- 博客(75)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 Kafka调优与运维
9.2 Broker 端调优9.3 OS 级调优9.4 JVM 调优（含 G1 vs ZGC vs Shenandoah 选型）9.4.1 为什么 Kafka Broker 默认推 G1，而不是 ZGC？（高频追问）核心结论一句话：具体拆解：1）Kafka Broker 的内存模型决定了堆很小Broker 堆里到底放了什么？2）ZGC 的优势场景与 Kafka 不匹配3）ZGC 在小堆上的反向代价4）什么时候 Kafka 才考虑 ZGC？9.4.3 Generational ZGC 配置（
2026-05-08 20:49:11
476
原创 如何吊打面试者-面试官初体验
开场白作为久经沙场的我(也就3年工作经验)，也是经历了几十场的面试，可以作为面试官，我还是头一次，接下来分享一下这场面试的经历。背景由于业务需求量大增，开发人手不足，招聘任务也就落到我们几个高级开发身上。接到HR发给我的简历，一看六年工作经验，作为三年开发经验的我，当时心里还是蛮紧张的，心想别被吊打了（敖丙的吊打面试官系列看多了），仔细看了一下简历，简历技能内容如下：熟悉java,设计模式，有良好的编程习惯。熟悉jvm内存管理机制，熟悉并发编程。熟悉tomcat,redis,RabbitM
2020-05-24 22:56:27
631
1
原创 JS实现列表的部分展开,收起及换一换功能
<div> <p class="classify"><img src="${ctxStatic}/img/top.png" alt="">关键词 <span>Key word</span></p> <ul
2018-06-04 22:13:27
2281
原创 Cursor配置DeepSeek API教程：BYOK自带Key，月账单从20美元降到2美元（附避坑指南）
本文详细介绍Cursor通过BYOK（Bring Your Own Key）方式接入DeepSeek-V4和Kimi-k2.7-code的完整配置步骤，包含curl预测试方法、成本对比分析和五个高频报错的解决方案。适用于想降低AI编程工具开销的开发者。
2026-08-26 21:26:25
468
原创 边缘推理-端侧与云边协同
🏠｜ ⬅️｜ ➡️：Staff 级——ONNX / TFLite / CoreML / MLX、端侧更新、、云边协同；含 Mermaid、口播题、STAR-M-P、Checklist。
2026-08-04 22:06:10
206
原创 边缘推理-端侧与云边协同
🏠｜ ⬅️｜ ➡️：Staff 级——ONNX / TFLite / CoreML / MLX、端侧更新、、云边协同；含 Mermaid、口播题、STAR-M-P、Checklist。
2026-08-02 17:13:26
272
原创 数据管道-训练数据集与版本化
训练数据集不是某次 Spark job 导出的 CSV，而是带契约（Contract）不可变快照（Snapshot）血缘（Lineage）与合规生命周期的可审计制品；与 Model Registry 的绑定后，才能回答「这个 prod 模型到底吃了什么数据」。
2026-07-27 22:50:57
182
原创 实验平台-AB测试与效果归因
实验平台= 在用户/商户级随机化下对比 ML 模型或策略的因果效应，以统计显著 + 业务护栏。指标定义窗口护栏授权成功 / 发起实时一级漏放欺诈 / 总欺诈T+7 proxy主指标误杀 / 总拦截实时一级拒付 / 成功交易T+30长期授权链路延迟实时性能实验报告模板1. SRM χ² p-value（必须 >0.01）2. 主指标 + 95% CI + MDE 达成否3. 护栏: auth_success, false_block, p99。
2026-07-25 17:36:22
241
原创 MLOps-CI-CD-CT流水线
MLOps= 把支付 ML 的代码、数据、特征、模型变更纳入可审计、可回滚、可自动重训的工程体系——核心是CI（变更测试）+ CD（Canary 部署）+ CT（漂移/定时触发重训）闭环。
2026-07-22 22:03:02
265
原创 模型Serving-推理优化与缓存
模型 Serving= 把 Registry 中的模型 artifact 在SLA 约束下转化为低延迟、高可用、可回滚授权链路 fraud_score P99 <15ms路由决策 P99 <25ms。
2026-07-20 22:24:41
241
原创 模型训练-分布式与GPU调度
训练平台= 把 Feature Store 产出的版本化训练集在可复现、可调度、可容错的算力上跑成Registry 中的模型 artifact——支付域同时承载日更 XGBoost（CPU/GPU）周更深度模型与偶发 LLM 微调三类 workload。
2026-07-19 16:49:46
249
原创 特征平台-Feature-Store设计
面向 ML 的特征数据平面 + 元数据控制平面：统一定义特征逻辑、分别物化到离线训练存储与在线低延迟存储，并提供防泄露、血缘与质量监控——在支付域，它是风控/反欺诈/路由评分三类模型共享 velocity 特征的唯一可信来源。
2026-07-18 07:51:02
328
原创 Structured-Output与Constrained-Decoding
让 LLM 的输出严格符合预定义的结构（JSON、XML、特定语法），使下游系统（Agent 工具调用、API 集成、数据管道）能确定性解析，而非靠正则从自由文本里抠。在采样层加约束——每生成一个 token，根据当前已生成内容和 grammar（JSON Schema/正则/CFG），把所有「会导致非法」的 token 概率置零，模型只能选合法 token。约束在采样层而非事后校验，所以语法上不可能错——它根本没机会选到非法 token。
2026-07-17 06:23:12
409
原创 推理加速-Speculative-PrefixCache与Chunked-Prefill
用一个小/快的 Draft 模型先猜 k 个候选 token，再用大模型一次前向并行验证（而不是 k 次串行）。接受规则：若小模型概率 ≤ 大模型概率则接受，否则按1-p/q概率拒绝并从修正分布重采样。数学上保证输出分布与大模型单独采样完全一致——无损。加速来自：小模型猜对的部分是白赚的。代码/结构化场景猜对率高，加速 2-3x；创意写作收益低。
2026-07-16 06:11:22
236
原创 Agent评估基准-τ-bench-SWE-bench与轨迹评估
Agent 评估：衡量一个多步、有状态、会调用工具的系统，在完整任务上的表现——不只看最终答案，更要看决策轨迹（trajectory）：每一步选对工具了吗、参数对吗、该停的时候停了吗、不该调的时候没乱调吗。τ-bench 是 Anthropic 提出的业务 Agent 基准，模拟零售/航空客服，Agent 可调业务 API 且必须遵守业务策略（如「起飞前 24h 不可退」）。它的核心创新是 pass^k——跑 k 次全部成功的概率。普通 pass@1 会被「偶尔成功」误导，而生产环境要的是稳定。
2026-07-15 00:02:38
414
原创 A2A协议与Agent互操作-Task生命周期
🏠｜ ⬅️｜ ➡️的 Staff 专章——Task 生命周期、JSON-RPC/SSE、与 MCP/gRPC 分工。机制散见。
2026-07-13 00:02:16
400
原创 跨语言Agent混合栈-Supervisor与Worker拓扑
🏠｜ ⬅️｜ ➡️：Staff 白板——何时拆、三通道怎么选、契约与超时预算、副作用与发布归因。Java 编排见；Python 见；Multi-Agent 不变式见；Registry 见。：单语言 Supervisor 三板斧 →；Temporal 长流程 →；Eval 七阶段 →。
2026-07-12 14:14:40
357
原创 Superpowers 安装与使用指南
Superpowers 的安装与使用说明。本文不绑定任何具体项目；示例只用于说明流程，不代表可直接执行的项目文档。
2026-07-11 19:45:14
399
原创 Prompt-Injection攻防与OWASP-LLM
攻击者通过可控的文本输入（用户消息、检索文档、网页、邮件、工具返回值），让模型偏离系统预设指令，执行非授权动作或泄露非授权信息。Prompt Injection 是攻击者通过可控文本让模型偏离预设指令。是用户直接发恶意指令；是把指令藏在模型会读取的第三方内容（网页、RAG、工具返回）里——Agent 时代后者更危险，因为攻击者不接触对话。Jailbreak是注入的一个子集，专门指绕过安全对齐让模型产出有害内容。区别：注入关注「越权」，越狱关注「违规内容」。
2026-07-11 00:16:00
896
原创 SDD-规约驱动开发-AI编程范式
本文讨论的 SDD 是（规范/规格驱动开发），不是 Schema-Driven Development。一句话概括：SDD 是先把需求、约束、设计意图和验收标准结构化成 spec，再基于 spec 进行计划、实现、测试和评审的开发模式。明确本期要做什么。明确本期不做什么。明确功能如何验收。明确接口、数据、权限、状态和兼容约束。明确实现完成后如何证明没有跑偏。+ AI Agent+ 自动化测试+ 人工 review+ CI/CD 闸门。
2026-07-09 00:03:20
630
原创 LOOP设计原理与实践落地
Agent 执行循环（Agent Loop）：一段把 LLM 的「单次无状态文本生成」包装成「带状态、带工具、带终止条件的有界循环」的控制结构。① think — 把历史 + 工具结果喂给 LLM，让它产出下一个动作② act — 解析 LLM 输出，调度工具（或子 Agent），拿到 observation③ observe — 把 observation 写回状态，判断是否终止循环 ≠ 递归。循环是显式状态机，每一步状态可序列化、可 checkpoint、可恢复；递归是栈式，崩了就丢。
2026-07-08 00:02:04
370
原创 Harness-架构原理与工程实践
Harness（挽具/脚手架）是一种工程模式，把「模型或 Agent 在特定任务上的行为」变成可重复执行、可版本化管理、可嵌入 CI 门禁的测试与评估流水线。它不是一个产品，而是一类基础设施——就像「测试框架」不是一个产品，但 JUnit、pytest 都是它的实现。维度Harness本质工程模式（不是模型、不是平台、不是某个工具）核心问题非确定性系统的质量保障与发布门禁四大分类代表工具与传统测试关系互补——传统测试断言确定性，Harness 处理分布与统计成熟度。
2026-07-07 00:00:15
359
原创 OpenClaw-架构原理与工程实践
OpenClaw（🦞）是一个自托管的个人 AI 助手 Gateway 网关，MIT 许可，社区驱动。它在你自己的机器（或 VPS）上运行一个常驻进程，把你常用的 IM 聊天应用接上 AI Agent，让你在任何地方发消息就能遥控 AI 干活。维度OpenClaw本质自托管 Gateway 进程（不是模型、不是 chatbot、不是 SaaS）安装运行时Node 24（推荐）/ Node 22 LTS协议WebSocket + JSON 帧许可证MIT代码仓库官方文档。
2026-07-06 00:13:30
420
原创 OpenClaw与Hermes-Agent
🏠｜ ⬅️｜ ➡️：Staff 面试常问「OpenClaw/Hermes 和企业 Spring AI Agent 差在哪、能否上生产」——本篇给。
2026-07-05 08:59:58
251
原创 AI制品Registry与发布门禁
AI 制品 Registry= Agent 应用的配置与知识制品的单一事实来源（SSOT）：每次生产流量都能回答「当时跑的是哪四代 artifact」；每次发布都是代码 + 四维 artifact + eval 报告的原子绑定。
2026-07-04 14:00:15
351
原创 Eval集治理与Golden-Set生命周期
Eval 集治理= 把 Golden Set / Trajectory Set 当作受版本控制的软件制品：有 owner、有变更流程、有发布门禁、有线上回流闭环——让「能上线」变成可审计的统计结论，而不是某次手工试聊感觉还行。
2026-07-03 21:58:52
337
原创 AI可观测性-Trace-Cost-质量三合一
AI 可观测性：对 LLM 应用建立分布式追踪 + 成本账本 + 质量评分的统一.telemetry 契约——让 on-call 能在5 分钟内回答「慢在哪、贵在哪、错在哪」。
2026-07-01 23:25:56
463
原创 AI-Gateway-LLM网关与多模型路由
企业——在之上，专述等多实现的路由、限流、、缓存与可观测契约；并与对齐。：vLLM/KV/量化见；Agent 应用组件见；Guardrails 见。
2026-06-28 10:58:59
404
原创 Harness全栈-Eval-Agent-RL-Test
Harness（挽具/脚手架）：把「模型/Agent 在特定任务上的行为」变成可重复、可版本化、可门禁的测试与评估流水线——没有 Harness 的 AI 功能等于没有单元测试的后端服务。
2026-06-24 07:50:00
420
原创 AI安全与治理-Responsible-AI
内置仅敏感词列表；生产需扩展PII、注入模式、租户策略@Component// OPA / 内置@Overridethrow new GuardrailException("REQUEST_BLOCKED", "请勿在对话中提供完整卡号");.build();Advisor 顺序（推荐）→Lakera（可选）→→Memory→RAG→Audit→ LLM →→→Audit详见14 §7。
2026-06-22 11:36:52
546
原创 AI加速应用开发-生产力工程化
受众：Staff+ 工程师 / 团队 Tech Lead / DevEx 平台。：症状 → 证据命令 → 决策树 → 修复动作 → checklist。——从个人 AIDD 到组织级生产力工程化（AI-Driven Development），覆盖代码生成 / 调试 / 重构 / 测试 / 文档 / 架构设计 6 大加速域。
2026-06-18 15:56:53
356
原创 部署-模型Serving-Caching与Cost
把训练好的权重变成可预测的在线推理服务——在 GPU 显存、批处理调度、KV 缓存与量化之间做权衡，使 TTFT/TPOT 满足业务 SLA，同时把压到财务可接受区间。
2026-06-17 19:01:38
2839
原创 评估-Eval-Hallucination与质量度量
LLM 评估：用一组指标 + 数据集衡量模型在特定任务上的"好坏"——比传统分类 / 回归任务难得多，因为 LLM 输出是自由文本 + 多种正确答案 + 主观维度。Hallucination（幻觉）：LLM 生成看似合理但事实错误或编造的内容。是 LLM 最棘手的失效模式。陷阱表现解决Benchmark 污染分数飙升异常看 dynamic benchmark离线高线上崩数据分布对齐评分偏向某模型多 judgeA/B 顺序影响随机交换偏好长答案加约束数据集太小方差大。
2026-06-16 19:27:03
475
原创 Computer-Use与Browser-Agent
威胁场景控制T 篡改恶意 prompt 改动作OPA + 动作白名单I 冒充偷 sessionR 抵赖误操作追责trace 不可改D 否认服务无限重试step 上限E 提权点管理员入口role + URL 模式S 泄露截图含 PII打码 + 禁截图域。
2026-06-14 16:32:59
397
StarUML 3.0破解
2018-07-06
myeclipse2017ci10破解
2018-07-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人