最近更新
共 40 篇 · 第 1 页-
SSE流式响应：前端取消请求后，服务端还在烧Token吗？
AI 对话产品几乎已经全部用上了流式输出：Token 一个一个蹦出来，用户体验丝滑。但流式响应带来了一个很少被认真对待的资源管理问题——用户点下「停止生成」、切换了会话、或者直接关掉页面，前端的请求确实取消了，loading 也停了，但服务端背后那次 LLM 调用，很可能还在一本正经地把剩下的 Token 全部生成完。 这笔钱，你照付。而且随着流量增长，这笔被悄悄烧掉的钱可能相当可观。 一个你可能每天都在亏钱的场景 典型的 AI Chat 应用链路是这样的：浏览器通过 发起 POST 请求，服务…
继续阅读 → -
DDD领域驱动设计：从战略到战术的全面指南
前言 如果你写过几年业务代码，一定经历过这种痛苦：需求越来越复杂，代码越来越臃肿，Service 层动辄几千行，一个改动能牵连半个项目。你开始怀疑——是不是从一开始，我们的代码组织方式就有问题？ DDD（Domain-Driven Design，领域驱动设计）就是在这种"代码越来越像屎山"的背景下，给出的一套解法。 这篇文章不是要给你灌输教条，而是务实地聊聊：DDD 到底是什么、它解决了什么问题、哪些东西值得你学、以及怎么落地。 DDD 是什么 2003 年，Eric Evans 出版了《Dom…
继续阅读 → -
VibeGuard：专为AI生成代码打造的安全Lint工具
近年来，“Vibe Coding”（氛围编程，指开发者通过自然语言提示让 AI 生成代码，自身主要把控整体方向和结果）席卷了开发者社区。AI 编码助手让代码产出呈指数级增长，但正如业界近期达成的一个深刻共识：“当 AI 负责写代码时，验证（Verification）就成了新的实现（Implementation）。” 开发者正在从“代码编写者”转变为“代码审查者”。然而，面对 AI 倾泻而出的代码洪流，传统的质量与安全门禁正面临前所未有的挑战。AI 写得很快，但它也“自信地”重复着同样的安全错误。…
继续阅读 → -
前后端分离部署期间如何优雅地通知用户刷新页面
问题背景 在前后端分离的架构中，前端和后端通常是独立部署的。一次完整的发布流程往往是这样的： 1. 后端先发布新版本（API 变更、数据结构调整等） 2. 等待后端部署完成并健康检查通过 3. 前端再发布新版本 在「后端发布完成」到「前端发布完成」这段时间窗口内，线上已经打开了旧版前端页面的用户，他们的浏览器里运行的仍然是旧版本的 JavaScript 和 CSS。如果后端 API 发生了不兼容变更（比如字段重命名、接口路径调整、返回结构变化），这些用户在前端页面上的操作就可能出现数据展示异常、…
继续阅读 → -
把AI当实习生而非软件：斯坦福教授的AI协作指南
在日常使用AI工具时，你是否经历过这样的挫败时刻：AI能轻易生成一个精致的超级马里奥3D模型，却无法为你家扫地机器人设计一个简单的楔形坡道？这种看似矛盾的现象，揭示了当前大语言模型（LLM）的一个核心特质。斯坦福大学的 Jeremy Utley 教授和 Mihail Eric 等专家近期不约而同地指出：阻碍我们发挥AI真正潜力的，往往不是技术本身的瓶颈，而是我们的心智模型。当我们把AI当作一台输入指令就输出完美结果的“软件”时，注定会失望；而当我们把它当作一个“人”来协作时，奇迹才会发生。本文将…
继续阅读 → -
双流Transformer：解耦主预填充路径与额外解码计算
在大语言模型（LLM）的实际部署中，工程师们常常面临一个令人头疼的“跷跷板”难题：优化了首字延迟（TTFT, Time To First Token），却牺牲了后续的生成速度（ITL, Inter-Token Latency）；提高了系统的整体吞吐量，却导致长文本请求频繁阻塞。这种性能矛盾的根源，在于传统推理引擎将两个物理特性截然不同的计算阶段“强行绑定”在了同一套计算资源上。 为了打破这一瓶颈，业界提出了一种被称为“双流Transformer”或 Prefill-Decode（PD）分离的架构…
继续阅读 → -
揭秘LLM模型交换技巧：如何暴露AI的隐藏推理痕迹
近年来，大语言模型（LLM）的推理能力突飞猛进。为了提升复杂问题的解决能力，前沿模型引入了“隐藏推理”（Hidden Reasoning）或内部思维链（Chain-of-Thought, CoT）机制。为了保护知识产权、防止恶意提示词注入以及避免信息泄露，模型提供商通常会将这些中间推理步骤加密，或者在 API 响应中将其隐藏。然而，安全研究人员最近发现了两种极具创造性的技巧，能够巧妙地绕过这些防护，暴露出 AI 的隐藏推理痕迹。本文将深入剖析这两种技术的原理、实践方法及其对 AI 安全的深远影响…
继续阅读 → -
是否应该自托管大模型推理？成本与风险指南
2026年，大语言模型（LLM）已从实验室的“玩具”彻底演变为企业级应用的“基础设施”。然而，当开发者或 CTO 们准备将 AI 接入业务时，第一道选择题依然棘手：是直接调用云端 API，还是咬咬牙自托管（Self-hosted）本地推理？ 这并非简单的技术偏好问题，而是一场涉及成本结构、数据主权与系统架构的深度博弈。本文将结合 2026 年最新的行业数据与实战经验，为你深度拆解自托管大模型的成本与风险，帮你找到最适合的落地方案。 一、算清经济账：从“按 Token 计费”到“总拥有成本(TCO…
继续阅读 → -
SDD + TDD 多 Agent 协同代码审查流程最佳实践
适用场景：Vibe Coding 中利用 AI 生成/修改代码，通过「规格驱动 + 测试驱动 + 多 Agent 交叉审查 + 人工兜底」构建可信交付流水线。 核心理念：AI 生成的代码天然不可信，可信度不来自任何单个 Agent，而来自结构化的制衡机制。 一、核心思想 原则 说明 规格是唯一事实源 代码是否符合预期，以 SDD 规格文档为准，而非任何 Agent 的"解释" 测试是唯一验收器 所有结论必须能被可执行的测试用例证实或证伪，拒绝"我觉得没问题" 独立产生信息量 两个高度相关的审查者…
继续阅读 → -
MySQL储存过程和存储函数
1. 存储过程 1.1 语法： 说明: 1. 参数前面符号的意思： IN：有入参无返回值 OUT：无入参有返回值 INOUT：有入参有返回值 2. 形参可以是MySQL中的任何类型 3. 表示创建储存过程中指定的对储存过程的约束条件，其取值信息如下： ：表示存储过程使用SQL语句，默认值是SQL : 表示存储过程是否是确定的，默认值是NOT DETERMINISTIC : 表示存储过程包含SQL语句，默认值是CONTAINS SQL : 表示存储过程不包含SQL语句 : 表示存储过程只读数据库，…
继续阅读 →