博客 RSS 訂閱

技術領航探索者 - Spring Cloud Alibaba系列之Nacos分佈式配置中心 - Nicky的個人空間 -

作者:如漫、席翁 AI Agent的構建模式正在從“單個智能體做所有事”走向“多個專精智能體協作”,以更好地拆解並解決複雜任務、更精準的選取和使用工具。A2A(Agent-to-Agent)協議作為統一的通信層,旨在為跨進程、跨語言的智能體互操作提供標準化語義與傳輸通道,從而解決智能體數量增加引起的運維、管理和部署成本過高等問題。 為了讓開發

大數據 , nacos , hadoop , 人工智能 , 分佈式 , SAA , Multi Agent

收藏 評論

一隻愛喝果粒橙的程序員 - Spring Cloud分佈式事務(基於Seata AT模式,集成Nacos)--學習版

Spring Cloud分佈式事務快速上手(基於Seata AT模式,集成Nacos)--學習版 前言   對於從未接觸過Seata的同學來説,想要快速上手Seata還是需要花費比較長的時間,因為本身微服務開發中環境的搭建、以及各種配置都已經很繁瑣了,然後再集成Seata,Seata又有許多配置,對於每個微服務來説,針對Seata又有一些配置,要搞清楚各種配置之間的關係,對於像我這樣的小白來

後端

收藏 評論

隱語SecretFlow - 【隱語Secretflow】一文速通隱私計算節點Domain

打開鏈接即可點亮社區Star,照亮技術的前進之路。 Github 地址:https://github.com/secretflow/kuscia Domain 在 Kuscia 中將隱私計算的節點稱為 Domain,一個 Domain 中可以包含多個 K3s 的工作節點(Node)。Kuscia 複用了 K3s 的 Namespace 機制來管理節點權限,一個 Domain 對應 K3s

開源

收藏 評論

MrVolleyball - 6年前的項目終於更新了--機房ping監控全國主要城市

前言 當初項目的本意是為了監測中心機房到全國各地(主要是省會與重要城市)的ping速率而創建,目標ip地址是根據某個ip網站爬取,而現在該網站已經下線了,導致目標ip無法獲取,再加上所用組件版本已經年久失修,最後是本人懶惰~~,導致項目已經不可用很久了 今年勤奮戰勝懶惰,又重新佔領高地,想着把該項目重修修繕一遍 開始修繕 更換ip庫:放棄了之前的網站,重新找了一份ip地址庫,並且會定期更新

雲計算

收藏 評論

呀哈哈kk - 【詳解】Hivemetastore三種配置方式

Hivemetastore三種配置方式 Apache Hive 是一個基於 Hadoop 的數據倉庫工具,可以將結構化的數據文件映射為一張數據庫表,並提供簡單的 SQL 查詢功能,可以將 SQL 語句轉換為 MapReduce 任務進行運行。其核心組件之一是 Hive Metastore,用於存儲元數據信息,如表結構、分區信息等。本文將介紹 Hivemetore 的三種配置

hive , 後端開發 , JAVA

收藏 評論

程序員王哪跑 - 虛擬資料必備!Python開發的PDF批量加水印軟件,真的去不掉!

1、前言 做虛擬資料的你,手上肯定都會有一大堆PDF文件,比如做小學資料、教案資料的朋友,給PDF文件加上水印是必不可少的步驟,通過這種在pdf文件加水印的方式可以實現被動化的引流。 但是自己一個個給PDF文件添加水印費時費力,用市面上常用的軟件一鍵添加,也都是可以一鍵去除的。別急,今天帶來一款老王原創的PDF文件批量加水印的工具,讓你從此告別這種“苦力活”。 添加上的水印無法去除! 添加上的水印

後端

收藏 評論

mb643e0d0904d99 - Linux硬盤分區 fdisk 和 parted命令詳解

在 Linux 中有專門的分區命令 fdisk 和 parted。其中 fdisk 命令較為常用,但不支持大於 2TB 的分區;如果需要支持大於 2TB 的分區,則需要使用 parted 命令,當然 parted 命令也能分配較小的分區。我們先來看看如何使用 fdisk 命令進行分區。 傳統的MBR分區方式是一塊硬盤最多可以分四個主分區,即使硬盤還有剩餘空

文件名 , 文件系統 , 運維 , 分區表

收藏 評論

yanyanyan - 基於Rokid CXR-M SDK的工業安全操作規程AR提醒系統設計與實現

1. 引言:工業安全與AR技術融合的新機遇 工業安全生產一直是企業發展的重中之重。據統計,全球每年因操作不規範導致的工業事故超過200萬起,造成巨大的經濟損失和人員傷亡。傳統的安全培訓與提醒方式存在時效性差、注意力分散、執行監管困難等問題。隨着增強現實(AR)技術的快速發展,尤其是智能眼鏡設備的普及,為工業安全管理帶來了革命性的解決方案。

軟件研發 , 初始化 , 加載 , ide

收藏 評論

OpenBayes - 教程上新丨美團開源視頻生成模型LongCat-Video,兼具文生視頻/圖生視頻/視頻續寫三大能力,媲美開閉源頂尖模型

世界模型旨在理解、模擬與預測複雜的現實世界環境,是人工智能在真實場景中實現有效應用的重要基礎。在這一框架中,視頻生成模型通過其生成過程,逐步壓縮並學習幾何、語義、物理等多種知識形態,因而被視為構建世界模型的一條關鍵路徑,並有望最終實現對真實物理世界動態的有效模擬與預測。 而在視頻生成領域,實現高效的長視頻生成能力尤為重要。 基於此,美團開源了最新視頻生成模型 LongCat-Video,該模型旨在

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

sysin - AlmaLinux 10.1 發佈 - RHEL 二進制兼容免費發行版

AlmaLinux 10.1 發佈 - RHEL 二進制兼容免費發行版 由社區提供的免費 Linux 操作系統,RHEL 二進制兼容發行版 請訪問原文鏈接:https://sysin.org/blog/almalinux-10/ 查看最新版。原創作品,轉載請保留出處。 作者主頁:sysin.org 2025 年 11 月 25 日,AlmaLinux OS 10.1(代號 “Heliotrope

Linux

收藏 評論

wx676be6175e246 - Android中的補間動畫:原理與應用

補間動畫是Android系統中一種經典的視圖動畫實現方式。其核心概念在於,開發者只需定義動畫的起始狀態與結束狀態,中間幀的過渡和計算則由系統自動完成,“補間”一詞正是源於此自動填充過程。這種機制極大地簡化了動畫實現的複雜度。 在具體實現上,Android提供了豐富的補間動畫類型,主要涵蓋透明度變化(AlphaAnimation)、平移(TranslateAnimation)

補間動畫 , 移動開發 , 視圖動畫 , Android , 開發者

收藏 評論

深盾安全 - 二進制漏洞掃描技術一覽

靜態二進制分析 靜態二進制分析是在不執行程序的情況下,通過分析二進制文件的結構和代碼來發現潛在漏洞的技術。該過程始於反彙編與反編譯階段,工具將機器指令轉換為可讀的彙編代碼或高級語言偽代碼。例如,工具可以將機器碼55 48 89 E5轉換為彙編指令push rbp; mov rbp, rsp,這為後續分析奠定了基礎。 現代靜態分析工具普遍採用中間表示技術來提升分析效果。通過將底層指令轉換為統一的中間

安全

收藏 評論

mb6900529f6798c - 5個Vite實戰技巧,讓你的開發效率提升50%!

5個Vite實戰技巧,讓你的開發效率提升50%! 引言 在前端開發領域,構建工具的選擇直接影響着開發效率和項目性能。近年來,Vite憑藉其極快的啓動速度和高效的熱更新機制迅速崛起,成為許多開發者的首選工具。然而,僅僅使用Vite的基礎功能可能無法充分發揮其潛力。本文將分享5個經過實戰驗證的Vite技巧,幫助你進一步提升開發效率,甚至在某些場景下實現50%的效率提升! 主體

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

IT陳寒 - Python 開發必知的 7 個高效技巧,讓你的代碼量減少一半

Python 開發必知的 7 個高效技巧,讓你的代碼量減少一半 引言 Python 以其簡潔、易讀的語法和強大的功能庫而聞名,但即使是經驗豐富的開發者也可能忽略了其許多高效特性。這些特性不僅能顯著減少代碼量,還能提高代碼的可讀性和性能。本文將介紹 7 個 Python 開發中必知的高效技巧,幫助你用更少的代碼完成更多的工作。 無論你是初學者還是資深開發者,掌握這些技巧都能讓你

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

軟件求生 - 3 分鐘講透 Redis 主從複製,社招面試穩了

有一次,我去參加一個大廠社招面試。 下午三點,會議室冷氣開得像北極,我穿着優衣庫薄外套,手裏捏着簡歷,感覺像剛被從 Redis 緩存裏淘汰出來的過期 key。 面試官很穩重,敲了兩下桌子,開口問了第一句: “來,説説 Redis 集羣的主從複製模型,你在項目裏怎麼用的?” 那一瞬間,我的腦子像 Redis 重啓,先冷、再熱、最後進

redis , yyds乾貨盤點 , 數據 , 數據庫 , 主從複製

收藏 評論

哥布林學者 - 吳恩達深度學習課程三: 結構化機器學習項目 第一週:機器學習策略(三)模型性能與“人類性能”

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下: 原課程視頻鏈接:[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料,含課件與筆記:吳恩達深度學習教學資料 課程配套練習(中英)與答案:吳恩達深度學習課後習題與答案 本篇為第三課的第一週內容,1.8到1.12的內容,也是本週的最後一篇內容,另外,因為內容並不涉及新技術,理論習題也只是對本

AI

收藏 評論

小白獅ww - LAMMPS 教程:以單晶鋁為例,模擬材料單軸拉伸

LAMMPS(Large-scale Atomic/Molecular Massively Parallel Simulator)是一種經典的分子動力學仿真代碼,專注於材料建模。它旨在在並行計算機上高效運行,並且易於擴展和修改。LAMMPS 最初由美國能源部機構桑迪亞國家實驗室開發,現在包括來自許多機構的許多研究小組和個人的貢獻。LAMMPS 的大部分資金來自美國能源部(DOE)。LAMMPS 是

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

lpe234 - 地圖類相關開發簡記

基礎知識 Leaflet 默認使用 EPSG:3857(Web Mercator 投影) 來顯示地圖,這是一種投影座標系,而不是地理座標系。 Leaflet 接收的是 WGS84 經緯度(EPSG:4326),即 [lng, lat]。 如果底圖是高德/百度:需要先把 WGS84 轉換成 GCJ-02 或 BD-09,再傳給 Leaflet。 常用座標系 WGS84(World Geodeti

react , map , leaflet , gis

收藏 評論

山東布穀網絡科技 - 海外直播購物APP的“財富密碼”:功能創新如何撬動盈利槓桿?

在全球化直播場景中,用户對實時互動的需求日益增長,尤其在電商、遊戲和社交領域,零延遲視頻直播成為提升用户體驗的關鍵。海外直播APP實現這一功能,需綜合運用前沿技術並優化網絡架構,那麼,對於開發一個海外直播購物APP,其核心功能和盈利模式需要精心設計。以下是一個詳細的梳理,分為核心功能模塊和常見盈利功能兩大部分。 一、核心功能模塊 這些

直播電商平台 , 海外直播商城系統 , 商城購物APP , 移動開發 , 海外購物APP , Android , 海外電商系統開發

收藏 評論

冴羽 - 6 個白嫖 Nano Banana Pro 的網站

前言 Nano Banana Pro 最近很火。 作為排名第一的 AI 圖片生成模型,其生成的圖片效果十分驚豔,但驚豔的效果往往都比較費錢…… 於是我註冊了十幾個網站,找了一些不費錢的 Nano Banana Pro 使用網站,對於日常使用完全足夠了。 10 年技術博主,最新資訊、前端知識、AI 乾貨,歡迎關注公眾號:“冴羽” 或者搜索“yayujs” 1. Gemini 每天 2 張 地址:h

ai開發 , gemini-pro , 人工智能 , nano-banana-pro , 前端

收藏 評論

圖撲軟件 - 圖撲軟件 3D 場景預加載應用實現

預加載是在進入正式場景之前提前加載所需模型、材質、圖片等資源的技術手段,其核心價值在於消除資源加載等待,確保場景首次渲染即可完整呈現,從而提供無縫、流暢的用户體驗。在複雜的Web 3D可視化應用中,資源預加載尤為重要,可有效解決首次加載時的卡頓、白屏及交互延遲等問題。 預加載實現方案 基礎實現原理 HT for Web中所有資源的請求都會經過ht.Default.convertURL方法,該方法

webgl , 可視化 , 前端 , Javascript

收藏 評論

IvorySQL - PostgreSQL 18 - 時間約束 (Temporal Constraints)

PostgreSQL 18 引入了一項強大的新功能,允許你在時間段內強制執行唯一性:時間約束(Temporal Constraints)。通過這一新增功能,你現在可以在定義 UNIQUE、PRIMARY KEY 或 FOREIGN KEY 約束時,利用日期範圍(Date Range)或時間戳範圍(Timestamp Range)字段,比以往更容易地防止數據重疊。 問題所在:基於時間的唯一性 在最新

數據庫 , postgresql

收藏 評論

Coolmuster - 修復“發送至任何地點”功能無法正常工作的問題

Send Anywhere 是一款熱門的文件傳輸應用,用户可以使用它在設備間快速發送大文件。然而,任何應用都並非完美無缺,Send Anywhere 有時也會出現故障。無論是連接問題、傳輸速度慢還是應用崩潰,這些問題都可能令人沮喪。 本指南將幫助您排查 Send Anywhere 無法正常運行的常見原因,並提供分步解決方案。此外,如果該應用仍然無法正常工作,我們還將介紹一些優秀的替代方案,以確保您

ios

收藏 評論

雨大王 - 工業互聯網工廠大腦:如何從數據混沌到智能協同?

在現代化工廠裏,每天產生的數據量簡直能嚇人一跳。想象一下,一座大型汽車工廠在一天之內,可能就積累了上億條來自設備、生產線、供應鏈等各個系統的數據。這些數據看似龐大,卻往往像散落的拼圖一樣,格式不一、標準缺失,難以形成統一的分析框架。這種情況,就是所謂的“數據混沌”,也是全球製造業數字化轉型中普遍存在的難題。而解決這一問題的關鍵,正是讓數據從“雜亂無章的原材料”轉變為“可直接使用的工業語言”。

人工智能 , 深度學習

收藏 評論