ocUi2Sj9N的博客

原创 14、Reader的源码、FilterReader源码、PushbackReader源码（windows操作系统，JDK8）

提供了回推机制，在解析文本（如编译器前端）时非常实用，避免了字符的重复读取。掌握这些核心类的源码，不仅能帮助我们更高效地使用 Java I/O，还能启发我们在设计中运用模板方法和装饰器模式解决实际问题。回推字符，实现数字的连续读取- 当遇到数字时，先回推再循环读取，避免重复判断—#### 示例2：自定义 FilterReader 实现字符过滤。的子类，它增加了“回推”功能：允许将已读取的字符推回流中，以便再次读取。方法- 在读取后立即将字符转换为大写，实现装饰器模式的功能增强—### ## 总结通过对。

原创 213000星的Superpowers，90%的人只用了它10%的功能

今天，我们就来撕开这层伪装，探索那些被忽视的超级功能，让 VS Code 真正成为你的“超级武器”。但真相是：它内置的功能深度，远超你想象。—## 功能一：多光标编辑 —— 批量修改的“分身术”想象一下，你有一个包含 100 行的 HTML 文件，每行都有一个。—## 总结VS Code 的“超能力”远不止于此：从远程开发（通过 SSH 连接到服务器）、到 Live Share（结对编程）、再到强大的扩展生态系统（比如 Python、GitLens、Prettier），它几乎能胜任任何开发场景。

原创 Agent Harness 实战指南：构建生产级 AI Agent 的“马具“框架

安全第一。

原创 Magicodes.IE.IO：导入和导出 API

/ 定义学生信息模型public class Student{ [ImporterHeader(Name = "姓名")] // 导出/导入时的列名 [ExporterHeader(DisplayName = "姓名")] public string Name { get;set;

原创 用C语言实现单片机malloc功能：TLSF算法实现单片机malloc函数及单片机malloc原理详解和测试

我们从动态内存管理的基本原理出发，逐步设计了TLSF的数据结构，实现了核心的分配和释放函数，并通过测试验证了其功能。TLSF算法的关键优势在于其O(1)的时间复杂度和较低的碎片化，非常适合资源受限的嵌入式系统。TLSF算法将内存块按大小分类为多个“箱子”（bins），每个箱子对应一个大小范围。## TLSF算法实现：数据结构设计首先，我们需要设计数据结构来管理空闲块。## 单片机malloc的基本原理动态内存管理的核心任务是从一个固定的内存池中分配和释放内存块。：按大小的大致范围划分（例如，2的幂次方）。

原创 前端如何做监控体系（埋点 → 上报 → 分析 → 数据分流）

本文将从实战角度出发，用代码演示如何构建一个完整的前端监控体系，涵盖埋点、上报、分析和数据分流四个关键环节。## 3. 分析：从数据中提取价值分析通常在后端进行，但前端也可以做轻量级实时分析（如计算错误率、页面性能均值）。## 4. 数据分流：提高处理效率当数据量巨大时（例如百万级PV），需要将不同类型的事件分流到不同的处理管道，避免相互阻塞。在实际项目中，还需要考虑数据隐私（如脱敏）、采样率控制（降低存储成本）、实时与离线分析结合（如Flink+MySQL）等。本文通过实战代码演示了：-

原创 2024-2026最新AI热词终极科普：按时间线读懂Agent时代完整进化

从2024年的“RAG+多模态”为AI装上耳朵和眼睛，到2025年的“Agent+MCP”让AI学会使用工具，再到2026年的“多Agent协作+可解释性”使AI成为可信赖的智能伙伴——这三年，我们见证了AI从“工具”到“助手”再到“队友”的进化。你可能已经听到过“Agent”、“RAG”、“多模态”、“MCP”、“自主工作流”这些热词，但它们的含义、关系、以及如何串联成一条完整的技术进化线，却少有人讲清。：2026年的AI不是“一个超级模型”，而是“一群专业Agent”的协作网络。

原创 Calico IPIP CrossSubnet 与 IPIP 默认模式对比

IPIP 默认模式calicoctl。

原创 如何更优雅地提供 MCP Resources

原创 [MAF预定义ChatClient中间件-08]OpenTelemetryChatClient-实现链路跟踪和性能监控

零侵入性。

原创 小鹤音形词典：一个离线小鹤编码查询桌面工具

原创 Apache SeaTunnel AI CLI Benchmark：7 款大模型、100 个 ETL 任务实测，谁真正能跑起来？

table-name框架特异性逻辑一致性给出明确Schema。

原创 PF 笔迹延迟优化从硬件到软件的全链路分析

UWP 的笔迹还自带预测算法。如果渲染发生在帧周期的早期（即距离上一次垂直同步信号刚过去不久），那么这一帧能带上的"最新"触摸点，实际上是 16ms 之前的点——因为最新的触摸点要等到下一帧才会被渲染。许多触摸框在固件层面内置了平滑算法，即使已经收到了两个新的触摸点，也不会立即推送给系统，而是选择"驻点"——将点暂存起来，等到积累了足够多的点之后，再做平滑处理，然后再逐渐推出去。例如，在白色背景上画黑色笔迹，和在白色背景上画红色笔迹，由于涉及的灰阶切换路径不同，测出来的延迟可能相差几毫秒甚至更多。

原创 让 AI Agent 替你做 iOS、Android 自动化测试，能平替 Appium？

它叫 agent-deviceCallstack 出品，MIT 开源，JPMorgan Chase、Expensify、Shopify 的团队都在用。一句话介绍：它是一款开源给 AI Agent 用的设备自动化 CLI，iOS、Android、TV、桌面全覆盖，目前在Github上，该项目star数接近4k。安装方式（Node.js 版本需大于22.12）：注意——它不是另一个 Appium。Appium 的逻辑：你写脚本，一步步告诉它怎么点、怎么填。

原创 [深入理解 Rust] 1 生命周期

所以, 我们必须将 foo 改为 foo<'a>, 这个代表我们从外部传递进来一个生命周期 'a, 参数 a 和 b 的生命周期是这个 'a. 所以, 在这个函数中, 参数 a 和参数 b 的生命周期是一样的.而两个不同的生命周期, 在 rustc 的眼中, 它们的类型其实是不一样的. 也就是说, &'a str 和 &'b str 是两个不同的类型.所以, 我们可以看到, 若 T 为引用类型, 纵然 &'a T 的生命周期 'a 被协变了, 但是 T 是不能变成比它更小的生命周期的.生命周期到底是什么?

原创 导出：对象怎样变成 ZIP 输出

输入流、ZIP 解压、当前行缓冲和业务对象也都占用内存。写入侧的热点路径会尽量减少临时数组和字符串：池化字节缓冲、UTF-8 直接格式化、固定 XML 片段和生成的 cell writer 都服务于这个目标。Xlsx.ReadAsync(Stream, …这也是本文后续按“包结构、单元格、字符串、映射、异步”来组织，而不是把导入和导出拆成两套薄文章的原因。因此文章中的性能结论必须限定到具体 API、TFM、数据形态和输出/输入目标。稀疏列 / inline string / SST / 富文本。

原创 Token 和上下文窗口——AI 记性的秘密

而如果你用的是 DeepSeek V4、Kimi K3、Qwen3.7-Max 或 GLM-5.2 这些国产新模型，上下文窗口到了 100 万 Token——大约 75 万个中文字，够塞一整部《三体》。你说了问题，AI 开始读代码——正常。实际体验中，你把一部长篇小说整本丢进去，AI 可能对中间部分的信息抓取没那么准——就像你通宵读完一本厚书、第二天让你回忆第 137 页第 3 段写了啥，你也未必能精准复述。AI 虽然还能「看到」开头，但就像人翻一份 50 页的文档——最前面几页的内容，注意力覆盖不到了。

原创 assert和cerr

可以写成assert(exp && “提示语句”)，这样在断言失败时终端就会输出提示语句，可用于区分不同的assert。cerr用于在本地运行时输出一些变量的中间结果，但是提交时评测机不会把cerr的输出放入标准输出，所以cerr可以不被注释掉，参与本地地调试输出，极少量（如一两条）且不在循环内的 cerr 通常不会造成 TLE，但提交前最好养成全部注释或删除的习惯，避免遗忘。如果对于某个测试用例发生了断言失败，评测机会立即返回RE，而不是WA，这省去了大量的debug时间。

原创 高光谱拼接算法（七）USAC

而从这个思路出发，一个很直接的想法就是用总误差排序，但仔细想想，这种方法受离群点影响严重，很容易出现“99 个完美匹配被 1 个极大误差拖后腿”的情况，因此无法真实应用。这里提前说明一点：USAC 的原论文在 12 年发表，但其中组件也在不断更新，本文介绍的是 OpenCV 的现代 USAC 管道，因此出现年份更新的论文和技术是正常的。，这其实是内外点阈值的上层逻辑，它是指相机精度本身造成的误差，比如工业相机精度较高，同一个特征点每次检测的结果间可能存在。误差越大，贡献应逐渐降低，而不是突然变成 0。

原创 计算机视觉（Computer Vision, CV）-AI 相关概念之（核心技术与架构）

分词与嵌入：NLP 首先将文本拆解为标记（Token）（如：单词、子词），再通过词嵌入（Word Embedding）技术将每个标记映射为高维向量。例如：在句子“它追着球跑，因为兴奋”中，模型会识别“它”指向“狗”（而非“球”），从而捕捉长距离语义依赖。例如：输入“今天天气很__”，模型会计算“好”“晴”“冷”等词的概率分布，选择概率最高且符合语境的词。Simulator 层：中期壁垒，要求模型维护物理一致性（如：物体状态、空间关系），使生成内容“可被使用”（例如：电商场景中保持商品主体一致）。

原创 支持JavaScript基础语法和数据类型，以及数组、集合、字典、对象操作。 支持require引用模块。 二、安装 1 install-package AScript 2 install-pac

/ 截取列表[2,4)：[3, 4]21 [1, 2, 3, 4, 5].splice(1, 2);// 截取并返回列表：[2, 3]19 [1, 2, 3].unshift(5, 9, 10);

原创 kubectl taint node node1.org study=nohard:NoSchedule

复制代码metadata:spec:selector:template:metadata:labels:app: myapp2 #注意：此处labels和selector中label必须相同spec:复制代码只调度到node2，node1有污点不调度复制代码复制代码Tolerations 容忍度属性Tolerations 是Pod上的属性，Tolerations如下定义复制代码。

原创 数据库软限制相关研究

某服务器在执行全量备份期间，MySQL 错误日志中出现如下报错：OS error 24（EMFILE）表示进程打开的文件描述符数量已达到操作系统限制。在备份过程中，InnoDB 需要同时访问大量 .ibd 数据文件，导致瞬时文件描述符需求大幅增加，从而触发该限制。此次报错反映出数据库实例及相关进程在操作系统资源软限制（soft limit）和 MySQL 文件描述符参数两个层面存在配置不当的问题，需要对相关参数进行统一梳理与优化。同时也需要对数据库实例的相关资源使用进行系统性的研究。

原创 传统 ELT Ingestion 正在崩塌，SeaTunnel“力挽狂澜”

Zeta 借鉴了 Chandy-Lamport 算法，在不依赖外部重量级引擎的情况下，在底层原生实现了分布式的 Checkpoint 机制，确保在任何网络波动断开时，都能实现 Exactly-Once（精准一次） 的断点续传。无论是 MySQL 的 VARCHAR、Elasticsearch 的 Object、还是 Milvus 的 FloatVector，在进入 SeaTunnel 的瞬间，都会被抹平底层差异，转换成 SeaTunnel 内部定义的标准数据结构。

原创 Hermes 上下文压缩架构：长任务 Agent 不失忆的几个关键设计

一次真实的工具型会话里，系统提示、历史消息、工具调用、终端输出、文件读取结果、截图、代码片段都会在每一轮重新塞回模型。provider 返回 413、context overflow，或 Anthropic 长上下文层的 429 时，Hermes 会进入错误恢复压缩。压缩刚结束时，系统还没拿到下一轮 provider 的真实 usage，此时把 token 视为 0，避免刚压完就被 schema 粗估拉回压缩循环。gateway 如果也按 50% 触发，长会话会在很多轮里提前压缩，成本高，信息损耗也大。

原创 11 万 Star 的 Spec Kit，90% 的工程师只用它解决了 10% 的问题

上个月我在用 Claude Code 开发一个新功能，需求说得很清楚：「给用户列表页加一个按注册时间排序的功能」。AI 给出的代码看起来很完整——接口、Service 层、前端组件都有。但跑起来发现：排序逻辑用的是前端分页后的本地排序，不是数据库层面的排序。数据一多就废了。改完这个，又发现它用的是创建时间字段，而不是注册时间。我花了半小时 Prompt，AI 花了半小时「改」，最后代码改了七八版，还是有问题。

原创 基于Python+Django的健身房管理系统实现：核心亮点全流程解析

SIMPLEUI_HOME_TITLE = ‘运营总览’通过Admin的fieldsets实现表单字段分组，list_filter与search_fields提供多维数据检索能力，list_per_page控制分页数量，全面提升后台操作效率。2.3 数据可视化仪表盘实现运营仪表盘通过聚合查询生成统计数据，前端通过ECharts渲染图表，实现数据的直观展示。

原创 IntelliJ IDEA 之插件扩展

因此，在联网环境中，在线安装插件后，可以从这里找到插件文件，传输到内网环境中进行离线安装。如上图所示，当执行鼠标操作时，如果该操作可被快捷键代替，插件会给出提示，可以帮助自然形成使用快捷键的习惯，告别死记硬背。如上图所示，在“插件”的“Marketplace”界面中，搜索插件名称，即可在线安装插件。如上图所示，在“插件”的“已安装”界面中，右击要停用的插件，然后选择“禁用”即可。如上图所示，在“插件”的“已安装”界面中，右击要卸载的插件，然后选择“卸载”即可。如上图所示，可以从磁盘中离线安装插件。

原创 筛完 1400+ Skills，这 5 个让 Claude Code 效率提升 3 倍

需要说清楚的是： 它能给你一个"风格上有特色的 UI"，但不能给你一个"符合你们产品设计系统的 UI"。如果你的产品有成熟的设计语言，还是要靠 brand-guidelines skill + 设计 token，前者是补 Claude 的能力短板，后者是对齐你的设计系统，这两个问题不一样。skill-creator 这个官方工具在这里是有意义的：它帮你构建自己的 skill，并且能做 A/B 测试，测量你的 skill description 激活率（经过优化后，激活率可以从 20% 提升到 90%）。

原创 ICLR 2026 | LiveMoments 用参考图引导的扩散模型提升重选封面帧画质

通过利用 Live Photo 中自带的高清原始封面帧作为参考，LiveMoments 能够在保持内容一致性的同时，显著提升重选封面帧的画质，使其真正达到可作为封面的视觉质量。它由一张高清封面图和一段短视频共同组成，既保留了照片的清晰质感，也记录了拍摄瞬间前后的动态信息。通过利用 Live Photo 中天然存在的原始封面帧作为参考，LiveMoments 采用双分支结构的设计，并结合统一的运动对齐模块，能够有效将原始高质量封面帧中的结构与纹理信息迁移至重选封面帧中，在复杂场景下依然表现出稳定的性能。

原创 Cloud Agent 开发笔记(4)：Skill 与 MCP 集成、项目后记

这个机制是我翻 CC 源码才知道的，也说明了一个事实：即使开了 ephemeral，用户的上下文信息并不是完全不缓存，只是缓存的生命周期被限制在单用户、短时间内。V2 的前提完全不同：一份财务业务技能的 SKILL.md 里可能包含银行对账逻辑、账户字段映射、特殊处理规则，这些是给 Agent 执行用的，不能让普通用户在对话里通过"帮我读一下那个技能文件"就看到全部内容。但它俩的运行时前提完全不同：CC 是单用户本地 CLI，MCP 连接生命周期等于用户会话：启动连上，干完活退出，最长几十分钟。

原创 AI Coding 如何影响交付链路重构：写代码更快了，为什么人反而觉得更累了？

线上项目里，最危险的从来不是“有 bug”，而是 ​低质量方案以更快速度流入测试阶段​，再把成本转嫁给 QA、RD 和后续的质量评价体系。某些团队在引入 AI 之后，会更频繁地遇到这种局面：代码更早 ready，测试阶段暴露的问题更多，大家开始围着“这算不算 bug”“这个要不要拦”反复拉扯，最后消耗掉的不是机器算力，而是人对质量边界的耐心。所以真正稀缺的能力，不再只是把功能写出来，而是把 ​不该做的东西挡在系统外​，把 ​该做的事情描述得足够清晰​，把 ​该拦的风险拦在进入主干之前​。

原创 [Full Clock 技术复盘] 二、SvelteKit 实战避坑指南：PWA、SSR 样式断裂、持久化防抖

否则你还要去找各种文件；套了 i18n 你就更不知道生成文件的目录了，导致前端每次都会报错：全智能处理，框架原生支持。

原创 专注于C#/.NET的技术博主和开发者

大家好，我是码农刚子。今天跟大家聊聊我用AI开发两个出海工具、一个月后收入为零的完整经历，深刻揭示了成功故事背后的诸多陷阱：开发仅占全部工作量的10%，推广运营才是真正的关键；同质化竞争异常激烈，免费用户转付费的转化率极低；真正能赚钱的方式其实是卖课卖社群。刚子最后建议开发者务必先验证需求、主动避开红海赛道、提前想好明确的付费场景。