宝可梦GO「偷家」李飞飞空间智能?全球最强3D地图诞生,150万亿参数解锁现实边界

Go 语言数据库事务详解:从 db.Begin 到 Tx 的正确用法 本文详解Go语言中database/sql事务的正确用法,从*sql.Tx的底层模型出发,阐述事务与连接池的关系,提供标准事务模板,并强调使用db.BeginTx控制隔离级别与超时。重点剖析常见陷阱:误用db而非tx执行SQL、defer顺序错误、忽略Commit错误、事务过长导致资源耗尽等。结合可运行示例,涵盖事务内查询、预处理语句及保存点模拟嵌套事务,全面覆盖工程实践中的关键细节。 阅读详情
【导读】5年,5000万个神经网络,这个世界从未被扫描过的角落,我们都能看到了。宝可梦GO团队,竟然抢先实现了李飞飞的「空间智能」?而「Pokémon Go」的玩家可能没想到,自己居然在训练着一个巨大的AI模型。

李飞飞提出的「空间智能」概念,被宝可梦GO团队抢先实现了?

最近,宝可梦GO团队宣布,构建出了一个大规模地理空间模型LGM,让我们距离空间智能更近了一步。

而这一成果也意味着,人类在空间计算和AR眼镜领域,即将进入崭新的时代。

图片

作为Niantic视觉定位系统(VPS)的一部分,团队训练了超过5000万个神经网络,参数规模超过150万亿。

我们可以把LGM想象成一张为计算机准备的超级智能地图,不过,它却能以与人类类似的方式理解空间。

凭借这种对世界的强大3D理解能力,LGM能够非常智能地「填补空白」,甚至包括那些地球上人类尚未全面扫描的领域!

图片

可以说是,让AI终于长出了眼睛

从此,LGM将使计算机不仅能感知和理解空间,还能以新的方式与之互动,这就意味着AR眼镜和机器人、内容创建、自主系统等领域将迎来全新的突破。

随着我们从手机转向与现实世界相连的可穿戴技术,空间智能,将成为未来世界的操作系统!

图片

全球数百万个场景,通过AI相连

这个大规模地理空间模型的概念,是利用大规模机器学习理解场景,然后它就会与全球数百万个其他场景相连。

你是否曾有这样的感觉?

看到一种熟悉的建筑,比如教堂、雕像或城镇广场,我们很容易想象它从其他角度看起来是什么样子,即使这些角度我们从未见过。

图片

这,就是我们人类独有的「空间理解」功能,它意味着,我们可以根据以前遇到的无数相似场景来填补这些细节。

但这种能力对于机器来说,却是难如登天。

即使当今最先进的AI模型,也难以推断出场景中缺失的部分、将其可视化,或者想象出一个地方从全新的角度看起来是什么样子。

如今,LGM打破了AI的这种限制!

这套由宝可梦GO团队训练出的神经网络,可以在超过100万个地点进行操作。

每个本地网络,都会为全球大模型做出贡献,实现对地理位置的贡献理解,包括那些尚未扫描的地方。

图片

什么是大规模地理空间模型

我们都知道,LLM是通过在互联网规模的文本集合上进行训练后,从而理解和生成书面语言。

这种方式,挑战了我们对「智能」的理解。

同样,大规模地理空间模型也是以一种同样先进的方式,帮助计算机感知、理解物理世界,为之导航。

跟LLM类似,它同样是通过大量原始数据构建的——

数十亿张全球各地的图像,全部锚定在地球上的精确位置,被提炼成一个大模型,让计算机能够基于位置去理解空间、结构和物理交互。

从基于文本的模型向基于3D数据的模型的转变,也揭示出近年来AI发展的一条轨迹:从理解和生成语言,到解释和创建静态和动态图像(2D视觉模型),再到对物体的3D外观进行建模(3D视觉模型)。

图片

而现在,地理空间模型甚至比3D视觉模型更进一步,因为它们捕捉的是根植于特定地理位置、并且具有度量特性的3D实体。

与典型的生成式3D模型不同,大规模地理空间模型绑定到了度量空间,因而能够以尺度度量单位进行精确的估算,而前者生成的,只是未缩放的资产。

因此,这些实体代表的是下一代地图,而非任意的3D资产。

虽然3D视觉模型也能创建和理解3D场景,但地理空间模型却理解该场景如何与全球数百万其他场景在地理上相关联。

它实现了一种地理空间智能,让模型从其先前的观察中学习,然后还能将知识转移到新的位置,即使这些位置只是被部分观察到的。

图片

现在,带有3D图形的AR眼镜距离大规模市场化还有几年时间,但地理空间模型已经有机会与纯音频或2D显示的眼镜集成了!

想象一下,这些模型可以引导我们穿越世界,回答问题,提供个性化推荐,提供导航,甚至增强我们与现实世界的互动。

而且,它还可以集成LLM,让理解和空间融合在一起,让人们能更加了解自己周边的环境和社区,并且与之互动。

这种地理空间智能还能生成和操纵世界的3D表示,构建下一代AR体验。

除了游戏之外,在空间规划和设计、物流、观众互动和远程协作上,大规模地理空间模型都将具有无限的潜力。

5000万个神经网络,详细了解整个世界

为了构建视觉定位系统VPS,Niantic团队已经花费了五年。

这个系统仅利用手机上的单张图像,就能让用户在团队的游戏和Scaniverse中有趣的地点构建3D地图,从而确定其位置和方向。

有了VPS,用户就可以以厘米级的精度,在世界中定位自己!

这就意味着,他们可以精确而真实地看到放置到物理环境中的数字内容。

这些内容是持久的,即使你离开后,它们仍然会留在原地,还能与他人共享。

图片

比如,团队最近在Pokémon GO中推出了一项名为Pokémon Playgrounds的实验功能,让用户在特定位置上放置宝可梦,将它们留在原地,供其他人查看和互动

所以,VPS是怎样创建出对世界如此高度详细的理解呢?

原来,Niantic的VPS都是通过用户扫描构建的。

这些用户会通过不同的视角拍摄,并且还会在一天中的不同时间,以及多年来的多次拍摄,同时附有定位信息,从而创建出了对世界高度详细的理解。

这些数据是独一无二的,因为它们是从行人视角获取,包括了汽车无法到达的地方。

图片

如今团队已经在全球范围内拥有1000万个扫描地点,其中超过100万个已激活,可供VPS使用了。

而且,团队每周还在接收约100万次新的扫描,每次扫描都包含数百张独立的图像。

作为VPS的一部分,团队使用运动结构技术构建经典的3D视觉地图,同时也为每个地点构建了一种新型的神经地图。

这些神经模型基于ACE(2023)和ACE Zero(2024)这两篇论文,不再使用经典的3D数据结构来表示位置,而是将它们隐式编码在神经网络的可学习参数中。

这些网络可以快速地将数千张地图图像压缩成精简的神经表示。

给定一张新的查询图像,它们以厘米级的精度,对这个位置进行精确定位。

Niantic训练的超过5000万个神经网络中,多个网络都可以为单个位置做贡献。

所有这些网络结合起来后,总共包含了超过150万亿个通过机器学习优化的参数。

图片

超越本地模型,让空间理解更宏大

而且,团队还有一个宏伟的愿景。

虽然当前的神经地图,已经是一个比较庞大的地理空间模型了,但他们想做的,是一个超越独立本地地图系统的更大规模的模型。

完全本地化的模型,可能无法完整覆盖各自的位置,无论在全球范围内有多少可用数据,局部上它们都是稀疏的。

局部模型的失败之处就在于,它无法超出已经看到的内容和位置进行推断。因此,本地模型只能定位与训练过的视图相似的相机视图。

现在 ,想象一下我们正站在一个教堂后面。

如果本地模型只见过教堂的前门,它是无法告诉你的准确位置的,因为它从未见过教堂的背面。

但是在全球范围内,我们却见过数以千计的教堂,它们都是由其他地方的本地模型捕获。虽然没有哪座教堂完全相同,但许多教堂有共同的特征。

图片

LGM用的正是访问这些分布式知识的方法。

它可以提炼出全球大规模模型中的共同信息,在本地模型之间实现通信和数据共享。

它可以内化教堂的概念,并且进一步理解这些建筑是如何构造的。

即使对于某个特定位置只绘制了教堂入口的地图,LGM也能够根据之前见过的数千座教堂,对教堂的背面做出明智的猜测。

图片

因此,即使是VPS从未见过的视点和角度,LGM也能在定位中实现前所未有的鲁棒性。

可以说,全球模型实现了对世界的集中理解,而且完全是源自地理空间和视觉数据。通过全球插值,它能进行局部推断。

让AI像人一样理解

上述过程,类似于人类感知和想象世界的方式。

对于人类来说,即使是从不同的角度,也能自然而然地识别出我们以前见过的东西。

想象在欧洲老城蜿蜒街道中漫步,你依然能轻而易举地找到返回的路。

图片

这看似理所当然的能力,背后蕴含着惊人的复杂性。尤其是,对于机器视觉技术来说极其困难。

AI若想拥有类人的理解力,便需要了解一些自然法则:

世界由固体物质组成的物体构成,因此有正面和背面。外观会根据一天中的时间和季节而变化。

同时,这也需要相当多的文化知识:许多人造物体的形状遵循特定的对称规则或其他通用布局类型——通常取决于地理区域。

早期的计算机视觉研究试图解读其中的一些规则以便将其硬编码到手工制作的系统中。

但现在,科学家们意识到,我们所追求的这种高度理解实际上只能通过大规模机器学习来实现。

这正是LGM所追求的目标。

在Niantic联手牛津大学的最新研究论文MicKey中,首次看到了从数据中出现的令人印象深刻的相机定位能力。

图片

论文地址:https://arxiv.org/pdf/2404.06337

MicKey是一个神经网络,能够在剧烈的视点变化下将两个相机视图相对定位。

图片

MicKey甚至可以处理需要人类花费一些努力才能弄清楚的对立镜头。

更令人兴奋的是,MicKey仅使用很少的训练数据,就取得了这样的成就。

MicKey限制于双视图输入,并在相对较少的数据上进行了训练,但它仍然是关于LGM潜力的概念验证。

显然,要实现高级空间智能,还需要海量的地理空间数据。

而Niantic的独特优势在于,每周都会收集超100万用户贡献的真实世界地点扫描。

图片

多模型互补,重定义空间智能未来

LGM绝不仅仅是一个简单的定位模型。

为了很好地解决定位问题,LGM必须将丰富的几何、外观和文化信息编码到场景级特征中。这些特征将启用场景表示、操控和创造的新方式。

可以想象出,一个能够「理解」场景的智能系统,不仅能定位,还能感知周围环境深层次特征。

像LGM这样多功能大型AI模型,因其对多种下游应用的实用性,通常被称为「基础模型」。

未来的智能体系统,不再是孤立的存在,不同类型的基础模型将相互补充。

LLM将与多模态模型互动,而后者又与LGM进行通信。这些系统协同工作,以单一模型无法实现的方式理解世界。

这种互联是空间计算的未来——智能系统能够感知、理解并对物理世界采取行动。

图片

随着迈向更具扩展性的模型,Niantic目标仍然是引领大规模地理空间模型的发展,创造前所未有的用户体验。

除了游戏,大规模地理空间模型将在空间规划与设计、物流、受众参与和远程协作等方面有广泛的应用。

LGM代表着AI进化的有一个里程碑。

随着AR眼镜等可穿戴设备变得更加普及,我们正迈向一个由物理和数字现实无缝融合的未来。

参考资料:

https://nianticlabs.com/news/largegeospatialmodel

从零开始学习 Go 1.25 编程 今天是你新生活的第一天,无论年龄、背景如何,改变从这一刻开始。CodeGym帮助成千上万普通人转型为程序员,从零基础到掌握Go语言,完成真实项目,甚至入职心仪岗位。Go语言简洁高效,适合服务器端开发,是云基础设施、微服务和高负载系统的首选。2026年正是入行良机,你的经验反而是优势。别犹豫,迈出第一步,你将收获技能、自信与全新人生。🚀 阅读详情

相关推荐

555定时器呼吸灯电路制作全攻略:从仿真到实物搭建(附避坑指南)

本文详细介绍了使用555定时器制作呼吸灯电路的完整流程,从基础原理到实物搭建,包括电路设计、元件选择、仿真验证、焊接技巧及调试优化。特别提供了避坑指南,帮助电子爱好者快速掌握这一经典DIY项目,实现美观的呼吸灯效果。

weixin_33734785的博客 405

每天10分钟学Go:第5课 switch分支判断

本课程讲解 Go 语言 switch 分支判断核心用法,涵盖单值匹配、多 case 合并、无表达式条件分支、fallthrough 穿透与类型 switch 断言,搭配可运行代码示例,带你掌握 Go 分支结构语法与实战写法。

2501_94567985的博客 262

STM32驱动直流有刷电机:H桥、死区与PWM调速实战

直流有刷电机是嵌入式系统中最基础的执行器之一,其核心控制逻辑围绕H桥拓扑展开——通过四个开关管组合实现启停、正反转与调速。理解死区时间(Dead Time)对防止上下管直通、保障硬件安全至关重要;而PWM调速的本质是调节电机端口平均电压,需结合互补输出与占空比映射实现平滑响应。该技术广泛应用于智能小车、电动工具及工业控制器等场景,尤其在STM32平台配合HAL库与高级定时器(如TIM1)时,可构建高鲁棒性、可复用的电机驱动框架。

weixin_42593701的博客 777

每天 10 分钟学 Go:第 14 课 字符串与符文

可以把字节理解成内存里的「格子」:每个格子固定 8 位,无论存什么内容,最终都要被拆成一个个字节放进去。所谓「变长」,就是常用字符用短编码、生僻字符用长编码,既节省空间又兼容 ASCII:纯英文文本用 UTF-8 存储时,体积和 ASCII 完全一样。提示:先在脑子里预估一下结果 ——"你好" 两个中文各占 3 字节,"Go" 各占 1 字节,总字节数应该是多少?它解决的是「同一个字符在不同系统里编号不一致」的问题:只要大家都按 Unicode 编号来,字符的含义就不会有歧义。

2501_94567985的博客 298

实战指南:R语言多组倾向评分逆概率加权(IPTW)建模与结果解读

本文详细介绍了如何使用R语言实现多组倾向评分逆概率加权(IPTW)建模,包括数据预处理、倾向评分估计、权重计算及结果解读。通过实战案例演示,帮助研究者掌握这一统计方法,有效平衡多组混杂因素,模拟随机对照试验效果,适用于医学、社会科学等领域的数据分析。

weixin_42528534的博客 400

拉曼光谱入门:5.表面增强与共振增强

拉曼散射效应因其弱信号特性限制了传统拉曼光谱术的检测灵敏度。为克服这一局限,表面增强拉曼光谱术(SERS)和共振增强拉曼光谱术(RRS)被开发出来,显著提升了信号强度。SERS通过金属表面的电磁和化学效应放大信号,而RRS则通过匹配激发光波长与分子电子跃迁波长来增强信号。这两种技术扩大了拉曼光谱的应用范围,尤其在低浓度和微量试样分析中表现出色,尽管在实验操作和试样损伤方面存在挑战。

qq_53529450的博客 1448

每天10分钟学Go:第9课 Range循环

在 Go 里,`range` 常用来遍历切片、数组、字符串、映射和通道。它会在每次循环时,把当前元素的信息交给循环变量。前面《》我们已经会写普通的for循环,可以把range理解成一种更方便的遍历方式。

2501_94567985的博客 198

7、刚度矩阵与弹簧元素:有限元分析的核心

本文深入探讨了有限元分析中的核心概念——刚度矩阵与弹簧元素。详细介绍了刚度矩阵的定义、构建方法及其对称性、正定性和稀疏性等性质,同时解析了弹簧和阻尼器元素的特性及其在模拟复杂系统中的应用,如液压缸、减震器等。通过结合刚度矩阵与弹簧元素,可以提高结构模型的精度并模拟复杂的工程系统。文章还讨论了优化策略、验证流程、误差分析及实际应用案例,展示了这些技术在桥梁分析、汽车悬挂系统等领域的重要作用,并展望了其在未来新材料、智能结构和数字孪生技术中的发展潜力。

nice1的博客 236

2026-11-11-Go分布式锁实战

线上偶发重复扣库存,查了半天是业务执行超过了锁的过期时间,锁提前释放,另一个请求拿到锁又执行了一遍。单机锁在多实例部署下失效,Redis SET NX PX 加锁、Lua 脚本原子释放、看门狗续期,这篇讲透分布式锁三大坑,附实现对照表和实战清单。

利威尔的博客,主要分享一些go后端,agent相关知识,都是最新最前沿而且是免费的,在我的专栏里有各种方向的详细分类和内容整理,详细内容请阅读主页置顶文章,希望对你有帮助。 305

五.EtherCAT开发之STM32F407ZGt6+ LAN9253 外置EEPROM配置数据含义

EtherCAT从站简称ESC,ESC在上电过程中,会自动加载EEPROM中前7个字(1word = 2 byte)到ESC寄存器。ESC寄存器总是可以被EtherCAT主站通过EtherCAT总线访问,无论PDI接口寄存器配置什么值。EEPROM存储器中的前7个字,将决定ESC的工作模式。

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网(IoT)与人工智能(AI)融合技术,聚焦​​边缘计算、图像开发、低功耗通信协议​​,致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 3480

科研——BIBM论文修改和提交

BIBM的相关操作流程汇总

Blackoutdragon的博客 6694

每日一Go·MySQL-15、慢查询日志实战分析(从 0 到 1 实战排查慢 SQL)

今日目标:让你真正掌握:慢 SQL 如何发现?如何分析?如何一步步优化?一、什么是慢查询日志?

藏云的优快云博客 327

YOLOv8改进,YOLOv8主干网络替换为FasterNet(全网独发手把手教学,助力涨点)

FasterNet的整体架构由四个分层阶段组成,每个阶段包含一组FasterNet模块,并在前面加一个嵌入或合并层。最后三层用于特征分类。每个FasterNet模块内部,一个PConv层后跟两个PWConv层,为了保持特征多样性并降低延迟,归一化和激活层仅在中间层之后进行,其中,PConv 是一种快速高效的卷积操作,通过仅对部分输入通道应用卷积滤波器,而保持其余通道不变,从而减少了计算量和内存访问。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2018

TinyGo 驱动 ESP32 端侧 AI 推理实战:纯 Go 实现轻量机器学习模型部署全流程

基于乐鑫官方 TinyGo 教程,从零实现纯 Go 语言开发 ESP32 端侧 AI 推理应用,覆盖环境搭建、模型转换到全流程部署。

嵌入式扫地僧 527

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Go 服务上线前检查清单:P0/P1/P2

把 P0/P1/P2 检查项落到“为什么、怎么验证、常见失败”,形成可勾选的上线清单。

JudithHuang的博客 240

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

每天10分钟学Go:第1课 环境搭建与第一个Go程序

本号专注分享实战干货、避坑指南、性能调优、面试重难点, 每一篇都是亲手落地测试,帮你少走弯路、快速提升核心竞争力。5、将go程序构建成可执行的二进制文件:go build hello-world.go。3、编辑go文件写入程序:vim hello-world.go。4、运行go程序:go run hello-world.go。2、创建go文件:touch hello-world.go。1、创建项目目录:mkdir go-test261111。2、配置go环境变量。

2501_94567985的博客 127

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Go 泛型入门:类型参数、约束与 Map/Filter/Stack

掌握类型参数、约束、~ 与 union,写出通用 Map/Filter/Stack,并知道什么时候不该用泛型。

JudithHuang的博客 217

Go 测试实战:表驱动、Benchmark 与 httptest

从表驱动、子测试到 Benchmark/Fuzz/httptest,建立“测行为不测实现”的测试习惯。

JudithHuang的博客 225

day01-认识Go语言 + golang环境的安装

Go语言由Google开发,2009年发布,兼具编译型性能与脚本语言易用性。其优势包括运行快、语法简洁、跨平台构建、丰富标准库及原生并发支持(goroutine与channel),适用于微服务、区块链等场景。安装时需配置GOROOT(安装路径)、GOPATH(工作空间,含pkg和bin目录)及GOBIN,并将%GOROOT%\bin、%GOBIN%、%GOPATH%加入系统Path。通过命令行验证环境后,可使用GoLand等IDE进行开发,快速上手高效编程。

2301_77190282的博客 245

海外酒店预订平台对比:Agoda、Booking.com、RollingGo 怎么选?

底部是“首页 / Rolling / 我的”三个 tab,其中 Rolling 是 Agent 对话入口,叫 Rolling AI 助手,支持文字、语音、历史会话、流式输出,预置了三亚、成都、丽江、西安、巴黎、冲绳等场景。你直接说“下个月去冲绳,两大一小,想要有温泉、能免费取消的”,它会边想边把候选酒店推出来,而不是让你在筛选器里点二十次。海外酒店这个行业,价格差异的成因比“杀熟”复杂得多:有的平台首屏显示的是未含税价,有的把城市税留到店付,有的默认给你“不可取消”的最低价,有的把会员折扣藏在登录之后。

didago的博客 10

Go语言第二十章(初探Gin)

Gin 是 Go 热门 Web 框架,基于 net/http,写法更简洁。需升级 Go 版本解决依赖兼容,Air 实现本地热更新。通过`gin.Default()`创建引擎,支持多方式路由;提供路径参数、Query、表单、JSON 四种参数获取,`ShouldBindJSON`可自动绑定并校验结构体,使用`ctx.String`、`ctx.JSON`返回响应。

qq1195566313的博客 93

Go1.25 升级后 GoLand 调试提示【变量不可用】解决方案

顶部菜单Help→在弹出的配置文件中添加下面一行,路径替换为你本机 dlv.exe 真实路径Windows 路径使用正斜杠,不要用反斜杠保存配置文件,完全重启 GoLand(不是只重启调试会话)Go 大版本升级后,优先检查 Delve 兼容性,这是 Go1.24+、Go1.25 最常见的调试踩坑点。升级dlv + 指定dlv路径 + 关闭编译优化参数,90% 的“变量不可用”问题都可以解决。

关于代码的那些事 257

深入浅出Go-pprof设计思想

本文以“不打扰的城市”为隐喻,生动诠释了Go语言pprof性能分析工具的核心理念:观测不应改变被观测对象。通过城市巡夜、速记员、账本等角色,类比pprof中SIGPROF、sigprof、profBuf等组件,揭示其低干扰采样机制——定时随机抽查、不携带额外开销、数据写入即丢、最终生成可视化火焰图。整套设计确保程序在被监控时仍保持原速运行,真正实现“看清系统而不影响系统”。

不愿言弃-念何的博客 641

Go 定时任务实战:工业边缘场景下的 robfig/cron

工业边缘网关里有大量周期性工作:设备状态轮询、数据同步、定时上报、日志清理。,本文从角度梳理其用法、任务封装、并发控制与常见的坑。

ZenovaEdgeOS的博客 476

Go FX 依赖注入框架:从入门到实战

FX 的核心思想就是“声明式依赖管理”—— 你只需要告诉它"我有这些组件,它们需要什么",剩下的创建、排序、生命周期都由框架自动处理。特性传统方式FX 方式依赖顺序手动维护自动解析生命周期手写 start/stopfx.Hook 自动调度测试难度高(需真实依赖)低(接口易 mock)代码可读性分散在各处集中在 module 中错误提示运行时 panic启动时清晰报错对于中大型 Go 项目,FX 能显著降低代码耦合度,提升可测试性和可维护性。

ggaofengg的专栏 180
上一篇: 3.76万亿元背后,开发者真的能拿到95%吗?苹果罕见披露中国开发者收入情况
下一篇: 下一个十年,互联网将是什么样?雷军、周鸿祎、张朝阳、吴泳铭这些巨头大佬都释放了哪些信号?
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