架构

Web3&Basketball

CRM Agent 后训练实战：3 倍更少错误9 月 15 日的 Dreamforce 上，Salesforce 和英伟达联合发布了一个 CRM 推理模型 Koa。成绩单里最扎眼的一条是：在自家 CRM 基准上，错误率只有基座的三分之一。但真正值得抄的不是这个结果，是它的做法。Koa 没有训练自己的基座，而是拿英伟达的开源权重模型 Nemotron 3 Super（120B）做后训练，训练语料全部由合成场景构成，建模自 Salesforce 近 27 年、覆盖 14 个以上行业的 CRM 部署经验。官方口径是：没有使用任何客户数据。这对企业落地智能

深度拆解Enter Pro AI原生开发平台：从底层架构到企业级落地技术实践摘要在低代码、AI赋能开发、云原生工程体系快速普及的当下，企业级软件开发的核心痛点早已不再是“能否实现功能”，而是研发链路割裂、基础设施冗余、AI能力适配成本高、原型与生产环境断层、规模化运维复杂五大核心问题。传统开发模式中，前端开发、后端接口开发、数据库搭建、身份认证、托管部署、数据分析、多语言适配等环节相互独立，团队需要对接多套技术栈、多套第三方服务、多套运维体系，极大拉长了软件交付周期，同时提升了系统兼容性风险与运维成本。Enter Pro 作为原生AI驱动的企业级全栈开发平台，重构了现代软件开发的

这个DBA有点耶

数据库集群与分布式架构：三条技术路线对比、金仓KES RAC实测数据与决策框架大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！中国信通院《2024数据库发展白皮书》显示，超过六成的政企用户在核心交易系统升级中，将“强一致性保障下的高可用扩展能力”列为关键选型维度。然而在实际技术选型中，集群与分布式这两个概念经常被混用——很多团队口中的“分布式架构”，实际上只是主从集群；而真正需要分布式写入扩展能力的场景，又可能因为误判而被局限在集群方案中。

这个DBA有点耶

InnoDB页结构深入：页分裂、页合并、填充因子——B+树底层机制全解析大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！InnoDB以页为单位管理数据，默认16KB一页。数据行存储在页里，页与页之间通过B+树组织。

大模型记忆系统设计：分层架构与关键技术解析大语言模型（LLM）虽然在自然语言理解和生成上表现出色，但其本质是一个无状态的函数——它不保存任何跨请求的上下文信息。实际业务场景中，无论是多轮对话、个性化推荐，还是复杂 Agent 任务，都要求模型能够"记住"之前发生的事。简单的做法是"把所有内容塞进 Prompt"，但上下文窗口（Context Window）有容量上限，并且随着对话变长，成本、延迟和"迷失在中间"的问题会越来越严重。

大模型预训练为何普遍单轮遍历？——从 Scaling Laws、数据重复到灾难性遗忘的技术解析在传统深度学习里，几百个 epoch 是家常便饭：ResNet 在 ImageNet 上训几十上百轮，MLP 在小数据集上甚至训到 loss 不再下降为止。数据量小、模型相对小，反复遍历是唯一合理的选择。

第五篇：通用 LLM 流式对话：前后端联接的完整实现本文是 SeaPack 项目技术系列的第五篇，聚焦通用 LLM 流式对话模式——这是三种对话模式中最基础、最纯净的一种：前端发消息，后端直连 LLM，逐 token 流式返回。不涉及知识库检索、不涉及技能调用、不涉及提示词模板——纯粹的「人 → 大模型 → 人」。

骑着蜗牛撵大象327

告别内存泄漏：LLMManager架构设计与智能指针在AI SDK中的智慧选型在为AI大模型应用开发SDK时，我们常常陷入一个技术泥潭：如何安全、高效地管理与多个大语言模型（LLM）提供商的复杂连接、异步请求和生命周期？传统的raw pointer或简单的unique_ptr管理方式，在处理模型实例池、回调链和并发任务时极易引发内存泄漏、悬垂指针或资源竞争，使SDK的稳定性和维护成本急剧上升。

网络排障：如何从延迟、丢包、带宽定位海外访问异常网络慢了，先测速。但测速结果正常，并不意味着业务访问一定正常。页面响应慢、请求超时、文件传输失败、实时业务卡顿以及多人并发后速度下降，对应的网络问题可能并不相同。

集成是关键：让巡检超自动化融入现有工具链“这套巡检平台很好，但我们已经有Zabbix了，还有ITSM，还有CMDB……怎么接？”这句话，几乎出现在每一个巡检超自动化项目的初期交流中。不是工具不好，而是“又多了一个工具”的恐惧——企业IT环境中已经跑着监控、流程、资产、日志等各类系统，再来一个平台，会不会变成新的数据孤岛？

我用 Redis + 网关做多模型 API 路由：缓存命中率 95%+ 的工程实践本文分享一个自建多模型 API 网关的工程实践，重点讲三件事：本文只讨论合规的自建网关与性能优化，不涉及账号共享、绕过地区限制或违规转售。

第四篇：AI 模块架构设计：多 Provider 切换、RAG 知识库与 Agent 编排本文是 SeaPack 项目技术系列的第四篇，聚焦 AI 模块的整体架构设计与功能全景。这篇文章的目标是介绍 AI 模块「做了什么」——有哪些核心能力、各部分如何协作、解决了哪些问题。具体的实现细节会拆分到后续每篇文章中逐一展开。

tsm-hub：把 LLM、Tools、MCP、Skills 收进一个统一网关在大模型应用开发中，我遇到了一个普遍的痛点：各家 Provider 的接口格式不统一、限流策略各异，调用方需要为每个模型写一套适配代码。更麻烦的是，当某个模型出现故障或服务不可用时，调用方需要手动切换配置，运维成本很高。

ARM 架构 Ubuntu（RK3588/aarch64）go开发环境安装手册适用平台：RK3588 开发板，Ubuntu 22.04 aarch64（arm64）包含：nvm + Node.js、pnpm、Go 语言、Redis 完整离线/在线安装、环境配置、验证、常见坑。博客风格，可直接复制到markdown博客。

亲亲小宝宝鸭

富文本编辑文章到文章展示在页面上，没有想象中那么简单如题，B端运营人员用富文本编辑出一篇文章，然后C端用户去访问，这中间涉及到多少技术点呢？有人说这还不简单，直接前端用一个富文本的插件，保存的时候，直接把富文本存到数据库。访问的时候，直接请求富文本的内容，然后用v-html渲染出来。存的时候注意一下XSS攻击，去除多余的节点和属性。

RocketMQ 入门到原理（六）：可靠性全景这是 RocketMQ 系列的收官篇。前五篇走完了「一条消息的生命周期」，也讲了各种特殊消息，但你会发现：防丢失的手段散在存储篇，防重复的手段散在发送篇和消费篇，堆积、顺序更是各讲各的。本篇把它们全部收拢——围绕第一篇埋下的 MQ 四大问题（消息丢失、重复消费、消息堆积、顺序问题），逐个讲透「问题在哪发生、防线是什么、为什么能防住」，最后输出一张可以直接对照的可靠性全景矩阵。

RocketMQ 入门到原理（五）：特殊消息类型这是 RocketMQ 系列的第五篇。前四篇围绕「一条消息的生命周期」走完了生产→存储→消费，本篇横向展开——那些普通消息满足不了的场景，RocketMQ 是怎么解决的。顺序消息、延迟消息、事务消息，每一种背后都是一套精巧的设计。

数据库改了配置，说好的 30 秒自动刷新根本没跑：那条 @Scheduled 是注释状态先给结论，赶时间看这段就够了：运维在配置中心改了个开关，问我："不是说 30 秒自动生效吗？我都等五分钟了。"

大模型 Agent 记忆系统五大技术路线解析与工程选型指南大模型的能力竞争正在从"参数规模"转向"系统能力"。一个模型能否在真实业务中持续服务，很大程度上取决于它能否长期记住用户偏好、历史上下文、事实知识和任务进度。这种能力被统称为 Agent 记忆系统。

Palantir Foundry 架构深度解析：数据、本体与AI的三层协同摘要：本文基于 Palantir 官方开发者分享会内容，结合公开技术资料进行扩展，系统梳理 Foundry 的核心架构——从数据接入、Ontology（本体）建模到 AIP 智能层。文章力求客观中立，既呈现其设计理念与技术优势，也指出适用边界与潜在风险，供企业架构与技术选型参考。