glm-5.3 报 429 rate_limit_error 怎么办?请求频率降一半为什么还在限速?

大模型API调用三大错误码解析:Connection Error、401、429排查指南 在人工智能应用开发中,API调用是连接客户端与服务端的核心技术环节。其原理基于HTTP协议,通过请求-响应模式实现远程服务访问。稳定的API调用对保障应用可靠性具有重要技术价值,尤其在当前大模型广泛集成的应用场景下。然而,开发者常会遇到网络层、认证层和限流层的典型问题,例如连接失败、认证无效和请求超限等。本文聚焦大模型API调用中的高频问题,针对Connection Error、401 Unauthorized和429 Too Many Requests三大常见错误码,提供从网络诊断、密钥校验到流量控制的分 阅读详情

11 月 12 号晚上,我给一个代码任务批量补历史数据,把请求间隔从 500ms 拉到 1s,429 还是没停。

原因很直接:降低请求频率只影响 RPM。撞到每分钟 Token、并发连接数或账户额度时,频率降一半照样限速。正确的排查方式是分开测试 RPM、输入 Token 和并发数,再根据响应头决定退避时间。

按 2026 年 11 月 15 日实时模型目录核对,模型 ID 是 glm-5.3。目前公开素材没有给出 GLM-5.3 的官方 RPM、TPM、并发上限和 API 单价,下面不会瞎填。

为什么请求频率降了一半,429 还在?

同一个 HTTP 429,背后可能有这几类限制:

观察到的现象更可能撞到什么应该怎么处理
短请求连续发送后报错RPM,每分钟请求数降低发送速率
长上下文更容易报错TPM,每分钟 Token 数缩短输入、控制输出
单请求正常,并行就报错并发连接数信号量限并发、增加队列
所有请求持续失败余额、项目额度或 Key 权限查账单与项目配置
不同入口表现不同聚合网关或上游模型限流同时检查网关与上游响应

TPM 的统计口径可能包含输入、输出或缓存 Token,具体看服务商文档。这里的“输入量测试”是通过固定输出、增加输入来定位压力来源,不代表服务商只统计输入。

整个排查链路可以压缩成这张图:

flowchart TD
 A[收到 HTTP 429] --> B{错误 code 是什么}
 B -->|insufficient_quota| C[检查余额/项目/Key]
 B -->|rate_limit_exceeded| D[读取响应头]
 D --> E[单独测试 RPM]
 E --> F[单独测试输入 Token]
 F --> G[单独测试并发连接]
 G --> H[限并发+排队+随机退避]

为什么会出现这个问题

我当时抓到的完整错误长这样:

openai.RateLimitError: Error code: 429
{"error":{"message":"Rate limit reached for model glm-5.3. Please retry later.",
"type":"rate_limit_error","param":null,"code":"rate_limit_exceeded"}}

这是 OpenAI 兼容接口的常见格式示例,不是 GLM-5.3 官方承诺永远返回的固定文案。真正排障时,要保存自己收到的错误体和请求 ID。

还有一种错误也是 429,处理方式却完全不同:

HTTP 429
{"error":{"message":"You exceeded your current quota. Please check your plan and billing details.",
"type":"insufficient_quota","param":null,"code":"insufficient_quota"}}

遇到 rate_limit_exceeded,优先做限速和退避;遇到 insufficient_quota,去检查余额、套餐和 Key 所属项目。别一看 429 就无脑重试,挺烦人的,越重试队列堵得越长。

Web 或客户端订阅也不能直接等同于 API 配额。Claude Code Issue #16157 有 728 个点赞,反馈 Max 订阅快速触发 usage limits;Issue #38335 有 546 个点赞,讨论会话限额异常耗尽。这些案例只能说明不同产品层可能采用不同限额,不能直接套到 GLM-5.3 上。具体规则仍要向当前服务商确认。

方案一:先把响应头和错误体完整打出来

别只打印一个 429。状态码、响应头、错误体、模型 ID 和请求时间都要保留。

r = requests.post(url, headers=headers, json=payload)
print("status:", r.status_code)
print("headers:", dict(r.headers))
print("body:", r.text)

可以重点找下面这些字段,但不是每个平台都会返回:

响应头用途
Retry-After服务端要求等待的秒数或 HTTP 日期
x-ratelimit-limit-requests请求数上限
x-ratelimit-remaining-requests剩余请求数
x-ratelimit-limit-tokensToken 上限
x-ratelimit-reset-*对应配额的重置时间
x-request-id交给服务商定位日志

如果只想先看关键字段,可以这样写:

for k, v in r.headers.items():
    if "limit" in k.lower() or "retry" in k.lower():
        print(k, v)

没看到这些响应头,不代表没有限额。有些网关只返回错误 JSON,这时只能结合后台用量曲线定位。

方案二:把 RPM、输入量和并发拆开测

这是排障的关键。三个变量一起动,测完只会更懵。

1. 单独测试每分钟请求数

固定短提示词和低输出,把并发保持为 1,再逐步提高发送频率。每轮至少覆盖一个完整的 60 秒窗口,轮次之间等配额重置。

计算式很简单:

实测 RPM = 60 秒内成功请求数 + 被限速请求数
429 比例 = 429 请求数 ÷ 总请求数

如果在短输入、单并发的情况下,随着请求数增加稳定出现 429,RPM 就是主要嫌疑。

别一上来每秒打十几个请求。说实话,一开始我是拒绝慢慢测的,后来被重试风暴教育了:暴力压测只会把滑动窗口灌满。

2. 单独测试每分钟输入量

保持请求间隔不变,并发仍设为 1,只增加输入长度。输出上限也别动,免得输出 Token 干扰结果。

建议按 1 倍 → 2 倍 → 4 倍 增加输入,不要拿字符数硬猜 Token。最好使用当前模型或服务商认可的 tokenizer;如果没有公开 tokenizer,只能把输入长度作为近似值,并记录误差。

输入压力可以这样估算:

输入 TPM ≈ 60 秒内所有请求的输入 Token 总和
总压力 ≈ 输入 Token + 输出 Token + 可能计入的缓存 Token

请求数量没变,换成长输入后开始报 429,缩短上下文通常比继续降低请求频率更有效。RAG 场景里很常见:召回结果塞了几十段,RPM 看着不高,Token 窗口早就顶满了。

3. 单独测试并发连接数

固定每轮的请求总量和输入长度,只调整同时进行的请求数,比如 1 → 2 → 4 → 8。每轮结束后等窗口恢复,别把上一轮的压力带到下一轮。

这里要记录的是活跃请求峰值,不是“发送了几个”:

并发数 = 当前尚未收到完整响应的请求数量

流式响应会长时间占用连接。你可能一分钟只发 10 次,但每次生成都很慢,8 条流同时挂着,照样可能撞上并发限制。

我目前没找到比“固定其他变量、逐档提高并发”更可靠的通用办法。服务商直接返回并发剩余量当然省事;不返回,就只能老老实实做控制变量实验。

方案三:用限并发、排队和随机退避兜底

问题定位清楚后,生产环境不能靠 sleep(1) 硬扛。

我通常从下面这组参数开始。它们只是偏保守的工程初值,不是 GLM-5.3 官方限额:

参数起始值调整依据
Worker 数2并发测试后再提高
队列容量50超过后快速失败,防止内存堆积
最大重试次数5防止无限重试
基础退避0.5 秒无 Retry-After 时使用
退避上限30 秒防止单任务无限等待
排队超时60 秒超时后交给上层降级
安全系数0.8给突发流量留 20% 空间

并发可以根据实测数据重算,没必要拍脑袋:

目标并发 = floor(RPM 上限 × 平均响应秒数 ÷ 60 × 安全系数)

比如已经从服务商后台确认 RPM 上限为 R,实测平均响应时间为 L 秒,并发初值可以写成:

C = floor(R × L ÷ 60 × 0.8)

R 必须换成你自己的真实配额。本文没有 GLM-5.3 的官方 RPM 数字,示例参数不能当成平台承诺。

Python 里先用信号量卡住并发:

sem = asyncio.Semaphore(2)
async with sem:
    result = await call_model()

队列也要设上限,别让流量高峰把内存吃光:

queue = asyncio.Queue(maxsize=50)
await asyncio.wait_for(
    queue.put(job), timeout=60
)

退避时优先服从 Retry-After。没有这个响应头,再用 full jitter:

cap, base = 30, 0.5
raw = min(cap, base * 2 ** attempt)
delay = float(retry_after) if retry_after else random.uniform(0, raw)
await asyncio.sleep(delay)

随机抖动不能省。假设 20 个 Worker 同时收到 429,固定等待 10 秒,它们就会在第 10 秒一起冲回去,再撞一次,然后继续一起冲。场面非常整齐,系统也非常惨。

Retry-After 可能是秒数,也可能是 HTTP 日期。上面的短代码只处理了秒数格式,生产代码还要补上日期解析。我也不确定所有兼容网关是否都严格遵循这个标准,至少要把原始值记进日志。

方案四:区分官方入口和聚合 API 的两层限流

使用聚合 API 时,429 可能来自平台自身,也可能来自上游模型。需要同时保存请求 ID、响应头和错误体,不能只看客户端抛出的异常。

OpenRouter、Together AI 和 ofox.io 都属于可排查的国际聚合平台选项;ofox.io 提供按 Model、User 与 API Key 查看请求成功率、Token、费用和平均延迟的用量后台,遇到 429 时可以先确认是哪个 Key、哪一分钟、哪种模型出现尖峰。

兼容接口的基础调用可以这样配置:

from openai import OpenAI

client = OpenAI(
    api_key="your-key",
    base_url="https://api.ofox.io/v1"
)

模型必须使用目录里的模型 ID:

result = client.chat.completions.create(
    model="glm-5.3",
    messages=[{"role": "user", "content": "ping"}]
)

2026 年 11 月 15 日的目录确认该 ID 存在,但具体账户是否有权限、429 是否计入限额、各级账户的 RPM 与 TPM,仍应以实际后台和服务商规则为准。

常见问题 FAQ

Q:glm-5.3 报 429,是不是充值就能解决?

不一定。insufficient_quota 更偏向余额、套餐或项目额度问题;rate_limit_exceeded 通常要先检查 RPM、Token 和并发。直接充值可能完全没用。

Q:为什么降低一半请求频率,还是出现 rate_limit_error?

因为你只降低了 RPM。单次输入变长、流式连接没有结束,或者多个 Worker 同时调用时,TPM 和并发仍可能超限。把另外两个变量固定住,再分别测试。

Q:Retry-After 没有返回,应该等待几秒?

没有适用于所有平台的固定秒数。可以从 0.5 秒 基础退避开始,采用指数增长和 full jitter,上限暂设为 30 秒,再根据成功率调整。这只是工程起点,不是 GLM-5.3 官方建议。

Q:429 请求会不会扣费或消耗配额?

当前资料无法确认。不同服务商可能采用不同规则,要对照实际账单、用量日志和服务商文档。别默认失败请求一定免费,也别默认一定计费。

Q:并发应该设置成多少?

先从 2 开始做控制变量测试,再使用:

floor(RPM 上限 × 平均响应秒数 ÷ 60 × 0.8)

计算初值。流式输出、长推理和高延迟任务要留出更大余量。

我的最终选择

我现在处理 GLM-5.3 的 429,会先保存完整响应,然后跑三轮隔离测试:用短输入测 RPM,固定频率测输入 Token,固定总量测并发。确认限制类型后,再加上并发控制、有限队列、Retry-After 和随机抖动。

429 只是结果,得继续往下找原因。

请求频率降一半还报错,多半不是玄学,只是限错了变量。别继续拧那个已经没用的旋钮。

OpenClaw+飞书+千问智能办公体系稳定性实战指南 智能办公系统并非简单集成API,而是融合大模型调用、资源调度与平台协同的工程体系。理解RPM/TPM限流机制、Coding Plan配额逻辑及跨平台部署约束,是保障OpenClaw在飞书环境中稳定运行的基础。本文从千问模型的Token粒度计算、NAS/云主机/本地化部署的算力适配,到飞书Skill结构化交互、多维表格闭环协作等真实场景切入,解析如何规避‘能跑’却‘不稳’的典型故障。特别聚焦API限流误判、PATH注册失效、HTTPS证书陷阱等高频排错点,为技术团队提供可落地的智能办公健康体检方法论。 阅读详情

相关推荐

龙虾AI(OpenClaw Hub)Windows安装与模型路由实战指南

智能代理运行时框架是现代AI工程化落地的关键基础设施,它通过统一协议整合大模型、本地系统与第三方服务,实现AI从‘对话’到‘做事’的跃迁。其核心原理在于模型路由层与标准化适配器的解耦设计,技术价值体现在可编排、可监控、可审计的生产力集成能力。典型应用场景包括跨境电商客服自动化、多源数据协同分析、企业内网合规AI部署等。本文聚焦Windows平台下OpenClaw Hub的安装约束、WinUI 3界面支持、WSL2依赖机制及300+模型的声明式路由配置,解析‘龙虾AI’如何在不依赖Docker与GPU驱动的前

weixin_33863087的博客 504

DeepSeek EMAG接口解析与Python调用实战指南

AI服务网关中的接口标识符(如COM.MFASHIONGALLERY.EMAG)并非可直接访问的URL,而是模型路由标签,需结合真实网关地址、X-Model-Name头部及Bearer Token才能调用。其底层原理基于服务发现与模型白名单校验,技术价值在于统一纳管多模型API、实现业务隔离与流控策略。典型应用场景包括时尚电商图文生成、AI内容增强等企业级AI集成。本文聚焦deepseek-flash和deepseek-v4模型在Python环境下的正确调用路径、400/429错误根因分析及requests

weixin_33874713的博客 485

国内可用的Gemini平替方案:云API+本地前端实战指南

大语言模型(LLM)作为当前AI应用的核心技术,其本地化部署与合规接入已成为企业及个人开发者的关键需求。Gemini凭借在中文理解、长文本处理和代码生成方面的突出表现,成为高频选用模型之一;但原生服务在国内受限,催生了对‘国内可用’‘平替方案’的强烈搜索诉求。本文聚焦于如何基于已通过网信办备案的国产云平台(如阿里云百炼)调用Gemini兼容模型,结合轻量级本地前端实现低延迟、高隐私、强适配的生产级体验——不依赖境外网络、无需复杂运维,兼顾技术可行性与日常实用性,为中文用户构建一条稳定、安全、可持续的AI能力

cneo2012的博客 311

OpenAI API使用限制全解析:从速率限制到生产级架构设计

在构建基于大语言模型的应用程序时,API速率限制是开发者必须面对的核心技术约束。速率限制通常通过每分钟请求数(RPM)和每分钟令牌数(TPM)两个维度实施,其本质是服务提供商保障系统稳定性和资源公平分配的技术手段。理解这一机制的技术价值在于,它促使开发者设计出更健壮、可扩展的应用架构,而非简单地进行API调用。在实际应用场景中,无论是个人学习项目还是企业级生产系统,都需要根据不同的使用层级(如免费试用、按量付费、企业合约)来规划相应的技术方案。面对OpenAI等服务的交互次数限制,开发者可以通过实现指数退避

weixin_34166847的博客 410

手把手教你用若依WMS搭建企业级仓库管理系统(Vue+Spring Boot实战)

本文提供了一份基于若依框架(RuoYi)快速搭建企业级仓库管理系统(WMS)的实战指南。详细介绍了从环境准备、项目初始化到核心功能模块(如入库流程、库存管理看板)深度定制的全过程,并涵盖Lodop打印集成、移动端PWA适配及生产环境Docker部署等高级主题,帮助开发者高效构建稳定可用的WMS系统。

weixin_29015899的博客 565

土地利用数据从1972到2023:如何利用Landsat和Sentinel数据构建长期变化监测模型

本文详细解析了如何利用1972至2023年的Landsat和Sentinel遥感数据构建土地利用长期变化监测模型。通过多源数据融合策略、时间序列预处理流程和深度学习算法,实现高精度的土地利用分类与变化检测,为生态评估和城市规划提供科学依据。文章还探讨了验证方法和实际应用案例,展示了长期遥感数据在环境建模中的独特价值。

weixin_28720573的博客 447

Web 打印在 Firefox 与 Safari:分页与样式差异实录

同一份单据在三个内核下出纸,逐项记录分页和边框差异。本文结合具体场景讲清做法、常见问题与可复用的实现思路。

一天拉了7遍的博客 215

从零到一:基于STM8的125KHz RFID读卡器实现与曼彻斯特码解析实战

本文详细介绍了基于STM8单片机的125KHz RFID读卡器实现过程,重点解析了曼彻斯特码的编码原理与解码算法。通过硬件电路设计、软件实现及性能优化,帮助开发者低成本构建稳定读取EM4100卡片的系统,适用于门禁、考勤等应用场景。

weixin_42525211的博客 238

Jackson 序列化 / 反序列化注解 完整版笔记

Jackson 序列化 / 反序列化注解 完整版笔记

handsome_sai的博客 307

Python+OpenCV实战:雨天车牌识别准确率提升300%的5个关键技巧

本文针对雨天车牌识别准确率骤降的难题,分享了五个基于Python和OpenCV的实战技巧。通过暗通道先验去雾、雨纹抑制、光照不变量颜色空间转换、多尺度自适应阈值分割以及融合传统特征与轻量级深度学习的混合识别策略,系统性地提升了算法在恶劣天气下的鲁棒性。这些方法能有效解决图像模糊、对比度低、字符断裂粘连等问题,为智能交通等实际应用提供可靠解决方案。

k8l9m0n的博客 717

Spring Security 珍藏版快速入门

文章目录一、前期配置二、Spring Security 测试三、案例:自定义页面(XML配置用户信息)三、案例:自定义页面(数据库存储用户信息) 一、前期配置 (1)pom.xml <dependency> <groupId>org.springframework.security</groupId> <artifactId>spring-security-web</artifactId> <version>${s

南淮北安的博客 634

Web 版翻译者资料库

本项目是桌面版《翻译者资料库》的 Web 移植版,基于 Spring Boot 3.3、Thymeleaf、Bootstrap 5.3 与 MySQL 8.0 构建。它面向翻译写作提供资料、词汇、句库、文本工具、对照制作、查找、备份恢复及旧库迁移等功能,完整继承桌面版核心业务规则,支持一键启动与离线访问。

howard2005的专栏 185

LangGraph教程8:LangGraph流式处理

流式处理可显著提升基于LLM应用的响应性。LangGraph支持两种流式模式:values模式返回每一步的完整结果,适合需要完整上下文处理的场景;updates模式仅返回增量变化,适用于实时更新需求。示例代码展示了如何用create_react_agent实现这两种模式,其中values模式完整记录处理流程,updates模式逐步输出结果。通过异步迭代输出流,开发者可以灵活选择适合应用场景的流式处理方式。

Cachel Wood的博客 623

MCP 协议会成为前端 AI 工程的标准接口吗?

MCP(Model Context Protocol)正在成为连接 AI 模型与外部工具、数据源的一层通用协议。本文从 MCP 的核心机制出发,分析它在浏览器与前端工程中的落地边界,讨论它能否成为前端 AI 工程的标准接口,并给出当下更务实的架构选择建议。

m0_62937412的博客 387

实战封神!YOLOv7 轻量化部署全攻略:ONNX格式转换+TensorRT极致加速(速度直接提升3-5倍,精度无损)

部署核心链路,这是YOLO系列部署的最优解,速度提升3~5倍,精度无损;ONNX是桥梁:解决模型兼容性问题,简化后能去掉冗余节点,是TensorRT加速的前提;TensorRT是核心:NVIDIA显卡的极致加速引擎,FP16量化是速度与精度的最优平衡,无需手动配置,一键开启;轻量化终极组合YOLOv7-tiny + 416尺寸 + TensorRT FP16,速度提升5~8倍,满足所有实时检测场景;避坑核心:转换参数必加,推理尺寸必须一致,engine文件显卡专属。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 308

Open Dynamics Engine(ODE)物理引擎基础教程(I)——特点介绍

下一教程 Open Dynamics Engine(ODE)物理引擎基础教程(II)——相关概念 (在这一教程中将学习刚体、关节、碰撞的概念在ODE中的特点) 本文结构引言介绍特点使用ODE总结 引言 本文翻译自ODE官方教程英文版,有些地方增加了自己的理解。这一节介绍ODE的相关概念。 基础教程英文原版链接【http://ode.org/wiki/index.php?title=Manua...

腿足机器人领域 1680

LangGraph 本地 build 频频翻车,最终在服务器跑通流式对话

先说结论:我本地那个,一次都没成功过。三次,三次,全挂在拉镜像上。而顺得像刚上过油。这就很像我高中那辆自行车:骑着能走,一上锁就坏。那天晚上我盯着终端里那行红字看了很久,想的不是技术方案,想的是——为什么同一个工具,可以一边让我觉得自己很行,一边让我觉得自己不太行。

人工智能AI技术 323

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

带着小白学习-微服务-6 实战:网关

地址栏输入:http://localhost:8088/goods/index,这时候就不是到8100端口去调用了,而是8088直接通过路由转发,分别到nacos对应的goods对应的服务中区调用。** 可以看出,这里将前面已经正常运行的server-store子工程(库存服务,服务提供方),server-goods子工程(商品服务,服务消费方)。(1)uri: lb://store 代表要到nacos的注册中心的服务列表中找到服务名为store的微服务;,网关是做路由转发,不是服务调用;

wdyan297的博客 247

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

海外平台频繁弹验证?从 DNS、WebRTC 到浏览器指纹的环境异常排查清单

在运营多地区海外平台账号时,即使代理节点通畅、TCP 握手成功,仍可能遇到频繁人机验证、地区限制、播放失败等异常。核心结论是:这类问题往往不在网络传输层,而在浏览器环境参数与网络出口之间的逻辑自洽性。本文从 DNS 泄漏、WebRTC 穿透、时区与语言匹配、Canvas/WebGL 指纹、TLS 特征五个维度,给出一份可复现的环境异常排查清单,并对比个人手动配置与工程化环境管理方案的适用边界。适用于跨境运营、多账号运维团队。

P1Browser【p1指纹浏览器】的博客 237

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。

智能问诊的流程

本文介绍基于FastAPI构建的医疗多Agent系统MediAgent,通过症状分析、诊断推理与治疗建议等模块协同,实现从问诊到报告生成的完整工作流。系统采用前后端分离架构,结合MySQL、RabbitMQ与Docker实现工程化部署,支持异步化验结果接入。虽当前状态暂存于内存,但已具备可扩展性,未来可通过Redis持久化、消息队列联动及医疗安全机制完善,应用于慢病管理、辅助决策等场景,推动AI在医疗流程中的落地应用。

Joey 的工作空间~ 787

SSD测试工程精通系列 17|TRIM与UNMAP洪峰下的GC竞争(命令风暴与后台任务调度)

本文深入探讨NVMe SSD在面临TRIM/UNMAP命令洪峰时,后台垃圾回收(GC)与前端IO的竞争机制。从协议解析、固件调度、硬件架构到物理层信号,全面剖析命令风暴对QoS和WAF的影响。结合Samsung、Micron、Kioxia等厂商实测数据与失效案例,提供从测试注入、仪器抓取到工程取舍的全链路验证方案,助力资深测试工程师攻克存储性能断崖难题。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 249

基于 YOLOv8 的森林火灾检测系统(Web 版)

本项目面向林区早期火情识别场景,使用YOLOv8完成火焰(Fire)与烟雾(Smoke)两类目标的检测模型训练,并以FastAPI构建 Web 检测平台,把模型能力封装为可直接登录使用的系统。平台除常规的图片、批量、视频、摄像头检测外,还提供同图多权重对比、数据集浏览与标注核对、模型热切换,以及把训练搬到网页上的能力:可在浏览器配置超参数发起真实训练,训练中在线调整学习率、查看进度与动态曲线,训练完成后下载产物或直接应用到检测。

Michael_Jay的博客 71

HTML5 History API 详解:前端路由底层原理

pushState改 URL 不刷新popstate接浏览器导航服务端必须兜底 SPA 入口前端路由的本质不是“魔法”,而是:把「URL 字符串」变成「组件渲染函数」的映射表,再让浏览器历史栈和这张表保持同步。

2603_94941239的博客 222

身份验证漏洞专题(三):持久登录、密码重置与密码修改中的凭据绑定缺陷

密码登录与双因素认证是身份验证的主干流程,但一个完整的认证体系还依赖三类辅助机制:持久登录("记住我")、密码重置、密码修改。这三类机制的共同特征是:它们同样携带或验证凭据,同样直接决定认证状态的归属,但实现时获得的防护强度往往远低于登录页面本身。攻击者绕不开登录接口时,常常可以从这些辅助入口进入。

2401_85321170的博客 654

2026 年前端框架排行榜

前端框架是用于构建用户界面的工具集合,通过预设组件、网格系统和样式规范提升开发效率与可访问性。2026年主流框架包括:React(生态领先,适合全栈)、Next.js(SSR/SEO优化,主流选择)、Vue(学习友好,中小团队首选)、Angular(企业级稳定)、Svelte与Astro(性能突出)。趋势显示,服务端渲染、TypeScript、AI工具融合及轻量化成为关键方向。就业建议:优先学React+Next.js;追求易用选Vue;企业级项目可学Angular;追求极致性能可尝试Svelte或Astr

lxttzlove的博客 302

Vue 前端开发 AI 对话页面:流式消息渲染、文件上传

关键点是不能手动设置 Content-Type 为 multipart/form-data,必须由浏览器自动生成带有 boundary 的请求头,否则后端无法解析。思路:将对象序列化为 JSON 字符串,作为 FormData 的一个普通字段(如 formData.append(‘payload’, JSON.stringify(data))),后端接收该字段后再反序列化。若上传大文件(>10MB),需实现独立的分片上传接口,在提交对话前先获取文件 id 或 url,再随文本发送引用。移除输入框的禁用态;

2402_85729970的博客 399
上一篇: cc-switch + Codex CLI + gpt-6.1-terra 多环境教程:切换后仍走旧线路的完整排查方法
下一篇: Gemini 3.5 Flash 遇到 503 UNAVAILABLE 怎么办?连续重试为何反而更慢
ofoxcoding
博客等级 码龄1年 167粉丝 85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