<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ro7vioTBS的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ro7vioTBS</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ro7vioTBS]]></copyright><item><title><![CDATA[WebSocket 连接成功但行情不更新，应该先查哪几个状态？]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162791724</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162791724</guid><author>ro7vioTBS</author><pubDate>Sat, 11 Jul 2026 14:43:15 +0800</pubDate><description><![CDATA[本文用 TickDB WebSocket 真实订阅 600519.SH 的 ticker 频道，把这四个状态拆开，并给出一份可直接运行的 Python 状态校验脚本、真实终端截图和日志字段设计。本次实测使用 TickDB WebSocket 订阅 600519.SH 的 ticker 频道，终端记录了 connected、subscribed、first_message_received 三个状态，并收到 ticker 业务消息。最隐蔽的情况是——程序在运行，连接也在，但业务消息已经很久没更新了。]]></description><category></category></item><item><title><![CDATA[复盘 SFLSOJ 20260707 coach 原题 CSU1913 一条龙送礼物]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162791694</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162791694</guid><author>ro7vioTBS</author><pubDate>Sat, 11 Jul 2026 14:42:20 +0800</pubDate><description><![CDATA[意到输出只有一个数，我们在头脑风暴中尝试二分求这个数。]]></description><category></category></item><item><title><![CDATA[从 Harness Engineering 到 Trellis：AI 编程助手的工程化落地实践]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162765880</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162765880</guid><author>ro7vioTBS</author><pubDate>Fri, 10 Jul 2026 15:49:36 +0800</pubDate><description><![CDATA[一、为什么需要 Harness？随着 Claude Code、Cursor、Codex 等 AI 编程助手的广泛使用，开发者越来越明显地感受到一个问题：模型本身的能力在提升，但"用好模型"的工程问题并没有自动解决。这些工程问题主要体现在三个方面：会话失忆（Session Death）：每次开启新对话，AI 就遗忘了项目背景和上次进度，开发者不得不反复重新解释。]]></description><category></category></item><item><title><![CDATA[【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (3)--- 总体思考]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162765861</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162765861</guid><author>ro7vioTBS</author><pubDate>Fri, 10 Jul 2026 15:48:53 +0800</pubDate><description><![CDATA[①	稀疏奖励广播 (Credit Misattribution)	terminal reward 被广播到所有 step/token → 模型无法区分关键决策 vs 无关步骤	质（方向错)	❌ 不受影响 turn-level 独立评分②	奖励真空 (Reward Vacuum)	reward 全为 0（judge 失效 / 任务太难 / 数据断流)→ advantage=0	量（信号=0)	⚠️ 低风险 at-least-one 兜底。]]></description><category></category></item><item><title><![CDATA[House of apple2手法及部分源码解析]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162736425</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162736425</guid><author>ro7vioTBS</author><pubDate>Thu, 09 Jul 2026 17:49:42 +0800</pubDate><description><![CDATA[利用原理及源码House of apple2主要利用链原作者给出了三条，我就以第一条为例了，剩下的各位感兴趣可以看看原文。我们知道当我们程序从main函数返回或者exit的时候程序会刷新IO流，主要是通过_IO_flush_all这个函数实现的，相关源码如下：intFILE *fp;#endiffp!= NULL;#endif可以看见他需要满足一些条件满足| |左右两边其中一边即可然后他就会调用_IO_OVERFLOW，其本质是一个宏。]]></description><category></category></item><item><title><![CDATA[OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162736408</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162736408</guid><author>ro7vioTBS</author><pubDate>Thu, 09 Jul 2026 17:49:01 +0800</pubDate><description><![CDATA[个整体，所以有些概念的解读/学习会在不同的文章中出现，还请大家谅解。OpenClaw-RL 是一个用于在线强化学习(Online RL)的框架，专门针对智能体工具使用场景。它通过从环境反馈中提取过程奖励信号来训练语言模型，支持三种主要模式：openclaw-rl：基于二元奖励的强化学习(Binary RL / GRPO)openclaw-opd：基于后见之明提示的在线策略蒸馏(On-Policy Distillation, OPD)]]></description><category></category></item><item><title><![CDATA[Claude Code 有了 Dynamic Workflows，那其他大模型怎么办？有开源版的替代-OpenWorkflows]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162700476</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162700476</guid><author>ro7vioTBS</author><pubDate>Wed, 08 Jul 2026 16:13:09 +0800</pubDate><description><![CDATA[性和常用提示词，底部是 AI 输入与返回。]]></description><category></category></item><item><title><![CDATA[《给阿嬷的情书》中的“嬷”，与AI概念中的Token、Prompt、上下文窗口]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162700458</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162700458</guid><author>ro7vioTBS</author><pubDate>Wed, 08 Jul 2026 16:12:29 +0800</pubDate><description><![CDATA[上下文越大，AI能"看到"的信息越多，输出的连贯性也越好。以DeepSeek为例，它最新的V4版本支持1M Token，大约能处理75万汉字，超过这个长度AI就会开始"失忆"。如果你让同事写一封邮件，只需要说"帮我给张经理写一封邮件"，他大概知道你是谁、什么岗位、邮件是写给谁的，也知道这件事的背景，很快就能帮你写出来。当对话长度超过上下文窗口，AI会"忘记"最早的内容，只保留最近的信息。有了上下文，同一个任务里，开头只要交代清楚了，对话没有超过上下文限制，同样的事就不用反复说了。]]></description><category></category></item><item><title><![CDATA[OPENSSL生成非对称加密公私钥]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162668695</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162668695</guid><author>ro7vioTBS</author><pubDate>Tue, 07 Jul 2026 16:04:24 +0800</pubDate><description><![CDATA[3.ed25519算法原始的密钥长度是32字节的，但是openssl生成的私钥长度是48位，公钥长度是44位的。2.上面生成的密钥格式也是pem格式,pem格式与der格式的转换参考上面rsa的方式。公私钥一般有2种格式，pem和der格式，上面生成的是pem格式。RSA的密钥一般有2种编码方式，即PKCS#1和PKCS#8。1.低版本的openssl不支持ed25519算法。]]></description><category></category></item><item><title><![CDATA[centos搭建k8s 1.28集群]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162668659</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162668659</guid><author>ro7vioTBS</author><pubDate>Tue, 07 Jul 2026 16:03:33 +0800</pubDate><description><![CDATA[这个加入k8s集群是有时间限制的，24小时过期，可以手动生成kubeadm token create --print-join-command。k8s是要求禁止使用swap分区的，会对系统的性能产生负面的影响的。我这里的话，在创建虚拟机的时候，就没有创建交换分区，所以不需要操作。当然上面写的镜像加速器也是老配置，1.6支持，但是2.0会被淘汰。安装k8s集群2种方式，一个是命令行，另一个是通过配置文件。k8s使用的是ipvs模式，而不是iptables模式。可以监控pod,node使用cpu，内存的情况。]]></description><category></category></item><item><title><![CDATA[MicroPython对接大模型：uopenai + 火山方舟实现文字聊天和图片理解]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162637634</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162637634</guid><author>ro7vioTBS</author><pubDate>Mon, 06 Jul 2026 16:18:40 +0800</pubDate><description><![CDATA[uopenaiuopenai是一个专为 MicroPython 设计的轻量级 OpenAI 兼容异步客户端库。它基于aiohttps实现，​无其他外部依赖​，支持非流式和流式（SSE）文字对话、视觉模型图片输入、base64 图片编码，特别适合内存受限的嵌入式设备（如 Pico 2W）与 OpenAI 兼容云端 API（DeepSeek、豆包、Moonshot 等）的对接。​文字对话（非流式）返回完整响应对象，含idmodelusagechoices​文字对话（流式 SSE）返回，通过逐块读取​。]]></description><category></category></item><item><title><![CDATA[OpenClaw.NET 重大更新：Goal 机制登场，让 AI Agent 不再“半途而废“]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162637617</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162637617</guid><author>ro7vioTBS</author><pubDate>Mon, 06 Jul 2026 16:17:54 +0800</pubDate><description><![CDATA[与其试图训练模型"不要偷懒"，不如在运行时层面为 Agent 装上"导航系统"。模型无关：不依赖特定模型的行为改进，适用于任何 LLM Provider（OpenAI、Claude、Gemini、本地模型等）成本可控：Token 预算系统防止无限制消耗安全可靠：六状态状态机 + 阻塞检测 + 外部验证，多重安全网体验一致：CLI、TUI、Web Chat 统一的交互体验对于产品经理和技术管理者来说，Goal 机制的成熟意味着 AI Agent 从"玩具"向"生产工具"的又一步跨越。]]></description><category></category></item><item><title><![CDATA[XRPC：一个能写进简历的 C++ 高性能分布式 RPC 框架，QPS 13万+]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162606778</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162606778</guid><author>ro7vioTBS</author><pubDate>Sun, 05 Jul 2026 15:44:13 +0800</pubDate><description><![CDATA[如果面试官接着问："RPC 调用的完整链路是什么？从客户端发起请求，到服务端返回响应，中间每一步发生了什么？能流畅回答的人，大概不到 10%。能进一步回答"连接池为什么能把 P99 延迟从 10ms 压到 0.2ms"的人，更是凤毛麟角。这不是他们不努力，而是他们用的学习路径从一开始就走偏了——调过 gRPC，改过 GitHub 上别人的 RPC demo，但从来没有亲手造过一个。]]></description><category></category></item><item><title><![CDATA[修改网口MTU说明]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162606766</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162606766</guid><author>ro7vioTBS</author><pubDate>Sun, 05 Jul 2026 15:43:31 +0800</pubDate><description><![CDATA[定义：指网络层（IP层）能够传输的最大数据包大小（单位：字节），不包含以太网头部（14字节）和FCS（4字节）。默认值：标准以太网默认MTU为 1500 字节。此时最大帧长为 1518 字节。巨型帧：通常指 MTU 设置在 9000 字节及以上的数据包，常用于存储网络（如iSCSI、NFS）或内部高性能计算网络，以减少CPU中断和提升吞吐量。]]></description><category></category></item><item><title><![CDATA[微调LLM前你需要了解的一些概念-- 基于 Qwen3 配置文件的实践]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162585239</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162585239</guid><author>ro7vioTBS</author><pubDate>Sat, 04 Jul 2026 18:47:12 +0800</pubDate><description><![CDATA[如果要向别人解释这份配置，可以这么说：这份描述的是一个 Qwen3 序列分类模型，而不是普通的下一个 token 生成模型。它的主体仍然是 Transformer：28 层 Block，每层有注意力、MLP、RMSNorm 和残差连接。注意力部分使用 16 个 Query heads、8 个 Key/Value heads 的 GQA 结构，可以在保留多视角查询能力的同时减少 K/V 缓存和计算开销。]]></description><category></category></item><item><title><![CDATA[【Azure AI Search】 searchMode=any 和 searchMode=all 有什么区别？]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162585231</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162585231</guid><author>ro7vioTBS</author><pubDate>Sat, 04 Jul 2026 18:46:37 +0800</pubDate><description><![CDATA[核心原因是 searchMode 控制多个搜索词之间的默认组合关系。Azure AI Search 不会简单地把 audit brief report compliance 当成一个完整字符串做匹配。在常见的全文检索场景下，这段输入会先经过分析器处理，拆成多个词项，再由 searchMode 决定这些词项之间是“命中任意一个即可”，还是“必须全部命中”。]]></description><category></category></item><item><title><![CDATA[P.3简易贪吃蛇]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162559084</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162559084</guid><author>ro7vioTBS</author><pubDate>Fri, 03 Jul 2026 18:59:45 +0800</pubDate><description><![CDATA[使用W，S，A，D来实现上下左右移动，Q退出，P暂停。]]></description><category></category></item><item><title><![CDATA[强化学习入门-从斯金纳箱到大模型推理]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162559080</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162559080</guid><author>ro7vioTBS</author><pubDate>Fri, 03 Jul 2026 18:59:09 +0800</pubDate><description><![CDATA[强化学习（Reinforcement Learning, RL）：让智能体通过与环境交互和"试错"，学习最优决策策略以最大化长期累积奖励。类比强化学习就像训练宠物：它做对了给奖励（零食），做错了不给奖励。慢慢地，它就学会做正确的事情。Q-Learning是强化学习最经典的入门算法，1989年由Watkins提出。核心思想：建立一个"Q表"，记录每个状态-动作组合的价值。Richard Sutton说："强化学习的本质是从经验中学习，这是最自然的学习方式。不是被告知答案，而是通过尝试和反馈，自己学会怎么做。]]></description><category></category></item><item><title><![CDATA[Asp.Net Mvc: 浅析TempData机制]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162526024</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162526024</guid><author>ro7vioTBS</author><pubDate>Thu, 02 Jul 2026 18:05:36 +0800</pubDate><description><![CDATA[Action执行完后，TempData.Save()所作的事情则是，移除TempData中任何没有被更新的键值对，然后再将TempData中的数据保存，供下一次调用使用（注：也就是说，只有更新过的，以及新添加的键值对才能再下次request中继续使用）。上面的代码中，Index()给TempData添加了一个键值对，假设我们先请求Index这个Action，接着请求Index2这个Action，那么在Index2中，我们便可以得到之前添加到TempData的键值对。很明显，这个数据必定是已某种形式保存了。]]></description><category></category></item><item><title><![CDATA[我的实用设计模式之关于Policy-based design]]></title><link>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162525986</link><guid>https://blog.youkuaiyun.com/ro7vioTBS/article/details/162525986</guid><author>ro7vioTBS</author><pubDate>Thu, 02 Jul 2026 18:03:34 +0800</pubDate><description><![CDATA[Strategy模式应用广泛，不仅仅用于请求的处理，可以用于有共同的Input，共同的Output，使用不同的处理算法来处理的情景，这里共同的Input和共同的Output可以指使用共同的父类作为Input或者output，例如下面是一个网络监控系统中的告警处理引擎（Alarm analysis engine），Input是采集于网络的源数据（Raw Data），Output是相应的告警对象。但是，我们来闻闻这段代码的臭味道，大量使用switch，如果要增加请求处理，就需要增加case语句。]]></description><category></category></item></channel></rss>