博客 RSS 訂閱

u_16213663 頭像

mob64ca140b82e3 - 聊聊前端性能指標那些事兒

你是否還在為前端性能監控數據混亂而煩惱？是否因為無法準確診斷用户體驗問題而頭疼？本文將詳細解析OpenObserve中三大核心前端性能指標——LCP（最大內容繪製）、FID（首次輸入延遲）和CLS（累積佈局偏移）的監測方法與優化策略，幫助你輕鬆提升用户體驗。讀完本文，你將能夠：準確理解三大指標含義、通過OpenObserve實時監測性能數據、掌握針對性優

性能監控 , 數據 , 加載 , 後端開發 , Python

收藏 評論

u_16099218 頭像

網絡安全守護神 - 三層結構在JAVA項目開發中的作用

一. 背景介紹 當前，我們使用 Spring Boot + Mybatis + Maven 技術棧，按照微服務設計的要求（小而自治）開發 Java 應用，不推薦和使用 Module 實現項目分層。 二. 規範意義 規範 Java 項目的目錄結構是 Java 工程化的基礎，也是打通 DevOps 流程的起點。合理的目錄結構能減輕設計負擔，

redis , 開發語言 , 架構 , 後端開發 , JAVA , harmonyos

收藏 評論

u_12868 頭像

langrisser - 我用過的聚類算法（四）

kmodes是一個專門用於聚類分類數據的Python庫，實現了k-modes和k-prototypes算法。這些算法填補了傳統k-means在處理分類數據方面的不足，特別適用於包含分類屬性的數據集。kmodes提供了與scikit-learn相似的熟悉接口，讓數據科學家能夠輕鬆應用這些強大的聚類技術。 項目核心概念解析 kmodes庫的核心在於解決分類數據的聚

聚類 , 數據 , 後端開發 , harmonyos , Git

收藏 評論

u_16213609 頭像

mob64ca13fe9c58 - Visual Studio 2022 Preview 使用 C++20 Module_

文章目錄 1. 為什麼使用 Modules 2. 項目搭建 2.1 工程結構 2.2 代碼編寫 3. cmakelist.txt 配置 3.1 查看 CMAKE_EXPERIMENTAL_CXX_IMPORT_STD 值 3.2 Cmakeli

c++20 , c++ modules , 開發語言 , c++ , 後端開發 , harmonyos , 導出函數

收藏 評論

u_16213569 頭像

技術領航舵手 - 讓大數據可視化的五個Web應用程序

Yanagishima是一個強大的開源Web應用程序，專為Trino、Hive和SparkSQL數據查詢引擎提供統一的管理界面。這個直觀且高效的工具旨在簡化大數據環境中的交互式查詢操作，從而顯著提升開發人員和分析師的工作效率。 核心功能特性 Yanagishima提供了一系列強大的功能，讓數據查詢和管理變得更加便捷： 便捷查詢執行：支持快捷鍵C

hive , Css , 數據查詢 , 前端開發 , HTML , Web

收藏 評論

gwsnatm 頭像

工位少年阿童木 - 最詳細的postgreSQL安裝指南

涉及到的文件：關注我的主頁/查看簡介，回覆[postgresql]獲取 高速鏈接||遠程輔助： 閑魚/TB：工位少年阿童木 postgreSQL安裝注意事項 tips：如果要帆軟、gis（10.8）、postgresql之間的版本要匹配，注意自己的軟件版本。帆軟支持的版本見下圖。詳情見：PostgreSQL數據連接- FineReport幫助文檔 - 全面的報表使用教程和學習資料 https://

數據庫 , postgresql

收藏 評論

deephub 頭像

deephub - DeepSeek 開年王炸：mHC 架構用流形約束重構 ResNet 殘差連接

大過節的qwen發佈了image 2512，DeepSeek這邊就偷摸的在arXiv 上掛出了這篇 mHC: Manifold-Constrained Hyper-Connections (arXiv:2512.24880)，哪個正經公司在最後一天還發論文啊。 簡單的看了一下，説説我的看法： 這回DeepSeek又要對 殘差連接（Residual Connection）出手了。 現在我們模型的底層

神經網絡 , 人工智能 , 深度學習

收藏 評論

tongkudezicai_c7db2r 頭像

張飛簽名上架 - 蘋果簽名常見認知誤區澄清：2026年科學使用指南

在iOS應用相關的運營場景中，蘋果簽名是高頻提及的核心概念，但行業內對其存在諸多認知誤區。不少開發者和企業因被錯誤信息誤導，在簽名選型、使用操作、風險應對上走了彎路，不僅造成成本浪費，還可能觸發蘋果生態風控，影響業務推進。2026年蘋果簽名體系進一步優化，相關規則更趨嚴謹，澄清認知誤區、樹立科學認知尤為重要。本文梳理了關於蘋果簽名的六大常見誤區，結合最新規則逐一拆解澄清，並給出對應的科學使用建議，

ios

收藏 評論

u_15742790 頭像

數據科技訊 - 能文能武！智元機器人天團與王心凌王鶴棣同台炸場跨晚

來源：元宇宙NB 2025年12月31日，智元機推出首個“能文能武，唱跳全能”的機器人藝人天團登上京東《2025-2026 湖南衞視芒果 TV 跨年演唱會》，靈犀X2、遠征A2、精靈G2、四足機器人D1的全能表現炸場跨晚，不僅與王心凌、王鶴棣同台演出，還化身機器人藝人走紅毯、上舞台走秀、進入直播間賣貨，用科技與文娛的碰撞，打造跨年夜現象級名場面。 唱跳全能，靈犀 X2

MySQL , 旋轉角度 , 數據庫 , 人形機器人

收藏 評論

kiroct 頭像

kiroct - 流水線GoLand 編譯+部署（dockerfile打包+pod yaml ‘deploy’）

1、確保擁有流水線的依賴倉庫權限 2、需要先創建對應的代碼倉庫並上傳對應的源碼 3、假設上傳的是go-svc的代碼倉庫,編譯對應的cat123服務 一、打包流水線編譯 cd /workdir/ #假設pipline的腳本中，此目錄下為go-svc的代碼倉庫的根目錄 echo "machine gz01-xxxxxx.xxxxx.cn" ~/.netrc #存儲遠程登錄

雲計算 , 流水線go 編譯 , 雲原生

收藏 評論

rtedevcomm 頭像

RTE開發者社區 - 如何讓你的語音助手有眼力見——Turn Detection 的 5 種解法丨Voice Agent 學習筆記

從2022年優化智能客服開始，我就開始嘗試優化人機語音對話中的 “語義完整度” 模塊。當時大部分人的精力都集中在優化識別率，在語音對話系統中，這不是一個核心模塊，似乎是可有可無的，但語義上的完整度對於用户體驗、信息收集的效率都有很大的影響。 特別是在今天人們對於智能和體驗的極致追求下，語音對話類各種應用，比如陪伴、玩具、客服等場景的大模型升級，越來越多的工作開始瞄準這個方向，業界需求也在增加，這也

人工智能

收藏 評論

u_15943685 頭像

步_步_為營 - 深入理解.NET 中的IHostedService：後台任務管理的基石

深入理解.NET 中的IHostedService：後台任務管理的基石 在.NET應用程序開發中，經常需要在後台執行一些長時間運行的任務，如定時任務、消息隊列處理等。IHostedService接口為管理這些後台任務提供了一種統一且標準的方式。深入瞭解IHostedService的原理、實現細節以及應用場景，對於構建健壯、高效的.NET應用至關重要。 技術背景 傳統上，在.N

System , 應用程序 , 後台任務 , 前端開發 , Javascript

收藏 評論

wintersun 頭像

PetterLiu - 人工智能-人類的解放者還是終結者

一個無法迴避的十字路口 我們正處在一場技術變革的中心，而這場變革“可能和我們經歷過的任何一次技術變革都完全不同”。它不只是提升效率，而是從根本上挑戰我們對人類價值和生存意義的定義，將我們直接推到了一個時代性的十字路口。 本次辯論的核心問題因此變得無比清晰：人工智能究竟是把我們從繁瑣、危險、重複的勞動中解放出來，帶領我們走向更高層次、更有意義生活的“解放者”；還是説，這種樂觀的看法危險地低估了

AI

收藏 評論

rtedevcomm 頭像

RTE開發者社區 - 字節版 NotebookLM 悄悄上線；樂鑫、塗鴉爭相推出 AI 硬件交互方案；2025 AI 語音輸入工具盤點丨日報

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、樂鑫攜手 Bosch Sen

人工智能

收藏 評論

u_16841336 頭像

火雲大軍 - 本地大模型編程實戰(39)MCP實戰演練

之前兩篇文章:MCP簡介和MCP能做什麼闡述了MCP的基本概念和原理。 本文將使用Visual Studio Code寫一個MCP服務端和MCP客户端，演示MCP的基本功能。 MCP版本迭代很快，能用把代碼順利跑起來並不是一件容易的事：） 準備運行環境 Windows 10 Visual studio code 1.104.3

llm , 私藏項目實操分享 , mcp , 人工智能 , 深度學習 , Python

收藏 評論

u_16459925 頭像

wx6583a3b0b06d1 - ComfyUI Docker 鏡像部署指南

一、項目簡介 ComfyUI 是一款基於節點工作流的 Stable Diffusion 圖形界面，支持通過可視化方式組合複雜的圖像生成流程。 ComfyUI-BOOT 基於官方 ComfyUI 構建，內置： Python 運行環境 PyTorch（按 CUDA / 架構區分） ComfyUI 本體 啓動與下載腳本

機器學習 , ComfyUI部署文檔 , ComfyUI部署 , ComfyUI , 人工智能 , Docker , CUDA

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - AI重構招聘邏輯：HR的下一個十年，拼的是決策力

AI重構招聘邏輯：HR的下一個十年，拼的是決策力 當AI開始深度參與人才評估、甚至躋身招聘決策鏈，人力資源領域的遊戲規則已悄然改寫。一份全球調研顯示，超75%的企業領導者不再將AI視為單純工具，而是能並肩作戰的“同事”——它能預判離職風險、篩選適配候選人、生成面試紀要，將HR從重複勞動中解放。但真正的差距不在於是否使用AI，而在於能否用AI把“選人”從憑感覺的冒險，變成可量化、可覆盤的科學決

人工智能

收藏 評論

miro 頭像

mb6900529f6798c - Redis 7.0實戰：從50%到90%的緩存命中率提升秘籍與底層原理剖析

Redis 7.0實戰：從50%到90%的緩存命中率提升秘籍與底層原理剖析 引言 在當今高併發的互聯網應用中，緩存系統已成為架構設計中不可或缺的一環。作為最受歡迎的內存數據庫之一，Redis憑藉其出色的性能、豐富的數據結構和靈活的擴展能力，成為了眾多企業的首選緩存解決方案。然而，在實際生產環境中，許多團隊僅能達到50%-60%的緩存命中率，遠未發揮Redis的全部潛力。 本文

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

itchenhan 頭像

IT陳寒 - JavaScript 性能優化：我從 V8 引擎源碼中學到的 7 個關鍵實踐

JavaScript 性能優化：我從 V8 引擎源碼中學到的 7 個關鍵實踐 引言 在現代 Web 開發中，JavaScript 的性能優化是一個永恆的話題。隨着應用的複雜度不斷提升，開發者需要更深入地理解底層引擎的工作原理，才能編寫出高效的代碼。V8 引擎作為 Chrome 和 Node.js 的核心 JavaScript 執行引擎，其內部實現為我們提供了許多性能優化的啓示。

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

u_17605237 頭像

yuer2025 - 為什麼企業級 AI 的第一需求，不是“更聰明”，而是“可控”

過去兩年，很多企業在 AI 項目上經歷了一個相似過程： Demo 階段：效果驚豔 POC 階段：局部可用 準備上線時：卡死在風險與責任上 這並不是企業“保守”，而是一個非常現實的問題： 一旦 AI 進入生產系統， 出事誰負責？誰簽字？誰兜底？ 一、企業真正害怕的，從來不是 AI 不準

NLP , 人工智能 , 可控ai , AI Agent

收藏 評論

u_17540178 頭像

Hommy168 - 【開源剪映小助手】向現有草稿中添加關鍵幀

ADD_KEYFRAMES API 接口文檔 接口信息 POST /openapi/capcut-mate/v1/add_keyframes 功能描述 向現有草稿中添加關鍵幀。該接口用於在指定的片段上添加關鍵幀動畫，支持多種屬性類型的關鍵幀設置，如位置、縮放、旋轉、透明度等。關鍵幀可以用於創建複雜的動畫效果，增強視頻的視覺表現力。 更多文檔 📖 更多詳細文檔和

aigc , AI作畫 , Python

收藏 評論

nocobase 頭像

NocoBase - NocoBase 2.0-beta 發佈

原文鏈接：https://www.nocobase.com/cn/blog/2-0-beta 經過 NocoBase 團隊及所有貢獻者 8 個星期的努力，NocoBase 2.0-beta 如期發佈。這個版本對 NocoBase 2.0 的大量新特性進行了打磨和測試，使得 2.0 進入更穩定的階段，歡迎嚐鮮用户將該版本用於生產測試，並將遇到的問題和建議及時反饋給我們。 2.0-rc 將於 2026

無代碼開發平台 , 低代碼 , 版本更新 , 人工智能 , 開源

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：五十九、特徵工程：數據預處理到特徵創造的系統性方法

一、何謂特徵工程 特徵工程是數據科學中的關鍵環節，其核心目標是將原始的、雜亂的數據轉化為機器學習模型能夠有效理解和利用的格式。這個過程可以類比於將生鮮食材烹飪成美味佳餚的完整流程。 想象一下，您從市場採購回各種生鮮食材：帶泥的土豆、未處理的豬肉、整根的大葱、未開封的調味料。如果直接將這些東西端給客人，他們根本無法食用。同樣地，原始數據對機器學習模型而言就如同這些未處理

AIGC二三事 , pytorch , 特徵工程 , 人工智能 , 機器學習模型

收藏 評論

dhan 頭像

竹等寒 - TryHackMe-SOC-Section 6：網絡流量分析

目錄 Section 6：網絡流量分析 網絡流量基礎知識 介紹 網絡流量分析的目的是什麼？ 我們為什麼要分析網絡流量？ 我們可以觀察到哪些網絡流量？ 網絡流量來源和流向 來源 流量 流程示例

網絡安全

收藏 評論