博客 RSS 訂閱

mob64ca12d84572 - idea中 copilot 插件 使用fix

在使用 IntelliJ IDEA 開發環境中,Copilot 插件的集成使用有時會遇到一些 Fix 的問題。本文將詳細記錄解決這些問題的過程,包括環境準備、集成步驟、配置詳解、實戰應用、性能優化和生態擴展。希望通過這篇輕鬆的覆盤記錄,幫助大家更好地使用 Copilot 插件。 環境準備 在開始之前,我們首先需要確保開發環境的準備。以下是所需依賴的安裝指南及版本兼容性矩陣。

性能優化 , API , aigc , 代碼示例

收藏 評論

mob64ca140ac564 - spark parquet 布隆過濾器

數學之美中23章介紹的布隆過濾器(Bloom filter),以下是一些算法的實現及應用 1.算法應用 在如那件設計中有個最基本的功能是判斷某個元素是否在集合當中,比如爬蟲中驗證一個url是否被收錄過,如果用普通的hash來判斷那需要的內存容量是驚人的。布隆過濾器的作用就是能夠降低內存用量,他只需要hash表的1/8到1/4就能夠解決問題。 3.算法實現

spark , spark parquet 布隆過濾器 , 大數據 , 字符串 , 主函數 , 布隆過濾器

收藏 評論

分享顆橙砍竹葉 - Nacos核心原理解讀+高性能微服務系統實戰完結無密

Nacos核心原理解讀+高性能微服務系統實戰這個主題太有共鳴了!“原理解讀”和“系統實戰”這兩個詞,瞬間就讓文章充滿了實戰的煙火氣和寶貴的經驗價值。它不是一本冷冰冰的教科書,而是一位老兵在戰壕裏與你分享的生存法則。 這篇文章可以從以下幾個維度,構建一個從理論到實踐的完整認知體系: 微服務的“靈魂”:為什麼Nacos是心臟,而非一個簡單的配置中心? 許多開發者對Nacos的初印象是“能

微服務 , nacos , 系統架構

收藏 評論

雨大王 - AI生產工藝優化正在接管工廠“指揮權”

是什麼:生產工藝優化的核心挑戰與轉型方向 生產工藝優化本質上是通過技術手段解決製造環節中的效率、質量與協同問題。在傳統制造模式中,企業常面臨幾個典型痛點:工藝設計依賴人工經驗,導致標準不統一;跨部門協作壁壘高,設計變更需反覆溝通;生產現場依賴紙質作業指導書,更新滯後且易出錯。這些問題不僅拖慢研發到生產的轉化速度,更可能因工藝參數偏差導致批量質量事故。例如,某家電企業曾因焊接工藝參數傳遞失誤,

人工智能

收藏 評論

RTE開發者社區 - 米哈遊聯創推出可對話「貓貓」AI,具備情緒與獨立思考;微軟研究發現空間音頻可將 AI 同傳理解度翻倍丨日報

開發者朋友們大家好: 這裏是 「RTE 開發者日報」 ,每天和大家一起看新聞、聊八卦。我們的社區編輯團隊會整理分享 RTE(Real-Time Engagement) 領域內「有話題的技術」、「有亮點的產品」、「有思考的文章」、「有態度的觀點」、「有看點的活動」,但內容僅代表編輯的個人觀點,歡迎大家留言、跟帖、討論。 本期編輯:@瓚an、@鮑勃 01 有話題的技術 1、DeepSeek V3.2

人工智能

收藏 評論

mob649e81597922 - github vscode copilot經常沒反應

在使用 GitHub 的 VSCode Copilot 過程中,很多開發者會遇到它經常沒有反應的問題。這種情況不僅影響了編碼的流暢性,還對開發效率產生了直接的負面影響。下面將詳細分析這個問題並提供對應的解決策略。 背景定位 隨着人工智能的發展,VSCode Copilot 應運而生,旨在為開發者提供智能代碼補全和改進建議。根據 GitHub 的定義: “Copilot

developer , aigc , 代碼補全 , 開發者

收藏 評論

南城 - MyBatis 進階治理點——緩存、副作用、攔截與批處理的得失分析

深入 MyBatis 內核,在性能提升與數據一致性之間尋找精妙平衡 在掌握 MyBatis 基礎映射與動態 SQL 後,進階治理成為保證生產環境穩定性與性能的關鍵。本文將深入分析緩存機制、副作用控制、攔截器應用與批處理優化等高級主題,幫助開發者構建高可用、易維護的數據訪問層。 1 緩存機制深度治理 1.1 二級緩存的一致性挑戰 MyBatis 的二級緩存基於 Mapper 命名空間設計,多個 Sq

MySQL , JAVA

收藏 評論

mob64ca12d1a59e - ollama 大模型遷移

在大模型遷移領域中,Ollama 已成為一個受歡迎的解決方案。對於開發者而言,如何順利實現“ollama 大模型遷移”至關重要。本博文旨在記錄解決該問題的過程,涵蓋版本對比、遷移指南、兼容性處理、實戰案例、排錯指南以及生態擴展。 版本對比 在進行模型遷移之前,瞭解版本差異非常重要。Ollama 的多個版本在特性和性能上存在顯著差異。以下是 OLLAMA 版本演進及其特性差異的總結

排錯 , 配置文件 , 工具鏈 , aigc

收藏 評論

魁梧的松鼠 - 當網站提示“不安全”:SSL證書,你的數字護身符

在互聯網的浩瀚海洋中航行,我們時常會看到這樣的警告:“此網站不安全”或“您的連接不是私密連接”。這些紅色警示如同數字世界的警戒線,而它們背後隱藏的關鍵,正是SSL證書——這個你可能看不見,卻時刻保護着你的數字護身符。 SSL證書:數字世界的身份認證 SSL(安全套接層)證書,如今更準確地説應稱為TLS(傳輸層安全)證書,是一種數字證書,其作用如同現實世界中的護照或身份證。它由受信任的第三方機構——

ssl

收藏 評論

冷冷的炒麪 - SSL 證書過期?這些後果直接讓網站 “停擺”

做網站的老闆注意了!SSL 證書過期不是 “小事”,而是能讓你血本無歸的 “致命雷區”!很多站長覺得晚幾天續期無所謂,殊不知一旦證書失效,流量、訂單、品牌信任會瞬間崩塌,甚至面臨合規罰款,這些後果遠比你想象中更殘酷! 一、瀏覽器直接 “亮紅牌”,用户一秒跑光! 你以為用户會耐心等待你續期?大錯特錯!只要 SSL 過期,Chrome、百度、Edge 等所有主流瀏覽器都會彈出刺眼的 “連接不安

HTTP , HTTPS

收藏 評論

mob64ca12ef5efc - 更改ollama 模型存儲地址

在日益複雜的 IT 環境中,更改 Ollama 模型存儲地址的需求日漸增加。貫徹以下步驟,可以高效完成此項改動。本文將詳細記錄這一過程,從環境預檢到配置調優,再到遷移指南,確保在解決該問題時能兼顧各方面的需求。 環境預檢 在實現更改 Ollama 模型存儲地址之前,需先進行環境預檢,以確保當前硬件和軟件配置滿足需求。以下是思維導圖,理清了預檢步驟。 mindmap roo

API , 依賴包 , aigc , ci

收藏 評論

HuggingFace - 用開源模型強化你的 OCR 工作流

我們在這篇文章中新增了 Chandra 和 OlmOCR-2,並附上了它們在 OlmOCR 基準上的得分 🫡 摘要: 強大的視覺語言模型 (Vision-Language Models, VLMs) 的崛起,正在徹底改變文檔智能 (Document AI) 的格局。每種模型都有其獨特的優勢,因此選擇合適的模型變得棘手。相比閉源模型,開源權重的模型在成本效率和隱私保護上更具優勢。為了幫助你快

ocr , 人工智能

收藏 評論

數據小香 - cdh平台hive的show locks表的mode類型都是什麼意思

參數查詢 #死鎖檢測 show variables like '%innodb_deadlock_detect%'; #鎖超時時間 show variables like '%innodb_lock_wait_timeout%'; #立即獲得表鎖請求的次數 SHOW STATUS LIKE 'Table_locks_immediate%

大數據 , MySQL , hive , 讀鎖 , 數據庫 , 訪問表

收藏 評論

mob649e81643021 - 關掉stable後顯存也一直被佔用

在日常使用深度學習框架如TensorFlow或PyTorch時,有時會遇到“關掉stable後顯存也一直被佔用”的問題。這種情況尤其在使用GPU訓練模型時,顯存的釋放總是牽動着我們的心神。本文將詳細記錄解決這一問題的過程,從協議背景到工具鏈集成,嘗試為讀者提供一整套系統的方法。 協議背景 在深度學習任務的執行過程中,顯存的管理至關重要。顯存不僅用於存儲模型參數,也用於中間計算結果

抓包 , 字段 , 整型 , aigc

收藏 評論

mob64ca12f09e0c - Stable duffusion是哪一年出來的

Stable Diffusion是一個在深度學習和圖像生成領域引起廣泛關注的模型,首次發佈於2022年。本文將詳細記錄如何系統地解決“Stable Diffusion是哪一年出來的”這一問題,將過程梳理為幾大關鍵模塊。 背景定位 在AI生成圖像的領域,存在一個明顯的技術痛點:生成高質量圖像的模型往往計算資源消耗巨大,普通用户難以接觸到。Stable Diffusion的出現正是為

User , API , 架構設計 , aigc

收藏 評論

mob64ca12ebb57f - ollama模型使用gpu生成

在進行實體模型的開發及訓練過程中,使用 GPU 生成 Ollama 模型成為了提升性能和加速迭代的關鍵技術。由於 GPU 具備強大的並行計算能力,可以顯著提高數據處理速度,因此越來越多的開發者和研究人員開始關注其實現方式和操作流程。 引用塊:根據 NVIDIA 的定義,“GPU 是一種用於高速數據並行處理的硬件,適用於計算密集型任務,例如深度學習和圖形渲染。” 時間

並行計算 , aigc , 深度學習 , 開發者

收藏 評論

蒙奇D索隆 - 【數據結構】考研408|數據結構高分堡壘:攻克紅黑樹五大性質與適度平衡思想

(紅黑樹的定義與性質) 導讀 大家好,很高興又和大家見面啦!!! 在前面的內容中我們已經學習了兩種樹形查找結構: BST:二叉排序樹,其可以是一棵空樹,也可以是滿足以下條件的樹: 若左子樹非空,則左子樹上所有節點的值均小於根節點 若右子樹非空,則右子樹上所有節點的值均大於根節點 其左右子樹也分別是一棵二叉排序樹

yyds乾貨盤點 , 數據結構 , c++ , 後端開發 , 考研 , c , 408

收藏 評論

小童童 - Mac Airmail 5 v5.7.0.dmg 郵件客户端安裝教程 附詳細步驟圖解

​ Airmail 5 是一款在 Mac 上好用的郵件客户端,界面清爽、操作順手,支持多賬號管理,收發郵件效率很高 下載文件​ 安裝包下載:https://pan.quark.cn/s/3239bbb439c9,先把Airmail_5_for_Mac_v5.7.0.dmg這個文件下到你電腦上,存桌面或者隨便一個方便找的地方。 打開鏡像文件​ 找到剛下載的.dmg文件,雙擊它,Mac 會自動掛載成一

macos

收藏 評論

SelectDB技術團隊 - 雲上數據安全新範式:Apache Doris IAM Assume Role 解鎖無密鑰訪問 AWS S3 數據

一、傳統 AK/SK 方式訪問 AWS 資源存在的問題 密鑰管理困境: 長期暴露風險:靜態 AK/SK 需硬編碼於配置文件中,一旦因代碼泄露、誤提交或惡意竊取導致密鑰擴散,攻擊者可永久獲得等同於密鑰所有者的完整權限,引發持續性的數據泄露、資源篡改及資金損失風險; 審計盲區: 多用户/多服務共享同一組密鑰時,雲操作日誌僅記錄密鑰身份而無法關聯具體使用者,無法追溯真實責任人或業務模塊; 運維成

數據庫 , 數據安全 , dorisdb , apache

收藏 評論

mob64ca12eb7baf - Linux 部署 ollama fastgpt

在本篇博文中,我們將詳細記錄如何在 Linux 系統上部署 Ollama FastGPT,包括環境準備、分步指南、配置詳解、驗證測試、優化技巧,以及擴展應用等多個方面的內容,以確保充分的邏輯順序和內容完整性。 在開始之前,Ollama FastGPT 是一款強大的工具,專為構建自然語言處理應用而設計,適合用於快速生成和測試 GPT 模型。以下是完整的指南。 環境準備 首先,我

bash , aigc , 應用場景 , Python

收藏 評論

沉着的牙膏 - 2025年國內多層級、全景式、全鏈路的數據安全建設平台推薦

隨着《數據安全法》《個人信息保護法》《網絡數據安全管理條例》的不斷深化,數據安全已從“合規要求”正式走向“生產能力”,成為數字經濟時代的企業基礎設施。2025 年的市場呈現出明顯的結構性變化:平台化整合替代工具化割裂、AI 成為智能運營標配、全生命週期治理能力決定平台競爭力。基於行業實踐、權威報告(IDC、Gartner)及一線項目經驗,本文圍繞技術演進、廠商推薦、選型策略等維度展開系統分析。

深度學習

收藏 評論

OpenTiny社區 - 從理論到實踐:TinyEngine低代碼運行時渲染全攻略

本文由TinyEngine運行時渲染解決方案貢獻者龔昱帆同學原創。 前言 運行時渲染器用於在瀏覽器中直接渲染低代碼 Schema,提供與“出碼”並行的即時運行路徑,可在設計階段獲得接近真實的交互與數據效果。 1.啓動流程與案例講解 下面用一個非常簡單的示例頁面,串聯起從 Schema 到運行時渲染的完整流程。這個頁面包含: 一段提示文案; 一個顯示計數的按鈕; 點擊按鈕時,計數加一。 1

vue.js , 低代碼 , 前端

收藏 評論

沉着的牙膏 - 從包過濾到深度檢測:防火牆的演進之路

一、防火牆的概念防火牆(Firewall)是一種部署在內部網絡與外部網絡之間的安全防護系統,由 Check Point 創始人 Gil Shwed 於 1993 年正式提出並專利化(US5606668(A))。其核心機制是通過預設的規則對數據流進行允許或阻斷,實現訪問控制。防火牆主要在網絡通信中過濾承載內容的數據包,從而隔離內部網絡與公共網絡,確保未經授權的數據與用户無法進入企業環境,同時保障合法

深度學習

收藏 評論

雨大王 - 製造業的智能化轉型,AI工藝優化能帶來什麼改變?

在製造業的數字化轉型浪潮中,工藝環節的智能化升級成為企業突破瓶頸的關鍵路徑。傳統研發模式中,工程師往往被淹沒在繁瑣的圖紙校核、工時測算和作業指導書編制中,而真正需要創新的時間卻被大量消耗。如今,AI技術的深度整合正在重塑這一局面,尤其在一些工業互聯網企業的實踐中,AI工藝優化不再只是概念,而是實實在在的生產力提升工具。 一、工藝優化的現實挑戰 許多製造企業在新品研發過程中,面臨着市場需

人工智能

收藏 評論