- 博客(28)
- 收藏
- 关注
原创 [IrisOutOfBoundColorClamp节点]原理解析与实际应用
在现实世界中,眼睛是一个复杂的光学系统,角膜、虹膜和瞳孔共同工作,创造出我们熟悉的视觉外观。Iris Out of Bound Color Clamp节点正是为了解决这些挑战而设计的,它确保了即使在极端视角或光照条件下,眼睛的渲染也能保持物理上的准确性和视觉上的吸引力。如果UV坐标超出了这个范围,节点会将颜色替换为指定的Clamp Color,而不是使用原始的虹膜颜色。在标准的着色器实现中,这可能导致虹膜颜色出现在不应该出现的区域,比如眼白的部分,从而破坏渲染的真实感。这个输入颜色的质量直接影响最终结果。
2026-07-11 15:07:38
169
原创 数据驱动开发 - 面向对象编程思想的补充
比如:要实现对数据表的查询功能,不直接实现对某个数据表的查询,而是先用表的元数据模型描述数据表,然后再用查询操作元数据模型、查询页面元数据模型、控件布局元数据模型一起就可以实现查询功能,最后再用菜单元数据模型可以把查询页面挂入菜单,实现完整的查询功能。静态元数据和动态元数据并不是泾渭分明的,往往相互包含,比如描述客户表的元数据大部分都是静态元数据,规定了字段名称、大小等,但也会将字段的计算公式记录在该元数据中。许多管理信息系统中也使用了元数据,有些系统用元数据比较少,而有些系统用元数据多一些。
2026-07-10 16:04:34
194
原创 帧延迟 与 接口线速度 为什么cxp cof bitrate在持续提高
GigE Vision 需要经过完整的 TCP/IP 或 UDP 栈,而 CXP/CLHS 的协议处理完全在 FPGA 硬件中完成,延迟确定性极高。留给"传输到 Host"的窗口被压缩到 1-2 ms,这要求接口必须在这极短的时间窗口内完成一帧完整数据的交付。│ 曝光采集 │──▶│ 传输到Host│──▶│ 预处理 │──▶│ AI推理 │──▶│ 决策执行 │。CXP v3.0(规划中):25 Gbps(再 2 倍,8B/10B 编码,线路速率 31.25 Gbps)
2026-07-09 18:00:14
186
原创 基于 Apache SeaTunnel 与 Apache DolphinScheduler 实现 MySQL 到 Doris 离线定时增量同步
DolphinScheduler 中的任务最终都是以租户身份运行,因此租户配置是整个环境准备过程中不可缺少的一步。为了验证同步效果,演示环境中预先插入了一批测试数据,并通过脚本批量生成约 300 条订单记录。当工作流运行时,SeaTunnel 会根据实际同步位点自动替换该参数,从而实现增量抽取。演示中也特别提到,增量字段并不一定是主键字段,只要能够准确标识新增数据或变更数据即可。之所以使用 APPEND_DATA,是因为每次同步的都是新增数据,不需要覆盖历史记录。
2026-07-09 17:59:36
262
原创 MacOS 安装Seismic Unix
XQuartz是一款让macOS系统能够运行Linux/Unix�����/���� 图形界面软件的开源工具,常被称为X11.app。它的核心作用是显示那些原本为Linux/Unix系统开发的,使用X11协议的图形界面软件,例如:GIMP,Inkscape,OpenFOAM等。从网站https://wiki.seismic-unix.org/start上下载seismic unix的安装包,在本次安装 SU44R28 release版本: 放到指定安装目录中(一般为指定用户目录下)看是否进入指定路径。
2026-07-08 16:22:23
167
原创 [MAF预定义ChatClient中间件-02]FunctionInvokingChatClient——实现ReAct循环和人机交互的大功臣
会将LLM返回的所有工具调用视为一个类似于事务的整体,如果所有工具都不需要审批,那么它会采用直接调用这些工具。如果其中有任何一个工具需要审批,它会任务所有工具调用都需要审批。这是一个简单的只涉及单次迭代的ReAct循环,实际的ReAct循环可能会涉及多次迭代,模型在每次迭代中都会根据新的上下文来分析下一步该做什么。方法的时候传入了一个工具函数,所以在执行过程中会触发ReAct循环,模型会先分析当前状态,发现缺少天气信息,然后调用工具函数来获取天气信息,最后根据获取到的天气信息来分析天气情况并得出着装建议。
2026-07-08 16:21:47
173
原创 基于后验采样的图像恢复方法LearnIR:人脸去阴影、去雾
利用高斯分布的封闭性,证明了前向过程真实后验与模型预测反向分布之间的偏差服从高斯分布,进而可以通过训练一个轻量网络来拟合该偏差的均值,作为即插即用的正则化项校正扩散轨迹,消除采样过程中的结构偏差和色偏等不一致性。设计了时间依赖的动态分辨率调度策略,在像素空间中实现"从粗到细"的采样过程——高噪声阶段使用低分辨率捕获全局上下文,低噪声阶段恢复高分辨率精修纹理细节,无需预训练VAE即可简化端到端流水线并降低计算开销。,且这些退化常常同时出现并相互交织,使得图像复原成为一个经典的病态逆问题。
2026-07-07 16:21:45
236
原创 PyTorch KernelAgent 源码解读 ---(1)--- 原理
本系列是论文和博客笔记 + 源码学习笔记,主要是关于 基于 LLM 的 GPU 内核代码生成。随着AI辅助开发的模式的流行,大家开始尝试通过LLM来进行算子的生成和迁移,最近发现,PyTorch 发布了 KernelAgent,其尝试利用 Agent 来端到端实现torch模型优化及 Triton算子自动生成,关键做法是:多agent + 静态路由 + 子图分解 + 严格PASS验证 + 硬件profiler反馈。因此,我找了一些论文和博客进行学习,具体可以参见文后“0xFF 参考”小节。
2026-07-07 16:18:25
257
原创 如何在EDKII中编译UNIX风格C语言
通过阅读前面的 EDKII 相关代码实现,我们可以很容易发现其虽使用的是 C 语言语法,但编写规则与我们在 IDE 或者操作系统上运行的 C 语言代码不太一样。以简单的 HelloWorld 程序为例。EDKII 中的代码为:EFI_STATUSEFIAPIUefiMain () {\n");UNIX 风格代码如下:\n");return 0;对比以上两个程序,下面的代码可以使用我们常见的 C 语言库函数。
2026-07-06 16:27:39
230
原创 并发编程核心概念辨析
当 CPU 执行写操作(Store)时,如果直接写入L1 Cache,由于多核之间的“缓存一致性协议(如MESI)”,CPU 必须等待其他核心确认并作废它们对应的缓存行,这个等待过程比较漫长(CPU 视角)。,编译器会根据当前的 CPU 架构(x86 还是 ARM),自动帮你翻译成对应架构的内存屏障指令(Memory Barrier)。现在,在没有让我看到你写的值的情况下,你先执行了后面的 load 指令,那对我来说,你就是。这使得某些情况下,某个线程看到的数据,可能是非预期的,进而导致程序出现逻辑错误。
2026-07-06 16:27:03
167
原创 从一个真实案例理解 JVM 标量替换
标量替换是 JIT(主要是 C2 编译器)的一种优化:如果 JVM 能证明一个对象不逃逸、生命周期完全受控、不需要对象身份(identity),就会彻底消除对象分配,将对象的字段拆成若干个局部变量(标量)。int px = x;int py = y;这里有个关键区别:标量替换不是"对象很快被 GC",而是对象从未存在过。
2026-07-05 15:55:29
171
原创 企业级嵌入模型微调实战,基于RTX 4000算力
们有一个基于 RAG(检索增强生成)的 AI 客服系统,核心逻辑是:用户提交新工单时,先把它向量化,然后去历史工单库里找相似的,再把检索结果喂给 LLM 生成回复。向量化用的是 Embedding 模型,部署在本地 Ollama 上。系统跑着还行,但总感觉检索质量一般,于是决定用自己的工单数据微调一下。
2026-07-05 15:54:38
159
原创 【Vibe Coding】折腾了一个高考假,我让Codex自动修Issue...
折腾了几天的脚本和提示词,最后基本上实现了自动修Issue的功能。这里我贴张图片,就是codex自己修的pr,测试后是完全达标可以直接合并的。这里提交用的环境里面指定的邮箱和名称,提pr需要github账户,用的gh-cli登录的用户。目前来看简单任务完成没有问题,大的比如功能开发还是需要再手动改,不过也正常啦。不支持同时执行多个任务稳定性略差,碰到网络问题等容易失效且没有反馈可以用git worktree和多线程实现多任务,还有重试机制和部署飞书webhook通知等。
2026-07-04 18:59:10
341
原创 Molio 开源:把知识库、AI 写作、排版和多平台发布串成一条工作流
当前主流的 AI 写作方式,本质上是一种监工模式:你打开对话窗口,一步步给指令,实时审视输出,随时纠偏。AI 每推进一步都需要你的输入,你成了整个系统里最大的单点故障。问题出在哪?不是 AI 能力不够,而是你和 AI 之间的上下文不完整。AI 看不到你的知识库,不知道你之前写过什么,不了解你的风格和偏好。每次对话都是一张白纸,你得从头交代背景。这正是 Molio 把知识库和 AI 放在同一个窗口里的原因——不是功能堆砌,而是让 AI 拥有完整的上下文。当 AI 能直接读取你的 Vault、加载你的。
2026-07-04 18:58:24
207
原创 .NET 10 的正则性能现在什么水平?我拿它和 Go、Python、C++、PCRE2 测了一轮
性能很吃输入分布。比如:这些东西一变,结果就可能变。所以我没有试图“复现原文结果”。原文数据不公开,就没法严肃复现。我这里做的是另一件事:用公开、确定性的规则合成一份数据,然后把所有代码放出来,让别人可以重新跑。数据生成脚本在仓库里,规则很简单:实际这次生成的数据是:所有实现都先把文件读进内存,然后只统计内存中扫描匹配的时间。读取时间也记录了,但不参与排序。这次一共测了 10 个:这里有个小点要说明:普通 不是每行都 new 一次,而是构造一次后复用。每行都 new 那属于测错误用法,不是正常业务热
2026-07-03 19:52:29
210
原创 [milvus-backup] Milvus Standalone 跨服务器迁移完整记录
镜像版本尽量一致:源和目标 Milvus 版本差异不要太大(本文从 2.5.6 → 2.5.8 可行)配置文件保持一致user.yaml保持与源服务器一致backup.yaml 中的 rootPath:需指向数据目录的父级路径,且与-v挂载的容器路径对应。
2026-07-03 19:51:45
266
原创 理论都会,实战就废?7个分析模板,帮你打通任督二脉
用CASE WHEN(或pandas pivot)把"年份"从行变列,再用MAX/SUM聚合,最后按员工分组输出。分析用户从"首次登录"→"周活5次+"→"月观看10h+"的转化路径,计算各阶段流失率,优化新手引导。分析"用户当天打开APP+当天完成下单"的行为,计算人均订单数&客单价,评估"即时需求"转化效率。投资人想看"剔除退款后的真实增长",计算3个月滚动平均GMV,平滑大促波动,看清长期趋势。
2026-07-02 20:56:47
170
原创 SpringCloud进阶--RabbitMQ消息队列(完结)
这样所有的请求都直接丢到消息队列中,再由消费者取出,不再是直接连接消费者的形式了,而是增加了一个中间商,这也时一种很好的解耦方案,并且在高并发情况下,由于消费者能力有限,消息队列能起到削峰填谷的作用,堆积一部分请求,再由消费者来慢慢处理,而不会像直接调用那样请求蜂拥而至!这个交换机是所有虚拟主机都会自带的一个默认交换机,此交换机不可删除,默认绑定到所有的消息队列,如果通过默认交换机发送消息,那么会根据消息的routingKey决定发送给哪个同名的消息队列,同时也不能显示地将消息队列绑定或解绑到此交换机。
2026-07-02 20:56:06
178
原创 电流环PI参数自整定及时域频域分析
SVPWM调制模块的近似传递函数,这是零阶保持器(ZOH)的一阶惯性近似,对应 PWM 更新带来的半拍延迟:以及离散系统带来的一拍延迟,这是数字控制中采样 / 计算延迟的一阶惯性近似:其中Kpwm不考虑非线性情况下,理想化等于1。这里呢,再做一步简化,如图2所示,将调制模块和一拍延迟也近似整合。这里解释下为什么,正常来讲,式1-6和1-7两个串联,应该是。
2026-07-01 19:45:33
184
原创 从 Windows 11 迁移到 Ubuntu 26.04:双系统安装与体验记录
说实话,这个念头已经酝酿了挺久。Windows 11 吧,说不上不好用,但总感觉越来越臃肿。尤其是每次大版本更新,总得折腾半天。再加上 Docker Desktop 越来越重、WSL 2 的性能损耗、以及时不时蹦出来的蓝屏,让我这颗折腾的心蠢蠢欲动。正好 Ubuntu 26.04 LTS 发布,加上手头有块闲置的 SATA SSD,就决定搞个双系统先试试水。如果 Ubuntu 26.04 能满足日常办公和娱乐需求,那就彻底跟 Windows 11 说拜拜。
2026-07-01 19:44:48
1077
原创 [特殊字符] 手把手教你实现前端邮件预览功能 _
这个组件不仅实现了邮件上传与预览的完整链路,还展示了如何在浏览器中处理复杂的 MIME 格式邮件、解码主题、内联图片等高级功能。如果你正在开发一个需要邮件附件的管理系统、工单系统或邮件审计工具,这个组件绝对是一个值得借鉴和复用的技术方案!我们也欢迎你在评论区留言,分享你在邮件解析或文件上传方面的实战经验!
2026-06-29 18:59:42
194
原创 测试人必备的用例评审SKILL,采纳率提升至95%以上
这个SKILL本质上是一个用例与需求的智能比对工具。输入:测试用例(Excel)+ 需求文档(Word/PDF/图片)处理:文档解析 → 功能点提取 → 智能匹配 → 缺口识别输出:覆盖率报告 + 缺失用例清单 + 补充建议哪些功能点测到了,哪些没测到,哪些测得不完整。整个过程自动化程度很高,不需要复杂的配置,文件丢进去就能用。测试用例评审是质量保障的重要环节,但手工评审效率低、标准不统一、容易遗漏。这个SKILL通过文档智能解析+覆盖率自动分析,让评审效率提升10倍以上。
2026-06-28 17:07:34
187
原创 对于Prompt的思考:从“手写”到提示词采样、A/B Test 与自动化评测
我现在更倾向于这样定义一个好 prompt:好 prompt 不是偶尔产出一个神回复,而是能够稳定提高目标回复出现概率的上下文设计。这句话里有几个关键词。prompt 编写不应该停留在“我感觉这个更好”。
2026-06-28 17:06:55
227
原创 提升 Text2SQL 准确率
全局规则:1. 所有金额字段统一使用 money 类型,注意精度问题2. 时间范围查询优先使用 DateKey 关联 DimDate 表3. 产品相关查询需要考虑产品层次结构: Product → Subcategory → Category4. 客户相关查询注意 GeographyKey 关联地理位置信息5. 销售数据有两个来源: FactInternetSales (互联网销售) 和 FactResellerSales (经销商销售)
2026-06-23 16:13:25
259
原创 Redis--哨兵机制与CAP定理
在Redis集群中增加一个节点,充当Sentinel哨兵,用来监视master运行状态,在master宕机后,自动指定一个slave充当新的master,整个过程无需人工参与,由哨兵自动完成。quorum的另一个作用是:在sentinel的Leader选举时,至少要有max(quorum,sentinelNum/2 + 1)个sentinel参与,选举才能进行。当sentinel 主观下线的节点是master时,该sentinel节点会向其他sentinel节点询问对master节点的判断。
2026-06-23 16:12:40
351
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅