这家软件届的爱马仕,遭遇了成立 5 年来的最大故障,元凶还是它

Hermes Agent极简部署指南:WSL2+国产镜像+桌面级AI智能体 AI智能体(Agent)是大模型落地的关键形态,其核心在于将LLM能力封装为可调度、可交互、可集成的运行时系统。Hermes Agent作为轻量级智能体运行时,以原生二进制替代Docker容器,显著降低部署门槛;依托WSL2实现Windows/Linux跨平台兼容,并内置双源国产镜像(CDN+CNB.cool),彻底解决网络不稳定痛点;更通过深度操作系统集成(如macOS Keychain、Windows Toast通知、displayplacer多屏控制),构建真正‘桌面级’AI生产力工具。本文聚焦Her 阅读详情

图片

软件里的爱马仕

图片

图片

Linear 是硅谷这两年涌现出的一家明星公司。它做的是类似于 Jira, Asana 的项目管理工具,但定位聚焦在软件研发的项目管理上。Linear 很早就实现盈利了,Vercel,Arc 浏览器,Mercury 这些当红公司也都是 Linear 的客户。

图片

因为创始人强大的设计背景,其在创办 Linear 前曾先后负责过 Coinbase 和 Airbnb 的设计团队。所以 Linear 的产品设计尤其突出,以致于在行业里掀起了 Linear style 的设计潮流。

图片

而就是这样一支全身散发着光环的顶级硅谷团队,也在前不久迎来了 5 年公司历史上最大的一次故障。而元凶依然是我们熟悉的桥段「删库跑路」

图片

故障时间线

图片

目前 Linear 团队已经在官网公开了完整的复盘报告。下面我们来详细梳理一下时间线:

1 月 24 日

  • 04:47: 全量备份完成 (事发前)。

  • 07:01: 造成数据丢失的变更合并入主干。

  • 07:20: 变更完成。

  • 07:52: 发现异常,开始自查。

  • 08:10: 启动严重事故预案,呼叫更多的工程师。

  • 08:36: 更新公开渠道, 包括 status page 和 X,提示正在调查数据访问问题。

  • 09:20: 进一步更新。

  • 09:56: Linear 进入维护模式,防止进一步的变更操作,并且开始从备份进行恢复。

  • 10:48: 数据库恢复到 4:47 的备份,Linear 重新开始可以访问。

  • 11:09: 更新 Status page 到观察状态。

  • 11:30: 开始恢复 4:47 到 9:56 之间的数据。

  • 13:50: 给 4:47 到 9:56 之间新建了 workspace 的用户发送了邮件,因为 Linear 无法重建这些 workspace。

  • 15:35: 给所有受到影响的用户和 workspace 管理员发送邮件,告知故障的信息和恢复方式。

1 月 25 日

  • 14:00: 通知管理员上线了专门的数据还原页面。

  • 14:25: 修复了数据还原页面的 bug,强制客户端刷新 (这又打挂了 API 导致了应用加载的问题).

  • 16:40: 数据恢复试运行启动。

  • 17:49: 正式的数据恢复开始。

  • 19:48: 恢复了 98% 受影响的 workspace。

  • 23:20: 恢复了 99% 受影响的 workspace。

1 月 26 日

  • 07:37: 除了一个 workspace 之外,所有的都恢复了。

  • 08:39: 完成了最后一个 workspace 的恢复。

读着时间线应该也能感受到紧张。事实上 Bytebase 也是 Linear 的用户,受到了波及。这是当时我们收到的邮件。

图片

用户故障群里也有比较着急的用户

图片

图片

故障原因

Linear 使用的是 PostgreSQL 数据库,它官网上没有提。但在另一个生成 PG 测试数据的产品 snaplet.dev 的官网上,列了 Linear。

图片

导致删数据的是这条语句

图片

CASCADE 关键词会把所有有外健关联到 new_table 的表数据都清空掉。

图片

上面我们简单模拟了一下场景,可以看到当我们 TRUNCATE t CASCADE 后,会把 ref_t 的数据也都清空。我们看到通过命令行操作是有提示的,但是变更生产环境的流程通常不会采用命令行直连的方式。

图片

Linear 采用的是主干开发,要变更的 SQL 脚本是保存在代码仓库里的。每次变更时,先提交 SQL 语句进行审核,审核会进行一些 CI 的自动检查和人工审核,没有问题后,SQL 脚本合并入主干,然后触发变更。因为代码发布和数据库变更是分离的,为了保持代码能同时兼容新旧两个数据库版本,会使用 feature flag。

Linear 的 CI 自动检查没有捕捉到这个问题,因为 CI 里没有针对 TRUNCATE 的规则。而在本地测试和人工审核时也都没有发现这个问题,也是因为这个 TRUNCATE 的隐蔽性更强。Linear 这次是在开发一个新功能时从现有的生产数据库表里创建了一份测试数据库表。工程师在测试完成后,打算清理测试数据库表。但因为生产数据表也关联了测试数据表的外键。所以 TRUNCATE 测试数据表时,也把生产数据表跟端掉了。

图片

故障排查和恢复

因为 Linear 使用了好几层缓存,所以在误删了生产数据后,客户端因为缓存的关系,还没有直接报错,识别到问题的时间就靠后了些。不过 Linear 因为本身要实现同步的需要,把用户的每一次操作都以日志的形式记录了下来,这部分的数据是单独存放的,所以他们可以基于 4:47 的全量备份,回放所有的用户操作。但还是会有少部分操作,因为冲突的原因是无法自动回放的,这就还是需要用户手动介入。另外 Linear 的 PostgreSQL 数据库是开启了 Point-in-time recovery (PITR),但因为团队之前没有测试过 PITR,所以在恢复时没有选择这个方案,不然的话,其实可以通过 PITR 恢复到 7:01 这个变更发生的时间点,然后再回放接下来的用户操作。这样可以缩小回放的数据量。

图片

故障影响面

所有用户都经历了 1 个小时的不可用,这段时间 Linear 在从备份中恢复数据。Linear 在 36 小时内恢复了 99% 的误删数据,剩下的因为冲突的原因没有办法自动解决。Linear 也说这是它 5 年历史上最严重的一次故障。

图片

从故障发生的 1.24 到发出复盘报告的 1.30,整个团队显然是在连轴转 (work around the clock)。

图片

图片

故障反思

Linear 自己列了如下的改进措施:

  • 剥夺所有用户在生产数据库上的 TRUNCATE 权限。

  • 改进如何创建和执行数据库的变更操作。其中包过通过 DBA 的审核实践,和代码审核分离,以及自动检查高危操作。

  • 改进预发环境的数据库变更测试流程。

  • 构建和演练使用 PITR 的数据恢复流程。

  • 改进内部事故处理的流程。

  • 改进数据完整性检查。

  • 给 Linear 添加只读模式。这样即使数据库不可写时,依然可以能让用户访问。


而作为 Linear 的用户,我们对于 Linear 这次事件的应对是满意的。Linear 在意识到问题的第一时间就完全公开了所有情况,整个复盘报告也非常详细,对于其它研发团队也是一份很好的参考。

前车之鉴,后世之师。我们要是看 Linear 之前的流程,已经有审核,有自动 CI 检查,还有定期的备份恢复演练。但数据库变更就是一个高危又精细的操作流程,专业性极强。这也是 Bytebase 扎根这个方向的原因,看似 1 个人 2 周时间可以糊出来的 SQL 工单平台,背后有数不清的细节,而漏掉任何一个,都可能引起误操作,导致公司历史上最大的故障。事实上我们从 Linear 的这次事故中,也吸取了教训,添加了关于 TRUNCATE 操作的自动检查,也会在下一版中发布出来。

图片


读罢 Linear 的整个报告,还是要感慨它的透明度,所谓的 blameless postmortem(对事不对人的复盘)在这个报告中体现的淋漓尽致。再联想到去年国内上热搜的大故障,即使到现在,好多官方也没有一个正式的故障复盘。可能因为定责到个人,个人背后有主管,会影响到绩效,绩效挂钩奖金和晋升,各种利益夹杂在一起,就很难开诚布公地聊了。定责在国内是一种约定俗成,现阶段也很难去改变它,下次再写写怎么样让定责可以更加的客观吧。

AI大模型与碳足迹评估结合模式及示范案例 AI大模型与碳足迹评估相结合,可以提供更精确、更快速的碳排放量计算,优化减排策略,并促进可持续发展目标的实现。 阅读详情

相关推荐

抖音直播小风车跳转企业微信全攻略:企业号申请+落地页配置详解

本文详细解析了抖音直播小风车跳转企业微信的全流程,包括企业号申请、小风车配置和落地页优化。通过实战指南,帮助企业高效实现私域流量沉淀,提升直播转化率,特别适合电商和营销从业者参考。

weixin_29289821的博客 616

让 AI 修一个 Bug,怎样避免它顺手改坏其他功能?

这个按钮偶尔会触发两次,帮我修一下。需求只有一句。等改动出来,除了按钮处理,还可能包含公共函数调整、默认值变化,以及一批看起来更整齐的代码。如果这些改动混在一起,审查时就得重新确认:哪些是修复必需的,哪些会影响其他入口,已有数据还能不能正常读取?我现在让 AI 修问题时,会把这几件事提前说清楚。上一篇写了功能改完以后怎么验收,这次聊聊怎样控制修复范围,以及拿到代码后先看什么。

qq_26483133的博客 114

AI虚拟人物 数字人直播,不用出镜,不用露脸的直播方式(附教程 软件)

我们先来看一组数据,这是我通过蝉妈妈查到的某位虚拟主播的一个带货数据,粉丝还不到 3000 人,每次直播 1 到 4 个小时,30天的总销量达到了1200单,15天,总销售额 2 万,可能相对来说客单价还是比较低,最关键的是才直播了 6 场,如果说他能够一个月直播 20 天,每天花 4个小时去直播,当个副业来做,就可以达到最起码月入 3 万的一个收入水平,我个人觉得是非常的不错的。大家把商品图片放在背景,只要场景设置的不错,场景和产品的关联度高,直播的时候挂上购买链接也会有一定的成交。

. 7万+

AI 弹窗不再转圈:SSE 流式出题的完整可视化方案(含两个真 bug 修复)

本文详解AI出题弹窗转圈卡死问题的完整解决方案:基于SSE实现流式推送,规避WebSocket与EventSource局限;修复SseEmitter提前complete及keepalive注释导致超时饿死两大真bug;开启LangChain4j的returnThinking(true)以获取思考链;前端用fetch+ReadableStream解析流并构建状态机,实现提示词、思考、输出三段同屏可视。全程150秒内完成1题生成,异常场景明确兜底,显著提升用户体验与系统可控性。

qq_45896330的博客 467

MLX90640 热成像 STM32

MLX90640 热成像

zhaocundang's blog 5008

ENVI遥感技术

记录2024.03.06所遇到的遥感问题

qq_44453923的博客 4332

fix bug

当你通过 cpolar 域名外网访问时,请求到达你本机的 Apache 时,如果 Apache 的虚拟主机配置(如。)默认匹配了本地环境,或者反向代理透传了本地 Host,它依然可能表现为本地地址。$_SERVER['REMOTE_ADDR']也永远指向127.0.0.1。

huxyc的博客 80

全国大学生软件测试大赛Web应用测试(二)Selenium功能测试环境配置

全国大学生软件测试大赛Web应用测试(二)Selenium功能测试环境配置指南配置JAVA配置mooctest配置ChromeDriver配置SeleniumSelenium的使用 环境配置指南 配置JAVA 首先进入JDK8官方安装地址 然后找到Windows 64位 jdk8 点击下载(这里下载需要登录Orcale 账户) 下载后JDK的安装根据提示进行,还有安装JDK的时候也会安装JRE,一并安装就可以了。 安装JDK,安装过程中可以自定义安装目录等信息,例如我们选择安装目录为 D:\java\jav

Kennen0_0的博客 9606

2026年Bug跟踪管理系统推荐:研发与测试协作的关键枢纽

回到最初的问题,2026年的Bug跟踪管理系统推荐,核心不是列出一串名字,而是找到一条适合自己组织的协作链路。中大型企业优先看闭环、测试深度、权限治理与部署边界;工程团队优先看代码关联和工作流效率;流程稳定的团队可以把自托管工具作为起点。选型时先定流程,再用真实Bug和真实用例做试点,并以数据复盘。能把研发与测试协作串起来的系统,才配得上“关键枢纽”这个位置。本文基于公开资料与产品文档整理,具体功能、部署方式与服务范围以官方说明和实际试用为准。更新时间:2026年11月。

zentao_pms的博客 188

FPGA:UART串口接收(高干扰情况)

在上一篇文章中介绍过UART串口接收模块,其中一个需要优化的方向就是在高干扰情况下,如何实现可靠的UART串口接收任务。

weixin_50164178的博客 1674

私彩视频开奖动画直播源码内部核心技术解析及修改可增加后台操控-持续更新文章!

其实在此很感谢能做出H5开奖系统的码农们,而我本人也喜欢分解此类的东西。 因为特殊原因,该东西本人就不做图片展示,以防他人商业化。 借用开奖摇奖代码首先分解首页index文件。代码如下:(后面持续在原有的作品上添加后台操作) 代码里写的//.....是我的注明代码的所需。 ​ <!DOCTYPE html> <html> <head> <...

yugua3837的博客 5997

React 前端工程化在秒杀活动中的性能优化与 Bug 修

措施名称 | 实施成本 | 预期收益 | 风险等级 | |----------|----------|-----------|------------| | 使用 Redux Toolkit 管理状态 | 中等 | 提高可维护性和性能 | 中等 | | 引入 Suspense / Lazy Loading | 高 | 显著提升用户体验 | 高 | | 使用 Error Boundaries 捕获异常 | 中等 | 提高系统健壮性 | 中等 |在大型互联网企业中,秒杀与抢购活动是高频的业务场景之一。

wuchangjian的专栏 215

核心组件大换血:Backbone与Neck魔改篇:YOLO26结合StarNet结构:2026星状网络在YOLO生态的即插即用实战

本文将介绍如何将StarNet作为Backbone替换YOLO26原生架构,以提升边缘设备上的目标检测性能。文章首先分析了YOLO26在特定场景下的精度瓶颈,指出其通用Backbone设计存在不足。随后深入解析StarNet的核心创新——星操作(Star Operation),这一低维计算却能获得高维特征表达的数学魔术,以及其极简的StarBlock模块设计。通过对比YOLO26原生架构的三大创新与痛点,作者提出两种替换策略:完整替换Backbone或局部替换+Neck联调。文中提供了StarNet核心代码

ZDQ58818的博客 290

Bug跟踪管理系统怎么搭?从提交到关闭全流程最佳实践

搭一套Bug跟踪管理系统,真正要解决的不是把问题记下来,而是让每个问题从提交到关闭都有明确的责任人、进入条件和退出证据。,这三样决定Bug管理能不能长期跑下去。软件Bug的代价并不抽象。美国国家标准与技术研究院(NIST)2002年发布的一项委托研究测算,软件Bug每年给美国经济造成约595亿美元损失。对研发组织来说,越晚发现、越晚闭环,返工和沟通损耗越高。

zentao_pms的博客 205

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

IINA BUG 正在播放的视频不显示原始文件名

视频播放时标题异常显示为录屏软件名,源于内部元数据干扰。通过在IINA中配置Lua脚本,强制使用文件原始名称作为媒体标题,实现播放列表正确显示。脚本路径为~/.config/iina/scripts/filename-title.lua,需在高级设置中添加scripts选项指向该文件。重启IINA后验证生效,不影响原文件与元数据。适用于macOS版IINA,可随时移除脚本恢复原行为。

烨之魅儿的专栏 283

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

线程一切换浮点全作废:五天修好的隐秘bug

有人在移植 RT-Thread 到 RISC-V 芯片时发现:两个线程一切换,浮点寄存器 fs1 的值就"变了心"。这个藏得很深的上下文切换缺陷,从报告到修复合入,只用了五天十小时。

嵌入式单片机实验室 421

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【Unity Bug挑战】第12期 Awaitable 二次 await 死锁之谜 —— 为什么同一个异步操作等两次就卡死?

你正在把项目从 UniTask 迁移到 Unity 6 原生的 Awaitable。你觉得这很合理——就像 Task 一样,同一个 Awaitable 等多次又能怎么样呢?栏目:Unity Bug挑战 | 期号:NO.012 | 日期:2026-10-31 | 4星 · 中高级 | Bug挑战 | Unity 6+ · 异步编程 / Awaitable / 对象池。标签:Unity、Bug挑战、Awaitable、异步编程、死锁、Unity6、对象池、游戏开发、C#

crystal_WJT的博客 214

bug?nacos跑满内存!!!

手上一台 2 核 2G 阿里云服务器,用 docker-compose 搭微服务基础环境:Nacos、MySQL、Redis、RabbitMQ。本来以为拉起来就能用,结果直接翻车,Xshell 连不上服务器,折腾半天,终于找到根源。

2501_90507065的博客 256

Python 3.14 异常语法一松一紧:PEP 758 省掉 2 个括号,PEP 765 堵住 149 个真实吞异常 Bug

Python 3.14 将通过 PEP 758 和 PEP 765 实现异常语法的“一松一紧”:前者允许省略 except 括号,提升简洁性;后者禁止 finally 中使用 return 等语句,防止异常被无声吞没。前者为语法糖,后者则基于真实代码分析(149 个错误实例)强化安全。两提案均于 2025 年通过,随 3.14.0 版本发布,前者兼容旧写法,后者在升级时触发警告,推动代码质量提升。

Science prince的博客 684

Git 分支管理详解:从 HEAD、合并原理到冲突解决与 Bug 修复

现在再回到“功能开发到一半,线上突然需要修 Bug”的场景:先检查工作区,把现场提交到合适的功能分支或暂存进 stash;从需要修复的版本创建 Bug 分支,修复并验证后合入主线;回到功能分支恢复现场,再把主线修复同步过来,完成集成和测试;最后合入功能并清理临时分支。分支引用标记提交位置,HEAD 标记当前落点,提交推进当前分支,合并整合历史,未提交修改需要单独照顾。把这几条规则与提交图对应起来,分支管理就会从一组需要死记的命令,变成能够推导和解释的开发过程。

2601_94861874的博客 246

让 AI 修 AI 平台自己的 Bug:我用 SoduWork 给 SoduWork 提了一个 PR

签收是硬约束:打回后需求真的停在"进行中",源码里有对应的 blocker。能在真实仓库里做真实工程:读贡献指南、跑基线、TDD、多语言环境复现、处理 CRLF,产出一个能直接提交的 PR。返修体验好:打回意见会自动带进下一轮,并要求"在现有交付上返修"。权限沙箱设计扎实:只读白名单、受保护路径、授权指纹、指令文件防篡改。启动器负责任:数据隔离、没有默认密码、只绑本机。

努力是为了站在万人之中,成为别人的光 4719

React工程化中的一个线上Bug如何让我重新认识组件结构

经过上述排查和修改后,在浏览器中再次测试该功能。最终确认 Bug 已修复——当用户选择时间范围并确认后,图表能够正常加载且无空白区域出现。| 技术点 | 原有实现 | 改进措施 | |--------|----------|----------| | useEffect 配置 | 使用原 state 数组 | 将其转换成唯一 key 字符串 | | 状态更新机制 | 直接使用数组作为依赖项 | 引入 key 字符串增强依赖识别 |

后台模板 229

ESP32-S3 语音玩具全链路打通实录:12 个坑、4 个字节级协议 Bug

ESP32-S3 语音玩具全链路打通实录:12 个坑、4 个字节级协议 Bug 一块 N16R8、一块 2.4 寸 ILI9341、一个 INMP441、一块 MAX98357A、一个裸喇叭,加上火山

lpfasd123的博客 261

嵌入式故障诊断-Bug002-局部大数组压栈高温必死机

摘要(148字): P2电动沙发控制器在高温下3~8分钟必死机,根因是overheat_report()中1024B局部数组栈溢出。常温不触发,NTC≥65℃时任务栈需求骤增至1984B,超1792B限额192B,踩坏堆内存。修复方案:静态化数组、分段发送、栈扩容至2560B,填充0xDEADBEEF监控水位。成本:RAM+768B,Flash+412B;收益:高温季0客诉,栈状态可量化。

u011697185的专栏 401

用 Nexent 搭了个课程助教:租户初始化、百炼模型接入与 RAG 验证实录

说实话,Nexent 终于在自己电脑上部署成功了,13 个容器全绿,登录页能打开,那一刻我有点兴奋。我想要的东西很具体,把谭浩强那本《C 程序设计(第五版)》喂给一个 AI 助教,答题按我立的规矩来,先定位知识点,再给一个能直接用 `gcc` 编译的最小示例,末尾留一道自测题。Nexent 看起来正合适,华为 ModelEngine 开源的零代码智能体平台,自带知识库。结果登录进去就被泼了冷水,页面一片空白,"暂无租户"四个字挂在正中间,模型配置的入口影都没有。查了一圈才明白,白屏是设计,不是故障。

鸽芷咕的博客 8974

Java Arrays.asList 常见坑详解|UnsupportedOperationException、数组联动、基本类型 bug

解析 Arrays.asList 常见开发陷阱,演示 UnsupportedOperationException、底层数组引用共享、基本类型数组问题,区分 Arrays 内部 ArrayList 与 java.util.ArrayList,给出数组转 List 的各种场景正确代码。

weixin_42617033的博客 511
上一篇: 程序员新人频繁使用count(*),被组长批评后怒怼:性能并不拉垮!
下一篇: 20240221 每日AI必读资讯
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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