性能优化

打工仔折腾 AI

Prometheus接入Pushgateway实战：二进制与Docker部署、指标推送与远程写入Prometheus 的核心采集模型是 pull：它按 scrape_interval 周期性地去各个 target 的 /metrics 拉数据。这个模型对长期运行的服务很合适，但对另一类任务就不太友好——那些跑几秒、几十秒就结束的进程。

02-Nginx进阶配置完全指南（性能优化 + 安全配置 + 缓存配置 + WebSocket代理）摘要：本文是 Nginx 进阶开发指南，涵盖性能优化、安全配置、日志管理、缓存配置、WebSocket 代理和高级负载均衡。通过本文档，你将掌握 Nginx 的高级特性，能够处理复杂的生产环境需求。

警醒与鞭策

【无标题】In this article, we will be highlighting the advantages of hierarchical state machine design over conventional state machine design.

【数据库】MySQL 实战精通系列 · 第8篇：慢查询治理与性能优化实战本篇目标：线上 MySQL 变慢了，能系统化定位问题、给出优化方案、验证效果。原则：从上往下查，先查 SQL，再查配置，最后才考虑加机器。

我排查了一下午，发现项目打包体积翻倍的元凶是它摘要：Vite 产物 JS 堆到近 2MB，我以为是 UI 库太大。打开 rollup-plugin-visualizer 的 Treemap 一看——最大色块居然是 mammoth（docx 预览）。这篇文章讲怎么看这张「体积地图」，以及我在真实项目里怎么定位、怎么拆。

视频编码技术如何赋能游戏性能优化：从硬件隔离到AI驱动的带宽革命截至2026年，视频编码技术已深度渗透到游戏性能优化的各个环节，从本地游戏直播的帧率保障，到云游戏的带宽压缩，再到游戏引擎内部的渲染-编码协同，视频编码不再是"事后压缩"的辅助工具，而是游戏性能优化的核心驱动力之一。本文将从硬件编码隔离、AI驱动的内容自适应编码、游戏引擎-编码器协同三大维度，解析视频编码技术如何重塑游戏性能优化的技术路径。

将AI Agent嵌入现有Java系统时，Spring Boot 3.2的异步冲突与内存泄漏排查本文摘要：一个常见的场景：在基于Spring Boot 3.2的订单服务中，集成了一个调用外部LLM API的@Async Agent服务，用于实时生成商品描述。

240GB流量击穿与频繁OOM：从云端瘫痪到客户端自治的本地优先架构重构实录前言：在维护我的开源博文导出项目 BlogDistiller 时，原本为个人打造的云端清洗服务突然遭遇了 1894 篇大任务并发冲击，一周被 241GB 流量狂轰滥炸，内存频繁触发系统 OOM 强杀，磁盘一度告急仅剩 8.4GB。本文我将以亲历者的第一视角，完整复盘从纯 Web 云端瘫痪到「本地优先桌面客户端」的自救重构实录，深度拆解算力下沉、零打包热更新与客户端自治的第一性原理。个人主页：艺杯羹项目 GitHub：博萃 - 文章导出在线网站：博萃 - 文章导出

天天喝旺仔

浏览器渲染原理：从解析 HTML/CSS、构建渲染树到重排重绘与首屏优化摘要：本文从浏览器内核视角，把 HTML/CSS/JS 变成屏幕像素的全过程拆成「关键渲染路径」5 步，并讲清重排、重绘、合成三者的成本差异与触发条件。配合可运行对比代码（left 动画 vs transform 动画、读取 offset 触发强制重排、批量改样式），给出布局抖动解法、GPU 加速实战与 10 条首屏优化清单，帮你把零散概念串成可落地的性能优化体系。

-m 2g 反而更早 OOM：Docker 内存计数与宿主机空闲口径差异本文摘要：一个 Spring Boot 文件服务用 docker run -m 2g --memory-swap 2g 部署，JVM 参数写的是 -Xmx2g。

打工仔折腾 AI

网易UU远程实测：手机控电脑做Python开发和Agent调试的真实体验我平时有一台放在家里的开发机，主要跑两类东西：一是几个 Python 服务的本地调试环境，二是 LangChain 相关的 Agent 任务。Agent 这种活儿有个特点——它不一定马上出结果，可能跑十几分钟甚至更久，中间还得看日志判断是不是卡在某个工具调用上。

《HarmonyOS 7 ArkGraphics 3D 空间设计开发实战》07：复杂3D场景的帧率、内存与资源性能优化【鸿蒙心迹】家具加到50个以后，为什么转视角开始卡了？前面六篇，SpaceRoom 从空房间做到了能选家具、能转视角。房间里放个十来件家具，跑起来很流畅。

前端下载大文件，点了按钮半天没反应：fetch + blob 的三个问题和三种替代写法上周有个同事来问我：导出按钮点下去，文件小的时候秒下，文件一大（两三百兆）就像按钮坏了，十几秒没任何反应，然后突然弹出保存框。用户以为没点上，又点了三次，于是后台同时在跑四份导出。

大模型推理抖动深度剖析：生产环境下时延波动根因定位与根治方案大模型服务从 POC 试点走向规模化生产，稳定性往往是最大拦路虎。不少团队完成压测后，GPU 利用率、平均 RT 都满足预期，接入真实业务流量后，间歇性出现时延陡增、流式输出卡顿、偶发请求超时熔断。抖动问题复现难度高，普通监控只能看到时延异常，很难直接定位根因。很多工程师第一反应怀疑 GPU 硬件或者推理内核，实际生产中纯粹内核缺陷占比很低，绝大多数抖动来自缓存、流量、调度、软硬件交互的组合问题。

【CUDA4】GPU里面的数据放到哪里？为什么有的数据访问快，有的慢？往上 ↑ 速度更快容量更小离计算单元更近往下 ↓ 速度更慢容量更大离计算单元更远Register 是最靠近计算单元的存储,它的速度非常快，作用范围单个thread，所以每个线程都有自己的register。shared memory是block的小仓库，作用范围block内线程共享。L1 Cache它主要用于缓存近期访问的数据，可以理解位GPU计算单元旁边的小型高速缓存，L2 比 L1 更大，但通常也更远、更慢，它是 GPU 多个计算单元之间可以共享的数据缓存层。global memory速度相对慢

千卡训练的隐形账单：通信不是瓶颈上一篇 GPU 为什么会挨饿把视角从单点分析推到全链路优化。今天进入 Datawhale mlsysim 学习活动的第五阶段,问题换了一句话:从一台机器走到一千张卡,成本会怎么变? 对应教程:06 Scaling to 1000 GPUs、07 Geography is a Systems Variable、08 The $9M Question。今天跑下来有两个意外:规模扫描那张表里,通信开销不是随规模上升,而是从 1336.8ms 掉到 319.1ms;而可靠性部分的结论,交叉点位置比教程说的远得多

Google Chrome 谷歌浏览器下载安装全攻略Google Chrome是全球市场份额最高的浏览器，以其速度快、扩展丰富、安全性强而著称。对于新手用户来说，下载Chrome时最容易踩的坑就是下到捆绑软件或篡改版。本文将为你提供一份零失误的Chrome官方原版下载与安装指南。

官方说一个破折号拖慢整段高亮，我在 Node 里验证了一遍：机制是真的，2.8 倍没跑出来近日 Anthropic 发了篇工程复盘，讲他们 8 月怎么用两周把 claude.ai 和桌面端提速 3.1 倍。这种复盘一般是一堆缓存优化的流水账，但这篇里藏着一个特别离谱的瓶颈：破折号。

数据库小学妹

MySQL深分页优化：LIMIT大偏移的根因分析与五种解法对比大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。上个月运营同学给我发了张截图。她想找最早的一批订单，在订单列表上点了「末页」，页面转了二十多秒才出来。她问我是不是数据库坏了。我第一反应是索引没建对。打开表结构一看，created_at 上有索引，该有的都有。