仙人球部落-优快云博客

原创【Azure AI Search】 searchMode=any 和 searchMode=all 有什么区别？

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”。在 Azure AI Search 中，输入的查询关键字为 “audit brief report compliance” 它并不是被当成一个完整字符串直接匹配，而是会被拆成多个关键字（audit，brief，report，compliance)。all 的特点是结果更少、更精确，适合关键词本身就很明确、希望结果严格满足所有条件的场景。

2026-07-10 13:53:21 200

原创 [Full Clock 技术复盘] 二、SvelteKit 实战避坑指南：PWA、SSR 样式断裂、持久化防抖

对于在用户端会重新渲染（与屏幕大小关联，或与用户自定义主题关联）的情况，SSR 渲染产物和用户实际期待画面会不一致。这时，会造成首屏样式的断裂。$state.snapshot 访问了每一个属性，从而将其转换成了 JavaScript 对象。这样一来，就实现了依赖记录和追踪。这个防抖乍看没什么问题，但是代码一旦上线，问题可就大了——设置数据永远不会被保存。解决方法：加 CSS transition，用户感觉还是自然进入自己设置的主题。只会追踪同步执行路径上被访问到的属性，记录其为依赖。

2026-07-10 13:52:48 166

原创 AI Agent 替你写代码没问题，但这 3 类后端任务让它当场翻车

这说明当你感觉 AI 在帮你的时候，不一定真的帮了你——那种"感觉在进展"的感觉，有时候是在帮 AI 生成的错误收拾烂摊子。给 AI 一段业务逻辑代码，告诉它用 JUnit 5 + Mockito，让它把 happy path 和常见的 edge case 都覆盖一遍——大多数情况它都能给你一个像模像样的测试类，结构正确，mock 对象该写的也写了。这个测试有一个刻意的限制：我没有特意去找"AI 最擅长的任务"来刷高接手率，用的都是真实工作里自然遇到的任务，包括那些明显复杂的、有大量内部上下文的场景。

2026-07-09 13:13:59 173

原创使用embedchain快速建立rag知识库，本地大模型

os.environ[“OPENAI_API_KEY”] = “ollama” # Ollama 不校验，填任意值。os.environ[“OPENAI_API_KEY”] = “ollama” # Ollama 不校验，填任意值。“model”: “nomic-embed-text”, # 嵌入模型。“model”: “nomic-embed-text”, # 嵌入模型。“model”: “llama3.2”, # 模型名称。测试ollama是否启动。拿破仑于1815年去世。

2026-07-09 13:13:20 186

原创 House of botcake与IOFILE任意读写

跟stdin类似，我们攻击的是输出缓冲区，利用输出时如果系统检测到输出缓冲区有数据就会刷新输出缓冲区的机制，把 _IO_write_base改成我们想泄露数据的开始，把 _IO_write_end改成我们想泄露数据的结束即可。题开了pie，开了沙箱，只允许ORW，glibc给的版本是2.31，我们当2.31打吧。比如stdin，我们就是利用了改变输入缓冲区的地址，来把我们本应该输入到输入缓冲区的数据，先输入到了我们要输入的目标地址，即控制stdin的_IO_buf_base与 _IO_buf_end。

2026-07-08 13:51:34 222

原创 .NET 10 桌面 UI 框架的范式演进：Jalium.UI 与 MewUI 架构深度对比

对于游戏引擎而言，引入几十兆的 Avalonia 是不可接受的性能灾难，而 3 MB 的 MewUI 则成为了一个理想的轻量级解决方案。而 MewUI 走的是“极限轻量化”路线，由社区开发者 Youngjae Song（社区 ID: aprillz / al6uiz）发起，定位为一个实验性的、代码优先的轻量级.NET GUI 框架，专为解决小型桌面实用工具的分发体积问题而生，其核心目标是在无任何外部 C++ 图形 DLL 依赖的前提下，实现 2.5 MB 至 4.0 MB 的极致原生编译体积 3。

2026-07-08 13:50:40 184

原创 SeaTunnel + AI：一句“我要做什么”，能不能直接变成一份能跑的配置？

校验报告不是点缀，它主要回答两件事：哪里已经能跑，哪里还要人确认。"按示例意图生成：mysql.shop.orders 全量同步到 Doris ods.orders，每天跑一次，使用 zeta 引擎，并行度 4","为保证配置可运行，Doris data_save_mode 使用兜底默认值 APPEND_DATA；若目标是覆盖式全量，请改为 DROP_DATA","当前任务调度频率未编码在 SeaTunnel 配置中，需由外部调度系统实现每天一次触发","未显式设置 Jdbc 分片参数；

2026-07-07 14:01:43 198

原创 -python-LangGraph框架（3-31-LangGraph 「合并式状态管理」的原理与实践）

合并式状态是 LangGraph 状态管理的核心特性之一，也是本次并行安全合并的基石。这是整个方案的核心环节。我们定义状态时，将需要并行写入的结果字段，通过注解绑定字典合并函数，声明它为合并式状态。同时规划状态结构：原始查询、并行合并结果、最终聚合答案，各司其职，让状态管理清晰有序。LangGraph 的合并式状态，是解决并行任务状态管理问题的「银弹」。它通过自定义合并函数，从状态定义层面杜绝了结果覆盖、数据丢失的问题，搭配并行扇出扇入的流程设计，让多任务并行、多智能体协作变得简单、安全、高效。

2026-07-07 14:00:58 182

原创 P10509 停车场题解

如果把它分解成条状，两两分组，就会变成长度为 $2、5、8$，宽度为 $2$ 的方块和一段长度为 $n$，宽度为 $1$ 的长条，而 $2、5、8$ 是公差为 $3$，首项为 $2$ 的等差数列。找出在 $2023\times 2023$ 的正方形中 $1\times 1$ 的停车位数最大值（停车位的上、下、左、右至少有一个空地）下图为 $n=4$ 时停车位数最多的放置方法之一，其中红色为车位，蓝色为出口，白色为空地。（灰的是车位，黑的是空地或出入口）

2026-07-06 14:10:25 237

原创【Agent Harness】Gliding Horse 根因分析引擎：从“头痛医头”到“三维会诊”

Agent 报了一个“文件写入失败”。是权限问题？是依赖的数据库连接超时？还是上游任务变更了目录结构？传统做法要么靠人类翻日志，要么让 LLM 做一次性事后分析，效果堪忧。Gliding Horse 给出的答案是：把根因分析变成一个，让系统自己回答“为什么会出错”以及“还会有什么会出错”。本文将拆解这套根因分析体系的设计哲学、架构演进和最终成果。它不再是单一的规则匹配或贝叶斯模型，而是一个跨越的融合诊断系统，依托我们全新引入的。

2026-07-06 14:08:25 210

原创在CubeMX生成项目中，手动移植FreeRTOS Kernel V11.3.0 LTS，HardFault 启动崩溃问题日志

的 naked wrapper（而非直接的 FreeRTOS handler），此检查会触发断言失败。重命名 + naked wrapper 模式是解决此问题的最小侵入方案（仅修改 USER CODE 区域）。必须作为向量表的直接入口（或通过同类 naked 函数零开销分支）。是移植 FreeRTOS 到 CubeMX 裸机项目时的标准陷阱。中的 strong naked wrapper。）仅 28 字节，完全符合启动阶段崩溃的特征。是 naked 函数，设计为处理器的。而 FreeRTOS 端口层。

2026-07-05 13:38:14 183

原创 PPO算法基础讲解

首先，我们定义一个参数 ��(�)：分子新策略（正在训练的策略）下，在状态 � 采取动作 � 的概率。分母旧策略（收集这批数据时的老策略）下，在状态 � 采取动作 � 的概率。如果 ��(�)>1，说明新策略比旧策略更倾向于做这个动作；如果 <1，则反之。

2026-07-05 13:37:24 206

原创 gt-checksum v4.0.0 新功能解读系列文章（6）：权限预检与修复安全策略——先确认能看见，再决定怎么修

更符合最小权限原则、更容易排查权限问题、更安全地处理在线修复。能力说明源端/目标端角色区分源端只检查读取权限，目标端根据和datafix检查实际修复所需权限通配/映射规则压缩检查支持db.*db.t%按源端/目标端角色压缩权限检查目标空匹配权限提示指定库表不可见或匹配为空时，提示检查权限，并给出建议目标端不可见保护目标端表元数据不可见时，先提示权限不足，不再直接当作缺表生成建表修复 SQL非 data 对象保守修复structroutinetrigger即使配置。

2026-07-04 14:02:34 239

原创 LLM 记忆系统：从 Markdown 知识库到 Self-Governing Repo

要重新装载。这类问题很容易被误判成“缺少一个更大的上下文窗口”，或者“需要一个更强的向量数据库”。但如果把它放到工程系统里看，真正缺失的不是存储本身，而是一套能持续维护、能区分证据来源、能在规模变大后继续演化的个人工作上下文系统。Karpathy 在 “LLM Knowledge Bases” 中提出过一个很朴素但关键的判断：中等规模知识集未必需要复杂 RAG，原始资料、结构化 Markdown、索引和 LLM 推理，已经可以编译出一个可用的知识库。这个判断可以再往前推一步：如果把知识库从“资料整理

2026-07-04 14:02:00 183

原创从零实现大模型智能决策工作流（极简实战）

接收用户输入的问题；自主判断是否需要调用搜索工具；输出标准化结果：需要搜索则返回关键词，无需搜索则直接返回答案。这个案例是 LangGraph 与大模型结合的最佳入门示例用 LangGraph 编排流程，让大模型做决策。对于刚接触大模型应用开发的朋友，先跑通这个基础工作流，再逐步添加工具调用、分支判断、循环执行等功能，就能快速搭建出专业的大模型智能应用。后续我会继续分享 LangGraph 进阶实战：工具调用、多节点分支工作流、长流程任务编排等内容，带你一步步玩转大模型工作流开发～

2026-07-03 14:14:22 186

原创 WorkBuddy: 小龙虾的灵魂三件套，让你的小龙虾不只是工具

IDENTITY，记录了小龙虾最基本的信息：姓名、身份、风格、形象。这就像什么呢？就像我们的工牌——除了没有公司和部门，其他关键信息可以说如出一辙。工牌最主要的特点是什么？稳定。拿到手基本不会换，除非职位有变化。同样的，小龙虾的身份档案一旦配置好，基本也就很少调整——也建议不要频繁改动！如果说身份档案是小龙虾的外在形象，那灵魂配置就是它的内在驱动。我的核心信条是什么？我的行为边界是什么？我的风格习惯是什么？除此之外，灵魂配置更关键的一点在于——

2026-07-03 14:13:46 171

原创 Spring AI 提示词模板实战：告别硬编码，实现提示词工程化管理

是 Spring AI 提供的提示词模板类，类似于 Java 的变量占位符：使用{variable}语法动态赋值：运行时替换变量内容模板复用：同一模板适配不同场景Spring AI 的。

2026-07-02 14:41:00 175

原创从 Visual Studio Copilot 的请求内容学习其实现原理

提示词开篇就给 Copilot 设定了明确的角色和约束：你是一个 AI 编程助手。当被问到你的名字时，你必须回答 "GitHub Copilot"。请仔细并严格遵循用户的要求。你的专业知识严格限于软件开发主题。遵循 Microsoft 内容政策。避免侵犯版权的内容。对于与软件开发无关的问题，只需提醒对方你是一个 AI 编程助手。保持你的回答简短且非个人化。请使用以下语言环境回复：zh-CN这一段清晰地划定了 Copilot 的边界：只处理软件开发相关的问题，遇到非软件问题就礼貌提醒。

2026-07-02 14:40:21 230

原创 Apache Kafka实战：Spring Boot消息队列完整指南

【代码】Apache Kafka实战：Spring Boot消息队列完整指南。

2026-07-01 16:14:10 206

原创 UI 自动化测试产品深度对比分析报告

结论：开源框架均无原生 AI 自愈能力，但可通过外接 LLM API（如前文方案所设计）实现。：已有大量 Java/Python 存量脚本的企业、需要测试老旧浏览器（IE）、与 Appium 移动端配合。：无编程能力的手工测试团队、预算充足的 SMB、需要 Web+Mobile+API 统一平台。：以手工测试为主、有非技术业务人员参与的团队、关键字驱动的接受测试（ATDD）：新项目首选、追求稳定性的 CI 流水线、跨浏览器覆盖要求严格的团队。：测试人员全无编程能力、UI 频繁变更的产品、预算充足的企业。

2026-07-01 16:13:30 237

原创 GitOps 工业化的七个核心决策

"CI 里执行 kubectl apply" 是脚本化，不是 GitOps。两者的本质区别是谁发起变更——CI 主动推是脚本化，集群内控制器主动拉才是 GitOps。Kubernetes集群同步组件GitOps 仓库CI 系统Kubernetes集群同步组件GitOps 仓库CI 系统CI 到此为止不持有集群凭据写入期望状态持续拉取比对 + 同步这个区别不是学术讨论。一个团队从脚本化迁移到 GitOps 的导火索很典型：一次 CI 凭据泄露事故。

2026-06-29 15:04:56 151

原创从零构建车载语音对话系统：NLU → DST → Policy → NLG → TTS 全链路工程实践

概念一句话理解Intent用户想做什么（分类问题）Slot做这件事需要什么参数（序列标注问题）DST多轮对话中信息的累积与维护Policy给定状态，决定系统下一步动作NLG将结构化动作转化为自然语言TTS文本 → 声学特征 → 语音波形高速场景下拒绝执行危险操作核心服务不可用时的降级策略CAN Bus车内各 ECU 通信的骨干网络，车速/档位等状态的实际来源序列标注的标准体系，B-开始 I-内部 O-外部。

2026-06-29 15:04:08 216

原创网络安全在线就能打的内网靶场推荐 & Dawn Breaker 单域靶场 WP

经过分析发现 Rover 这个账户很特殊，它关联着一个计算机账户，SOLARIS@SEC.LAB 可以重置它的密码，但是现在还没有 SOLARIS@SEC.LAB 相关的信息。但是线路到了 LAHAYO@SEC.LAB 就断开了，接着再分析是否有路线到达域控或者域管理员，看到有一个未知的节点可以RBCD到域控。根据 JINXI@SEC.LAB 的ACL，将 Rover 加入 Black ShoresI@SEC.LAB。接下来就回到上面信息收集部分分析的路径，到这里就断开了，的密码与账户名全小写一样。

2026-06-28 14:49:30 163

原创 PowerMem 记忆系统的遗忘设计，从神经元到代码工程

其中I(x)是事件 x 的自信息量p(x)是该事件发生的概率。一个事件的信息量与其发生概率成反比，越是罕见、出人意料的事件，一旦发生，携带的信息量越大。PowerMem 的故事还没讲完，但是我想重新回到开头。遗忘是排序的基础，通过衰减制造差异化，为排序提供了除语义相似度之外的第二个维度。遗忘使记忆进化，频繁访问的记忆被不断提升，衰减率逐步降低，通过反复使用将记忆信息不断巩固。遗忘是连续的，而非二元的。

2026-06-28 14:47:16 195

原创基于 OpenSpec 实现规范驱动开发

这些问题需要人来做判断，AI 做不了这个主。意思是：有了 proposal 才能生成 specs，有了 specs 才能生成 design——但这是 AI 生成工件时需要的输入，而不是说你必须按这个顺序来。整个流程跑下来，OpenSpec 产出的效果还是令人满意的，一些前期没有考虑到的细节 AI 都补上了，生成的相关文档也有利于开发人员的知识对齐，可以尝试在团队内部推广。技术栈、模块划分、代码规范、API 风格——这些信息写进去后，后续所有变更的工件生成都能自动继承，省去每次对话开头重复交代背景的麻烦。

2026-06-23 13:29:27 246

原创 AI 赋能微服务工程化：Surging Engine-CLI 的插件化 Agent 架构革新

与此同时，AI Agent 技术正从 “对话交互” 向 “任务执行” 快速演进，其核心价值在于让 AI 具备理解意图、调用工具、自主完成复杂任务的能力。Engine-CLI 的核心革新，在于构建了一套 **“契约标准化、开发模块化、加载动态化、调度智能化”** 的函数插件化体系，彻底打通了微服务函数与 AI Agent 的壁垒，实现 “一次封装、AI 通用、动态扩展”。的本地大模型推理能力，构建的一套稳定、高效、可控的技术底座，完美适配.NET 生态的技术体系与工程规范。Engine-CLI 通过。

2026-06-23 13:28:39 247

原创 AI Agent 走出 Demo 幻觉的唯一解药：Harness Engineering

回到最初的问题：AI 会取代程序员吗？“翻译官”会死，但“架构师”将迎来属于他们的黄金时代。如果你的核心竞争力仅仅是把产品经理的中文需求，翻译成一段连你自己都不知道为什么能跑通的循环代码（For-loop），那你的确岌岌可危。因为在“语法生成”的赛道上，碳基生物永远无法战胜硅基的概率引擎。但正如 Anthropic 和 Birgitta Böckeler 所揭示的，真正的软件工程，是一场用确定性的逻辑去驯服非确定性混乱的战争。

2026-06-22 22:24:19 350

原创为什么你的OpenClaw做不好自动化测试？

OpenClaw在测试领域的核心价值是“降低自动化测试的门槛，实现测试流程的标准化、模块化”，但它不是“开箱即用、无需配置”的万能工具——它需要你懂测试、懂工具、懂配置，才能发挥最大价值。

2026-06-22 22:23:37 186

tg4E787oY的博客