最近更新
共 57 篇 · 第 1 页-
MySQL 缓存机制详解：从 Query Cache 到 InnoDB Buffer Pool
从一次 SQL 查询出发，梳理 MySQL 服务层与 InnoDB 存储引擎中的缓存机制，理解查询缓存的废弃原因、Buffer Pool 的工作原理，以及如何观察和优化缓存命中率。
继续阅读 → -
MySQL 缓存机制：从 Buffer Pool 到 Redis，读懂数据为什么能越查越快
MySQL 并不只有一种缓存。本文从 Server 层到 InnoDB，拆解 Buffer Pool、LRU、Change Buffer、Adaptive Hash Index 等机制，并厘清 MySQL 缓存与 Redis、操作系统 Page Cache 的区别。
继续阅读 → -
Flutter Windows 桌面端字体为什么不像微软雅黑？从字体回退到行高与渲染管线
Flutter Windows 桌面应用的中文字体为什么看起来不像原生程序？本文从默认字体、CJK 字体回退、区域语言、字体度量和渲染管线出发，给出可落地的优化方案。
继续阅读 → -
Fixture、Mock、Stub、Fake：别把测试中的几个概念混为一谈
从测试夹具到测试替身，厘清 Fixture、Stub、Mock、Fake、Spy 的职责边界，并用 Vitest、Playwright 和 pytest 示例掌握更可靠的测试隔离方式。
继续阅读 → -
Cerebras 如何部署万亿参数前沿 AI 模型
随着大语言模型（LLM）的参数规模从百亿级狂飙至万亿级，AI 基础设施正面临着前所未有的“内存墙”与“通信墙”挑战。传统的 GPU 集群虽然通过增加节点数量来扩展算力，但在面对万亿参数模型时，往往受限于节点间的通信延迟和显存带宽瓶颈。在这样的背景下，Cerebras 凭借其独特的晶圆级芯片（Wafer-Scale Engine, WSE）架构，给出了一份令人瞩目的答卷。近期，Cerebras 官方详细披露了如何在其 WSE-3T 芯片上部署拥有约 3 万亿参数的开源前沿模型 Kimi K3，并实…
继续阅读 → -
AI Agent 时代的终端生存指南：从 grep、sed 到管道符
为什么 AI 编程 Agent 总在调用 grep、sed 和管道符？从文件查看、文本搜索、内容处理到命令组合，掌握 Linux/macOS 开发中最常用的终端命令，以及 AI 时代更安全的使用习惯。
继续阅读 → -
53个开源AI Agent行为测试报告：发现37个缺陷背后的技术启示
随着人工智能从单轮对话的“聊天机器人”向具备自主规划和执行能力的 AI Agent（人工智能代理）演进，系统的复杂性呈指数级上升。近期，一份针对 53 个开源 AI Agent 的行为测试报告在技术圈引发了轩然大波——测试中惊人地发现了 37 个严重缺陷。这些缺陷不仅导致了任务失败，更暴露出潜在的安全隐患。 这 37 个缺陷并非简单的代码 Bug，而是深刻揭示了当前 Agent 架构在信任边界、多智能体协作以及评估方法论上的深层危机。当 AI 轻易地对人类说出“Done（已完成）”却暗藏致命错误…
继续阅读 → -
500B Tokens之后：让AI Agent反编译第一人称射击游戏
近年来，“氛围编程”（Vibe Coding）的概念在开发者中流行，人们幻想着只需向AI描述需求，就能瞬间生成完美的代码。然而，当我们将AI Agent投入到真实且复杂的长周期工程任务中时，现实的墙壁往往坚硬无比。近期，一位开发者分享了其耗时三个月、消耗高达600至700亿Token，利用多Agent协同反编译一款经典第一人称射击游戏（FPS）的硬核实践。 这不仅是一次逆向工程的壮举，更是一堂深刻的AI Agent编排（Orchestration）课。它向我们揭示了一个残酷的真相：在复杂的软件工…
继续阅读 → -
AI Agent宣称任务完成，数据库却表示反对
当我们让 AI Agent（人工智能智能体）去执行一项复杂的业务任务时，最让人后背发凉的瞬间往往不是系统崩溃，而是它自信满满地回复你“任务已完成”或“我已拒绝该操作”，但当你去查阅数据库或底层日志时，却发现它要么退错了客户的钱，要么偷偷执行了被禁止的操作，要么根本没修改任何状态。 这种“AI Agent 宣称任务完成，数据库却表示反对”的现象，正在成为企业级 AI 落地中最隐蔽、也最危险的隐患。当大语言模型（LLM）从“对话助手”进化为能够调用工具、修改数据的“行动派”时，传统的监控和测试手段正…
继续阅读 → -
如何部署并提升大语言模型的 Token 生成速度
很多团队在将大语言模型（LLM）从商业 API 转向私有化部署时，都会经历一个“幻灭”时刻：当并发请求增加时，响应延迟呈指数级飙升，而监控面板上的 GPU 利用率却徘徊在 40% 左右。直觉告诉我们“加显卡”就能解决问题，但增加一张显卡往往只会让你得到两张半闲置的 GPU，延迟依然没有改善。问题的核心不在于算力容量，而在于推理引擎的底层调度与内存管理。本文将深入剖析大模型推理的性能瓶颈，并提供从底层原理到工程实践的 Token 生成速度提升指南。 透视推理瓶颈：为什么你的 GPU 在“摸鱼”？ …
继续阅读 →