架构

这个DBA有点耶

GROUP BY优化全解：如何写出既不丢数据又飞快的分组查询大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！前几周我们讲了执行计划、索引设计、COUNT优化、事务隔离级别，今天来聊聊一个日常开发中使用频率极高、但也最容易出问题的话题：GROUP BY。

我试图优化 Vite 的拆包，结果首屏慢了 10 倍拆包前拆包后有些优化不需要做，Vite 的默认配置就是最佳实践先给大家看一组真实的数据对比。这是我同一个 Vue3 + Vite 项目，在修改了拆包配置前后的首屏加载情况：

小鼻子的猫

独立开发 30 天：2.5 万行代码，23 个 Bug，5 次重构——一个 AI 社区的诞生市面上不缺论坛系统。Discuz、Flarum、Discourse 都是好东西。市面上也不缺博客系统。WordPress、Ghost、Hugo 都是好东西。

GoF设计模式——命令模式本文是【GoF设计模式】系列第15篇，更多内容欢迎关注公众号：咖啡八杯想象一个文本编辑器的撤销功能：用户输入了一段文字，然后按 Ctrl+Z 撤销。最直觉的写法是在每个操作方法里保存历史状态：

阿里开源 AI Code Review 工具：ocr review 的执行链路解析Open Code Review 是阿里开源的 AI 代码审查 CLI，核心入口是 ocr 命令。它读取 Git diff，将变更文件交给具备工具调用能力的 Review Agent，并生成带文件路径和行号的结构化审查意见。

【Agent Harness】TPS的“自工程完结”教会了我一件事：别把Bug留给下一道工序摘要：本文从丰田生产方式的“自工程完结”理念出发，探讨如何将“安灯绳”机制引入AI Agent系统。通过流马（Gliding Horse）Agent操作系统的实践，展示了如何利用SHACL契约、系统调用门（Syscall Gate）和知识图谱追溯，实现AI产出的质量硬拦截，确保每个Agent工序“不制造、不流出缺陷”，从根本上提升LLM的指令遵守能力。

中英文 token 数量差一倍？两段 JS 代码搞懂 LLM 底层是怎么"读"文字的你是否好奇过：为什么大模型按 token 计费？中英文的 token 数量为什么不一样？模型又是怎么"读懂"我们输入的文字的？本文带你从零开始，用代码实操搞懂 Tokenization 和 Embedding 这两个 LLM 最基础也最重要的概念。

一文读懂DolphinScheduler插件机制：如何轻松扩展任务类型与数据源DolphinScheduler 的插件体系基于 Java SPI（Service Provider Interface）机制，配合 Google AutoService 自动生成注册文件，实现了零侵入的插件化扩展

棒槌开发师

动态组件设计（elpis）动态组件的DSL的核心围绕着唯一key（schema.key）做展开设计动态组件设计思想：动态组件 DSL 配置 + 动态组件中要展示的字段DSL配置 + 动态组件触发展示

从表单到 Agent：得物社区活动搭建的 AI 实践之路一场营销活动从策划到上线，运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节，而是这条路上的选择和反思。

记录在公司把单服务器升级成多服务器架构流程现在在公司负责全栈开发在线教育系统，技术栈是Node.js + Nest.js + MySQL + Redis。之前一直跑在一台4核16GB的服务器上，前期用户量不大没什么问题。今年用户涨得比较快，日活从几百到了五六千，单机就有点顶不住了，接口响应从200ms左右飘到2秒以上，日志时不时有内存告警，WebSocket连接也经常断，用户上课体验比较差，一直在反馈系统问题。

拆解 LLM Tool Use 的完整机制：从缸中大脑到 Agent 觉醒你用过 ChatGPT 的联网搜索，用过 Claude 分析 Excel 表格，用过豆包查询实时天气。你可能会觉得：这些 AI 真厉害，什么都会。

200K 的窗口，跑完 400K 的任务：Claude Code 上下文压缩机制全拆解一次真实的编码会话，token 总量可能轻松冲到 400K 甚至更高——可模型的上下文窗口只有 200K。Claude Code 是怎么把"无限增长的对话"塞进"固定大小的窗口"，还能一路保持思路连贯的？

前端部署“三层漏斗”完全指南：从CI/CD到自动回滚的工程化实战【基石】本文核心：为什么“HTML永远最新，静态资源永不更新”是前端部署的第一性原理？我们将从HTTP协议规范、浏览器缓存驱逐算法、Webpack/Vite哈希生成机制三个维度彻底讲透。

自注意力机制（Self-Attention Mechanism）简单学习一在深度学习与自然语言处理（NLP）的江湖里，Transformer 绝对是当之无愧的“一代宗师”。但很多同学在面试或实际手写代码时，面对 TokenID → Embedding → QKV → Attention 这一长串流程，往往只能背出公式，却很难在脑海中建立起清晰的矩阵维度变化图景。

# 从 printf 到屏幕：程序和硬件之间发生了什么这句话最终怎么出现在屏幕上的?为什么要这样设计?如果程序直接操作硬件结果:那操作系统作为中间层,他可以做到