造函数中触发初始化，而初始化方法用 lock 加标志位保证只执行一次。

原创 Git 与 Github 基础认知

开发者通过 Git 完成本地代码的版本管理，再将本地仓库代码同步至 Github 远程仓库，实现代码备份、开源分享、团队协同开发。Git 是一款开源免费的分布式版本控制系统，主要用于解决项目开发中的代码版本管理、多人协作开发问题，能够精准记录每一次代码变更，实现版本回溯、代码备份、分支并行开发等核心需求。常规分支合并会同步所有代码改动，Cherry Pick 可精准筛选指定提交记录，仅将需要的代码改动合并至主干，无需合并整个分支所有内容，适用于局部功能迭代、紧急补丁合并场景。

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)

原创 写了include之后到底发生了什么

平时大家怎么用写 C 写久了之后，#include 这东西很容易被敲得越来越熟，熟到最后几乎不看它。比如你写串口，就先来一句：写标准输出，就来一句：写久了之后，#include 很容易被理解成一种“把某个东西接进来”的动作。好像写完这一句，编译器就知道这个头文件里的函数、变量、宏都归你用了。所以很多人脑子里会有一个很自然的印象：我写了 #include，后面那些东西就归我用了。这个印象拿来入门勉强够用，但只要你开始自己拆工程、写头文件、整理模块，很快就会发现这句话其实糊得很厉害。

原创 fight-the-landlord —— 一款基于 Go 语言实现的斗地主游戏，支持联网对战、断线重连、智能机器人等功能。无控牌、无算法操控、纯粹的运气与技巧！

全平台开箱即用：原生适配 Windows、macOS、Linux 三大系统，使用脚本一键安装，无需配置开发环境，普通玩家复制一行命令就能完成安装。随机无控牌：全程采用随机洗牌发牌，无任何算法干预牌型、调整胜率的逻辑，匹配机制也完全不挂钩胜率、段位、游戏时长，仅支持纯随机匹配或房间号约战。终端沉浸式体验：基于纯终端界面打造，无多余图形窗口，资源占用低到可以忽略，一行命令快速启动，界面和日常工作的命令行毫无二致。全功能联机对战：完整支持三人联网对战，既能随机匹配路人局，也能创建私密房间，和好友定向约战。

原创 从万众期待到被政府撤资，AI的两次死亡徘徊

比如正是在第一次寒冬的间隙里，斯坦福大学的费根鲍姆提出了"知识工程"的概念，为后来的专家系统奠定了方法论基础。更麻烦的是，现实世界千变万化，专业知识也在不断更新，系统永远赶不上变化的速度。科学家们信心爆棚，一位名叫司马贺的学者，后来拿了1978年诺贝尔经济学奖的那位，甚至公开预言：十年内，机器就能在国际象棋上击败人类，机器将解决一半的数学问题。参会的都是当时顶尖的大脑。而AI真正从"专家的玩具"变成"大众的工具"，还需要等待三样东西的到来：足够多的数据、足够强的算力、以及一个能把所有能力串联起来的新架构。

原创 Claude Code v2.1.139 深度解读：Agent 视图 + /goal 命令的架构逻辑

这次更新不是在 Claude Code 里加了几个按钮，而是悄悄改变了 AI 工具的协作模型。作为一个做了这么多年服务端的人，我看到 /goal 命令的第一反应是：这东西的设计和分布式任务队列里的「目标状态收敛」太像了——而这，才是 AI 编程工具从「你说我做」走向「你给目标我自己搞定」的真正拐点。这篇不只是功能介绍，我想把设计逻辑讲清楚。Claude Code v2.1.139 Agent视图与goal命令架构解读图：码哥字节技术图解Agent 视图：不只是个「多开」界面。

原创 「JWT 解码」「JWT 在线验证」「JWT 生成器」「JWT PEM JWK 怎么用」

支持 HS256 / HS384 / HS512 / RS256 / RS384 / RS512 / ES256 / ES384 / ES512 / PS256 / PS384 / PS512；这页实现上比较实用的一点，是直接使用浏览器原生 Web Crypto API 做签名和验签，而不是再额外走一层后端服务。RS256 / RS384 / RS512 / PS256 / PS384 / PS512：输入 公钥。页面会把 exp 转成可读时间，并高亮“已过期 / 未过期”，这个细节能少走很多弯路。

原创 LLM 到底在做什么

经过多层 Transformer 之后，每个 token 的向量会融合上下文，变成 hidden state。因为维度较大时，Q 和 K 点积的数值可能很大，softmax 会变得过于尖锐，训练不稳定。每个 head 都有自己的 Q/K/V 投影，最后多个 head 的结果会拼接或合并，再经过一个输出投影矩阵 Wo。如果后面出现“太甜”，那么“它”的 Q 会更匹配“苹果”的 K。模型就会更多读取“苹果”的 V。如果后面出现“太小”，那么“它”的 Q 会更匹配“书包”的 K。模型就会更多读取“书包”的 V。

原创 AI Agent 的 4 个工程关键词：Prompt、Context、Loop、Harness 到底是什么？

这就是最近大家开始讨论 Loop Engineering 的原因。单看 Loop Engineering，它像是一个新黑话。比较好的理解方式，是把它和另外三个词放在一起看：Prompt Engineering、Context Engineering、Loop Engineering、Harness Engineering。

原创 PortSwigger SQL注入LAB12

本题演示了如何利用可视化错误（错误信息或异常）将数据库字段通过报错暴露：通过将查询结果强制转换为不兼容类型（如字符串强制转换为整数）来触发类型错误，从而在错误消息或响应中泄露数据。关键步骤包括：先定位能触发错误的注入点，使用子查询与行限制（如LIMIT 1）确保单行返回，然后对目标字段施加强制类型转换以触发报错并读取返回内容。不要在生产环境中将详细的数据库错误信息直接暴露给客户端。对外返回通用错误提示，并在服务端记录详细日志供审计与告警使用。