后端

葫芦和十三

图解 MongoDB 19｜Oplog：复制的真正载体，不是文档是操作上一篇讲了复制集的拓扑：一个 Primary 写、多个 Secondary 备。但留了个关键问题没回答：Secondary 到底是怎么「拿到」Primary 的数据的。是 Primary 把每个文档推过去，还是 Secondary 主动拉？

葫芦和十三

图解 MongoDB 20｜复制延迟与 catch up：Secondary 为什么跟不上上一篇讲了 oplog 是复制的载体，Secondary 靠拉取重放 oplog 追 Primary。但「追」这个动作不是实时的，Secondary 总会有一点点延迟。少量延迟正常，但持续的大延迟是问题——它会让读 Secondary 的应用拿到过时数据，更严重的是，failover 时延迟的数据可能丢失（回滚）。

SpringBoot自动配置的坑，我的API突然就404了SpringBoot凭借其“约定优于配置”的理念和强大的自动配置能力，极大地简化了Java应用的开发流程。然而，正是这种“开箱即用”的特性，也可能带来一些隐蔽的问题。你是否遇到过这样的场景：昨天还正常运行的API，今天突然返回404？没有修改代码，没有调整配置，但服务就是“神秘失踪”了。

为什么说 MCP 是 2026 年开发者必须掌握的黄金协议？在 2024 年之前，多数开发者与 AI 的协作停留在“复制粘贴”阶段。拿到 AI 生成的代码片段后，需要手动粘贴到编辑器，再切换到终端去运行测试、查看日志或调整数据库。AI 即使能写出逻辑正确的函数，也因为缺乏与本地开发环境的实时交互，无法得知项目真实的依赖版本，更无法直接读取本地数据库的表结构。

程序员夏洛

Spring Boot 多模块项目中 IDEA 提示 Cannot resolve symbol 的一次排查记录在开发 FlashRisk 高并发交易风控与异步结算平台时，项目采用 Maven 多模块结构，包含多个 Spring Boot 微服务：

OpenMontage 深度解剖：你的 AI 编程助手，其实是个视频工作室我对 AI 视频工具的态度一直有点矛盾。过去一年多，Runway 出了 Gen-4，OpenAI 发了 Sora，Pika 从 1.0 迭代到 2.0，Kling 和 MiniMax 也各自占据了一席之地。它们生成的画面质量确实在肉眼可见地提升。但每次我用完都有一种相似的感觉：你给了它一句 prompt，它吐出来一段几秒到十几秒的画面。然后呢？

前端工具链的「Rust 化」：一场没有赢家的军备竞赛？过去一年半，我帮团队迁移了三个项目到 Rust 工具链。有的是部分迁移，有的是全面铺开。这件事做完之后，我对 Rust 工具的态度从兴奋变成了复杂——有些部分确实快得让人上瘾，有些部分则让我怀念过去那个「什么都能装什么都能用」的 JS 生态。

从 Ctrl+CV 到 Enter：程序员正在失去什么AI 时代，古法编程还有必要吗？最近我一直觉得，AI 编程带来的最大变化，不是“代码写得更快了”，而是“人和代码之间的距离变远了”。

EdgeOne Makers + WorkBuddy：零基础也能快速搭建可上线的 AI 智能体（附图文教程）从"我想做个 Agent"到"用户已经在用"，中间只隔着一个正确的工具链做一个 AI Agent 的念头，很多人都动过。

像我这样帅的人丶你还

Java 后端详解（四）：分页与搜索上篇：Java 后端详解（三）：全局异常处理与 JPA 数据库映射本篇以文章列表接口为例，讲清：分页参数如何从 URL 传到数据库、关键词搜索如何在 JPA 里实现、分页结果如何统一返回给前端。

数据权限为什么不能只靠注解？Forge 的 Mapper 层 SQL 改写源码拆解做后台系统，权限最容易被低估。很多项目把权限理解成：菜单隐藏、按钮隐藏、接口加个注解。结果上线后才发现，真正难的是数据权限：

烤代码的吐司君

Redis 数据结构 ZSet, BIT, HyperLogLog,Geo 空间数据Redis 的 Set 数据类型是无序，不重复，而 ZSet 是有序，不重复的数据类型。它在 Set 的基础上，给每个元素加了一个 score（分数），Redis 就根据这个分数自动排序。分数越小 → 排名越靠前（索引越小）

苏三说技术

为什么越来越多的人使用FastAPI?Java开发者也能看懂的Python高性能框架指南最近这几年，Python在AI和数据处理领域如日中天，很多Java开发者也开始接触Python生态。

比 iTerm2 更适合 Claude Code/Codex 的终端，我换成 Ghostty 了你好，我是小 G。我把终端从 iTerm2 换到 Ghostty 已经有三个月了。整体体验还不错，这篇文章来分享一下。

AI 时代，最危险的不是被替代，而是努力不沉淀最近和身边的朋友交流，大家有一个相似的感受：有了AI之后，现在一天能做完以前三天的活。可问题是，老板也知道一天能做完三天的活了。以前写一个方案要半天，现在半小时就能出初稿，于是更多方案、更急的需求、更碎的任务，也都开始涌过来。

神奇小汤圆

架构师必备：CPU使用率不均匀排查本次分享一下CPU使用率不均匀的排查过程，先看问题现象，再找问题根因、解决办法，最后扩展到通用的排查思路、典型原因。先说结论，根因是服务实例数大于kafka分片数。快速的解决办法是扩大kafka分片数，彻底方案是拆成2个服务（消费任务服务、业务API服务）。除了这个原因，其它典型的原因比如入口负载不均匀、存在热点、线程阻塞等待、线程池大小不够、GC耗时变长等，日常积累加入到经验池。下面详细展开介绍。

神奇小汤圆

Multi-Agent 执行闭环：AI Coding 真正进生产，要靠模型分工和工程护栏很多团队讨论 Agentic Coding 时，第一反应还是“哪个模型最强”。这个问题当然重要，但放到真实工程里，它不是最先决定成败的变量。真正难的是：怎样让模型不只会给建议，而是能在受控环境里读现场、改代码、过评审、走发布，并且在关键节点把决定权交还给人。

从一次工程审查看 AI 学习产品的边界兜底：RAG 资料链路一致性实战这篇文章记录的是 PrepMind AI 在 Phase 6.7 收尾时的一轮工程补强。当时多 Agent 系统、RAG 知识库、错题复习、Agent Trace 这些大功能都已经跑通了。我把多 Agent 当成审查手段，让几个只读子代理从不同角度审项目：一个看安全边界，一个看并发一致性，一个看数据兜底，一个看测试覆盖。问题发现靠审查工具放大视野，但判断优先级、设计修复方案、落代码和补测试，还是我自己完成。

Java 8老系统Browser Agent实战：三层拦截把AI操作后台变成可审计流程源码路径：chapter08-browser-test-agent/src/main/java/com/ynzz/lab/chapter08/agent/