- 博客(29)
- 收藏
- 关注
原创 DRF视图详解:从基础视图到通用视图实践指南
它们不仅减少代码量,还遵循了 DRF 的最佳实践(如正确的 HTTP 状态码、错误处理等)。本文将从源码层面剖析 DRF 视图的演进脉络,帮助你理解何时该用哪种视图,以及如何在实际项目中做出最优选择。### 三、Concrete View Classes:开箱即用的通用视图DRF 提供了 9 个具体视图类,它们将 Mixin 与。它将所有操作(list、create、retrieve、update、partial_update、destroy)统一到一个类中,配合。它的视图系统设计精妙,从最基础的。
2026-07-31 14:09:12
173
原创 微前端:qiankun框架在开发中遇到的问题
这是因为 qiankun 在子应用挂载时,会将子应用的路由实例与主应用的路由同步,但刷新后,浏览器直接请求子应用的 URL,而主应用的路由配置不包含该路径。建议在项目初期就建立一套完整的微前端开发规范,包括全局变量声明、样式作用域约定、卸载清理清单等,从而最大化发挥微前端的优势,避免技术债的累积。### 2. 样式隔离的“副作用”:动态插入样式与伪元素qiankun 的样式隔离默认开启,通过为子应用根节点添加。:主应用需要配置通配符路由,将未知路径重定向到主应用入口,并在子应用挂载时,根据。
2026-07-31 14:08:05
227
原创 器获取服务。 * 解析JSON,根据JOSN的内容,创建TListViewItem。 * 根据JSON的内容,生成不同的列表项呈现。 ...
*核心流程:**1. 发送请求获取JSON数据2. 解析JSON为结构化对象3. 根据JSON内容创建TListViewItem4. 动态调整列表项的呈现样式## 二、基础实践:获取JSON数据并解析首先,我们从一个简单的示例开始。:将响应内容解析为JSON格式- 遍历数据列表,提取每个用户的字段## 三、进阶应用:根据JSON创建TListViewItem在GUI应用中(如使用Delphi或C++ Builder的TListView),我们需要将解析后的数据映射到列表项。以下是一些优化建议:1.
2026-07-30 14:00:00
209
原创 WPF+MVVM入门学习
} // IDataErrorInfo实现 public string Error => null;public string this[string columnName] { get { if (columnName == nameof(Email)) { if (string.IsNullOrWhiteSpace(Email)) return "邮箱不能为空";if (!Email.Contains("@")) return "邮箱格式不正确";}}数据绑定。
2026-07-29 13:25:05
221
原创 高颜值测试报告 pytest-xhtml
important;important;important;important;important;important;}/
2026-07-28 15:11:25
237
原创 Achieve前端实验室
javascript// 示例2:函数与作用域// 函数声明:计算两个数的和function add(a, b) { // 局部变量 let result = a + b;}// 箭头函数(更简洁)const multiply = (x, y) => { return x * y;// 调用函数let sum = add(10, 20);console.log(`和: ${sum}, 积: ${product}`);// 作用域示例let globalVar = "我是全局变量";
2026-07-24 13:08:56
237
原创 如何闭环自动驾驶仿真场景,实现从“重建”到“可用”?
这就像你搭了一个完美的乐高城市,但里面没有行人、没有突发状况、没有光线变化,算法自然学不会“随机应变”。今天,我们就来聊聊如何让仿真场景从“重建”走向“可用”,实现真正的闭环。先看一个典型误区:很多人认为,只要用激光雷达或摄像头重建出高精度的道路、建筑、树木模型,仿真场景就“完工”了。不过,这依然只是静态重建,要让它“活”起来,需要下一步。只有通过闭环迭代,你的仿真场景才能真正成为自动驾驶算法的“试金石”。比如,如果某次测试发现算法在“行人突然冲出”时失败,下次仿真就应该增加这类场景的出现概率。
2026-07-24 13:06:26
189
原创 记忆系统优化:从记录到智能检索
本文将从基础概念出发,逐步深入到高级的智能检索技术,通过循序渐进的方式,带你掌握构建高效记忆系统的核心方法。例如,我们常用的字典(Dictionary)就是一种基础记忆系统,它通过键值对的方式存储信息,并支持快速查找。## 总结从简单的字典存储到基于向量化的智能检索,记忆系统的优化是一个逐步演进的过程。## 四、高级技术:基于向量化的智能检索为了实现真正的智能检索,我们需要引入自然语言处理(NLP)技术。虽然示例简单,但展示了智能检索的核心思想:将非结构化数据转化为数学表示,再通过距离度量实现检索。
2026-07-23 13:14:57
177
原创 Avalonia源码解读:Grid(网格控件)
通过本文的源码分析和实战示例,你应该掌握了:- Grid的三层架构:行/列定义 → 测量 → 排列- 如何结合XAML和C#代码创建复杂布局- 性能优化和最佳实践记住,优秀的UI设计应该像建筑师规划房间一样,合理利用Grid的灵活性,同时避免过度设计。” 掌握好Grid的度,就能让你的应用既美观又高效。Grid通过定义行和列,可以精确控制每个子元素的位置和大小,相比StackPanel或Canvas,它更适合复杂布局。## Grid的核心概念Grid的源码位于Avalonia源码库的。
2026-07-23 13:11:04
221
原创 RAG初探:让 AIOps Agent 学会查询历史故障
原始文档切割后的成为不同的chunk,通过embedding 模型转换成一段向量,而提出的问题也会被转换成一段向量,用户问题向量和所有 chunk 向量看哪个最相似,最终返回最相似的几个 chunk,提交给llm。RAG 的思路是:用户提问的时候,先去知识库里捞几条相关文档,把这些文档和问题一起拼进 prompt,再让 LLM 基于这些"事实"来回答。假设有 100 个故障案例文档,每个文档 5000 字,那就是50w字的,全部发给llm,不但提高了回答成本,回答速度也会大大降低,造成了大量浪费。
2026-07-22 13:40:39
188
原创 【手搓 Agent 第1关】建立最小 Agent(上):代码前置基础
content”: “你是一个有帮助的AI助手,叫小爱。请根据用户的输入提供有用的信息和建议。
2026-07-22 13:40:02
225
原创 【RUST AI】把 TTS 搬进浏览器:kokoroi-rs 的 WASM 实践
隐私风险:文本内容会经过第三方服务器,对于涉及个人隐私或商业机密的场景,这是一个硬伤。网络依赖:需要稳定的互联网连接,弱网环境下体验打折扣。成本:商用 API 按字符计费,大规模使用不是小数目。那么,有没有可能让 TTS 完全在浏览器本地运行?WebAssembly 的出现让这种想法成为可能。kokoroi-rs 的 WASM 模块正是这样一个尝试——将 Kokoro TTS 的核心能力编译为 WebAssembly,让高质量语音合成直接运行在用户的浏览器中,无需任何后端服务器。
2026-07-21 14:11:06
196
原创 Solon TeamAgent 协作协议:从 SEQUENTIAL 流水线到 HIERARCHICAL 主管团队
换协议、保留成员,同一支队伍就能从线性流水线切到主管制层级协作,而不必重写业务逻辑。本文梳理内置协议、生产环境真正有用的构建参数,以及两个最常落地的模式:SEQUENTIAL 流水线 与 HIERARCHICAL 主管团队。public String query(@Param(description = “城市名称,例如:东京”) String city) {难点不在“多加几个 Agent”,而在于:下一步谁说话、谁审核、何时停机。多智能体更常死在“互相确认到死”,而不是“少了一个工具”。
2026-07-21 14:10:33
168
原创 MongoDB索引入门——让慢查询第一次跑起来
某报表系统在 orders 集合建了 {status:1, createdAt:1} 索引,但查询是 find({status:“已完成”}).sort({totalAmount:-1})。建了复合索引但查询条件是 {b: 1, a: 1} 而索引是 {a: 1, b: 1},索引完全没命中;索引 {a:1, b:1, c:1} 可以覆盖以下查询:{a:1}、{a:1, b:1}、{a:1, b:1, c:1},但无法覆盖 {b:1} 或 {c:1}。大师:等等,再加一条——索引不是越多越好。
2026-07-20 13:46:38
214
原创 记一次 .NET 某智慧医保云服务Linux 非托管泄露分析
一:背景前些天有位朋友找到我,自己有一定的分析能力,发现程序是非托管内存泄露,但能力有限暂时也不知道怎么弄,让我帮忙看下,把dump也丢给我了,既然dump有了,那就开始分析吧。二:内存暴涨分析0:000>!maddress从卦中我们看到程序总计吃了 6.58G 内存,其中 PAGE_READWRITE = 3.64G,很显然这是赤裸裸的非托管内存泄露,说实话Linux上的非托管内存泄露不是很好弄,接下来我们的研究方向在哪里呢?
2026-07-20 13:46:06
205
原创 BMAD Story Automator 上手实录:把 5 个待办 Story 交给 AI 自主推进
按我平时的节奏,这 5 个 Story 如果自己来,估计 3 个小时内能收完。至于为什么会慢这么多, 具体原因还不太清楚, 还没有仔细的去分析它的实现原理,不过目前还只是试验版,能跑通比较重要。你告诉它要处理哪些 Story、用什么执行策略,它就自动完成「创建规格 → 开发实现 → 测试自动化 → 代码审查 → 回顾」这条流水线,只在真的需要人类决策时才打断你。另外一个我觉得做得不错的点,是每个 Epic 跑完之后,它会顺手做一次复盘,把有用的信息补到 project-context.md 里。
2026-07-19 14:36:12
221
原创 大模型推理的“两步走”:Prefill 与 Decode 全流程科普详解
分词(Tokenization):把你的文字拆成模型能懂的最小语义单元(Token),比如中文里一个词、半个词都是1个Token,再转换成数字ID,相当于把人类语言翻译成模型的“数学语言”。Decode(解码)= 逐题逐字写答案:看着草稿纸上的笔记,逐字书写答案,每写一个字都核对上下文,过程轻松,但只能一个字一个字写,没法跳步。Prefill 是推理的第一步,也是决定“你多久能看到第一个字”的关键阶段,核心是一次性、并行处理你输入的整段问题,完成“理解+记笔记”。
2026-07-19 14:35:24
167
原创 决策树和算法下界:为什么排序逃不开 nlogn?
O(n2但这只是算法分析的一半。另一半问题是:这个问题本身最快能做到多快?也就是说,在某个给定的计算模型下,不管你设计什么算法,它都不可能突破某个理论下界。如果一个算法的上界和问题的下界在渐近意义上相同,那么这个算法就是最优算法。例如,比较排序问题可以被证明有下界:Ω�log�Ω(nlogn)归并排序、堆排序的时间复杂度是:��log�O(nlogn)所以它们在比较排序模型下是渐近最优的。
2026-07-18 14:16:32
157
原创 Graphify-DotNet:AI 驱动的 .NET 代码知识图谱构建工具
节点去重是图谱质量的关键。这种图结构天然适合表达代码库中复杂的网状关系,而非层级化的树形关系。导出格式插件:项目支持七种输出格式,每种格式对应独立的序列化模块:HTML Interactive(基于 vis.js 的交互式可视化)、JSON(NetworkX node_link_data 兼容格式)、SVG(静态矢量图形)、Neo4j Cypher(图数据库导入脚本)、Obsidian Vault(个人知识管理工具格式)、Wiki(结构化 Markdown 维基)、Report(纯文本审计报告)。
2026-07-18 14:15:58
153
原创 robotframework-aitester---向robotframework中引入大模型能力
robotframework-aitester 是一个用于跨Web、API 和移动端的自主 AI 驱动测试的 Robot Framework 库。通过结合 Strands Agents SDK 与原生 Robot Framework 库的复用,它允许测试人员指定测试内容,而不是手动编写每个交互细节。
2026-07-17 13:33:37
184
原创 python-LangGraph框架(3-29-LangGraph 「覆盖式状态」的原理与实践)
覆盖式状态是 LangGraph 默认提供的浅合并状态模式,也是最简单、最直观的状态管理方式。节点只需要返回需要更新的字段,未返回的字段会自动保留原有值;返回的字段会直接覆盖状态中的旧值。简单理解:状态就像一个全局的「数据账本」,每个执行节点只需要修改自己关心的那几项数据,不用关心其他数据,账本会自动帮你保留所有历史数据,只更新你指定的部分。使用 TypedDict 定义固定结构的状态,明确所有需要存储的字段(如用户输入、中间结果、执行步骤等),作为全流程的数据规范。✅开发极简。
2026-07-17 13:33:06
325
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅