weixin_47759174的博客

原创 医疗管理系统八股文

这个项目整体采用前后端分离架构。MyBatisRedisMySQLXXL-Job构建业务服务。若依管理后台UniApp医护端UniApp患者端Ollama本地开源模型阿里百炼大模型服务结合RAG知识库增强和Function Calling实现业务Agent。为什么采用Ollama+阿里百炼混合模型？OLLAMA 隐私安全 ollama方便阿里百炼混合模型 springAI AALBB 适配阿里百链 适配RAG 工作流 等复杂操作。

原创 juc线程通信 线程池

线程池通过固定数量的线程和任务队列解决"无限任务与有限资源"的矛盾，其核心机制包含：1）资源复用（减少线程创建开销）；2）流量控制（通过队列缓冲和拒绝策略）；3）动态扩展（核心/非核心线程配置）。ThreadPoolExecutor的关键参数包括核心线程数、最大线程数、存活时间和四种拒绝策略，其执行流程遵循"核心线程优先→队列缓冲→非核心线程→拒绝"的层级策略。需注意不合理配置可能导致资源耗尽，因此不建议直接使用Executors创建线程池。

原创 juc线程通信

配置加载 缓存加载 数据库加载。"所有任务完成，主线程继续"让一个或多个线程等待其他线程完成后再继续执行。//等待所有任务完成。让两个线程在某个同步点交换数据。│ 等待一次性任务完成。│ 多线程循环集合。│ 多阶段动态同步。可以精确唤醒不同类型线程。│ 控制并发数量。

原创 记一次部署 sub2api

docker-compose up -d 之所以知道怎么部署，全靠项目方已经写好的 deploy/docker-compose.yml ，它定义了完整的部署蓝图。1. 在当前目录找 docker-compose.yml — 即 deploy/docker-compose.yml。docker-compose down -v # 停止并删除所有容器+数据卷。docker-compose up -d # 重新创建（干净初始化）- 项目： Wei-Shaw/sub2api。

原创 三、CAS 与 Atomic

【摘要】CAS（比较并交换）是一种无锁并发技术，通过CPU原子指令（如x86的CMPXCHG）实现原子操作。其核心是比较内存值是否与期望值相同，相同则修改，否则重试。CAS属于乐观锁，适用于低竞争场景，但存在ABA问题（值被修改后恢复原值导致误判）。解决方案包括版本号机制（如AtomicStampedReference）或标记位（AtomicMarkableReference）。Java提供多种原子类：AtomicReference用于对象引用更新，AtomicIntegerFieldUpdater直接修改

原创 juc线程安全2面试题

本文系统梳理了Java中的锁机制。synchronized通过锁升级（无锁→偏向锁→轻量级锁→重量级锁）平衡性能与安全，JDK15废弃了偏向锁。ReentrantLock作为显式锁提供更灵活的控制（公平锁、可中断等）。读写锁（ReadWriteLock）区分读写提高并发，StampedLock通过乐观读进一步优化性能。此外还对比了悲观锁与乐观锁、自旋锁的实现原理，并介绍了JVM的锁粗化和锁消除优化技术。不同锁适用于不同场景：简单同步用synchronized，复杂控制用ReentrantLock，读多写少用

原创 论计算机公司流程

个人开发者创业合规指南（150字摘要） 个人开发者创业需先注册公司（如XX科技有限公司），获取营业执照后开发软件产品。核心步骤包括： 知识产权保护：申请软件著作权（证明所有权）、商标（保护品牌）、专利（保护技术创新）； 合规资质：上线网站需ICP备案，App需备案及隐私政策，部分项目需等级保护； 商业化准备：签订合同、开具发票、参与招投标，建立银行账户等商业闭环。 关键资产如软著和商标可助力融资、防侵权，而专利适用于算法等技术创新。全流程需兼顾法律合规与商业闭环。

原创 孩趣项目开发

读书解决矛盾1.读书读完了但是无法将书中知识应用到生活中。现在可以了2.人群 给读书的用 给宝妈教育孩子用（心理书籍捆绑底层核心逻辑）2古诗故事绘本宝妈给孩子用3.故事绘本。

原创 juc线程安全场景面试题 01

JUC 线程安全场景面试题│ 多个线程对共享变量的读写，因为代码是多个指令，产生了旧值读 旧值写，等语句打断产生的线程安全问题 读 → 改 → 写"├── 一、共享变量线程安全│ ├── i++ 为什么不是线程安全i++不是一条 CPU 或 JVM 指令，而是由多个步骤组成，中间可能被其他线程打断。i++线程不安全，不是因为+1有问题，而是因为它由"读 → 改 → 写"多个步骤组成，不具备原子性，多线程执行时会发生数据竞争，导致更新丢失。读 → 改 → 写。

原创 vue与ts不得不说的秘密

├── Props 类型定义├── Emits 类型定义├── Ref / Reactive 类型├── 泛型（了解）├── 接口 Interface├── 类型别名 Type├── Axios 类型封装├── API 接口类型管理├── 组件封装├── 自定义指令├── 插槽高级用法└── 性能优化。

原创 论流行和金钱矛盾关系

本文揭示了金钱与价值的本质关系，指出收入是由能力与社会需求共同决定的。职业选择应聚焦未来社会最突出的矛盾，如老龄化、AI应用等新兴领域，而非盲目追逐短期风口。真正的创业机会在于发现并解决高需求、高频次、高付费意愿且低竞争的细分市场。文章提出判断趋势的五项标准，强调创业不是跟风，而是提前布局社会主要矛盾催生的真实需求。成功的关键在于识别未被满足的需求，并提供能显著降低用户成本的解决方案。

原创 事务和线程安全问题探究

插个眼，学juc学傻了。事务和线程安全问题探究。

原创 前端vue 多插图

这篇文章摘要总结了Vue.js的核心概念和开发实践，分为三部分：1. 基础概念部分介绍MVVM模式、SPA单页应用原理和Vue2/Vue3响应式机制差异；2. 工程化部分说明项目搭建工具链（Node.js/Vite）和开发/生产环境差异；3. 开发实践部分概述模板语法、Composition API等核心功能。全文系统性地梳理了Vue技术栈从原理到落地的关键知识点，适合开发者快速建立Vue技术体系认知。（149字）

原创 AI应用工程师 04 理论学习终止

该架构图展示了智能代理系统的演进路径：从基础的提示工程（Prompt Engineering）出发，逐步发展到检索增强（RAG）、工具调用（Tool Calling）等基础能力，再通过流程编排（Workflow Agent）和记忆管理（Memory Agent）实现复杂任务处理。随着系统进阶，增加了自我纠错（Reflection Agent）、自主检索（Autonomous Retrieval）等高级功能，最终形成多角色协作（Multi-Agent）、统一工具协议（MCP Agent）的完整体系，实现长期自

原创 AI应用工程师 03

摘要： ReflectionAgent是一种具备自我评估与修正能力的AI代理，通过在执行流程中嵌入检查→反思→修正循环（如检查逻辑、格式、遗漏等），提升输出质量。其核心是让LLM充当自我审查员，解决单次生成结果不完善的问题。当前主流框架（如LangGraph、AutoGen）已支持该机制，适用于代码修正、SQL优化等场景。ReflectionAgent与多Agent协作（Multi-Agent）共同构成企业级AI演进方向：前者优化单任务质量，后者通过角色分工（如Planner、Executor）协同处理复杂

原创 论公司与实习生

企业实习需求呈现规模差异化特征：小公司（50人以下）追求即时生产力，需要技术匹配的到岗即战力；中型公司（50-500人）注重培养潜力与业务扩张的平衡；大公司（500人以上）侧重人才储备，强调基础素养与长期价值。核心矛盾均为企业短期产出与长期培养的博弈，规模越小对实习生的即刻贡献要求越高。候选人应根据目标企业类型差异化准备——小公司突出项目实操，中型公司展示成长性，大公司夯实专业基础。这种供需关系的本质是企业在经济效应与培育效应之间的动态权衡。

原创 论重庆软件公司创业生存

文章摘要： 本文提供了一套分阶段的软件开发获客策略。前期以主动寻源为主（70%精力），通过抖音同城、小红书、微信等渠道精准触达潜在客户，配合每日10-20条私信触达，快速获取初始订单和案例；同时辅以30%的内容输出（案例展示、行业干货、日常记录），在抖音、小红书、视频号等平台建立专业形象。中后期逐步降低主动推销比例，通过内容引流实现被动获客，最终形成私域咨询闭环。建议0-3个月优先接中小定制单，3-6个月筛选优质客户，6个月后专注高利润本地行业定制，实现客单价翻倍。执行要点包括：每日40分钟主动触达+20分

原创 AI应用工程师 02

让LLM拥有「感知外部世界」和「操作外部世界」的能力。Q：北京天气？LLM：需要调用weather_tool↓weather_tool("北京")↓26℃↓LLM北京今天26℃...

原创 AI应用工程师 01

从pydantic库导入基础模型类# 自定义用户数据模型，继承BaseModel# 规定name字段必须是字符串类型name: str# 规定age字段必须是整数类型age: intBaseModel是 Pydantic 的数据模型基类，FastAPI 配套使用，专门做数据校验、类型转换、数据序列化。name: strage: int# 1. 用字典创建实例data = {"name": "小明", "age": 22}# 2. 转字典。

原创 矛盾论解读

本书围绕矛盾论》和《实践论》的思想，系统阐述了辩证思维的基本原则。作者以“任何……”开头的九条法则，归纳了对立统一规律在思维和现实中的应用，强调认识矛盾、分析事物时要全面、具体、辩证。笔记按章节整理了书中要点，并为每章设计了案例示例，对实际问题的分析和解决过程进行了探讨。书中开篇强调，学习辩证法的目的是来分析和解决问题。辩证法的根本法则是对立统一规律，要求我们用对立统一的观点思考一切事物。矛盾思维能力指的是有意识地运用矛盾法则看问题、解问题。

原创 jeecg-boot-base-core config 04

本文解析了JeecgBoot框架的关键配置设计，涵盖权限认证、多租户、WebMVC等核心模块。系统通过分层配置类实现技术栈隔离，采用条件装配（@Conditional）实现环境切换能力，支持动态扩展。其中，Shiro+JWT权限链需手动配置60+URL白名单，MyBatis-Plus通过拦截器实现多租户隔离，Druid监控页需定制化去广告。配置体系遵循"约定大于配置"原则，通过YAML驱动JavaBean初始化，同时保持类型安全。优点包括关注点分离、依赖注入、开闭原则支持，但也存在白名单

原创 书自卑与超越

本人总结+提炼知识库。

原创 jeecg-boot-base-core 03day

JeecgBoot的常量与敏感数据处理机制 常量中心（common.constant）： 集中管理全项目的字符串常量、魔法数字、服务名、数据库列名和业务枚举 作为唯一常量源被各模块引用，确保一致性 支持编译期校验和跨模块兼容，修改全局生效 敏感数据处理（common.desensitization）： 通过@Sensitive注解实现字段级敏感数据处理 采用Jackson序列化器+AOP切面统一处理 支持加密存储、脱敏展示和解密使用 与手机号、身份证等敏感字段的安全处理深度集成 两个模块共同构建了Jeecg

原创 枚举 jvm图

原创 Feign + Nacos + Sentinel 全链路调用架构图

本文总结了Spring Cloud OpenFeign的核心组件及调用流程。关键参数包括服务名（定位目标服务）、contextId（避免Bean冲突）、降级类（服务熔断处理）。OpenFeign通过动态代理将接口调用转换为HTTP请求，配合Nacos实现服务发现与负载均衡。典型流程为：接口调用→生成HTTP请求→服务发现→负载均衡→请求发送→响应反序列化。该机制整合了服务注册中心（如Nacos/Eureka）和熔断组件（如Sentinel），实现了声明式REST调用、自动负载均衡和容错处理，简化了微服务间通

原创 jeecg-boot-base-core 02 day

层级组件所属项目 / 模块文件路径（典型）核心职责为什么放在这里（设计原因）① 顶层契约接口CommonAPI定义最小公共能力：登录用户、角色、权限、缓存、字典翻译、动态数据源、数据权限、RAG流程等base-core 是所有模块的公共依赖。必须“零依赖业务实现”，只定义契约，保证任何模块都能直接引用（JVM层可见），避免依赖污染② 扩展接口（单体本地版）在 CommonAPI 基础上扩展完整系统能力（约60+方法）：用户、部门、角色、权限、岗位、租户、消息、日志等。

原创 软件测试期末考试

文章摘要：本文系统介绍了黑盒测试的常用方法，包括等价类划分法（有效/无效类测试）、边界值分析法（4n+1测试用例）、因果图法（条件组合分析）、场景法（业务流程测试）和状态迁移图法（状态转换验证），并详细说明了决策表的四要素（条件桩/项、动作桩/项）及其与因果图的转换关系。重点阐述了正交实验设计法在多因素测试中的应用价值，以及边界值分析在错误检测中的突出效果。各方法通过图书借阅等实例说明其适用场景和实现要点。

原创 JeecgBoot 后端架构与技术栈全景导读 01

JeecgBoot是一个基于SpringBoot3的企业级AI低代码开发平台，采用前后端分离架构，支持单体与微服务部署。技术栈包含JDK17、SpringCloud2025、MyBatis-Plus等核心组件，集成Shiro+JWT认证、Nacos注册中心等微服务能力。项目采用Maven多模块管理，包含公共核心模块、系统业务模块和微服务模块，通过依赖管理实现版本控制。平台提供代码生成、在线表单、报表大屏等低代码功能，并支持AI应用和RAG知识库扩展。通过条件配置实现单体与微服务的灵活切换，满足不同场景需求。

原创 jeecgboot vue TS & 模板化 04

ref<T> 存标量和数组 ， reactive<T> 存表单/搜索条件- defineProps<T> + withDefaults 是 Vue 3 组件声明 props 的标准写法- defineEmits<T> 给事件回调加类型，杜绝拼写错误- v-for 的 item 类型自动推断 ，但模板里不能写 (item: Type) ，类型要写到 <script> 里的数组声明- catch 里的 e 是 unknown ，要先 as Error 才能读 .message。

原创 jeecgboot TS + Vue 模板化 03

本文对比了JavaScript(JS)和TypeScript(TS)在多个维度的差异，重点分析了TS在大型项目开发中的优势。TS通过静态类型系统、编译时类型检查、完善的面向对象支持和泛型等特性，显著提高了代码质量和开发效率。文章详细介绍了TS的核心概念，包括类型注解、接口与类型别名、泛型应用等，并提供了JeecgBoot项目中的实际应用示例。特别强调TS在前后端交互、状态管理等场景下的最佳实践，以及如何通过类型系统实现更好的代码维护性和可扩展性。对于开发者而言，掌握TS的类型系统能有效提升开发体验，特别适合

原创 jeecgboot vue API 拆分02

本文详细介绍了基于Axios的HTTP请求库封装方案，采用三层架构设计：核心封装层（VAxios类）、业务API层和页面调用层。核心封装通过AxiosTransform抽象类实现可插拔的拦截器机制，支持请求预处理、响应后处理、错误捕获等功能。业务层按模块组织API，并配合TypeScript类型定义。文章还对比了Axios与Fetch的差异，分析了封装亮点如统一配置、自动JSON处理、取消请求等，最后通过登录接口示例展示了实际调用方式。该方案实现了请求逻辑与业务代码解耦，提升了开发效率和可维护性。

原创 记一次逆向

问题来了，Code再so里面，并且静态hook不到，frida也没特征地点，于是，只能放弃。思路，跳窗口，但是hook登录抽离了游戏逻辑，不走登录密码错误。但是可以通过so静态找到偏移地点，然后frida进行修改。内置了vm指令集，难度太高，AI分析了分析一下，放弃了。（软件有防VPN) 就用的这个软件。用Frida hook了so。appid只能frida修改。例如 直接修改appid。

原创 jeecgboot vue Pinia 拆分01

└── getAuthCache(TOKEN_KEY) → 从 localStorage 持久化缓存读取。└──→ getter 执行：return this.token || getAuthCache(TOKEN_KEY)├── this.token → 刷新后为 undefined（内存丢失）执行获取用户信息 action → 请求接口 /sys/user/info。└──→ 调用 userStore.getToken 获取 token。存储 角色权限列表（用于菜单 / 按钮权限控制）

原创 jeecgboot vue 路由 拆分00

本文分析了JeecgBootVue3框架的路由系统实现，重点包括： 应用启动流程 采用模块化初始化方案，依次配置路由、状态管理、国际化等核心功能 通过registerPackages实现模块按需加载，支持monorepo架构 路由架构设计 基础路由与动态路由分离，白名单机制控制访问权限 支持hash/history两种路由模式，适配不同环境 路由递归处理和扁平化转换确保多级菜单兼容性 权限控制体系 9层路由守卫链式拦截，包含权限校验、请求取消等完整流程 三种权限模式（角色/路由映射/后端控制）灵活配置 动态

原创 鸿蒙快速入门

玄武考试

原创 Gin + GORM 接口可视化测试

Gin + GORM 接口可视化测试

原创 从零设计一个 AI 记忆系统

输入（用户最近的对话）:- "我叫张三"- "我在北京工作"- "我喜欢打篮球"AI 总结输出:- 张三，25岁，在北京工作- 兴趣爱好：打篮球这就是情景记忆（Episodic Memory）：记录用户经历的事情。方式一：定时触发每积累 10 条消息，自动总结一次或者每 30 分钟总结一次方式二：手动触发用户主动说"总结一下我们刚才的对话"或者调用 API 手动触发（Flush）│ 用户对话 ││▼│ 接收请求，返回响应 │││ │ │▼ ▼ ▼。

原创 EverCore 记忆系统原理 外带测试Demo和记忆可视化管理

EverOS 是一个面向自进化智能体（Self-Evolving Agents）的长期记忆操作系统。其核心组件EverCore能够从对话中提取、结构化和检索持久化知识，使智能体能够跨会话记忆并随时间自适应进化。与传统 RAG（检索增强生成）仅做"文档切片 → 向量检索"不同，EverCore 实现了一套认知级记忆系统，模拟人类记忆的编码、存储、巩固和检索过程。

原创 Docker Desktop 介绍

Docker Desktop是一款面向开发者的容器管理工具，提供图形化界面简化容器应用开发全流程。核心功能包括：容器/镜像管理、数据卷操作、Kubernetes编排、构建工具集成，并支持DockerHub镜像仓库连接和AI模型管理。其设置项涵盖基础配置（主题/启动项）、终端调试、资源分配（CPU/内存）、文件共享、网络代理等模块，特别针对WSL2环境进行了优化整合。安全方面提供容器隔离增强和镜像漏洞扫描功能，同时支持匿名数据收集开关。该工具通过统一管理Docker生态核心组件，显著降低了容器技术的使用门槛。

原创 SenseVoice与模型的关系

摘要： SenseVoice是一款多功能语音理解AI模型，具备语音识别、语言识别、情感分析和背景音检测能力。其架构分为源码层（控制逻辑）与模型层（预训练权重），通过FunASR工具包连接。用户可通过WebUI或API上传音频，源码进行格式转换后，模型输出文字、情感及事件检测结果。核心依赖包括PyTorch、ModelScope和FunASR等库，支持端到端语音处理流程（16kHz音频→文本/情感JSON）。模型需与源码配合使用，无需额外训练，适用于快速部署语音交互场景。