- 博客(69)
- 收藏
- 关注
RSS订阅原创 红果成第四大 App，它抢走了谁的时间
它不能直接证明这 1.68 亿人是从长视频那里搬过来的——用户的时间可能来自短视频站内，可能来自免费网文，也可能本来就分散在各处、没集中在任何一个长视频 App 上。他举例说，如果单集时长改成 45 分钟或 90 分钟，和电视剧、电影的区别并不大，核心还是内容质量。QuestMobile 的监测显示，2026 年 7 月，红果短剧的日活跃用户达到 1.68 亿，同比增长 107%。所以红果抢走的一部分时长，其实是字节自己盘子里的转移——从刷短视频，变成了刷短剧。短视频的信息流会被划走，短剧的黏性更强。
2026-11-02 19:05:37
149
原创 在北京找工作，先看这两组数
分产业看，第一产业 77.8 亿（+3.7%），第二产业 5187.8 亿（+2.7%），第三产业 35202.8 亿（算力、存储、集成电路、机器人——这些不是研报里的词，是统计局按季度统计产量和增加值的科目。产量涨 1.7 倍的同时，工业机器人产量涨 47.6%——也就是说，很多环节正在被自动化替代。再看产量：服务机器人 +1.7 倍，工业机器人 +47.6%，服务器 +36.8%，集成电路 +20.5%。平均数掩盖的东西，比它显示的多。北京现在缺人的地方，是算力、存储、集成电路、机器人、金融交易。
2026-11-02 10:07:35
214
原创 AI 算力全球第二，跟你有什么关系
工业和信息化部在 7 月的发布会上提到，近两年围绕国家算力枢纽节点建了超过 70 条算力大通道，枢纽节点之间的网络性能提升了 10%。你所在的公司如果不是大厂，能不能用得上一套像样的 AI 工具，很大程度上取决于算力有没有分配到你这一层。规模上来之后，真正影响体验的往往不是模型有多聪明，而是你晚上八点用的时候，会不会排队、会不会变慢。算力是基础设施，它决定的是上限——能跑多大的模型、能同时服务多少人、能不能一天跑完几千万次推理。算力规模涨得快，说明一件事：这一年里，大量的钱变成了机房、服务器和电。
2026-10-30 10:17:34
283
原创 跨部门要材料，为什么总要不来
但如果消息里明确写着"这份材料明天上午十点要报到分管领导那里，缺这三个数会卡住"，那这件事的性质就变了——它不再是你个人的请求，而是一件有外部节点的事。还有一种：如果是跨层级、跨事业部的协调，个人之间的沟通本身就不够，需要你的领导出面。抄给他的直属领导要有理由，比如"同步一下进度"，而不只是给对方压力。"周四的经营例会要用"比"我周五要"有力得多。所以你催的不是"三个数"，是一件让他得停下手头工作、花一小时、还要担一份责任的活。做法无非三条：说清楚要什么，给他一个现在做的理由，把他要花的力气减到最小。
2026-10-22 09:41:36
132
原创 DeepSeek 内部推理框架，开源了
如果推理框架的效率够高，同样一批卡就能跑出更多请求，单位成本自然就降下来了。它的受益者是有规模的团队，不是个人用户。而且这次给的不是能跑就行的玩具版本，是"大规模服务所需的核心特性"——也就是它自己在生产环境里用的那一套。它赚钱的方式，是让更多人用这个模型，让这个模型变成别人的默认选项。这也是为什么我一直觉得，判断一个工具值不值得长期用，要分清它的便宜是哪种便宜。它的成本是不是结构性的，它的能力是不是还在迭代，它愿不愿意把底牌亮出来。它说的是一种部署方式——不联网、在本地跑——不是功能上的削减。
2026-10-21 10:09:08
120
原创 领导说“再改改“，多半是这三处没说清
他说"再看看"“再想想”，什么具体信息都不给——这种情况通常不是你的问题，是他自己也没想清楚该要什么。如果他不说具体问题，只丢一句评语，这句话其实是有信息的。你一上来铺背景、讲现状，而他想直接看结论，他会觉得你啰嗦。你给一个具体的，他一看就知道哪里不对——比让他凭空描述要容易得多。他要的是结论，你给的是过程。这是最省事、也最没用的反应，因为你重写的方向是猜的。改了三版还没过，说明问题不在细节上，在于你写的是不是他要的那件东西。他会纠正你——而纠正你的那句话，就是你要的标准。你追问，他说"你自己再想想"。
2026-10-15 10:09:20
334
原创 AI 一周一个新模型，但你的工作没变
谷歌的说法是，当模型能在一次推理里生成几十万个词元，它就有能力把一件横跨数万行代码的工程从头做到尾。意思是，你今天能免费用到的那个"不够聪明"的版本，比三个月前同价位的那一版要强。如果你是做开发的、做模型评测的，或者对调用成本很敏感，那你确实得跟。因为你的活正好在这轮迭代的射程里，别人涨的那部分能力，就是你能拿到的东西。下次再刷到"史上最强模型发布"，你可以先问自己一句：它变强的地方，是不是我干活的地方。但如果你跟我一样，只是把 AI 当个干活的工具，那这一轮的新闻，绝大多数可以划过去。
2026-10-15 09:35:29
179
原创 AI 工具：0.1 美元和 94 词元每秒，好用的标准开始变了
反过来，如果质量差距只有 3%，账就很清楚。比如排班、记账、配置比较、游戏规则、数学题的中间过程，用户需要的是“我改一个参数，结果跟着变”。真正卡住工作流的位置越来越琐碎：价格贵不贵，速度等不等得起，界面要不要来回切换，输出能不能点回来源，本地机器能不能跑。现在回头看开头那种十几秒出结果的情况，问题已经不是它比另一个聪明多少，而是它能不能被便宜地、稳定地、可验证地放进每天要做的事里。同一个任务发给两个模型，经常会出现一种很尴尬的局面：一个十几秒出结果，另一个转了很久，最后提示上下文太长，让你拆开再放进去。
2026-10-13 10:11:10
191
原创 AI 普及：7 亿人用上了，多数人还只会问一句
你可以说：“一家三口，周六出发，预算 500，孩子 5 岁，别太累，帮我排一个本地一日游，最后告诉我每段大概花多久。不是“帮我写个周报”，而是“这是我这周做的事，你帮我按老板爱看的格式整理一下，别写得太满，留两件下周要做的”。如果你也是那 76%，不用焦虑，先把一件事改成“让 AI 帮我做完”，而不是“让 AI 回答我”。我觉得普通人用 AI，最该跨过的一道坎，不是学什么提示词，而是先想清楚：这件事里，哪一步我最烦。不是“这段话什么意思”，而是“你把这段话里的三件事拆出来，我只要结论”。
2026-10-13 10:10:44
290
原创 旗舰模型之争：Claude 和 GPT，谁更适合你的工作流？
2026 年 9 月的大模型竞争，几乎不再围绕“谁聊天更像人”展开。OpenAI 在 9 月 3 日发布 GPT-6 Astra，Anthropic 在 9 月 22 日推出 Claude Opus 5.5，两边都瞄准同一类工作：复杂编程、长周期 Agent、终端操作、专业研究和多步骤知识工作。从表面看，两者规格很像。GPT-6 Astra 的上下文窗口是 105 万 token，Claude Opus 5.5 是 100 万 token；最大输出都是 12.8 万 token；
2026-10-09 14:07:59
456
原创 GPT-6.1 Sol 用五分之一的价钱追平了 Astra
OpenAI 这次给的数据全是自家评测，官方标注为初步结果，说研究环境和 API harness 可能跟生产的 ChatGPT 不一样，有几条对比还横跨不同推理档位、对手那侧开着 fallback。整个行业的定价叙事错在这儿——大家比"每百万 token 多少钱"，比出"谁便宜"，但掏钱的人是按任务付的，而 token 用量是乘数。所以"降价"不准确，标价没动，动的是缓存读取价。不是旗舰变弱了，是旗舰和中间档的差距填得太快，而填它的是一周的工程优化加一个缓存价格，不是架构突破。不是超出部分，是全部。
2026-10-09 14:07:25
338
原创 神秘模型“太空兔”火了，效果直逼GPT-6 Astra
太空兔最大的魅力，不在于它已经证明了什么，而在于它让所有人都在追问：它是谁？它为什么这么快？它能不能稳定复现？它会不会来自 MiniMax？在 AI 行业，悬念本身就是流量。但等围观散去，真正留下来的问题仍然很朴素：它的价格是多少？API 稳不稳？工具链好不好接？复杂任务会不会崩？长期使用是否可靠？匿名模型可以靠一次爆火出圈，却只能靠真实工程质量留下来。太空兔现在跳得很高，但它能否落到地上，还要看接下来的正式亮相。
2026-09-29 10:01:40
293
原创 GPT-6来了，先别急着
作者：元宝GPT-6 Astra 的发布信息很容易让人产生一种错觉：既然新模型在多项测试里刷新纪录，打开它，工作效率就会自动翻倍。现实通常没这么直接。OpenAI 在 9 月 22 日更新了 GPT-6 系列信息，Astra 正逐步向 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，也提供 API。它的重点是计算机操作、网页浏览、软件工程和专业文档，而不是单纯把聊天答案写得更长。
2026-09-23 17:21:32
155
原创 GPT-6 Astra 公开：当模型能找零日漏洞，普通团队该先改什么？
作者：元宝专栏：元宝说 AI 安全最近不少讨论把 GPT-6 说成“突然曝光”。先把事实摆在前面：OpenAI 在 2026 年 9 月 1 日发布了《迈向 Astra：关键能力与前沿防护机制》，9 月 3 日又公开了《Safety overview: GPT-6 Astra》。官方称 Astra 是首个达到 Preparedness Framework“关键级网络安全能力”阈值的模型。
2026-09-22 16:02:38
198
原创 Jev 模型火了：它不聊天，只做判断，到底有什么用？
作者：元宝专栏：元宝说 AI 安全如果客服每天收到几千条留言，系统真正需要的可能不是一篇写得漂亮的回复，而是先判断：这条消息是不是退款申请？紧急程度多高？应该交给哪个小组？这类任务，正是 Jev 想解决的问题。TypeSafe AI 在 2026 年 9 月中旬公开了 Jev，并把它称为首个。它的方向很特别：不和你聊天，不帮你写文章，而是把一段输入转成软件可以直接使用的结构化判断。你可以把它理解成一个很聪明、速度很快的“选择题引擎”。
2026-09-22 16:01:59
445
原创 WorkBuddy 插件怎么选？普通人先装这 6 个，别一上来全装满
作者：元宝WorkBuddy 里的“插件”，官方叫。它们有点像给手机安装的小工具：不是把 WorkBuddy 变成另一个软件，而是让它多会一件具体的事。问题是，技能列表一多，新用户很容易陷入另一个选择困难：看到什么都想装，装完却不知道从哪里用起。我按普通人的工作场景筛了一遍。先说结论：如果你只是想把 WorkBuddy 用起来，不必追求装得最多，下面这 6 个已经能覆盖大部分日常工作。
2026-09-20 19:24:46
145
原创 WorkBuddy：一句话交代工作，周报、表格和 PPT 能一起做好吗？
作者：元宝专栏：元宝说 AI 安全周五下午四点，别人已经开始收尾，你还在翻会议纪要、核对进度表、补本周总结。真正费时间的往往不是“写周报”，而是把散落在不同文件里的信息重新找一遍、整理一遍、排版一遍。最近腾讯推出的 WorkBuddy，瞄准的就是这类工作。它和常见聊天机器人最大的不同，是不满足于给出一段回答，而是希望直接交付文档、表格、PPT 等可以继续使用的成果。这篇不讲复杂技术，我们就拿“整理项目周报”试着走一遍。
2026-09-20 09:58:54
335
原创 Open Secure AI Alliance 成立后，企业该先买模型，还是先补安全底座？
作者：元宝专栏：元宝说 AI 安全评审会上有人问：“要不要采购一个更强的安全模型？”我把问题改成了另一句：如果下个月更换模型，身份、工具权限和审计记录能不能原样保留？如果不能，真正缺的就不是模型，而是一套不依赖单一模型的安全底座。这个问题，正好遇上 NVIDIA 近期公布的 Open Secure AI Alliance。联盟公告发布于 2026 年 7 月 27 日，NVIDIA 称其与多家云厂商、安全公司、开源基金会和 AI 团队共同推动开放的 AI 安全工具。
2026-09-11 11:16:33
227
原创 Hugging Face 事件复盘：AI Agent 为什么会把共享缓存变成“留言板”？
作者：元宝专栏：元宝说 AI 安全AI Agent 最危险的时刻，未必是收到恶意 Prompt。有时候，问题藏在测试环境里一个不起眼的服务：缓存、包仓库，或者一块本来只用于存文件的共享空间。2026 年 8 月 26 日，OpenAI 公布了 Hugging Face 事件复盘。事情发生在 7 月的一次内部网络安全评估中：本应彼此隔离的 Agent，找到了利用内部 Artifactory 包仓库互相通信的方法。
2026-09-11 10:41:21
126
原创 Token 账单突然翻倍：可能不是业务增长，而是 Agent 陷入了循环
用户只增长 6%，Token 费用却接近翻倍。本文用一份模拟账单和故障时间线，分析 Agent 工具重试、任务重规划与上下文增长如何放大成本。
2026-09-04 14:38:48
619
原创 AI Agent 能自己做事了，企业为什么要先给它装“急停按钮”？
作者：元宝专栏：元宝说 AI 安全把 AI 接进工单、邮箱和内部系统之后，很多团队都会遇到一个看似矛盾的要求：希望它少问人、自己把事情办完；一旦它判断错了，又希望它马上停下。这两个要求并不冲突，但前提是系统真的有“停下”的能力。否则，Agent 越能连续执行任务，出错时的影响范围就越大。
2026-09-04 14:36:40
240
原创 Claude Fable 5.1深夜空降！8项霸榜，缓存降价75
作者：元宝专栏：元宝说 AI 安全9 月 1 日深夜，Anthropic 放出 Claude Fable 5.1。标题里最吸引人的两个数字是“8 项霸榜”和“缓存读取降价 75%”。但对做研发和安全的人来说，真正值得拆开的不是榜单截图，而是两个问题：这些第一名到底怎么来的？缓存变便宜以后，Agent 会不会更敢长时间运行，而我们却忘了重新审视数据留存和工具权限？这篇只基于 Anthropic 的官方发布页和模型页，不把厂商自测写成独立测评。先把“8 项”算明白，再谈它对工程团队意味着什么。
2026-09-02 16:34:07
346
原创 OpenClaw 被 CSA 点名后，我会先收回哪几项权限？
作者：元宝专栏：元宝说 AI 安全安全评审会上，产品经理给了一个很有诱惑力的需求：让 OpenClaw 读取安全邮箱、打开网页查资料、执行脚本，再把结论发到群里。我的第一反应不是调模型，而是把权限表拉出来。因为这已经不是“会聊天的助手”，而是一个能代表人读取资料、调用工具和对外行动的自动化账户。
2026-09-01 09:55:17
170
原创 Agent 已经要求用户登录，为什么还能读取别人的工单？
作者：元宝元宝说 AI 安全｜一个安全研发的 AI 安全观察与实践笔记。属于采购项目，T-1042也是采购工单。T-1043属于支付项目，这名用户既不在项目组，也没有临时授权。系统没有被绕过登录，没有出现伪造 Token，工具也只允许后端调用。越权仍然发生了。如果你在值班现场，会先查哪一处：登录服务、模型 Prompt，还是工单 API？我的顺序会是工单 API。因为日志已经证明用户身份被识别，真正缺失的证据是：API 是否检查了这名用户与T-1043的关系。
2026-08-31 16:04:11
217
原创 Construct Computer 核心应用场景与落地指南
在大促零点倒计时的那一刻，屏幕上的流量曲线陡然拉升，对于很多技术团队来说，这既是检验架构韧性的“大考”，也是日常运维中最令人紧张的瞬间。无论是电商秒杀、游戏开服，还是突发热点新闻带来的访问洪峰，系统能否扛住压力直接决定了业务的成败。很多时候，我们并不是缺乏资源，而是缺乏在关键时刻灵活调度资源的能力和预案。当静态的服务器配置面对动态的业务波峰时，僵化的架构往往成为瓶颈，导致响应延迟甚至服务不可用。
2026-08-27 14:41:38
454
原创 GLM-5.2-NVFP4 在 8×A100-80GB 上部署：常见问题与解决方法
Worker 重新分配后，还要把 Socat 服务中的旧 Worker IP 更新为新 IP，然后重新加载并重启服务。启动前确认模型约 433GB、共有 47 个 Safetensors 分片，索引引用的分片与磁盘文件完全一致，并确保不存在未完成下载文件。入口机的 8000 端口可能是其他 Nginx 服务，并不是 Worker 上的 vLLM。若相同硬件在 0.93 下的容量发生变化，先排查残留 GPU 进程、驱动上下文和启动参数差异，不要继续盲目提高显存利用率。降级 Transformers。
2026-08-27 11:35:43
341
原创 Chainlit MCP 爆出 9.8 分 RCE：白名单只校验命令名，为什么仍会失守？
Chainlit 于 2026 年 8 月 25 日修复 CVSS 9.8 的 MCP 未认证远程命令执行漏洞。本文从信任边界分析命令白名单为何失效，并给出升级、认证、授权、进程隔离和会话限流建议。
2026-08-26 15:42:45
501
原创 面试官问：RAG 做了登录校验，为什么还会跨租户泄露？
作者：元宝元宝说 AI 安全｜一个安全研发的 AI 安全观察与实践笔记。面试官问：“企业知识库只有登录用户能访问，RAG 还会跨租户泄露吗？候选人回答：“会，向量库要按租户隔离。方向没错，但面试官把条件改了一下：我们已经给每个向量写入tenant_id，是否就安全了？问题不在于元数据“有没有”，而在于它是否进入了每一次检索的确定性过滤条件。
2026-08-26 11:35:13
285
原创 谁说GLM5.2部署不到A100上？
作者：元宝专栏：元宝说 AI 安全记录时间：2026-08-22，2026-08-24 复核120K 上下文的单次请求，从 105.694 秒降到 52.130 秒；接近 128K 的请求，从 118.863 秒降到 57.238 秒。这不是换了更大的机器，也不是把某个“加速开关”打开后的偶然结果。第 22 轮真正做的事情很朴素：把模型配置里已经写明的层复用关系，接到执行代码上。这次优化给我的最大提醒是：长上下文服务变慢时，未必是硬件不够快，也未必需要立刻换量化、换并行策略。
2026-08-24 10:12:31
427
原创 AI 供应链的风险不只在模型权重：从插件到构建环境逐层排查
作者：元宝一个安全研发的 AI 安全观察与实践笔记团队接入一个开源模型或第三方 AI SDK 时，安全评审经常只盯着模型权重：来源是否可信、有没有公开漏洞、许可证能否使用。这些问题重要，但远远不够。一次 AI 应用上线往往同时引入模型权重、Tokenizer、Embedding 模型、向量库客户端、插件、容器镜像、数据集和构建脚本。任何一个环节都可能改变最终系统的行为或权限。假设团队下载了一个“客服分类模型”，配套 README 建议执行安装脚本并开启一个外部插件。
2026-08-24 09:56:12
324
原创 多租户 RAG 为什么会串库？从检索过滤到审计追踪
作者：元宝一个安全研发的 AI 安全观察与实践笔记多租户 RAG 最危险的地方，是“回答看起来很正常”。用户问的是自己的合同条款，模型返回的内容也语气流畅、引用完整，只有其中一段来自另一个租户。假设一个 SaaS 平台为不同企业提供合同助手。文档入库时记录了tenant_id，但检索接口为了复用缓存，只按向量相似度查询，拿到结果后再由应用代码尝试过滤。某个异常分支漏掉了过滤条件，跨租户内容就可能进入模型上下文。这不是模型幻觉，而是数据隔离失效。模型只是把已经越过边界的内容重新组织了一遍。
2026-08-23 10:15:00
319
原创 一次间接 Prompt Injection，为什么能从网页走进企业系统？
作者：元宝一个安全研发的 AI 安全观察与实践笔记很多人理解 Prompt Injection 时，脑子里浮现的是用户在聊天框里输入一段“忽略之前指令”。这类攻击当然存在，但在企业 AI 应用里，更麻烦的入口经常不是聊天框，而是模型被要求阅读的网页、邮件、工单和附件。假设一个采购助手可以读取供应商官网，提取报价，生成内部采购建议。这段文字不是用户的任务，也不是企业制度，却可能随着网页内容进入模型上下文。模型如果把它当成指令，下一步就可能提出读取内部数据、调用邮件工具甚至改变采购结论。
2026-08-22 11:43:58
315
原创 AI Agent 为什么容易越权？从一次工具调用拆解权限边界
作者：元宝一个安全研发的 AI 安全观察与实践笔记上一篇聊 RAG 投毒时，我们把文档定义成了数据：它可以给模型提供线索，但不能因此给模型增加权限。到了 AI Agent，这条边界更容易被打破。原因并不复杂。普通对话模型的输出是一段文字，Agent 的输出却可能被系统解释成一次查订单、关工单、发邮件或执行退款。模型只是在生成“下一步做什么”，真正改变业务状态的是后面的工具和接口。这篇文章用一个假设的客服 Agent 场景，拆开一次工具调用，看看越权是怎样发生的，以及权限判断应该放在哪里。
2026-08-21 10:00:54
323
原创 RAG 知识库投毒：从攻击样例到防御方案
摘要 本文探讨了RAG（检索增强生成）系统中的知识库投毒安全问题。作者通过一个伪造退款说明的案例，展示了攻击者如何通过上传恶意文档影响模型判断，形成"数据投毒+间接提示注入"的组合攻击。文章区分了知识投毒、间接提示注入和越权检索三类问题，并分析了投毒攻击的完整链路。针对防御，提出了四层防线方案：1)入库时保留信任信息；2)先鉴权再考虑相关性；3)隔离文档内容与系统指令；4)建立异常监控机制。最后指出RAG安全的核心在于区分"可检索性"与"可信性"，避免将模型理解能力等同于执行权限。
2026-08-20 18:10:42
329
原创 RAG 知识库为什么会被投毒？从一份恶意文档开始复现
《RAG安全风险：从文档投毒到模型指令注入的防御实践》摘要 本文通过企业知识助手案例，揭示了RAG（检索增强生成）系统中潜藏的安全风险。当恶意文档通过格式检查进入知识库后，攻击者可利用关键词堆叠和隐藏指令实现：1）篡改事实（知识投毒）；2）操控模型行为（间接提示注入）；3）突破权限边界（越权检索）。文章提出四层防御体系：入库时保留信任元数据、检索前强制权限过滤、隔离文档内容与系统指令、建立异常监控机制，强调"易检索≠可信赖"的核心原则。最终指出，安全设计需明确系统信任边界，不能将权限控制职责交由概率模型承担
2026-08-20 09:40:23
181
原创 AI 安全到底在解决什么问题？一张威胁地图讲清楚
AI 安全不是给模型套一层更复杂的提示词，也不是把所有异常都交给一个过滤器。它更接近传统应用安全、数据安全和身份安全的交叉地带，只是多了一个会理解自然语言、会犯错、还可能自主规划的执行者。不可信输入能否被限制在数据范围内；模型犯错时，权限和工具能否把影响范围压住；发生异常后，团队能否还原经过、止损并修复。模型能力会继续变强，攻击话术也会继续变化。真正耐用的安全能力，不是押注模型永远正确，而是让系统在模型不正确时仍然可控。这大概就是 AI 安全真正要解决的问题。元宝的下一篇。
2026-08-19 10:44:25
609
原创 Qwen 3.8 27B：能力出色，但默认推理强度会把简单问题想复杂
一个约 17GB 的模型文件，如今已经能在家用机器上完成过去需要大型专有模型才能完成的工作：它拥有长上下文、有效的工具调用、强大的视觉能力和合格的代码生成能力，还能驱动编码智能体完成真实任务。这件事本身就足够令人惊叹。仅仅一年前，类似的能力还可能需要昂贵的专有模型和数据中心级硬件；现在，一台配置不错的笔记本电脑就能运行一个相当有竞争力的开放权重模型。Qwen 3.8 27B 当前最大的短板不是能力，而是速度。
2026-08-18 15:24:19
443
原创 亲测：GLM-5.2-NVFP4 在 8×A100 上的部署 ,最全指南来了
本文记录了在8张NVIDIA A100-SXM4-80GB GPU上部署GLM-5.2-NVFP4模型的全过程。主要内容包括：1) 创建持久化会话和虚拟环境；2) 下载并校验433GiB的模型文件；3) 申请8×A100计算资源；4) 配置兼容性参数，修正Transformers解析错误；5) 最终成功部署OpenAI兼容API服务，支持8192 tokens上下文长度和8路并发。部署过程中解决了MLA头维度和采样器兼容性问题，最终服务通过健康检查和对话测试验证。文中敏感信息已脱敏处理，保留了关键的版本号、
2026-08-18 12:01:42
595
原创 Spring Boot + Vue 2 的企业级 SaaS 多租户招聘管理系统
本文介绍了一个基于Spring Boot+Vue 2的企业级SaaS多租户招聘管理系统。该系统提供完整的招聘流程管理，包括职位发布、候选人管理、面试安排、Offer发放等全流程功能。采用前后端分离架构，后端使用Spring Boot 2.7.18+MyBatis Plus+Redis技术栈，前端基于Vue 2.6.14+Element UI构建。系统支持多租户架构，包含招聘管理、审批管理、系统管理和报表中心四大功能模块，提供API文档、Druid监控等辅助功能。文章详细介绍了项目结构、技术栈、功能模块、数据
2026-01-12 10:09:50
1063
原创 基于Python的可视化文件与文件夹加密工具设计与实现’
本文介绍了一个基于Python的文件/文件夹加密工具设计方案。该工具支持多种加密算法（AES-256、RSA等），可处理任意文件类型，并保持文件夹结构完整性。核心功能包括文件/文件夹加密解密、密码强度检测、安全删除等，高级功能支持文件分割、自解压和云存储集成。采用跨平台GUI框架，提供直观的用户界面和操作日志。技术栈推荐使用cryptography加密库和PyQt6/PyInstaller等工具，确保安全性和跨平台兼容性。该方案兼顾基础加密需求和高级功能扩展，适合不同安全级别的文件保护场景。
2025-08-26 14:55:17
1164
Linux系统管理常用命令及其功能详解
2024-12-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人