从熬夜改Bug到半夜哄娃,程序员的双向日常

Ubuntu 18.04 下用 Snap 部署 Nextcloud 的工程实践指南 Nextcloud 是一款主流的开源私有云协作平台,其核心价值在于数据自主可控与功能高度集成。在 Linux 服务器部署时,传统 LAMP 方式易因 PHP 版本冲突、模块依赖混乱及 OpenSSL 升级引发 HTTPS 故障;而 Snap 作为 Canonical 主推的容器化分发机制,通过内核级 namespacing 与 seccomp 实现强隔离,固化 PHP 运行时、Apache、Redis 等全栈依赖,显著提升部署确定性与安全水位。该方案特别适用于中小团队、家庭 NAS 及需长期稳定运行的自托管 阅读详情

最近状态真的有点割裂。

白天在公司敲代码、修线上Bug,晚上回家无缝衔接带娃,刚出生的小朋友直接把我的作息彻底打乱。以前程序员的熬夜是自愿加班、摸鱼学技术,现在的熬夜是纯纯被动待命,日子被代码和带娃硬生生分成两半,忙得有点缓不过来。

随便碎碎念记录一下这周的生活和工作,也算是给自己留个记录。

这周公司迭代节奏不算夸张,没有疯狂加班内卷,但糟心的线上小问题真的扎堆。周一上线了一个简单的订单列表优化,自测、联调全都稳稳的,结果小流量灰度之后,线上偶尔出现数据乱序、重复的问题。

真的服了程序员最头疼的场景:本地、测试环境一切正常,只有线上随机出问题,完全复现不了,纯纯玄学Bug。

老老实实拉日志、核对参数,一点点扒缓存和分页逻辑,折腾了大半天终于定位到原因。高并发场景下,分页查询没做一致性兜底,读写有微小时间差,直接读出脏数据。修复倒是简单,加了校验和短时重试,全量上线后监控才算稳住。

干后端久了真的深有体会,本地跑通真的啥也不是,线上稳定性拼的全是边界场景的兜底思维,很多问题根本不是逻辑错了,是没扛住真实的线上并发和网络波动。

这周同时还在收拾老项目的烂摊子,祖传代码耦合得一塌糊涂,冗余代码堆成山,参数校验乱七八糟。接口频繁超时,但真的不敢大重构,只能一点点拆解链路、优化慢SQL,修修补补,全程提心吊胆怕改出回归Bug。

心态和刚入行完全不一样了,以前只求功能实现,现在首要就是稳,日志埋点能加就加,代码能简单绝不复杂,线上出问题,清晰的日志真的能救命。

说了一堆工作,再聊聊带娃的日常,真的是两种极致状态的拉扯。

刚升级当爸没多久,算是彻底体验了新手家长的崩溃。新生儿的作息完全没有任何规律,比线上随机触发的Bug还要玄学,你永远不知道下一秒是安静睡觉还是突然爆哭。

以前下班哪怕加班到九点十点,回家都有自己的时间,翻翻博客、写写个人项目、随便摸鱼放松一下。现在下班开门直接切换奶爸模式,一秒空闲时间都没有。换尿不湿、冲奶粉、拍嗝、哄睡,循环往复,每晚都要醒好几次,属于我的完整睡眠彻底消失了。

经常白天在公司被线上告警、产品临时改需求搞到心态炸裂,对着一堆超时日志头疼不已。但是晚上抱着小小的娃,所有的焦虑和内耗瞬间就没了,特别神奇。

一直觉得程序员排查问题已经够难了,直到带娃才发现,这才是顶级难题。代码Bug有日志、有链路、可以复现、可以调试,总能解决。带娃完全是黑盒系统,没有任何报错提示,所有问题随机触发,只能靠试错、靠耐心一点点兜底,妥妥的高并发无人值守难题。

现在最大的感受就是精力被拆得稀碎,根本没法集中注意力。以前能沉浸式敲一下午代码,思路全程连贯。现在写代码写着写着,脑子里就会莫名担心家里娃是不是闹觉、是不是吐奶了,专注力直接断掉,频繁走神。

周末更是彻底告别躺平,没有懒觉、没有摸鱼,全天待命。现在唯一属于自己的时间,就是深夜所有人都睡熟后,偷偷坐在书桌前的十几分钟。不搞复杂开发,不啃源码,就简单复盘下这周踩的坑,随便写写碎碎念。

随手记录两个这周踩的小坑,给自己避坑,也顺便给同行提个醒。

第一,高并发场景下的分页查询,千万别只依赖数据库原生分页,一定要加一致性校验和重试兜底,不然很容易出现数据重复、错乱、漏数据的问题,线上隐性问题最难排查。

第二,老旧业务服务,能优化就别重构,祖传代码虽然烂、冗余多,但能稳定运行就有它的道理。大刀阔斧重构极易引出一堆回归问题,优先从SQL、缓存、请求链路这些点小优化,稳妥永远第一。

以前总觉得程序员的压力来源于技术迭代快、工作内卷。当了爸爸之后才明白,生活的迭代,比代码迭代更磨人、更考验心态。

写代码追求的是稳定、高可用、少出故障,过日子追求的是家人安稳、平安顺遂。以前敲代码是为了成长、为了薪资,现在每敲一行代码,心里都多了份踏实和牵挂。

从一人吃饱全家不饿的程序员,变成凡事有担当的成年人,这段日子的成长,比单纯学技术更深刻。

不多说了,碎碎念就到这。代码慢慢写,Bug慢慢修,日子也慢慢过吧。共勉所有一边谋生、一边认真生活的程序员同行。

更换光猫的原理与方法 当你给装维打电话说你需要更换光猫时,对于装维来说,他并不需要知道怎么更换,他只需要生成一张工单,由后台进行业务操作后,在去用户家把新光猫给装好即可,此时装维到底起到了什么作用呢?我想可能只是运输员吧,把一个设备从一个地方运到另一个地方罢了,此时并不能指望装维做什么,因为本质上来说装维的能力真的很差很差,我是不知道那些装维哪来的勇气做视频,还说自己什么什么能力很强?很强吗?吹牛的技术确实很强。 更换光猫之前,需要先明白为什么要更换光猫,怎么更换光猫,更换后不能用怎么办?怎么才能更换成功,换光猫以后被限速了怎么 阅读详情

相关推荐

学习Fidder主要掌握的技术——流量篡改

本文介绍了Fiddler工具的三种常用调试方法:1)本地映射-通过保存修改JSON响应文件实现接口数据模拟;2)Composer接口调试-通过修改请求参数快速测试接口异常处理;3)断点调试-在请求/响应过程中拦截并修改数据。这三种方法分别适用于前端开发、接口测试和健壮性验证等场景,能够有效提高调试效率。操作步骤包括保存响应、修改数据、配置规则等关键环节,并提供了详细的界面操作指引。

2301_79022773的博客 353

GitHub爆火18.5k星的神器来了- 这个爆火工具让AI效率飙升400%

现在不用,3 个月后你可能追不上同事! 这个让 AI 效率爆表的神器,正在颠覆编程、数据分析、运维等多个领域。无论是个人开发者提升效率,还是企业规模化落地 AI,它都是必经之路。

嵩岳淮水的博客 1118

【PLC】三菱PLC控件安装疑难解析:Error Number:-119的全面解决方案

本文针对三菱PLC控件安装过程中常见的Error Number:-119错误,提供了深度解析与实战解决方案。该错误通常源于Windows系统权限限制或文件冲突。文章从理解错误本质入手,逐步介绍了以管理员身份运行、手动注册DLL文件、采用新版环境搭配旧版控件的黄金组合以及系统环境修复等四大招法,帮助用户彻底解决这一安装难题,确保工控软件稳定运行。

jj890的博客 496

VBA数据选型:2倍效率差背后的实战指南

在城商行零售部的月度对账场景里,不少VBA开发者都遇到过这样的噩梦:凌晨两点的办公室里,屏幕上的Excel进度条卡在78%已经整整40分钟,10万条信用卡交易明细和客户账户的匹配工作还没跑完,旁边堆着的半杯冷咖啡已经结了一层薄皮。负责这项工作的小张去年刚入行,他用最熟悉的Collection集合写了全量循环匹配的代码,原本预估半小时就能完成的任务,硬生生拖到了天亮,最后还因为内存溢出弹出了“内存不足”的报错,前半夜的运算结果直接丢失,只能第二天重新跑数,差点耽误了行里8点半的风控晨会。而同样的10万条数据,

Start_mswin的博客 499

mpu6050原理图_STM32控制 MPU6050 六轴陀螺仪资料汇总

一般使用MPU6050的步骤是先驱动I2C总线,然后初始化MPU6050,从MPU6050读取数据,最后是数据的处理。本文档详细介绍有关MPU6050 三维角度传感器电子陀螺仪使用说明。附件内容提供该 MPU6050模块原理图,配套STM32代码,相关数据手册及参考文档。实物连接图:MPU6050 六轴陀螺仪特点:使用芯片:MPU-6050供电电源:3-5v(内部低压差稳压)通信方式:标...

weixin_39911056的博客 4758

43、FMCW雷达高度计仿真

本文介绍了FMCW雷达高度计的波形级建模与仿真过程,重点模拟了着陆和倾斜两种飞行场景以评估其性能。通过结合高程数据和飞行轨迹构建雷达场景,使用自定义信号处理器分析IQ样本并估计高度。结果表明,该高度计在多数情况下满足性能要求,但也存在误差较大的点,提出了地面检测算法优化的潜在方向。

neovim7hacker的博客 135

前端开发者必读:搞懂JavaScript垃圾回收,告别内存泄漏烦恼

内存管理就像刷牙——没人看你刷不刷,但一开口就知道你有没有口臭。用户骂页面卡的时候,可不管你是不是写业务代码太忙。底层原理、排查工具、实战代码、团队流程四件套齐全。下次再遇到内存飙红,别急着甩锅给浏览器,先把 DevTools 打开,把这篇文章再翻出来,一步一步踩点,让内存泄漏无处遁形,让 GC 只做它该做的保洁工作。祝你写的每一行代码,都能“寿终正寝”,而不是“永垂不朽”。—— 内存家政师 上欢迎来到我的博客,很高兴能够在这里和您见面!

一个做过前端开发的产品经理,经历过睿智产品的折磨导致脱发之后,励志要翻身"农奴"把歌唱,一边打入敌人内部一边持续提升自己,为我们广大开发同胞谋福祉,坚决抵制睿智产品折磨我们码农兄弟! 579

玩转Docker小游戏项目系列:Docker部署魔塔网页经典小游戏

玩转Docker小游戏项目系列:Docker部署魔塔网页经典小游戏

jks212454的博客 1063

Jenkins + Python 全自动跑通「禅道任务/BUG 导出 → 月度开发考核表」

Jenkins结合Python实现禅道任务与BUG全自动导出及月度开发考核统计。通过复现浏览器三步导出流程(重置筛选、初始化、提交表单),精准获取全量数据;基于代码剔除父任务重复工时,修正“指派给”与“解决者”归属偏差,避免0工时导致的BUG率失真。最终生成含开发人天、有效负责BUG数、加权BUG率等字段的考核表,口径固化为可复用规则,彻底杜绝手工统计误差,实现零干预、高可信的自动化考核闭环。

一个人的博客 390

实战案例—encrypt靶场(AES固定key篇)

AES是一种对称密钥加密方法,意味着加密和解密时使用相同的密钥。AES加密存在三种形式:AES-128、AES-192和AES-256,它们分别对应于三种不同的密钥长度——128位(即16字节)、192位(即24字节)和256位(即32字节)。通常情况下,密钥的长度越长,提供的安全性就越高,但相应地,加解密过程所需的时间也会增加。默认情况下,采用的是AES-128,其提供的安全性对于大多数应用来说已经足够充分。

zhouzhou_98的博客 498

Holt-Winters方法预测水电发电量

Holt-Winters 模型, ARMIA,ACF检验 ,Dickey-Fuller 检测,白噪声检测,差分

firefox_yau的博客 1270

“完成”是什么意思——Plan 步骤状态机的七个 Bug

本文剖析了Agent系统中“Plan步骤从pending到done”状态迁移的七个真实Bug,揭示其背后深层设计问题:状态机语义复杂、终态不闭合、状态与事件脱节、生命周期未递归终结等。教训聚焦于:终态应使用枚举而非布尔组合,同状态迁移需幂等,状态变更与事件发射必须原子化,父生命周期结束时须收口子状态,错误提示应引导模型行为。这些原则适用于任何多参与者、异步执行的智能工作流系统。

qinglongcn的博客 319

【agent实战教程】OpenClaw多个agent一文通

一个合格的独立agent,必须具备6个完全独立的专属组件独立组件路径规则核心要求不独立的严重后果唯一agentId配置文件中全局唯一,不能重复,建议用英文+数字,不要有特殊字符agent配置冲突,消息派单错误,会话串线独立工作区(workspace)建议每个agent一个独立文件夹,不要共用人设、记忆、规则混在一起,agent人设崩塌,对话串线独立状态目录(agentDir)固定系统自动生成,绝对禁止多个agent复用同一个agentDir。

海兰 649

unity 照片墙插件(Pop-up Photo Wall)在触摸屏和红外框设备上的触发Bug

这不是一个好的办法,因为没有找到问题根源,只能先临时这样处理了,在电容屏上实测有效。在触摸屏和红外框设备上使用模板时,点击一张照片时会一次性触发展开多张照片。测试分析后发现以下方式可以避免这个bug。

梦想是世界和平 234

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

fix bug

当你通过 cpolar 域名外网访问时,请求到达你本机的 Apache 时,如果 Apache 的虚拟主机配置(如。)默认匹配了本地环境,或者反向代理透传了本地 Host,它依然可能表现为本地地址。$_SERVER['REMOTE_ADDR']也永远指向127.0.0.1。

huxyc的博客 61

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

不收 PR、让 Agent 自己修 Bug:3,900 Star 的 Rust UI 框架 Rune,为“AI 写界面“重新设计

Rune:GPU 渲染的 Rust 原生 UI 框架,headless 模式让 Agent 渲染 PNG、导出元素树、脚本驱动输入并自检——UI 框架第一次把可被 AI 观测作为架构需求。更激进的是:它不收 PR,贡献和维护两端都是 Agent。

话梅糖の优快云 Blog 559

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

React 前端工程化在秒杀活动中的性能优化与 Bug 修

措施名称 | 实施成本 | 预期收益 | 风险等级 | |----------|----------|-----------|------------| | 使用 Redux Toolkit 管理状态 | 中等 | 提高可维护性和性能 | 中等 | | 引入 Suspense / Lazy Loading | 高 | 显著提升用户体验 | 高 | | 使用 Error Boundaries 捕获异常 | 中等 | 提高系统健壮性 | 中等 |在大型互联网企业中,秒杀与抢购活动是高频的业务场景之一。

wuchangjian的专栏 198

Bug跟踪管理系统怎么搭?从提交到关闭全流程最佳实践

搭一套Bug跟踪管理系统,真正要解决的不是把问题记下来,而是让每个问题从提交到关闭都有明确的责任人、进入条件和退出证据。,这三样决定Bug管理能不能长期跑下去。软件Bug的代价并不抽象。美国国家标准与技术研究院(NIST)2002年发布的一项委托研究测算,软件Bug每年给美国经济造成约595亿美元损失。对研发组织来说,越晚发现、越晚闭环,返工和沟通损耗越高。

zentao_pms的博客 172

IINA BUG 正在播放的视频不显示原始文件名

视频播放时标题异常显示为录屏软件名,源于内部元数据干扰。通过在IINA中配置Lua脚本,强制使用文件原始名称作为媒体标题,实现播放列表正确显示。脚本路径为~/.config/iina/scripts/filename-title.lua,需在高级设置中添加scripts选项指向该文件。重启IINA后验证生效,不影响原文件与元数据。适用于macOS版IINA,可随时移除脚本恢复原行为。

烨之魅儿的专栏 234

bug?nacos跑满内存!!!

手上一台 2 核 2G 阿里云服务器,用 docker-compose 搭微服务基础环境:Nacos、MySQL、Redis、RabbitMQ。本来以为拉起来就能用,结果直接翻车,Xshell 连不上服务器,折腾半天,终于找到根源。

2501_90507065的博客 227

【Unity Bug挑战】第10期 SerializeReference 内存泄漏之谜

你翻了一下代码,项目里大量使用了 [SerializeReference] 特性来做技能系统的多态序列化——大概有 200 多个不同的技能效果类,都挂在 SkillData 这个 ScriptableObject 上,通过 Addressables 动态加载和释放。Unity 的 Native 对象是引用计数管理的,而 C# 托管对象是 GC 管理的。SerializeReference 的多态对象,它们的 Native 侧表示是什么样的?托管堆内存 | 加载后释放,回到初始水平 | 正常,符合预期。

crystal_WJT的博客 676

让 AI 修 AI 平台自己的 Bug:我用 SoduWork 给 SoduWork 提了一个 PR

签收是硬约束:打回后需求真的停在"进行中",源码里有对应的 blocker。能在真实仓库里做真实工程:读贡献指南、跑基线、TDD、多语言环境复现、处理 CRLF,产出一个能直接提交的 PR。返修体验好:打回意见会自动带进下一轮,并要求"在现有交付上返修"。权限沙箱设计扎实:只读白名单、受保护路径、授权指纹、指令文件防篡改。启动器负责任:数据隔离、没有默认密码、只绑本机。

努力是为了站在万人之中,成为别人的光 1556

一个BUG导致的Oracle数据库实例重启:ORA-00600 [kjmchkiseq:!seq]

一个BUG导致的Oracle数据库实例重启:ORA-00600 [kjmchkiseq:!seq]

听雪楼主 275

嵌入式故障诊断-Bug002-局部大数组压栈高温必死机

摘要(148字): P2电动沙发控制器在高温下3~8分钟必死机,根因是overheat_report()中1024B局部数组栈溢出。常温不触发,NTC≥65℃时任务栈需求骤增至1984B,超1792B限额192B,踩坏堆内存。修复方案:静态化数组、分段发送、栈扩容至2560B,填充0xDEADBEEF监控水位。成本:RAM+768B,Flash+412B;收益:高温季0客诉,栈状态可量化。

u011697185的专栏 391

用 Nexent 搭了个课程助教:租户初始化、百炼模型接入与 RAG 验证实录

说实话,Nexent 终于在自己电脑上部署成功了,13 个容器全绿,登录页能打开,那一刻我有点兴奋。我想要的东西很具体,把谭浩强那本《C 程序设计(第五版)》喂给一个 AI 助教,答题按我立的规矩来,先定位知识点,再给一个能直接用 `gcc` 编译的最小示例,末尾留一道自测题。Nexent 看起来正合适,华为 ModelEngine 开源的零代码智能体平台,自带知识库。结果登录进去就被泼了冷水,页面一片空白,"暂无租户"四个字挂在正中间,模型配置的入口影都没有。查了一圈才明白,白屏是设计,不是故障。

鸽芷咕的博客 4957

AI答错一个数,先分清是bug还是语义问题

驻场做 AI 调优,听得最多的一句话是:这个数不对。新手的第一反应是马上改,改完交差。老手会先按住不动,因为答错的原因分两种,走的是完全不同的处理线,改错了地方就是白改。向量空间JBoltAI项目驻场几个月,我们把这条分流线磨成了固定动作,讲出来给做企业 AI 落地的同行参考。

xiancai_xianyu的博客 241
上一篇: 写代码越久,越懂程序员的底层常态
下一篇: 接口超时排查、Redis缓存踩坑&代码优化记录
itmigrate
博客等级 码龄4年 6粉丝 94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