Rust AI CLI 的可观测性:tracing + opentelemetry 看清每一次模型调用

OpenFang:Rust 构建的 AI 智能体操作系统运行时 AI 智能体(Agent)是当前大模型应用落地的核心范式,其本质是可调度、可通信、可监控的轻量级计算单元。OpenFang 并非传统 LLM 封装工具,而是基于 Rust 实现的智能体运行时(Agent Runtime),将操作系统级能力——如进程管理、IPC 通信、资源隔离与热重载——映射到 AI 协作场景中。它通过 Tokio 异步调度、零拷贝消息总线和 serde_json 类型安全通信,显著提升多 Agent 协同的确定性与可观测性;同时深度适配国产环境,原生支持 DashScope API、清华源 阅读详情

Rust AI CLI 的可观测性:tracing + opentelemetry 看清每一次模型调用

作为一个自学的人,我一度觉得"反正是个小工具,打打 println! 就够了"。直到有一次,一个用户抱怨"你的 CLI 怎么这么慢",我盯着代码看了两个小时,加了二十几个 println!,才找到是某次重试逻辑在死循环。从那以后,我决定正经学一下可观测性。今天这篇文章,就是我从小白到用上 tracing + OpenTelemetry 的完整记录。

一、从 println! 之痛到结构化日志

刚入门的时候,我的调试手段只有一个:println! 大法。模型调用了就打印一行,返回了就再打印一行。

/// 最原始的调试方式 —— println! 打天下
/// 问题:日志混在一起,没有层级,没有上下文,排查困难
async fn call_llm(prompt: &str) -> Result<String, Box<dyn std::error::Error>> {
    // 散落的 println —— 不知道哪条是哪次的请求
    println!("===== 开始调用 LLM =====");
    println!("prompt 长度: {} 字符", prompt.len());

    let start = std::time::Instant::now();
    let response = do_api_call(prompt).await?;
    let elapsed = start.elapsed();

    // 更散落的 println —— 多线程同时打印会混在一起
    println!("LLM 返回了!耗时: {:?}", elapsed);
    println!("响应长度: {} 字符", response.len());
    println!("===== LLM 调用结束 =====");

    Ok(response)
}

这玩意儿最大的问题有三个:第一,日志没有层级关系——你没法知道某条日志是哪个请求的。第二,多线程(或者说 Tokio 多任务)同时打印时,日志会交错,完全没法读。第三,没有结构化数据——你想统计"上周平均每次 LLM 调用的耗时",只能手动 grep 日志再算。

tracing crate 就是为了解决这些问题设计的。它提供了带**Span(跨度)**的结构化日志,每一个 Span 代表一个操作单元,子 Span 可以嵌套在父 Span 里。

use tracing::{info, warn, error, instrument, Span};
use std::time::Instant;

/// 使用 tracing 改造的 LLM 调用
/// 每个 Span 会自动记录进入和退出的时间
#[instrument(name = "llm_call", skip(prompt), fields(prompt_len = prompt.len()))]
async fn call_llm_traced(prompt: &str) -> Result<String, Box<dyn std::error::Error>> {
    // instrument 宏自动创建了一个 Span
    // 进入函数 = Span 开始,离开函数 = Span 结束
    // 子 Span 会嵌套在这个 Span 下面

    info!("准备调用 LLM API");

    // 在 Span 内记录额外字段
    Span::current().record("model", "gpt-4o");

    let response = call_api_with_retry(prompt).await?;

    info!(
        response_len = response.len(),
        "LLM 调用成功"
    );

    Ok(response)
}

/// 子函数:用 #[instrument] 标注后会自动成为子 Span
#[instrument(name = "api_retry", skip(prompt))]
async fn call_api_with_retry(prompt: &str) -> Result<String, Box<dyn std::error::Error>> {
    let mut retries = 0u32;

    loop {
        match do_http_call(prompt).await {
            Ok(resp) => {
                info!(retries, "API 调用成功");
                return Ok(resp);
            }
            Err(e) if retries < 3 => {
                // warn! 会记录警告级别,比 info! 醒目
                warn!(retries, error = %e, "API 调用失败,准备重试");
                retries += 1;
                tokio::time::sleep(std::time::Duration::from_millis(500)).await;
            }
            Err(e) => {
                error!(retries, error = %e, "API 调用彻底失败");
                return Err(e);
            }
        }
    }
}

async fn do_http_call(_prompt: &str) -> Result<String, Box<dyn std::error::Error>> {
    // 模拟 HTTP 调用
    Ok("模拟响应".to_string())
}

这样改造之后,你的日志输出是 JSON 格式的,每一条都有 span_id 和 parent_span_id,你可以清楚地看到"api_retry 是 llm_call 的子操作"。这就是可观测性的第一步:让日志变成结构化数据,而不仅是字符串。

二、用 OpenTelemetry 把 Span 发到 Jaeger 上看火焰图

日志结构化只是第一步。更强大的玩法是把 tracing 的 Span 数据通过 OpenTelemetry 协议导出到 Jaeger(一个分布式追踪可视化工具),然后在 Jaeger 上看到每次请求的火焰图——每个 Span 的开始时间、结束时间、耗时一目了然。

sequenceDiagram
    participant CLI as Rust CLI
    participant Tracer as tracing-opentelemetry
    participant OTLP as OTLP Collector
    participant Jaeger as Jaeger UI

    CLI->>CLI: #[instrument] 创建 Span (llm_call)
    CLI->>CLI: 子 Span (api_retry) 开始
    CLI->>CLI: 子 Span (api_retry) 结束
    CLI->>CLI: llm_call Span 结束
    CLI->>Tracer: 批量导出 Span 数据
    Tracer->>OTLP: 通过 gRPC/HTTP 发送 Span
    OTLP->>Jaeger: 写入 Jaeger 存储
    Jaeger-->>CLI: 用户在 Jaeger UI 看到火焰图

配置 OpenTelemetry 导出其实不复杂,核心代码如下:

use opentelemetry::global;
use opentelemetry_sdk::propagation::TraceContextPropagator;
use opentelemetry_sdk::trace::TracerProvider;
use opentelemetry_otlp::WithExportConfig;
use tracing_subscriber::layer::SubscriberExt;
use tracing_subscriber::Registry;

/// 初始化 OpenTelemetry 导出
/// 把 tracing 的 Span 数据发到本地的 Jaeger(默认端口 4317)
fn init_telemetry() -> Result<(), Box<dyn std::error::Error>> {
    // 1. 全局设置传播器(跨服务传递 trace_id 用的)
    global::set_text_map_propagator(TraceContextPropagator::new());

    // 2. 创建 OTLP exporter(通过 gRPC 发送到 Jaeger)
    let tracer = opentelemetry_otlp::new_pipeline()
        .tracing()
        .with_exporter(
            opentelemetry_otlp::new_exporter()
                .tonic()
                .with_endpoint("http://localhost:4317")  // ← Jaeger OTLP 端口
        )
        .install_batch(opentelemetry_sdk::runtime::Tokio)?;

    // 3. 创建 OpenTelemetry layer,桥接 tracing 和 opentelemetry
    let telemetry_layer = tracing_opentelemetry::layer()
        .with_tracer(tracer);

    // 4. 注册 subscriber(同时输出到终端 + 导出到 Jaeger)
    Registry::default()
        .with(
            tracing_subscriber::fmt::layer()
                .pretty()  // 终端输出用好看的格式
                .with_target(false)
        )
        .with(telemetry_layer)  // ← 关键:把 Span 导出
        .init();

    info!("OpenTelemetry 初始化完成");
    Ok(())
}

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    // 必须在任何 tracing 调用前初始化
    init_telemetry()?;

    // 所有 tracing 调用现在都会同时:
    // 1. 在终端打印(fmt layer)
    // 2. 发送到 Jaeger(opentelemetry layer)
    let result = call_llm_traced("你好,请解释一下 Rust 的所有权").await?;
    println!("结果: {}", result);

    // 确保程序退出前 Span 被导出(否则会丢数据)
    opentelemetry::global::shutdown_tracer_provider();
    Ok(())
}

配好之后,每次运行 CLI,Jaeger 上就能看到一条完整的调用链。你能直观地看到:哪几次调用是最慢的、token 消耗最高的请求在哪个时间段、重试发生在哪个步骤。

三、记录 token 消耗和模型参数——把业务指标也塞进 Span

可观测性不只是看"快不快",还要看"贵不贵"。对于 AI CLI 来说,token 消耗是核心成本指标。每调一次 GPT-4o,几千个 token 就烧没了,不记录的话月底看账单直接懵了。

use tracing::field;

/// 把模型调用的业务指标作为 Span 的 attributes 记录
#[instrument(
    name = "llm_inference",
    skip(prompt),
    fields(
        model = "gpt-4o",
        prompt_len = prompt.len(),
        // 响应相关字段在调用后记录,这里先占位
    )
)]
async fn llm_inference(prompt: &str) -> Result<LlmResponse, Box<dyn std::error::Error>> {
    let response = do_api_call(prompt).await?;

    // 调用完成后,把 token 数据写进当前 Span
    let current_span = Span::current();
    current_span.record("prompt_tokens", response.prompt_tokens);
    current_span.record("completion_tokens", response.completion_tokens);
    current_span.record("total_tokens", response.total_tokens);
    current_span.record("cost_usd", 
        format!("{:.6}", response.cost_usd).as_str()
    );

    // 同时在日志里打出来,方便终端查看
    info!(
        prompt_tokens = response.prompt_tokens,
        completion_tokens = response.completion_tokens,
        total_tokens = response.total_tokens,
        cost = format!("${:.6}", response.cost_usd),
        "LLM 调用完成"
    );

    Ok(response)
}

/// 模拟的 LLM 响应结构
struct LlmResponse {
    content: String,
    prompt_tokens: u64,
    completion_tokens: u64,
    total_tokens: u64,
    cost_usd: f64,
}

async fn do_api_call(_prompt: &str) -> Result<LlmResponse, Box<dyn std::error::Error>> {
    // 实际项目中替换成 openai / anthropic SDK 调用
    Ok(LlmResponse {
        content: "这是 LLM 的回复".to_string(),
        prompt_tokens: 120,
        completion_tokens: 350,
        total_tokens: 470,
        cost_usd: 0.007,  // GPT-4o 大约的单价
    })
}

有了这些数据,在 Jaeger 里你要分析"今天哪个请求最烧钱"就是一键筛选的事。Span 的 attribute 支持按条件过滤,比如 total_tokens > 1000 的请求,或者 cost_usd > 0.01 的请求,点一下就能看到对应的请求详情。

四、生产环境的几个经验教训

实践过程中我还踩了不少坑,挑几个最有价值的分享:

  1. 批量导出有延迟:install_batch 是异步批量发送,程序退出太快会丢数据。必须在 main 最后显式调用 shutdown_tracer_provider(),或者用 install_simple(同步发送,但慢一点)。

  2. 不要在高频循环里打 info:如果你在处理一个 for 循环,里面每秒打几百条 info!,IO 会成为瓶颈。高频操作用 debug!,生产环境只输出 info 以上级别。

  3. Span 层级别太深:追踪粒度过细会导致火焰图太宽、难以阅读。一般建议:入口 → 业务逻辑层 → IO 调用层,三层够用。

  4. 敏感信息不入 Span:prompt 内容、API Key 这类信息不要写成 Span attribute,因为 Jaeger 是对团队可见的。我只记录 prompt_len 而不是 prompt 本身。

flowchart LR
    subgraph 你的CLI["你的 Rust CLI"]
        A[tracing Span] --> B{日志输出}
        B --> C[fmt layer: 终端/文件]
        B --> D[opentelemetry layer]
    end
    
    subgraph 可观测后端["可观测性后端"]
        D --> E[Jaeger: 分布式追踪]
        D --> F[Prometheus: 指标采集]
        C --> G[Loki: 日志聚合]
    end
    
    style 你的CLI fill:#e1f5fe
    style 可观测后端 fill:#fff3e0

五、总结

这篇文章记录了我从 println! 到 tracing + OpenTelemetry 的全过程。可观测性不是一个"等出了问题再加"的东西——等你真的出了 bug,没有追踪数据你两眼一摸黑,只能靠猜。

对于和我一样的自学选手,我的建议是:从 tracing 开始。它和 println! 的使用成本差不多,但给你的是一条阶梯式的升级路径——从结构化日志到分布式追踪,每一步都能平滑演进。不用一开始就上 Jaeger,可以先在终端看折叠的结构化日志;等 CLI 的功能定型了,再接上 OpenTelemetry 也不迟。

我现在的 AI CLI 工具,每次运行完都可以打开 Jaeger,看一次对话背后到底发生了什么——虽然不是什么大厂的微服务体系,但这种"看清楚自己代码在干什么"的感觉,真的让人踏实很多。

如果这篇文章帮你打开了可观测性的大门,欢迎点赞关注,我们下篇见!

Rust 部署机器学习模型:从 PyTorch 到高可用推理服务 机器学习模型部署是指将训练完成的模型(如 PyTorch、ONNX 格式)集成到生产环境,提供低延迟、高并发、资源可控的推理服务。其核心原理在于跨语言加载、计算图执行与运行时资源隔离,技术价值体现在确定性性能、内存安全性和静态可分发性。典型应用场景包括边缘AI设备、工业质检API、IoT终端推理及MLOps流水线服务化。本文聚焦 Rust 生态中基于 tch 绑定 PyTorch、Axum 构建 HTTP 服务、safetensors/ONNX 多格式支持等工程实践,深入解析模型序列化选型、GPU 推理优化 阅读详情

相关推荐

GPT-5.5 Instant:从AI调用到同步计算原语的工具链重构

大语言模型API正经历从‘异步请求-响应’到‘确定性同步计算原语’的范式跃迁。这一转变以低延迟、强Schema约束、内置多模态与工具路由为技术特征,其核心价值在于将AI能力下沉为可嵌入工作流的基础设施级组件。它直接推动协议层标准化(如兼容OpenAI response格式的服务端点)、编排层意图化(Prompt驱动的自动工具调度)和应用层声明式交互(自然语言即指令)。Rust与Zig因零成本抽象、确定性延迟与内存安全特性,成为构建高可靠胶水层的关键技术选型。

weixin_33720956的博客 378

BetterGI 状态机 StateMachineBase 实战:从零搭一个游戏自动化任务,重试和超时都不用你手写

做原神自动化任务,界面路径一旦拉长——主界面、活动菜单、传送地图、秘境入口、难度选择、战斗结算——用 `switch` 和 `if-else` 硬堆,超时判断会复制得到处都是,状态流转关系全藏在分支里,改一处要翻三处。BetterGI 的 StateMachineBase 就是为这个痛点准备的:你只写"每个界面长什么样"和"在这个界面做什么",检测、转移、转场确认、重试超时全部交给这个有限状态机框

gitblog_00901的博客 718

医疗人工智能的Harness Engineering:面向安全、可控与合规的大模型系统工程(九)

医疗人工智能的Harness Engineering:面向安全、可控与合规的大模型系统工程(完结)

AllenLV的博客 735

C 开发者转向 Rust:三阶段学习路径与 tracing 结构化可观测性实战指南

本文是仓库 [RustTraining](https://link.gitcode.com/i/d6c22a7a092d25bc9249fc95d445910f) 中面向 C# 开发者的专题教程《Rust for C# Programmers》(见 [book.toml](https://link.gitcode.com/i/01dee4fcf73bc11ae876f18854566a74) 的标

gitblog_09737的博客 475

【OpenClaw从入门到精通】第84篇:为什么选择本地部署的 AI Agent 平台(超详细实战版)

OpenClaw 是一个开源、本地优先的 AI Agent 运行时平台,旨在解决云端方案在数据安全、成本可控和架构自由上的痛点。其模块化微内核设计支持插件热插拔,允许自主选择模型(如 LLaMA、Qwen)并通过路由规则按任务切换;内置沙箱工具集(如 Python 执行、网页抓取、SQL 查询)强调最小权限与安全审计;全链路可观测性(Tracing、Audit)保障生产透明。文章对比了云端方案的费效比,提供了完整部署与工具扩展实战代码,并结合金融、医疗等场景给出合规配置建议,以及作者在部署中遇到的四个真实踩

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 231

【实战】ESP32 + LN298N 实现电动推杆的闭环位置伺服控制

本文详细介绍了如何使用ESP32微控制器和LN298N电机驱动模块,为普通电动推杆增加编码器反馈,实现精准的闭环位置伺服控制。文章从硬件选型与接线讲起,深入解析了编码器四倍频计数原理与位置换算,并重点阐述了PID控制算法的核心思想、代码实现及参数整定方法,旨在帮助读者从零构建一个反应迅速、定位精准的智能执行器系统。

weixin_29195615的博客 321

anarlog 可观测性规范全解析:OpenTelemetry、Honeycomb 与 Sentry 的命名、传播与隐私边界

本文以开源项目 anarlog(Granola AI 的开源替代方案)仓库根目录下的 [OBSERVABILITY.md](https://link.gitcode.com/i/4184c29f3229f4aa2ea19710e76bfd3e) 为规范骨架,系统拆解该项目在 OpenTelemetry(OTEL)、Honeycomb、Sentry 三套可观测性体系上统一的资源模型、字段命名、W3C

gitblog_00338的博客 366

(1)大蚂蚁即时通讯

即时通讯软件BigAnt(大蚂蚁)是杭州艾朴软件推出的一个”企业级”的即时通讯平台。该平台专为企业,其他企事业单位和政府单位而设计,目的就是为了增强内部沟通能力,提高内部员工的工作效率;同时服务器就直接置于单位内部,所有信息由单位自己管理,让单位以更安全、更可伸缩和更易于管理的方式灵活方便地使用协同和通信服务的功能! BigAnt(大蚂蚁)即时通讯软件包括服务器端和客户端。客户端功能包括单位

少安的砖厂 2239

【AI Agent】OpenAI Codex CLI 深度技术分析报告

一个用 Rust 编写、运行在开发者本地终端的 Safety-First Coding Agent,通过 OS 级 sandbox、双通道事件协议和可插拔 Model Provider,把 LLM 的代码生成能力绑定在受控的本地文件系统操作之上。

m0_58426858的博客 1523

playwright-mcp 安装使用的详细教程

Playwright MCP 快速入门指南 Playwright MCP Server 是由微软开发的浏览器自动化服务,通过 MCP 协议为 AI/Agent/LLM 提供网页交互能力。它基于可访问性树而非屏幕截图,支持多种浏览器和运行模式。 安装要求: Node.js v18+ 命令行操作能力 支持 MCP 的客户端 安装方式: 通过 npx 快速启动:npx @playwright/mcp@latest 项目依赖安装:npm install @playwright/mcp 主要特性: 支持 Chrome

上善若水 8025

基于Python批量获取过去某地某时的天气数据

此段代码为经Visual Weather API官网样例后修改。原代码返回数据格式为json,经测试json风速字段不可用,后改为返回数据格式为csv。若修改weather_api_endpoint,还可获取该地点的预测数据,但返回数据字段可能发生变化,请以官网文档为准。获取到的字段包括:平均温度、露点、湿度、风速、降雨量、能见度、云量、天气类型等。目的:已知某一地址,获取过去某一时间该地的天气数据,并能够批量运行。这一步也会有获取不到的时间和地点,因此为空白。此段代码为经百度地图api官网样例后修改。

wiseman1233的博客 905

crawlseo站点爬虫功能详解:16种SEO问题检测与健康评分机制全解

crawlseo 是一款开源的 SEO 监控面板,其中的**站点爬虫(Site Crawler)**是它的核心能力之一:它能自动爬取你网站最多 2000 个页面,逐页检查 16 种常见 SEO 问题,并给出一个 0–100 的**健康评分**与**内容评分**。对于不熟悉 SEO 工具的站长和开发者来说,crawlseo 站点爬虫把"网站体检"变成了一次点击:运行爬取,查看问题清单,按修复建议逐一

gitblog_00606的博客 377

Arm Neoverse CMN-700 QoS与PrefetchTarget架构解析

在现代多核处理器系统中,内存访问性能优化是提升整体效能的关键。QoS(服务质量)技术通过优先级调控机制,确保关键任务获得更高的缓存带宽和内存访问权限。PrefetchTarget作为预取技术的一种实现,能够显著降低内存访问延迟,特别适用于AI训练和数据库系统等高性能计算场景。Arm Neoverse CMN-700通过RN SAM模块实现了硬件级的地址范围检测和优先级调控,支持最多8个独立内存区域的QoS配置。测试数据显示,合理配置QoS可使关键任务延迟降低40%,而PrefetchTarget技术则能减少

weixin_36197669的博客 316

OpenIDEA Git 实战:提交推送、切分支、解冲突、交互式变基,4 个场景一次走通

OpenIDEA 是一个用 Rust 重写的 IntelliJ IDEA 风格原生 IDE,内置完整 Git 支持:本地提交、分支管理、可视化合并与交互式变基都按 IDEA 的习惯排布好了。这篇按你会真实遇到的场景走一遍:提交推送、切分支、解冲突、整理提交历史。 ## 写了一堆代码,想干净利落地提交并推送 先确认你在用哪种提交界面:**Settings › Version Control ›

gitblog_00404的博客 424

OpenCode:终端开源AI编程助手,多模型接入与实战指南

AI编程助手正在从IDE侧边栏走向终端环境。其核心原理是让模型直接读取项目文件、执行命令、查看报错,形成从诊断到修复的完整闭环,从而解决传统插件上下文割裂的问题。技术价值在于开源透明、模型无关,既可接入OpenAI等云端服务,也能通过Ollama连接本地模型,兼顾数据安全与离线场景。在工程实践中,它适用于长时间驻留项目、自动修Bug、团队统一AI工具链等需求。OpenCode正是这样一款终端AI助手,支持灵活配置第三方API密钥,提供免费档与Go套餐,并通过Skills技能系统让模型遵循标准操作流程。同时,

weixin_28745821的博客 329

STC15单片机实战项目软件开发第四讲 - 按键检测(状态机)

软件开发第四讲 - 按键检测(状态机) 一、工具链接 1、Keil c51 UV4 https://yunpan.360.cn/surl_yrIfYYmeRFk 2、STC-ISP下载软件 https://yunpan.360.cn/surl_yxH4CuUUvI3 二、学习板获取方式 方法1:自己设计PCB,自行打板焊接; 方法2:用群主设计的PCB,自行打板焊接; 方法3:向群主购买,淘宝链接...

硬件家园 3049

facebook/metaclip-2-worldwide-b16 的多语言秘密:90 万词表 XLM-RoBERTa 分词器深度拆解

facebook/metaclip-2-worldwide-b16 是 Meta 开源的 Distilled MetaCLIP 2 多语言模型检查点,内置一个词表高达 901,629 的 XLM-RoBERTa 分词器,让"文本—图像对齐"能力从英文走向全球语言。本文带你用 5 分钟拆解它的 7 个文件:词表为什么这么大、特殊 token 藏在哪、图文双塔如何对齐,以及如何用它做零样本图像分类。

gitblog_01068的博客 605

AI测试干货:Claude Code Skill 从入门到精通

本文介绍了Claude Code Skill功能如何解决AI重复工作问题。传统提示词方式需要人工复制粘贴,而Skill功能通过建立AI工作记忆库实现智能触发和分层加载。Skill包含工作指令、文档和资源,能自动执行任务。文章以API测试用例生成为例,展示了Skill的创建流程和结构化设计,包括测试框架、覆盖场景和输出格式,显著提升测试工程师的工作效率。

blues_C的博客 2445

Shuttle 运行时(shuttle-runtime)实战指南:从 `shuttle init` 到单命令部署 Rust 应用

Shuttle 是一个 Rust 原生的云开发平台,其核心目标是让开发者在不编写任何基础设施文件(如 Dockerfile、Kubernetes 清单、数据库初始化脚本)的情况下,用一条命令把 Rust 应用构建并部署上线。本指南以仓库中的 [runtime/README.md](https://link.gitcode.com/i/d4ac9c5f526288c6ebfc07425d992973

gitblog_01167的博客 27

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

ICLR2026重磅新作ReconViaGen完整解读:为什么“用生成做重建“是多视图3D重建的新范式

ReconViaGen 是 ICLR 2026 接收的 3D 重建新工作,核心思路是"用生成做重建":不依赖传统的点云优化与 SfM 流程,而是借助大规模预训练的 3D 生成先验,将多视图输入图片直接"生成"为完整、一致的 3D 物体(高斯泼溅 + 网格)。对刚接触多视图 3D 重建的朋友来说,它提供了更简单、质量更稳的替代路线。 ReconViaGen多视图3D重建方法效果对比图 ## 先看

gitblog_00876的博客 307

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

AI工程从零构建:Python/Rust/TS协同的生产级服务实践

AI工程不是算法研究,而是构建可部署、可监控、可演进的端到端系统。其核心在于掌握底层运行时原理——Python环境的确定性构建、Rust对内存与并发的精确控制、TypeScript在跨语言契约中的宪法级作用。这些能力共同支撑起模型推理服务的稳定性、可观测性与资源可控性。当CUDA OOM、类型推导失效或子进程泄漏成为日常挑战,真正的工程能力体现在对CPython编译链、torch.compile后端选型、cgroups v2资源隔离及OpenAPI驱动的类型同步等关键环节的亲手掌控。本文聚焦AI服务从空目录

weixin_28733637的博客 177

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

ReScript 编译器开发指南:基于 CLAUDE.md 的构建系统、编译管线与 AI 辅助开发实践

ReScript 是一个强类型语言,编译为高效且可读性强的 JavaScript。本指南围绕仓库根目录的 [CLAUDE.md](https://link.gitcode.com/i/846019cde990a8e2b9636e6bca791d5a) 展开,为 AI 编码助手和编译器开发者提供一份可落地的开发手册:从 `make` 构建链路、五阶段编译管线、分层调试技巧,到 Rust 构建系统 r

gitblog_00640的博客 229

OpenClaw 2026:开源项目架构、核心模块与社区治理深度解析

在软件工程领域,分层解耦与插件化架构是构建复杂、可扩展系统的核心设计思想。其原理在于通过清晰的边界和标准接口,将系统划分为独立且可替换的模块,从而降低耦合度、提升可维护性。这一架构的价值在于能够灵活应对需求变化,支持技术栈的平滑演进,并促进团队并行开发。在云计算、大数据和AI工程化等应用场景中,此类架构对于实现高效的资源调度、工作流编排和系统集成至关重要。OpenClaw项目正是这一理念的杰出实践,其自我研究报告深入剖析了如何将这一架构应用于大型开源项目,并分享了在动态工作流引擎和统一资源管理等核心模块实现

weixin_34345753的博客 469

用 uv 构建并本地安装 planoai:Plano Python CLI 的开发与部署工作流

在修改 Plano 仓库 `cli/` 目录下的代码之后,如何重新构建、安装并验证 `planoai` 命令行工具?本文以仓库内置的构建技能文档 [.claude/skills/build-cli/SKILL.md](https://link.gitcode.com/i/813d0620f79e331e0024ca92f72dd673) 为骨架,结合 [cli/README.md](https:/

gitblog_00895的博客 150

Folia 全屏歌词播放器安装教程:Windows / macOS / Linux 10 分钟点亮第一首歌

Folia 是一款以全屏沉浸式歌词动画为核心的开源音乐播放器,支持本地曲库、Navidrome 及网易云、QQ 音乐、酷狗等在线音源。本文只解决一件事:把桌面版装到你的系统上并跑通最小可用流程。按完步骤,你能登录音源或导入本地文件夹,播放第一首带歌词的歌并看到全屏歌词动画。 ## 动手前 - 确认系统:Windows、macOS(Apple silicon 或 Intel)或 Linux x6

gitblog_00369的博客 474

组网第63课:安全域划分——Trust/Untrust/DMZ、区域模型、与 VLAN 的关系

一组接口 + 一组策略 + 一条默认拒绝。一组接口:这个域包含哪些物理口、VLAN、子接口;一组策略:这个域到别的域放行什么、拒绝什么;一条默认拒绝:没写进策略的,一律不通。第三条最关键。没有默认拒绝,前面划的域全是装饰。

qq_36765170的博客 569
上一篇: 飞算JavaAI炫技赛实录:从零到一我给小区物业做了个报修看板系统
下一篇: Rust 学习曲线可视化:把学习路径画成登山图,标注每个阶段的关键里程碑
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论 1
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