基于Python+Django+psutil的轻量化服务器自动化监控平台实战

Wonderful U2026-06-01 8:22

一、项目背景与痛点

日常运维工作中，服务器状态巡检是保障业务稳定运行的核心工作。中小团队大多依赖人工定时登录服务器查看资源状态，大型运维监控平台又部署复杂、成本高昂，日常运维存在大量难以解决的痛点：

1.1 传统运维监控的痛点

  • 人工巡检效率低下，无法7×24值守：运维人员需要早晚定时登录每台服务器，手动输入命令查看CPU、内存、磁盘、网络状态，夜间、节假日无人值守，故障无法第一时间发现；
  • 故障发现滞后，极易引发业务雪崩：服务器内存溢出、磁盘爆满、核心进程挂掉、端口异常等问题，往往等到业务报错才被发现，故障持续时间长，影响线上业务稳定性；
  • 商用监控平台太重，部署成本高：Prometheus+Grafana、Zabbix等专业监控组件部署繁琐、学习成本高，低配服务器无法承载，小团队没必要部署重型监控系统；
  • 无历史数据留存，无法复盘故障：人工巡检无历史指标记录，服务器突发卡顿、负载飙升后，无法追溯之前的资源变化曲线，难以定位故障根因；
  • 告警方式单一，无法及时触达运维：传统监控大多仅后台页面告警，运维人员不登录后台就无法感知故障，错过最佳故障处理时机。

1.2 项目解决方案

针对以上运维巡检痛点，本次基于Python系统监控库 + Django4.2后端框架，搭建轻量化服务器自动化监控巡检平台，依托psutil采集服务器硬件资源指标、进程状态、端口监控数据，搭配Celery定时任务实现分钟级自动巡检，支持后台可视化图表展示、异常阈值判定、邮件+钉钉机器人双渠道告警。

项目特点：

  • 无需复杂中间件、部署零难度
  • 完美适配中小团队单机/多服务器轻量化运维监控需求
  • 补齐Django运维自动化实战方向
  • 和往期所有项目无任何功能重合

二、核心目标与定位

2.1 核心目标

搭建轻量化、开箱即用的服务器无人值守监控系统，实现以下全流程自动化：

  1. 定时采集：服务器CPU/内存/磁盘/网络/进程/端口六大核心指标
  2. 指标入库存储：MySQL持久化存储历史监控数据
  3. 可视化展示：ECharts渲染实时趋势曲线
  4. 告警判定：自定义告警阈值智能判断
  5. 异常推送：多渠道实时告警通知
  6. 报表导出：自动生成每日巡检报告

最终效果：替代人工日常巡检，故障告警响应时间缩短至1分钟内。

2.2 项目定位

  • 精准定位：轻量级单机/分布式服务器运维监控平台
  • 技术理念：摒弃重型监控架构，纯Python原生psutil采集指标
  • 部署优势：Django快速搭建管理后台，无需额外部署时序数据库
  • 模式支持：支持单服务器本地监控、多服务器分布式监控两种模式
  • 使用体验：运维人员可通过网页端随时查看服务器实时状态与历史走势

2.3 核心设计理念

  • 轻量无依赖：最小化外部依赖，低配服务器也能稳定运行
  • 定时自动采集：Celery实现无人值守定时巡检
  • 可视化直观展示：ECharts图表直观展示资源变化趋势
  • 异常多渠道告警：钉钉+邮件双渠道确保告警触达
  • 历史数据可追溯：完整留存监控历史，支持故障复盘

三、整体技术方案

3.1 系统架构设计

项目采用Django MVT基础架构 + Celery定时任务，Python原生psutil库完成系统指标无侵入采集，前端ECharts渲染监控曲线图，整体分层架构如下：
#mermaid-svg-H1fW1OV03y9NoF8G{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-H1fW1OV03y9NoF8G .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-H1fW1OV03y9NoF8G .error-icon{fill:#552222;}#mermaid-svg-H1fW1OV03y9NoF8G .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-H1fW1OV03y9NoF8G .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-H1fW1OV03y9NoF8G .marker{fill:#333333;stroke:#333333;}#mermaid-svg-H1fW1OV03y9NoF8G .marker.cross{stroke:#333333;}#mermaid-svg-H1fW1OV03y9NoF8G svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-H1fW1OV03y9NoF8G p{margin:0;}#mermaid-svg-H1fW1OV03y9NoF8G .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-H1fW1OV03y9NoF8G .cluster-label text{fill:#333;}#mermaid-svg-H1fW1OV03y9NoF8G .cluster-label span{color:#333;}#mermaid-svg-H1fW1OV03y9NoF8G .cluster-label span p{background-color:transparent;}#mermaid-svg-H1fW1OV03y9NoF8G .label text,#mermaid-svg-H1fW1OV03y9NoF8G span{fill:#333;color:#333;}#mermaid-svg-H1fW1OV03y9NoF8G .node rect,#mermaid-svg-H1fW1OV03y9NoF8G .node circle,#mermaid-svg-H1fW1OV03y9NoF8G .node ellipse,#mermaid-svg-H1fW1OV03y9NoF8G .node polygon,#mermaid-svg-H1fW1OV03y9NoF8G .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-H1fW1OV03y9NoF8G .rough-node .label text,#mermaid-svg-H1fW1OV03y9NoF8G .node .label text,#mermaid-svg-H1fW1OV03y9NoF8G .image-shape .label,#mermaid-svg-H1fW1OV03y9NoF8G .icon-shape .label{text-anchor:middle;}#mermaid-svg-H1fW1OV03y9NoF8G .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-H1fW1OV03y9NoF8G .rough-node .label,#mermaid-svg-H1fW1OV03y9NoF8G .node .label,#mermaid-svg-H1fW1OV03y9NoF8G .image-shape .label,#mermaid-svg-H1fW1OV03y9NoF8G .icon-shape .label{text-align:center;}#mermaid-svg-H1fW1OV03y9NoF8G .node.clickable{cursor:pointer;}#mermaid-svg-H1fW1OV03y9NoF8G .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-H1fW1OV03y9NoF8G .arrowheadPath{fill:#333333;}#mermaid-svg-H1fW1OV03y9NoF8G .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-H1fW1OV03y9NoF8G .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-H1fW1OV03y9NoF8G .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-H1fW1OV03y9NoF8G .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-H1fW1OV03y9NoF8G .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-H1fW1OV03y9NoF8G .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-H1fW1OV03y9NoF8G .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-H1fW1OV03y9NoF8G .cluster text{fill:#333;}#mermaid-svg-H1fW1OV03y9NoF8G .cluster span{color:#333;}#mermaid-svg-H1fW1OV03y9NoF8G div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-H1fW1OV03y9NoF8G .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-H1fW1OV03y9NoF8G rect.text{fill:none;stroke-width:0;}#mermaid-svg-H1fW1OV03y9NoF8G .icon-shape,#mermaid-svg-H1fW1OV03y9NoF8G .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-H1fW1OV03y9NoF8G .icon-shape p,#mermaid-svg-H1fW1OV03y9NoF8G .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-H1fW1OV03y9NoF8G .icon-shape .label rect,#mermaid-svg-H1fW1OV03y9NoF8G .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-H1fW1OV03y9NoF8G .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-H1fW1OV03y9NoF8G .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-H1fW1OV03y9NoF8G :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 定时任务调度层

Celery分钟级巡检
系统指标采集层

psutil采集硬件指标
指标阈值判断层

匹配自定义告警阈值
数据持久化层

MySQL存储历史监控数据
可视化图表层

ECharts渲染趋势曲线
多渠道告警层

钉钉机器人+邮件告警
巡检报表导出层

自动生成每日巡检报告

3.2 技术栈清单

后端服务
  • 开发语言：Python 3.11
  • Web框架：Django 4.2 + Django原生后台管理
  • 指标采集：psutil 原生Python系统监控库，无侵入采集服务器硬件资源
  • 定时任务：Celery 5.2 + Redis 7.0，支持自定义巡检频率
  • 数据存储：MySQL存储历史监控指标，Redis缓存实时最新监控数据
前端与可视化
  • 数据可视化：ECharts 前端渲染CPU/内存/磁盘实时趋势折线图
  • 报表生成：python-docx 自动生成每日服务器巡检Word报告
告警服务
  • 即时通讯：钉钉自定义机器人Webhook推送
  • 邮件通知：Python内置smtplib邮件告警服务
权限管控
  • 用户管理：Django原生登录权限系统
  • 角色区分：管理员和只读运维账号权限分离

四、核心能力模块详解

4.1 多维度服务器指标自动采集模块

基于psutil无侵入采集服务器全维度运行指标，无需安装服务器插件，兼容Windows和Linux双系统服务器，覆盖运维核心关注指标：

采集指标范围
  • CPU指标：实时使用率、单核/多核负载、运行总时长
  • 内存指标：总内存、已用内存、剩余内存、内存使用率
  • 磁盘指标：磁盘总容量、已用容量、磁盘使用率、磁盘读写速率
  • 网络指标：实时上行/下行网速、总收发流量
  • 进程监控：核心业务进程存活状态、进程CPU/内存占用
  • 端口监控：自定义业务端口存活检测，防止端口监听异常

4.2 自定义告警阈值配置模块

运维人员可在后台可视化配置各项指标告警红线，适配不同服务器硬件配置差异，无需修改代码即可调整告警规则：

告警配置策略
  • 默认阈值：CPU使用率≥85%、内存使用率≥90%、磁盘使用率≥90%触发告警
  • 进程告警：核心业务进程意外退出，立即触发紧急告警
  • 告警防抖机制：短时间内连续异常仅推送一次告警，避免消息轰炸运维人员
  • 告警分级：分为一般警告、严重故障两级，差异化推送告警文案

4.3 Celery无人值守定时巡检模块

依托Celery定时任务实现无人值守巡检，支持自由配置巡检频率，全程无需人工干预：

定时任务策略
  • 高频实时巡检：1分钟一次采集核心资源指标，保证监控实时性
  • 每日定点报表：每日凌晨自动生成昨日全天服务器巡检报告
  • 历史数据自动清理：定时清理30天前过期监控数据，避免数据库数据堆积拖慢系统速度

4.4 前端可视化监控大盘模块

整合ECharts实现一站式监控大屏，直观展示服务器运行状态，告别枯燥命令行数据：

监控大屏功能
  • 实时卡片展示：首页直观展示当前各项指标实时数值
  • 趋势折线图：展示近1小时、近24小时CPU/内存波动曲线，快速定位资源峰值
  • 告警日志面板：集中展示所有历史告警记录，包含告警时间、异常指标、恢复时间
  • 服务器状态总览：一键查看所有接入服务器在线/离线状态

4.5 双渠道异常告警推送模块

打破后台告警局限，故障第一时间触达运维人员，保证夜间、节假日故障及时处理：

告警推送机制
  • 钉钉机器人告警：服务器异常实时推送告警消息至运维钉钉群
  • 邮件告警：同步发送详细故障邮件，附带故障时刻完整指标数据
  • 故障恢复通知：服务器指标恢复正常后，自动推送恢复消息，形成告警闭环

4.6 自动化巡检报表模块

系统每日自动生成Word格式服务器巡检报告，包含全天指标均值、峰值、告警次数、故障时长，支持一键下载归档，满足运维每日工作汇报、机房巡检台账归档需求。

五、创新价值与亮点

5.1 技术优势对比

特性 传统监控平台 本项目方案 优势对比
部署复杂度 高（需部署时序数据库、中间件） 低（纯Python+Django） 部署简单，零门槛
资源消耗 高（占用大量服务器资源） 低（1核2G即可运行） 适合低配服务器
侵入性 高（需安装代理插件） 无（psutil原生采集） 无服务器侵入
告警渠道 单一（通常仅后台告警） 双渠道（钉钉+邮件） 告警触达率高
历史追溯 依赖额外配置 内置完整历史曲线 故障复盘方便

5.2 核心亮点

  1. 极致轻量化，低配服务器也能跑：对比Zabbix、Prometheus重型监控平台，本项目无复杂依赖、无时序数据库要求，1核2G低配服务器即可稳定运行，零部署门槛；
  2. 原生Python采集，无服务器侵入：依托psutil原生库采集数据，无需在被监控服务器安装代理插件，部署简单快捷；
  3. 双渠道告警，不漏任何故障：钉钉群实时弹窗+邮件详细报告双重告警，彻底解决运维人员看不到后台告警的痛点；
  4. 可视化趋势追溯，故障可复盘：完整留存历史监控曲线，能够精准复盘服务器卡顿、负载飙升的根因；
  5. 开箱即用免配置：内置默认告警阈值，部署即可直接使用，同时支持后台可视化自定义规则，适配各类业务服务器。

六、应用前景与落地场景

6.1 适用场景

  • 中小研发团队线上服务器监控：替代人工日常巡检，7×24小时值守线上业务服务器，保障后端项目稳定运行；
  • 个人云服务器运维监控：个人阿里云/腾讯云轻量服务器自用监控，及时发现服务器异常；
  • 机房内网服务器统一巡检：内网批量接入多台服务器，统一大屏监控所有设备运行状态；
  • Django运维自动化实战项目：补齐定时任务、系统运维采集、消息推送、数据可视化运维方向，区别于常规业务管理系统，简历项目亮点突出。

6.2 部署模式

单机监控模式
bash 复制代码 
# 单服务器本地监控部署
python manage.py runserver 0.0.0.0:8000
celery -A monitor_project worker --loglevel=info
分布式监控模式
bash 复制代码 
# 多服务器分布式监控
# 主控服务器运行Web服务
python manage.py runserver 0.0.0.0:8000

# 被监控服务器运行采集客户端
python client_collector.py --server-id=server001

七、完整代码结构示例

7.1 项目整体目录结构

bash 复制代码 
django-server-monitor/
├── manage.py
├── monitor_project/              # 项目全局配置目录
│   ├── settings.py               # Celery定时任务、告警机器人、数据库配置
│   ├── urls.py                   # 前后端路由分发
│   └── celery.py                 # 定时任务全局初始化配置
├── apps/                         # 模块化业务应用
│   ├── server_collect/           # 服务器指标采集核心模块
│   ├── alert_config/             # 告警阈值配置、告警日志模块
│   ├── message_push/             # 钉钉、邮件消息推送模块
│   ├── monitor_dashboard/        # ECharts可视化大盘模块
│   └── report_export/            # 自动巡检报表生成与下载模块
├── core/                         # 公共工具封装
│   ├── system_collect.py         # psutil系统指标采集工具类
│   ├── dingtalk_alert.py         # 钉钉机器人告警工具
│   ├── email_alert.py            # 邮件告警工具
│   └── monitor_task.py           # Celery定时巡检主任务
├── static/                       # ECharts图表静态资源
├── templates/                    # 监控大盘前端页面模板
├── media/report/                 # 自动生成的巡检报表存储目录
├── requirements.txt              # Python项目依赖清单
└── docker-compose.yml            # 一键容器化部署脚本

7.2 核心可运行代码片段

示例1：psutil服务器全指标采集工具类（core/system_collect.py）
python 复制代码 
import psutil
import time

class ServerMonitorCollect:
    """服务器硬件资源指标采集工具类"""

    @staticmethod
    def get_cpu_info():
        """获取CPU使用率与负载"""
        cpu_percent = psutil.cpu_percent(interval=1)
        load_avg = psutil.getloadavg()
        return {
            "cpu_percent": cpu_percent,
            "load_1m": load_avg[0],
            "load_5m": load_avg[1],
            "load_15m": load_avg[2]
        }

    @staticmethod
    def get_memory_info():
        """获取内存使用信息"""
        mem = psutil.virtual_memory()
        return {
            "mem_total": round(mem.total / 1024 / 1024 / 1024, 2),
            "mem_used": round(mem.used / 1024 / 1024 / 1024, 2),
            "mem_percent": mem.percent
        }

    @staticmethod
    def get_disk_info():
        """获取磁盘使用信息"""
        disk = psutil.disk_usage('/')
        return {
            "disk_total": round(disk.total / 1024 / 1024 / 1024, 2),
            "disk_used": round(disk.used / 1024 / 1024 / 1024, 2),
            "disk_percent": disk.percent
        }

    @staticmethod
    def get_net_info():
        """获取网络收发流量"""
        net_before = psutil.net_io_counters()
        time.sleep(1)
        net_after = psutil.net_io_counters()
        sent_speed = round((net_after.bytes_sent - net_before.bytes_sent) / 1024, 2)
        recv_speed = round((net_after.bytes_recv - net_before.bytes_recv) / 1024, 2)
        return {"sent_speed": sent_speed, "recv_speed": recv_speed}

    @classmethod
    def get_all_server_info(cls):
        """一次性获取全部服务器监控指标"""
        return {
            "cpu": cls.get_cpu_info(),
            "memory": cls.get_memory_info(),
            "disk": cls.get_disk_info(),
            "network": cls.get_net_info(),
            "collect_time": time.strftime("%Y-%m-%d %H:%M:%S")
        }
示例2：Celery定时巡检主任务（core/monitor_task.py）
python 复制代码 
from celery import shared_task
from core.system_collect import ServerMonitorCollect
from core.dingtalk_alert import DingTalkAlert
from apps.alert_config.models import AlertThreshold, AlertLog
from django.utils import timezone

# 读取后台配置的告警阈值
THRESHOLD = AlertThreshold.objects.first()

@shared_task
def server_auto_monitor_task():
    """Celery定时服务器巡检主任务"""
    # 1. 采集全量服务器指标
    monitor_data = ServerMonitorCollect.get_all_server_info()
    cpu_per = monitor_data["cpu"]["cpu_percent"]
    mem_per = monitor_data["memory"]["mem_percent"]
    disk_per = monitor_data["disk"]["disk_percent"]

    # 2. 阈值判断，触发告警
    alert_msg = ""
    if cpu_per >= THRESHOLD.cpu_threshold:
        alert_msg += f"【CPU异常】当前CPU使用率：{cpu_per}%，超过告警阈值{THRESHOLD.cpu_threshold}%\n"
    if mem_per >= THRESHOLD.mem_threshold:
        alert_msg += f"【内存异常】当前内存使用率：{mem_per}%，超过告警阈值{THRESHOLD.mem_threshold}%\n"
    if disk_per >= THRESHOLD.disk_threshold:
        alert_msg += f"【磁盘异常】当前磁盘使用率：{disk_per}%，超过告警阈值{THRESHOLD.disk_threshold}%\n"

    # 3. 存在异常则推送钉钉告警并写入告警日志
    if alert_msg:
        full_msg = f"⚠️服务器监控告警通知\n告警时间：{timezone.now()}\n异常详情：\n{alert_msg}"
        DingTalkAlert.send_message(full_msg)
        # 写入告警日志
        AlertLog.objects.create(
            alert_content=alert_msg,
            alert_level="严重故障",
            alert_status="未恢复"
        )
        return {"status": "alert", "msg": "服务器存在资源异常，已推送告警消息"}
    return {"status": "normal", "msg": "服务器运行状态正常"}
示例3：钉钉机器人消息推送工具（core/dingtalk_alert.py）
import 复制代码 
class DingTalkAlert:
    """钉钉机器人消息推送工具"""
    # 替换为自己的钉钉机器人Webhook地址
    DING_WEBHOOK = "https://oapi.dingtalk.com/robot/send?access_token=xxxxxxx"

    @staticmethod
    def send_message(content: str):
        """发送文本告警消息至钉钉群"""
        headers = {"Content-Type": "application/json"}
        data = {
            "msgtype": "text",
            "text": {
                "content": content
            }
        }
        try:
            res = requests.post(DingTalkAlert.DING_WEBHOOK, json=data, headers=headers, timeout=5)
            return res.json()
        except Exception as e:
            print(f"钉钉消息推送失败：{str(e)}")
            return None

八、总结与展望

本篇博客基于Python+Django+psutil打造轻量化服务器自动化监控平台，聚焦运维自动化赛道，和往期笔记系统、校园商城、AI图像处理、代码评审等业务类、AI类项目完全区分，填补了Django运维监控实战项目的空白。

项目完整覆盖Python系统运维采集、Celery定时任务调度、第三方消息接口对接、ECharts数据可视化、告警日志台账管理、自动化报表生成六大核心后端能力，代码通俗易懂、业务逻辑贴合真实运维工作，既可以直接部署用于线上服务器值守，也能作为简历中差异化极强的后端实战项目，避开烂大街的商城、管理系统项目。

相关推荐
梦奇不是胖猫1 小时前
[ 计算机网络 | 第四章 ] 网络层 02 网际协议IP
运维·服务器·网络·网络协议·tcp/ip·计算机网络
愿天垂怜1 小时前
【C++脚手架】etcd 的介绍与使用
java·linux·服务器·c语言·c++·中间件·etcd
烤代码的吐司君1 小时前
Redis 简介和安装
python
春生野草1 小时前
Socket、Servlet、Tomcat
运维·服务器·网络
小则又沐风a1 小时前
进程篇: 进程概念的补充(了解环境变量和虚拟地址空间)
linux·运维·服务器·c++
say_fall1 小时前
深入理解Linux内核进程调度：从基础概念到O(1)调度算法
linux·运维·服务器·算法·计算机组成
毕设做完了吗？1 小时前
YOLO+paddlecor的智能车牌识别系统
人工智能·python·yolo·目标检测·计算机视觉
li星野1 小时前
RAG优化系列：自适应检索（Adaptive Retrieval）——让系统智能选择是否检索
人工智能·python·学习
青梅橘子皮1 小时前
Linux---命令行参数和环境变量
linux·运维·服务器
热门推荐
01GitHub 镜像站点02【AI】2026 年具身智能模型和世界模型总结03【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法042026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf05DeepSeek V4 + Claude Code thinking mode 400 错误修复方案06Codex 接入 DeepSeek API 完整配置文档07裂开！ChatGPT 居然开始要手机号验证，附详细解决方法08CC-Switch & Claude 基于 Linux 服务器安装使用指南09几个好用的ip纯净度检测网站10API Key 登录 Codex 也能用插件了，还支持会话删除和导出