uj6o0K2o0的博客

原创 【深度思考】一线开发大头兵对于工作的感悟分享

希望我们都能在日复一日的CRUD中，找到属于自己的那份笃定。加油，大头兵！

原创 日常问题排查-空闲一段时间再请求就超时

这种“睡死”又“叫醒”的现象，在开发中非常常见，尤其是在长连接、连接池、负载均衡等场景下。### 四、常见场景与原因分析除了上面这个最典型的“连接池中有死连接”之外，还有几个常见原因也容易导致“空闲一段时间后再请求超时”：#### 1. 数据库连接池数据库连接池（如 HikariCP、Druid）同样存在这个问题。，在请求前检查连接是否可用#### 方案二：设置合理的超时与重试机制客户端可以设置较短的连接超时，并在发现连接不可用时自动重试一次。：连接池默认会复用连接，不会去主动验证连接是否有效。

原创 向量那点事儿

本文从向量的定义、基本运算（加减、点积、叉积）出发，深入探讨了稀疏向量的高效处理、硬件加速原理，并展示了从 Python 列表到 NumPy 再到 GPU 的性能演进。今天我们不谈高深的数学证明，只聊聊向量在计算机科学中那些“接地气”的细节——它是什么、怎么存储、如何运算、以及为什么它在现代AI和游戏引擎中如此重要。- 在机器学习中，向量代表特征（如词向量、图像像素向量）。—### 3. 向量的高级话题：稀疏向量与高维空间在真实业务中，向量维度可能高达几十万（如 NLP 中的词袋模型）。

原创 Rocky9.3 UEFI 引导崩溃解决办法

保持引导链版本一致。

原创 GoF设计模式——代理模式

RealSubject（真实主题）

原创 《GIS基础原理与技术实践》配套案例(Python版)

## ## 3. 进阶：坐标转换与缓冲区分析实际 GIS 项目中，我们常需要将数据从地理坐标系（如 WGS84）投影到平面坐标系（如 UTM 或高斯-克吕格投影），以进行距离量算或面积计算。本文将从基础概念出发，逐步深入演示如何用 Python 实现 GIS 核心操作，包括空间数据可视化、坐标转换、空间分析等。### ## 2. 案例一：加载并可视化点要素假设我们有一个包含城市经纬度的 CSV 文件（示例数据为手动构建），我们将读取它并转换为 GeoDataFrame，然后在地图上绘制。

原创 一行代码抓遍全网 20 个热榜！Aneiang.Pa 4.0 发布 — 极简 .NET 爬虫库

确保线程安全地收集结果## 支持的热榜源一览Aneiang.Pa 4.0 内置了 20 个热榜源，包括：| 源名称 | 对应平台 | 数据格式 ||--------|----------|----------|| weibo | 微博热搜 | JSON || zhihu | 知乎热榜 | HTML || bilibili | B站热门 | JSON || douyin | 抖音热点 | JSON || toutiao | 今日头条 | HTML || …然后，编写你的第一个爬虫程序。类型，表示热度数值-

原创 C# 解析 Word 超链接：字段识别、屏幕提示读取

# 理解Word超链接的结构Word文档中的超链接主要有两种表现形式：1.块包裹Open XML操作，因为文档可能损坏或包含不支持的格式## 总结本文详细介绍了使用C#和Open XML SDK解析Word文档中超链接的方法，重点讲解了字段识别和屏幕提示的读取技术。## 代码示例2：高级解析——处理嵌套字段和复杂文档实际文档中可能包含复杂的字段嵌套，例如超链接字段中嵌入书签引用。## 代码示例1：读取文档中的所有超链接以下代码演示了如何遍历Word文档，识别并提取所有超链接信息，包括字段代码和屏幕提示。

原创 微服务架构：基于微服务和Docker容器技术的PaaS云平台架构设计（微服务架构实施原理）

原创 【原创】分布式之消息队列复习精讲

# 实战：基于 Redis 的分布式消息队列Redis 的 Stream 数据结构天然支持消息队列，适合轻量级场景。：在生产环境中，优先使用成熟的消息队列（如 Kafka 用于大数据、RabbitMQ 用于传统业务），并配合监控（如 Prometheus + Grafana）观察队列深度和消费延迟。### 3. 消息积压- 增加消费者数量（水平扩展）。### 2. 重复消费- 保证幂等性：消费时检查业务唯一键（如订单号）是否已处理。：生产者 → 队列 → 消费者，本质是生产者-消费者模式的分布式化。

原创 【GUI-Agent】阿里通义MAI-UI 代码阅读（1）--- 总体

原创 微调LLM前你需要了解的一些概念1 -- 综述

## 预训练 vs 微调：根本区别| 维度 | 预训练 | 微调 ||------|--------|------|| 数据量 | 海量（TB级） | 少量（MB到GB级） || 计算成本 | 极高（成千上万个GPU小时） | 相对较低（几十到几百个GPU小时） || 目标 | 学习通用语言知识 | 学习特定任务或领域 || 模型参数量 | 通常很大（7B/13B/70B） | 不变或增加少量参数 |预训练我们基本不自己做（太贵），我们主要做微调。：让预训练模型“进修”你的专业领域，不是从零学习。

原创 端侧 Agent OS：手机架构与硬件协同设计

原创 一次P0 故障：微服务线程数莫名暴涨 10 倍，线程问题踩坑

正常情况下，线程池的核心线程数是10，最大线程数是20，队列容量是100。更糟的是，由于线程阻塞，服务开始拒绝连接，导致上游网关超时，最终引发了连锁故障——整个交易链路中断了15分钟。### 2. 线程池配置不合理核心线程数10，最大线程数20，队列100。运行这段代码，你会发现即使只有100个任务，线程池也会迅速创建20个线程（最大线程数），然后队列被填满，后续任务被拒绝。但在真实场景中，由于第三方服务没有设置超时，每个线程都在“死等”，导致线程池无法回收线程，最终线程数暴涨。，再好的线程池也救不了你。

原创 业务智能体实战笔记（三）：收窄 LLM 决策空间

这些技术的核心是在保持 LLM 能力的同时，将其决策空间从无限压缩到有限、可控的区间，从而提升智能体的可靠性、可预测性和性能。### 代码示例 2：基于枚举选择的决策以下代码展示如何通过提示中的枚举列表来收窄 LLM 的决策，并自动验证结果。本文深入剖析如何通过技术手段收窄 LLM 的决策空间，提升智能体的稳定性和效率，并配合可运行的代码示例进行演示。决策空间过大会导致：-原理上，LLM 在生成时会对 token 进行概率排序，通过提示中的格式约束，可以压低无关 token 的概率，从而缩小可选范围。

原创 大模型RAG实战，从被骂不靠谱到成为部门MVP，这是我的踩坑全记录

一切的起点是一顿臭骂上个月，我被领导叫进办公室骂了整整二十分钟。起因是这样的——我们部门负责维护一套内部知识库系统，里面沉淀了公司近五年的技术文档、故障处理手册、还有各种规范流程。问题是，这玩意儿除了当摆设，几乎没人用。为啥？因为搜索太烂了，关键词匹配的那种，你搜服务器宕机怎么办，它给你返回一堆包含服务器的文档，真正有用的那篇反而排在第三页。新同事入职问问题，老员工翻文档找答案，大家宁可在群里@人问，也不愿意去知识库里查。然后领导发话了：你不是天天研究什么大模型吗？

原创 从智能工具到生活伴侣，我们离真正的智能家居还有多远？

扫地机不知道空调开着（它只管扫它的），空调不知道窗户开着（它只管制冷），你家里住着一群“各扫门前雪”的机器，没有一个统筹全局的大脑。它只关心“你说了什么”，不关心“你在什么情况下说的”“你真的需要吗”“有没有更好的方式”。你到家时，它温柔地说：“今天外面很热，但考虑到你这个月的预算，我提前开了新风，只预冷了卧室。未来的家，不应该是一个堆满电器的房子，不应该是一个需要你指挥的“智能工具”。你喊“开空调”，它就开。于是，晚上11点，你已熟睡，它让扫地机轻声出动，先扫客厅碎屑，再去儿童房转一圈。

原创 Zabbix监控实战--正则表达式的使用

在选用自动发现规则时一般会获取到很多生成项的情况，但实际上可能有些生成项并不是我们关注甚至需要的，为此需要我们进行一个过滤操作来处理生成内容，只获取我们需要的部分，这个需求可以用正则来实现。到对应主机或模板上的自动发现规则中添加过滤器（用探测中得到的宏值进行配置）通过键值vfs.fs.discovery获得。这是探测得到的相关json数据内容。

原创 Role标准目录结构

roles/nginx/ # 角色名：nginx├── defaults/ # 默认变量（优先级最低，可被外部覆盖）├── vars/ # 角色内部固定变量（优先级高于defaults）├── tasks/ # 核心执行任务，必须有main.yml入口├── handlers/ # 触发器（notify触发，如重启服务）

原创 开源大模型本地部署硬件选型深度指南

8× H200 节点跑 DeepSeek-V3 671B FP8 原生，单节点 1,500–2,500 tok/s 总吞吐（SGLang / vLLM，batch 64+），参考 SGLang DeepSeek V3 benchmark 与 vLLM benchmark 报告。Qwen3-235B-A22B INT4（~120GB）可以，TP=2 单流 60–80 tok/s，batch 32 稳态 ~1,200 tok/s，支持 ~100 并发。谁该买：信创合规强约束的政企、央国企、银行、运营商、政务。

原创 把开发循环的控制权，交还给确定性代码

如果 review 会话带着 dev 写代码时的记忆，它天然会"护短"——人对自己刚写的代码容易先入为主、下不去狠手（心理学叫锚定效应，anchoring bias），LLM 也一样。写进去的债，永远没人还。旧做法是让编排器自己也是个 LLM，去"看"会话的输出——这正是 Story Automator 的包袱。很多人第一次接触 BMAD Loop，会以为它是几个新 skill：bmad-loop-setup、bmad-loop-sweep、bmad-loop-resolve、bmad-dev-auto。

原创 用 Solon ReActAgent 落地发票识别与智能报销

ToolMapping(description = “识别发票图片，返回发票代码、号码、日期、金额、购买方、销售方等字段”)@Param(description = “发票图片 base64 或文件 ID”) String imageRef) {@ToolMapping(description = “检查发票真伪、抬头、是否重复报销，返回合规结论”)仅在合规通过且审批完成后调用”)return “{“result”:“REJECT”,“message”:“该发票已被报销过”}”;

原创 NET 某光电成像后端解析系统 内存暴涨分析

为什么会暴涨由于是linux上的.net，原来的!address -summary 就彻底失去功效了，使用高版本的sos自带的全平台替换版!maddress 去搞定，输出结果如下：0:000>!maddress看到卦中的这些信息，秤砣终于落地了，总计吃了6.97G的内存，主要都是被 Stack 和 GCHeap 给吃掉了。imageimage。