https://www.xiyoulinux.com/ hi@zhilu.cyou (Zhilu/纸鹿) https://blog.csdn.net/weixin_43705457/article/details/164426813 Backward-Sort 利用时序数据的局部乱序特征，通过区间逆序率选择块长，结合块内排序与反向归并，减少 MemTable 时间排序中的比较和重复搬动。本文梳理论文的算法、TVList 实现、实验结果，以及这一基础优化在实际系统中的适用条件。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164426813 2026-09-06T05:12:26.000Z https://blog.csdn.net/weixin_43705457/article/details/164426680 MCC 在 Compaction 前预读 Key 和 Bitmap，估算合并收益，并通过 DAG 约束维护更新版本的可见性。本文梳理成本模型、搜索算法、实验收益与运行代价，结合共享时间戳场景讨论其工程价值，并核对公开代码与论文方案的差别。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164426680 2026-09-06T04:51:55.000Z https://blog.csdn.net/weixin_43705457/article/details/164402430 论文将时序数据 Compaction 拆成乱序文件整理和顺序小文件合并两个阶段：前者减少近期查询需要读取和归并的重叠文件，后者减少历史范围查询中的零碎读取。本文结合 Apache IoTDB 实验，分析其查询收益、写放大代价和调度边界。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164402430 2026-09-05T10:11:42.000Z https://blog.csdn.net/weixin_43705457/article/details/164402078 最近我的一个工作重点是负责 Agent 存算分离中的 AgentState 存储，以支持国内某头部AI产品。我之前讨论过一条更彻底的部署路线：如果会话、任务进度，以及继续执行需要的文件和制品都已在云端持久化，Agent Loop——调用模型、选择工具、处理结果的循环——也可以由云端托管，本机只保留交互入口和受控的 Tool Endpoint。用户关掉电脑，云端仍能推进不依赖本机的任务；换到手机或另 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164402078 2026-09-05T09:53:54.000Z https://blog.csdn.net/weixin_43705457/article/details/164401166 解读 Apache IoTDB 的 Deferred Flushing：通过保留最新数据减少乱序引起的文件重叠与写放大，并分析保留区大小、写入开销和实现限制。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164401166 2026-09-05T08:15:55.000Z https://blog.csdn.net/weixin_43705457/article/details/164374809 本文围绕 IoTDB 的乱序数据分流设计，梳理单 MemTable 与顺序/乱序双 MemTable 的写放大模型、容量选择和动态策略，并结合实验讨论其进入生产系统时面临的目标函数与负载建模限制。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164374809 2026-09-04T16:24:16.000Z https://blog.csdn.net/weixin_43705457/article/details/164304537 这里的 Workload 指一组共同决定产品形态的负载与业务约束：数据由谁产生，怎样进入，Schema 如何演化，写入峰值多高，默认查询扫多少时间，哪些结果需要预计算，调查过程中会连续发出多少次查询，最后又由哪一类人为结果付费。同一个 ClickHouse Engine，跑 Infra Observability、LLM Observability 和 Security Analytics，产品形 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164304537 2026-09-02T13:17:52.000Z https://blog.csdn.net/weixin_43705457/article/details/164303295 TS-LSM-Tree 不算是 Timon 的创新。去掉名字以后，它的外壳就是 TSM/LSM：MemTable、按时间组织的不可变文件，再加后台 Compaction。分离 Normal/Late MemTable 也不是多新鲜的结构，IoTDB 已经把相近思路扩展成 Sequence/Unsequence Space 和一整套 Cross-space Compaction。更值得看的还是 Ti 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164303295 2026-09-02T11:33:04.000Z https://blog.csdn.net/weixin_43705457/article/details/164269501 Terark-DS 根据 WAL、Key SST 和 Value SST 的访问模式分别选择远端存储策略。WAL 需要控制提交延迟并支持恢复，Key SST 需要低延迟小 I/O，Value SST 更关注容量与大块吞吐，GC 则要减少无效 Value 传输和 RPC 次数。统一三副本会增加 Value SST 的容量与流量，全 EC 又会提高 Key SST 的小 I/O 延迟，因此论文分别使用 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164269501 2026-09-01T14:46:34.000Z https://blog.csdn.net/liushengxi_root/article/details/163834186 我们只需要根据内容生成摘要，≤150字。内容是关于K8s基础概念和原理，按生命周期串讲。摘要应概括核心：镜像容器、Pod、节点、控制器、Service、Ingress、ConfigMap/Secret、PV/PVC、Namespace，以及部署流程和思维转变。注意字数限制。 本文按应用从代码到服务的生命周期，串联K8s核心概念：镜像与容器、Pod（最小部署单元）、节点（控制/工作）、各类控制器（D Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/163834186 2026-08-31T07:41:01.000Z https://blog.csdn.net/weixin_43705457/article/details/164191583 RangeReduce 最直接的优势是复用 Range Query 已经完成的 I/O、k-way merge、旧版本去重和 Tombstone 过滤。将这批有效 Entry 写入更深层以后，后续 Compaction 可以少读、少归并一部分数据，相同或重叠范围的查询也能少访问一些 Run。长 Range Query、查询范围反复重叠，以及更新和删除较多的负载，更容易覆盖本次写回成本。[1]它的代 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164191583 2026-08-30T09:56:28.000Z https://blog.csdn.net/weixin_43705457/article/details/164187777 一个 Agent 卡在缺失的蛋白质数据库文件上。不同训练任务之间没有通信工具，它便在 OpenAI 内部的 Artifactory 里留下一句话：[1]谁有这个文件，上传一下。一个 Agent 控制了客户托管在 Modal 上的 CyberGym 应用，随即向留言板更新进展：[2]发现 Modal 应用内的远程代码执行能力。OpenAI 没有披露下一条留言的精确时间；按官方叙述顺序，它出现在 7 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164187777 2026-08-30T04:22:34.000Z https://blog.csdn.net/yelubin612/article/details/164172603 两个原因：一是保证最后一个 ACK 能被对方收到，丢了的话对方会重发 FIN，2MSL 够它重发一次再处理完；二是让这次连接的旧报文在网络里彻底消失，别干扰下一次用相同四元组建立的新连接。 yelubin612的博客 https://blog.csdn.net/yelubin612/article/details/164172603 2026-08-29T13:29:09.000Z https://blog.csdn.net/weixin_43705457/article/details/164172037 这套架构适合同时满足几个条件的系统：大量 LSM 实例共享远端存储，实例之间的 Compaction 强度不均匀，存储附近可以部署计算资源，而且 Compaction 输入能够被封装成独立任务。单机 NVMe、实例数量很少、顺序写以 Trivial Move 为主时，共享控制面提供不了多少收益。论文自己的顺序读写实验也是这个结果。[1]我的重点在于调度。一个 Compaction Task 默认需 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164172037 2026-08-29T09:59:34.000Z https://blog.csdn.net/2503_93757505/article/details/164168812 问题根因核心优化消息慢每条消息同步写 MySQL，每次提交 fsync；连接池只省了握手Redis + 攒批回写 MySQL；在线跳过离线表；文件慢停等协议，每个 chunk 等一个 RTT；read/write 两次拷贝停等 → 滑动窗口 + 累积 ACK；read/write → sendfile 零拷贝事务事务绑定连接、每次提交 fsync用 RAII 管连接，避免长事务和泄漏。 2503_93757505的博客 https://blog.csdn.net/2503_93757505/article/details/164168812 2026-08-29T05:35:23.000Z https://blog.csdn.net/weixin_43705457/article/details/164150432 我认为 FlexEngine 很优雅，原因是这套设计几乎顺着工程问题自然长出来。假设一个 Pod 承载 2000 个数据分片，删除、Checkpoint、正排与倒排索引的 Compaction 都可以直接向存储发起请求，前台读写迟早会被拖住。到了这个规模，后台任务不能再各自为政，精细化调度是必需品。上面的 2000 个分片及索引任务来自我对一般存储系统的延伸，论文没有披露这些部署细节。文中每个租户 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164150432 2026-08-28T09:35:47.000Z https://blog.csdn.net/weixin_43705457/article/details/164125920 2026 年 8 月 26 日，AWS 与 DuckLabs 签署最终收购协议，预计 9 月初完成交割。交易金额没有披露，30 余人的团队留在阿姆斯特丹，Hannes Mühleisen 与 Mark Raasveldt 继续负责团队及开源项目的技术方向。[1][2]严格来说，AWS 收购的是 DuckLabs 公司，不是 DuckDB 开源项目。DuckDB、DuckLake、Quack 的核心 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164125920 2026-08-27T13:51:36.000Z https://blog.csdn.net/weixin_43705457/article/details/164123755 我认为 Calcspar 解决的问题确实比较小。它聚焦于按 paid IOPS 计费、超限后出现显著延迟惩罚的 EBS 类云块存储，目标可以压成一句话：在相同 paid IOPS、也就是相同云盘成本下，降低 RocksDB 的平均延迟和尾延迟。论文没有给出一套通用的 LSM Compaction 算法，也没有覆盖对象存储、共享 Volume 或带宽受限设备。它处理的是一个很窄的工程切口。[1]这个 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164123755 2026-08-27T10:54:51.000Z https://blog.csdn.net/weixin_43705457/article/details/164098013 将读一致性级别提高到 3 后，所有副本都必须读，HATS 相对 DEPART 的吞吐收益从 42.9% 缩到 24.5%，P99 收益从 48.1% 缩到 25.0%。它的风险同样直接：多个 Coordinator 依据略有滞后的延迟观测，把请求转向同一个看起来还有余量的节点，可能让被转发节点的 CPU、I/O 与查询队列继续堆积。某个副本刚 Flush 出一批 SSTable，另一个副本正在跨 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164098013 2026-08-26T14:24:11.000Z https://blog.csdn.net/weixin_43705457/article/details/164055388 时序数据的写入通常按时间追加，更新较少，范围查询较多。LSM-tree 先在 Memtable 中缓冲写入，再顺序 Flush 为不可变 SSTable，适合这类写密集负载。随着 SSTable 数量增加，一次范围查询可能访问多个文件，Compaction 需要通过归并控制文件数量和查询开销。[1]论文将存储介质限定为 HDD，并据此提出两个现有方法的缺口：通用 LSM-tree Compacti 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/164055388 2026-08-25T06:26:43.000Z https://blog.csdn.net/weixin_43705457/article/details/163927686 目前没有公开、统一的 Cowork MAU 统计。开头这张 AICPB 榜单适合观察单品分布，本文不把它加总成市场规模。CNNIC 给出的基线更稳：截至 2025 年 12 月，中国生成式 AI 用户达到 6.02 亿，普及率为 42.8%。[1] 这个口径比 Cowork 宽，但至少说明 AI 已经成为大规模软件入口。QuestMobile 进一步拆到了终端形态：截至 2026 年 5 月，PC 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163927686 2026-08-20T15:21:16.000Z https://blog.csdn.net/weixin_43705457/article/details/163833232 前面的博客里，我提出 Agent Memory 系统在发版前要先做离线评估。前文已经固定了 Memory、Model、Task 和 Environment。这一篇只看剩下的 Harness 变量：不同 Harness 在哪里调用 Memory，以及怎样选择，才能尽量减少它对 Memory 评估结果的干扰。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163833232 2026-08-17T13:45:48.000Z https://blog.csdn.net/weixin_43705457/article/details/163802398 Tencent WorkBuddy Bench 把任务写成可移植的 Workspace，把 Verifier 放到 Episode 之后。260 是规模，背后的测试基础设施更值得带走。拿它评 Agent Memory，我会先从 Security 的调查 → 规则生成开始，再补 Code 的同仓库兄弟任务。WorkBuddy Bench 已经省下容器、Harness、Artifact 和 Verif 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163802398 2026-08-16T12:07:42.000Z https://blog.csdn.net/weixin_43705457/article/details/163801743 一起看两个 Benchmark 任务。一个 Code Agent 被放进固定版本的开源仓库，根据一句没有给出具体文件位置的需求修改代码。它完成修改并退出容器后，评测框架才会加载一组对 Agent 隐藏的测试用例，重新构建项目、运行测试，并据此判断补丁是否正确。这类任务有repository、commit、环境镜像和 hidden tests，结果不一定容易做对，至少可以比较明确地判断做没做对。换成 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163801743 2026-08-16T10:26:25.000Z https://blog.csdn.net/weixin_43705457/article/details/163734989 写清本次改变 writer、evolution、retriever 还是 reranker，以及期望改善的场景字段和任务结果。例如 writer 提高临时 scope 的准确率，reranker 提高 Evidence Sufficiency，同时不增加敏感写入和 Negative Transfer。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163734989 2026-08-13T15:08:10.000Z https://blog.csdn.net/weixin_43705457/article/details/163677092 下面两段查询都在算请求速率。PromQL 的rate()已经认识 Counter、Range Vector 和 Reset。SQL 认识行、窗口函数和算术，所以这些语义要进入 Schema、SQL 模板或查询作者的脑子。[1]Grafana 选择了另一条路：Mimir 用 PromQL，Loki 用 LogQL，Tempo 用 TraceQL，Pyroscope 用 FlameQL。Grafana 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163677092 2026-08-11T15:40:25.000Z https://blog.csdn.net/weixin_43705457/article/details/163616484 写到这里，我反而觉得不该把 ARGUS 和 EROICA 当成两条可以互相替换的生产 Profiling 路线。它们首先解决的就不是同一个问题。ARGUS 的主线是持续识别 fail-slow。L1—L3 用常驻统计发现异常，再把范围收窄到 Rank、训练阶段和 Kernel；L4、L5 保留完整 GPU Trace 与 CPU Call Stack，供工程师继续下钻细节、确认根因。EROICA 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163616484 2026-08-09T13:59:36.000Z https://blog.csdn.net/weixin_43705457/article/details/163615631 再回头看开头那张表，Binary、JSON、Protobuf 决定文件怎样写；它能回答哪些问题，取决于数据模型保留了什么；它能不能在对象存储上查，取决于有没有 Block Layout、Catalog、Index、Symbol 和接得上的 Query Engine。我这次在本机用 py-spy 采到 631 个 Stack Sample。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163615631 2026-08-09T13:02:10.000Z https://blog.csdn.net/weixin_43705457/article/details/163614296 大模型可观测性还有一个论文里较少展开的落地问题。GPU 环境和司内 IDC 经常处在隔离网络中，链路也未必稳定，私有化部署很容易从一个选项变成前提。私有化又会把依赖一起拖进来：司内 Kubernetes、对象存储、Catalog、消息链路、权限和升级体系都要打包，或者逐项适配已有设施。对小团队来说，这接近再维护一套基础设施，长期的部署、升级和运维投入比实现几个诊断算法更重。Profiler 已经很 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163614296 2026-08-09T10:57:02.000Z https://blog.csdn.net/weixin_43705457/article/details/163592932 上一篇 Gartner 可观测魔力象限的文章里，我提到了两个设计：Datadog 用统一 Tag 关联遥测，阿里云 CMS 2.0 用 UModel 描述应用、资源、拓扑、告警和变更。这篇继续往下拆，只讨论数据怎样拼起来。先看四条记录。四条记录各自都成立。告警从 Metric 开始时，系统还要判断和是否指向同一个服务，prodproduction和online也要再翻译一次。数据一多，临时 Joi 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163592932 2026-08-08T09:39:40.000Z https://blog.csdn.net/weixin_43705457/article/details/163514238 ARGUS 留下的几个设计很实在。先按训练调用层级拆信号，避免一个 Profiler 为了完整而把所有成本都压进热路径；再把数据拆成 Metric 与 Trace 两条链路，前三层查统计结果，后两层回到完整现场；最后把 Parallelism Topology 当成诊断语义，同角色比较，逐步收窄 Rank、时间窗和 Kernel。Profiler 要在万卡集群里常驻，最后会变成一个数据基础设施问题 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163514238 2026-08-05T15:13:00.000Z https://blog.csdn.net/weixin_43705457/article/details/163509321 回到开头那行 observation，它同时是文档、动态 JSON、Trace 节点和指标事实。这就是 Agent 日志和传统日志相比最麻烦的变化。单一物理结构很难兼顾这四种访问模式。现有系统通常用列存处理聚合，用全文索引处理大文本检索，用 keyword 倒排处理trace_id等结构化字段的等值查询，再通过动态子列承接不断变化的 payload；Trace 内部的顺序则交给排序键。全文索引与 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163509321 2026-08-05T09:06:44.000Z https://blog.csdn.net/weixin_43705457/article/details/163477236 2026 年 7 月 13 日，Gartner 发布新一版《可观测平台魔力象限》（Magic Quadrant™ for Observability Platforms）。阿里云第一次进入“挑战者”象限，也是亚太地区唯一入选的厂商；腾讯云没有出现在这份名单里。我更想弄清楚的不是谁进了象限，而是这份榜单到底在考什么。本文先拆 Gartner 的几把尺子：入围门槛、强制能力清单、两轴 15 项标准，还 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163477236 2026-08-04T08:45:32.000Z https://blog.csdn.net/weixin_43705457/article/details/163450194 本作品采用进行许可。本作品 (博文, 由创作)，由确认，转载请注明版权。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/163450194 2026-08-03T13:36:46.000Z https://blog.csdn.net/liushengxi_root/article/details/163120535 本文总结了IDEA中常用的Git操作，主要包括： fetch与pull的区别：fetch仅下载远程更新到本地但不合并，安全无冲突；pull会同步下载并合并/变基到当前分支，可能产生冲突，推荐使用git pull --rebase保持历史线性。 merge与rebase：merge产生合并提交，适用于公共分支；rebase重写提交历史使其更清晰，适合本地分支整理（交互式变基可合并/修改提交）。 ch Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/163120535 2026-07-29T01:45:50.000Z https://blog.csdn.net/liushengxi_root/article/details/162475845 本文系统介绍了负载均衡技术的分层设计和核心算法。负载均衡分为三大层次：DNS全局负载均衡（地理就近访问）、反向代理层（四层/七层流量分发）、客户端负载均衡（微服务直连）。核心算法包括轮询、加权轮询、最少连接、源地址哈希、一致性哈希和自适应算法，各有适用场景和潜在风险。最佳实践建议分层组合使用，并强调健康检查的必要性。文章还指出负载均衡需配合熔断等机制实现高可用，并注意新节点冷启动问题。最后补充了一 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/162475845 2026-07-09T01:23:15.000Z https://blog.csdn.net/liushengxi_root/article/details/161039473 摘要 分布式计算模式主要包括批处理（如MapReduce）和流处理（如Flink）两种。Actor模型是一种异步并行计算模式，将数据、状态封装在独立的Actor中，通过消息队列通信，避免锁竞争，提升并发性。其优势包括高抽象、非阻塞、天然互斥锁和高扩展性，但存在重用性差、动态管理复杂和顺序控制难等缺点。典型应用包括Erlang/OTP、Akka和Quasar等框架，适用于构建高并发分布式系统。 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/161039473 2026-06-17T02:05:02.000Z https://blog.csdn.net/liushengxi_root/article/details/161645700 本文介绍了区块链领域与金融相关的核心概念： IPO与代币发行：对比传统IPO与区块链IDO/IEO/INO等募资方式，后者依赖智能合约而非监管审批。 Premint与Vault Token：解释NFT项目提前铸造机制及DeFi金库份额凭证，类似传统私募但更开放。 DEX运作原理：深入分析去中心化交易所的AMM机制，包括流动性池、恒定乘积公式和套利行为，对比CEX的订单簿模式。 OTC与空投：说明场 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/161645700 2026-06-08T01:51:53.000Z https://blog.csdn.net/yelubin612/article/details/161775546 【代码】FTP小复盘（1） yelubin612的博客 https://blog.csdn.net/yelubin612/article/details/161775546 2026-06-07T09:41:31.000Z https://blog.csdn.net/2401_86153466/article/details/161601698 Floyd判圈算法数学推导摘要： 算法步骤： 快指针(2步/次)和慢指针(1步/次)在环内相遇 重置慢指针到起点，两指针同步1步/次移动 再次相遇点即为环入口 数学推导： 设起点到入口距离a，入口到首次相遇点距离b，环长b+c 由速度关系得：a = (n-2k)(b+c)-b 表明a步等效于走整圈后剩余c步 结论： 第二次移动时，两指针分别走a步必然在入口相遇 第一次相遇证明有环，第二次利用路径等 2401_86153466的博客 https://blog.csdn.net/2401_86153466/article/details/161601698 2026-06-01T14:00:34.000Z https://blog.csdn.net/2401_86153466/article/details/161459554 本文深入剖析了LSM-tree中Version机制的核心原理与战略作用。Version本质上是静态的磁盘SSTable资产清单，通过二维数组管理7个层级的文件元数据。其绝对只读性和引用计数机制确保了线程安全。Version在数据流中扮演关键角色：前台点查时路由检索顺序，范围扫描时缝合离散文件，后台操作时决策文件位置和触发合并。文章详细映射了Version的核心控制函数及其物理执行流，揭示了其作为多 2401_86153466的博客 https://blog.csdn.net/2401_86153466/article/details/161459554 2026-05-27T09:47:11.000Z https://blog.csdn.net/liushengxi_root/article/details/161034905 服务间鉴权方式摘要 服务间鉴权是微服务安全的核心环节，主要解决"谁在调用我"的问题。常见方式包括： API Key：简单易用但安全性低，适合内网低风险场景 Bearer Token(JWT)：无状态认证，可携带丰富声明，需管理签名密钥 AK/SK签名：通过HMAC签名防篡改，适合高安全要求的API调用 OAuth 2.0客户端凭证：标准化流程，适合统一身份认证体系 mTLS双向认证：传输加密+身份 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/161034905 2026-05-21T01:07:09.000Z https://blog.csdn.net/2401_86153466/article/details/161169726 LSM-tree的SSTable采用严格有序的垂直物理结构，包含数据块区、布隆过滤器块区、元索引块区、核心索引块区和固定页脚。数据块通过前缀差分压缩优化存储空间，每隔16个条目设置重启点确保查询效率。各模块按顺序追加写入，最终形成自包含的静态只读字节流。这种设计充分利用了内存预排序的优势，实现了高效的二分查找和范围扫描，同时通过布隆过滤器减少不必要的磁盘I/O。 2401_86153466的博客 https://blog.csdn.net/2401_86153466/article/details/161169726 2026-05-17T11:36:43.000Z https://blog.csdn.net/2401_86153466/article/details/160992144 Linux 中一切皆文件（包括磁盘文件、网络 Socket、设备）。：同时显示十六进制与 ASCII 码（最关键，用于看业务逻辑）。：代表网络 IO 等待。观察程序是在忙着处理请求还是在空转。（索引），无需在代码里打日志即可验证分布式一致性逻辑。：不触动程序本身，从网卡抓取最真实的通信数据。：监控程序与内核之间的“对话”（系统调用）。：禁止解析主机名和端口名，提高显示速度。：观察数据落盘或网络发送 2401_86153466的博客 https://blog.csdn.net/2401_86153466/article/details/160992144 2026-05-11T12:27:03.000Z https://blog.csdn.net/liushengxi_root/article/details/160548412 最差匹配”和“最佳匹配”，这两个评分算法各有利弊。在实践过程中，我们往往会根据实际情况来选择更合适的评分算法。比如，对于资源比较紧缺，且业务流量比较规律，基本不会出现突发情况的场景，可以选择最佳匹配算法；如果资源比较丰富，且业务流量会经常出现突发情况的场景，可以选择最差匹配算法。单体调度器可以很容易实现对作业的约束并实施全局性的调度策略，因此适合作为批处理任务和吞吐量较大、运行时间较长的任务。 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/160548412 2026-05-11T01:36:08.000Z https://blog.csdn.net/liushengxi_root/article/details/160797487 Solidity智能合约开发核心知识点摘要： 特性：面向合约编程，支持继承/多态，静态类型，兼容EVM，提供错误处理机制和区块链环境变量访问，Gas消耗可控。 存储区域： Storage：永久链上存储（状态变量） Memory：临时内存（函数调用） Calldata：只读外部调用数据 Stack：临时操作数存储 关键规则：状态变量默认storage，复杂局部变量需显式声明存储位置，注意赋值时的引用 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/160797487 2026-05-06T13:43:23.000Z https://blog.csdn.net/2401_86153466/article/details/160829688 本文深入解析了C++高并发编程中的三种核心内存语义：Acquire、Release和Relaxed。Release语义作为"向下拦截"屏障，确保数据在发布前完全准备好；Acquire语义作为"向上拦截"屏障，保证读取后能看到最新状态；Relaxed语义则仅保证原子性，追求极致性能。文章通过LevelDB跳表示例，展示了Acquire-Release语义如何建立线程间同步契约：当写线程使用Relea 2401_86153466的博客 https://blog.csdn.net/2401_86153466/article/details/160829688 2026-05-06T10:00:53.000Z https://blog.csdn.net/weixin_43705457/article/details/160448291 解析器是任何 SQL 方言执行的入口，它把人类可读的查询语句转化为计算机可执行的语法树。一旦解析器出现 bug，可能导致查询报错、结果失真，甚至数据库崩溃 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/160448291 2026-04-24T08:28:53.000Z https://blog.csdn.net/weixin_43705457/article/details/160373817 Mem0 给出的答案比较朴素——**把记忆系统看作一条写入流水线和一条读取流水线，把决策权交还给 LLM，但把所有结构化动作留在代码里**。这套取舍让它在 LOCOMO 基准上对 full-context 方案 **J 分数仅落后 ~6 点，却拿到 91% 的 p95 延迟下降和 90%+ 的 Token 节省**，同时图记忆 `Mem0g` 的构建时间被压到分钟级。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/160373817 2026-04-21T10:03:16.000Z https://blog.csdn.net/liushengxi_root/article/details/160345252 以太坊签名由三个核心组件构成：R 和 S（ECDSA 算法输出的两个大整数）以及 V（恢复 ID，用于在多个可能的公钥中确定正确的那一个）。在 JWT + RSA（RS256）方案中，授权中心持有 RSA 私钥签发 JWT，各个微服务只需持有对应的公钥即可独立验证令牌有效性，无需访问授权中心。安全性：256 位的 ECC 密钥提供与 3072 位 RSA 相当的安全性，另外，ECC一次签名生成的数 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/160345252 2026-04-20T14:36:25.000Z https://blog.csdn.net/weixin_43705457/article/details/160288238 近两年"记忆"一词在 Agent 生态里被用得很泛——向量库 + top-K 叫记忆、RAG 叫记忆、滚动摘要也叫记忆——概念之间缺乏边界，技术选型时很难判断某个新出现的系统到底解决了什么问题。本文按"定义 / 形态 / 功能 / 动态 / 前沿"五块组织，每一节尝试回答三个问题：**它解决了什么问题？难点在哪里？它在整张 Agent Memory 图谱中处于什么位置？** 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/160288238 2026-04-18T15:42:25.000Z https://blog.csdn.net/weixin_43705457/article/details/160248489 云数据库的性能异常诊断是一个长期未被很好解决的工程问题。工业界的标准做法是打开监控面板，按 `total_response_time` 或 `#execution` 对 SQL 模板排序，然后人工逐条排查。这个方法在模板数较少时勉强能用，一旦模板数到了数千甚至数万，人工排查就不可行了。 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/160248489 2026-04-17T08:01:56.000Z https://blog.csdn.net/weixin_43705457/article/details/160240572 维度评级说明核心 API 稳定性⚠️ 中内存泄漏 + Worker 死锁表明生产就绪度不足数据完整性⚠️ 中孤儿数据、永久合并失败、心智模型不可靠Worker 可靠性🔴 低无崩溃恢复；过期任务卡死 bank；异步队列停滞可观测性🔴 低Reranker 空错误消息；异步失败不透明国际化🔴 低CJK 搜索完全不可用成本可控性⚠️ 中全链路 LLM 依赖，高吞吐场景成本不可预测发布节奏✅ 高836 李兆龙的博客 https://blog.csdn.net/weixin_43705457/article/details/160240572 2026-04-17T04:04:07.000Z https://blog.csdn.net/liushengxi_root/article/details/160237173 直接贴入ABI就可以调用合约方法的网站 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/160237173 2026-04-17T01:39:30.000Z https://blog.csdn.net/liushengxi_root/article/details/160236591 Cast 是 Foundry 工具套件中的命令行工具，用于与以太坊链交互。 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/160236591 2026-04-17T01:35:03.000Z https://blog.csdn.net/liushengxi_root/article/details/149779860 特性普通（P2PKH）隔离见证兼容隔离见证原生Taproot开头13bc1qbc1p编码Bech32Bech32m锁定脚本长度~25字节~22字节~22字节~34字节签名算法ECDSAECDSAECDSASchnorr相对手续费100%~75%~65%~50-60%隐私性低中中高（MAST隐藏条件）智能合约不支持有限（P2SH）有限完全支持钱包支持度100%99%95%70%引入时间2009201 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/149779860 2026-04-07T01:39:46.000Z https://blog.csdn.net/liushengxi_root/article/details/159894543 RWA（现实世界资产代币化）是一个将传统金融资产（如美债、私募信贷）通过区块链技术代币化，使其获得可编程性和更高流动性的过程。这一过程的核心挑战在于，如何将链下资产的权益、合规要求与链上智能合约的执行无缝衔接，而这正是 ERC-4626、ERC-3643等一系列标准发挥作用的地方。举例：投资股票的整体流程如：将 USDC 投资到股票中，关键不在于 ERC-4626 标准本身，而在于基于该标准构建的 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/159894543 2026-04-07T01:23:42.000Z https://blog.csdn.net/liushengxi_root/article/details/159673116 Docker 是一个开源的容器化平台，它允许开发者将应用及其依赖打包到一个轻量级、可移植的容器中，然后在任何支持 Docker 的环境中运行。与传统的虚拟机相比，容器共享宿主机的操作系统内核，因此启动更快、资源占用更少。而虚拟机是包含完整的客户操作系统（Guest OS），模拟了整个OS系统，开销非常大。 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/159673116 2026-04-01T01:32:12.000Z https://blog.csdn.net/liushengxi_root/article/details/159631347 对人类非常友好的数据序列化格式，来集中管理应用的所有配置，让你无需修改代码就能调整应用的行为。application.properties：键值对，简单粗暴，新手友好。application.yml：缩进格式，结构更清晰，现代化一般用这个。功能完全一样，项目里用一种就行，推荐新手先用 .properties。你可以为开发、测试、生产等不同环境准备独立的配置文件，如。中常见的数据类型配置及其在Jav Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/159631347 2026-03-30T01:38:23.000Z https://blog.csdn.net/liushengxi_root/article/details/159526142 多数据源事务控制没有“银弹”，每种方案都在一致性、性能、可用性和实现复杂度之间做出了权衡。强一致性方案（如 2PC/3PC/TCC）提供了更高的事务保障，但通常以牺牲性能和开发效率为代价。最终一致性方案（如本地消息表、Saga）则更注重系统的吞吐量和可用性，但需要设计好补偿和重试机制来保证数据的最终正确。在设计系统时，应首先尝试通过业务拆分和架构优化来避免分布式事务。如果无法避免，再根据业务场景对 Tattoo的博客 https://blog.csdn.net/liushengxi_root/article/details/159526142 2026-03-28T08:11:06.000Z