博客 RSS 訂閱

jiang_5f3236dd7afd1 頭像

Serverless - AgentRun 實戰：快速構建 AI 輿情實時分析專家

輿情分析是企業感知市場脈搏、預警公關危機的“聽診器”，然而傳統的輿情分析系統更像是一個個“手工作坊”，面臨數據收集效率低、分析深度不夠、實時性差等問題，經常反饋之後，等企業拿到報告時，輿論熱點早已轉移，錯過最佳時間。這些挑戰，正是所有輿情繫統開發者共同的痛點。 本方案將基於真實的代碼實現，向您介紹如何使用函數計算 AgentRun 平台，構建一個現代化的“輿情分析專家”，該系統不僅實現了從數據採集

阿里雲 , 雲原生 , serverless

收藏 評論

Johny-zhao 頭像

Johny_Zhao - 黑客msfconsole滲透工具超詳細使用説明

Metasploit Framework的msfconsole是一個功能強大的滲透測試框架，核心在於其模塊化結構。你可以通過組合不同的模塊，構建完整的測試流程。下表概述了其核心模塊類型及典型用途： 模塊類型 主要功能 典型應用場景舉例 常用命令/關鍵詞 輔

網絡安全

收藏 評論

u_16237826 頭像

軟件求生 - 這道 Java 面試題，90% 的人都沒講清楚：熱點數據 vs 冷數據

大家好，我是小米，31 歲，寫代碼快十年了。如果你問我： 後端面試裏，被問得最多、但被答得最爛的問題是什麼？ 我一定投 “緩存” 一票。尤其是這道看起來人畜無害的題： “什麼是熱點數據？什麼是冷數據？哪些數據適合緩存？” 很多同學第一反應是：熱點數據訪問多，冷數據訪問少。這話沒錯，但也幾乎等於沒説。 先講個

redis , yyds乾貨盤點 , 數據 , 緩存 , 數據庫

收藏 評論

huangxincheng 頭像

一線碼農 - 記一次 .NET 某MES上位機拍照系統 內存暴漲分析

一：背景 1. 講故事 這是訓練營裏的一位朋友找到我的，説他們的系統會有偶發的內存暴漲情況，自己也沒分析出來，讓我幫忙看下怎麼回事，拿了一個20G+的dump文件，這文件是夠大的，我個人建議一般是不超過10G，不然的話windbg分析起來很吃力。 二：內存暴漲分析 1. 為什麼會內存暴漲 還是老辦法，使用 !address -summary 觀察提交內存，輸出如下： 0:000 !address

.net , 後端

收藏 評論

juicefs 頭像

JuiceFS - 3D-AIGC 存儲架構演進：從 NFS、GlusterFS 到 JuiceFS

光影煥像（Lightillusions）是一家專注於空間智能技術，結合 3D 視覺、圖形學和生成模型技術，致力於打造創新的 3D 基礎模型公司。公司由譚平教授領導，譚教授曾擔任阿里巴巴達摩院實驗室負責人，目前是香港科技大學的教授，同時擔任馮諾伊曼人工智能研究室副院長，並是香港科技大學與比亞迪聯合實驗室的主任。 區別於二維模型，三維模型單個模型的大小可達幾 GB，尤其是點雲數據等複雜模型。當數據量達

運維 , 數據庫 , 人工智能

收藏 評論

data_ai 頭像

數據庫知識分享者 - 阿里雲 Tair KVCache 仿真分析：高精度的計算和緩存模擬設計與實現

導讀 在大模型推理邁向“智能體時代”的今天，KVCache 已從性能優化手段升級為系統級基礎設施，“顯存內緩存”模式在長上下文、多輪交互等場景下難以為繼，而“以存代算”的多級 KVCache 架構雖突破了容量瓶頸，卻引入了一個由模型結構、硬件平台、推理引擎與緩存策略等因素交織而成的高維配置空間。如何在滿足 SLO（如延遲、吞吐等服務等級目標）的前提下，找到“時延–吞吐–成本”的最優平衡點，成為規模

資訊 , nosql , 知識 , 數據庫 , SQL

收藏 評論

u_9449786 頭像

ChinaDragon10 - HarmonyOS：通過組件導航設置自定義區域

一、場景介紹 從6.0.0(20) Beta1版本開始，導航組件新增支持設置標題欄stackBuilder以及bottomBuilder。 當應用開發者需要在標題欄區域增加自定義節點時，例如在標題欄上方區域增加分段按鈕，標題欄底部區域增加搜索框、頁籤時，可以使用標題欄自定義區域設置能力。 二、開發示例

移動開發 , Android , 鴻蒙 , harmonyos

收藏 評論

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係10教育機構（下）

1.大學教育 1.1.教育應該把學生培養成通才，而職業培訓應該把他們培養成專才 1.2.無論有多少機器開始取代這些角色，經濟發展中仍然需要人類來完成大部分工作，至少在可預見的未來都將如此 1.3.無論有多少機器開始執行曾經由人類工作者執行的任務，社會對技能熟練、能力合格的人類工作者的需求即便最終會消失，也不會很快消失 1.4.社會對職業培訓的需求也不太可能畫上句號 1.5.必須剋制住建設完全由技

AI

收藏 評論

u_16003019 頭像

BT_7274 - B2001 入門測試題目

B2001 入門測試題目 題目背景 強烈推薦新用户必讀貼。在學術版與題目總版內發帖、回覆需要達到 受信任的用户 的權限，在洛谷經常做題、參與比賽即可快速達到該權限等級。 題目描述 求兩個整數的和。 輸入格式 一行，兩個用空格隔開的整數。 輸出格式 兩個整數的和。 輸入輸出樣例 #1 輸入 #1 1 2

輸入輸出 , 數據 , AI寫作 , aigc , 輸出格式

收藏 評論

pannideniupai 頭像

雨大王 - 汽車焊接工藝自適應控制技術的系統解析與工業實踐

隨着全球製造業向智能化、柔性化方向演進，焊接作為汽車製造的核心工藝，其技術升級已成為提升整車質量與生產效率的關鍵抓手。尤其在新能源汽車、輕量化車身等高要求領域，傳統焊接工藝因其參數固定、適應性差的侷限性，難以滿足複雜工況下的精準控制需求。在此背景下，焊接工藝自適應控制技術應運而生，成為行業發展的新引擎。 一、焊接工藝自適應控制的核心原理與理論基礎 焊接工藝自適應控制是一種基於實時反饋與

人工智能

收藏 評論

aitibao_shichangyingxiao 頭像

艾體寶IT - 艾體寶洞察 |

一、pytorch如何保存訓練模型 最初pytorch用pickle模塊進行臨時保存程序中的對象（比如訓練好的模型、中間計算結果），方便後續直接加載使用。pickle是 Python 的序列化 / 反序列化模塊，核心作用是把 Python 對象（比如字典、列表、類實例等）轉換成字節流（序列化，稱為 “pickling”），或者把字節流恢復成原來的 Python 對象（反序列化，稱為 “unpick

後端

收藏 評論

mangrandedanche 頭像

數據庫分享小北 - 阿里雲 Tair KVCache 仿真分析：高精度的計算和緩存模擬設計與實現

導讀 在大模型推理邁向“智能體時代”的今天，KVCache 已從性能優化手段升級為系統級基礎設施，“顯存內緩存”模式在長上下文、多輪交互等場景下難以為繼，而“以存代算”的多級 KVCache 架構雖突破了容量瓶頸，卻引入了一個由模型結構、硬件平台、推理引擎與緩存策略等因素交織而成的高維配置空間。如何在滿足 SLO（如延遲、吞吐等服務等級目標）的前提下，找到“時延–吞吐–成本”的最優平衡點，成為規模

阿里巴巴 , nosql , 教程 , 阿里雲 , SQL

收藏 評論

sevencoding 頭像

sevencoding - 劍指offer-60、將⼆叉樹打印成多⾏

題⽬描述 從上到下按層打印⼆叉樹，同⼀層結點從左⾄右輸出。每⼀層輸出⼀⾏。 給定的⼆叉樹是 {1,2,3,#,#,4,5} : 該⼆叉樹多⾏打印層序遍歷的結果是： [ [1], [2,3], [4,5] ] 示例1 輸⼊：{8,6,10,5,7,9,11} 返回值：[[8],[6,10],[5,7,9,11]] 思路及解答 59題的縮減版 迭代法BFS（廣度優先搜索） public

後端

收藏 評論

qiangjiandeludeng 頭像

EmilyLi - 量化實盤總跑偏？創業踩坑後才懂：選錯財經 API 等於白忙活

創業做量化交易工作室這些年，我們常和高校金融系的講師們交流實操教學的痛點 —— 不少學生打磨的外匯量化策略，回測報告做得漂漂亮亮，一到實盤就 “水土不服”，尤其是高頻、日內交易場景，幾毫秒的延遲，就能讓策略收益和回測結果差出一大截。我們踩過無數坑後才發現，比起反覆優化策略邏輯，選對財經 API 反而更能直接決定實盤效果。 一、踩坑案例：回測滿分的策略，實盤卻虧了錢 記得去年幫某高校金融

人工智能

收藏 評論

aloudata 頭像

Aloudata大應科技 - ChatBI 走向落地，企業如何打造一個可信智能的數據分析夥伴？

摘要：在數據驅動決策的時代，傳統 BI 工具因操作複雜、學習成本高，逐漸被業務人員“敬而遠之”。以自然語言交互為核心的 ChatBI（對話式商業智能）正以“零門檻、實時響應、智能洞察”等優勢席捲市場，用户無需掌握 SQL 語言或複雜的數據模型，只需通過對話的方式即可完成數據查詢、歸因分析、預測決策等，推進數據民主化。 但隨着 ChatBI 市場爆發式增長，一些問題逐漸浮現：如何確保 ChatBI

數據挖掘 , 數據 , etl , 數據分析 , SQL

收藏 評論

qianniandanshendepingguo 頭像

千年單身的蘋果 - 2026主流AI編程助手深度對比：代碼生成準確率與工程化能力實測

1. 引言：2026年AI編程的“智能體”時刻 進入2026年，AI編程助手已完成從單一“代碼補全工具”向“全棧開發智能體 (Coding Agent)”的範式轉移。核心競爭維度不再侷限於簡單的API調用速度，而是聚焦於多語言混合項目的上下文理解、長鏈路需求拆解以及工程化交付的準確性。 對於開發者而言，支持多種編程語言（特別是Python與C++混合架構）已成為剛需。IDC與GitHub Octo

教程 , 知識 , 人工智能 , 程序員 , 前端

收藏 評論

nedpill 頭像

Nedpill - 某it培訓機構前端三階段react及新增面試題

1. 請簡述你對 react 的理解 React 是 Facebook 推出的用於構建用户界面的聲明式、組件化 JavaScript 庫，核心思想是“組件化”與“數據驅動視圖”，不直接操作真實 DOM，而是通過虛擬 DOM 優化渲染性能。 核心特點：① 聲明式編程：只需描述 UI 的目標狀態，React 自動處理 DOM 更新邏輯，無需關注過程；② 組件化：將 UI 拆分為獨立可複用的組件，組件內

知識 , Javascript

收藏 評論

daoshanghundezhuantou 頭像

daoshanghundezhuantou - 2026年IPD項目管理工具測評：9款主流平台對比與選型指南

本文圍繞 IPD 項目管理工具選型，測評了 ONES、Siemens Polarion ALM、PTC Windchill、3DEXPERIENCE ENOVIA、Jama Connect，並擴展評估 IBM DOORS Next、PTC Codebeamer、PTC Arena、Accolade，幫助硬件研發經理/系統工程師/PMO 用更低試錯成本選出可落地的數字化組合。 硬件研發的複雜性，往往

項目管理工具 , 項目管理 , 項目管理軟件 , 項目管理系統 , 研發管理

收藏 評論

u_16213606 頭像

mob64ca13fdd43c - 究諸經典，探尋大模型演變之蹤跡_人工智能_Baihai IDP

關聯知識庫：# 大語言模型學術史：從分佈式表示到Transformer的演進路徑（Gregory Gundersen 2025） 大語言模型學術史：從分佈式表示到Transformer的演進路徑 發佈時間：2025年10月1日 核心主題：追溯大語言模型背後的核心思想的學術歷史 哲學視角：技術演進中

spark , 大數據 , 神經網絡 , 語言模型 , 並行化

收藏 評論

aitaokedemugua 頭像

bot555666 - 企業微信協議接口的安全調用與性能優化規範

企業微信協議接口的安全調用與性能優化規範 在企業級應用集成領域，穩定、高效且安全地調用外部API是衡量系統成熟度的重要標準。企業微信開放的協議接口，為連接內部業務與協同辦公提供了強大支撐，但其在生產環境中的穩健運用，需要開發者遵循一系列嚴謹的規範。本文旨在深入探討面向企業微信接口的安全調用策略與核心性能優化方案。 一、 安全調用：構建可信的交互基石 安全是集成開發的第一要務，主要涉及身份認證、數據

bootstrap

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - 迅雷基於阿里雲 EMR Serverless Spark 實現數倉資源效率與業務提升

劉敏|迅雷大數據平台負責人 尤帥|迅雷大數據平台資深工程師 陳照|阿里雲公共雲業務事業部解決方案架構師 潘錦棉|阿里雲公共雲業務事業部解決方案架構師 劉瑞偉|阿里雲公共雲業務事業部大數據解決方案架構師 一、背景介紹 企業簡介 迅雷（納斯達克股票代碼：XNET）作為全球分佈式技術領域的先行者，以技術構建商業，以服務創造共識，從而建立一個高效可信的存儲與傳輸網絡。 自2003年

spark , 阿里雲

收藏 評論

wenyaderijiben_cpd6x6 頭像

ToDetect指紋檢測 - iOS / Android 如何精準查詢 IP 地址？手機端操作教程

平時不管是做跨境電商、投放廣告，還是賬號安全檢測，IP 地址查詢幾乎都是繞不開的一個操作。但很多人用手機的時候，都會遇到一個問題： 為啥我用手機查到的 IP，每次都不太一樣？ 為什麼 WiFi 和流量顯示的 IP 不同？ 在線 IP 檢測到底準不準？ 今天就結合我自己在 iOS / Android 上的實際使用經驗，給大家系統聊一聊手機端 IP 查詢的幾種靠譜方法，以及如何做到儘量“精

教程 , ip地址

收藏 評論

jimodetiebanshao 頭像

UXbot - 最新盤點！2025年產品經理必備的12款效率工具年度總結

產品經理的工作繁雜多元，從需求跟進、方案輸出、原型設計，到跨團隊溝通、進度跟蹤、數據覆盤、會議協調，若無高效工具支撐，極易陷入任務堆積的困境。本文盤點覆蓋產品經理全工作流的優質工具，從原型設計、思維導圖到項目管理、數據分析，涵蓋七大核心場景。無論你是剛入門的新手，還是經驗豐富的資深產品人，都能找到適配自己和團隊的工具組合，讓工作效率翻倍，把時間花在更有價值的決策上～ 一、AI原型設計工具

產品經理 , 工具軟件 , 人工智能 , 辦公軟件

收藏 評論

lvxingdekaishuiping 頭像

率性的開水瓶 - 全鏈路閉環 CRM 系統：5 款主流產品深度對比測評（2026版）

在數字化轉型浪潮中，企業對銷售機會-訂單-產品庫存-採購-生產的全鏈路閉環管理需求日益迫切。不同品牌的系統因定位差異，在核心業務模塊的能力邊界與實現邏輯上呈現顯著分化。本文基於專業深度、閉環能力、場景適配性三大維度，對五款主流系統展開橫向對比，為企業選型提供參考。 一、對比框架與核心維度説明 本次對比覆蓋5大核心業務模塊（銷售機會管理、訂單管理、產品與庫存管理、採購管理、生產管理），選取5個代表性

邏輯 , 流程圖 , 構架 , 後端

收藏 評論