笔记列表-低调大师优秀个人博客

文章列表

共 215629 篇

2026-08-30

为什么你的A/B测试总是不增长？一篇读懂方法论、误区、工具选型、案例

学术研究早已证明，A/B测试对增长有效。一项对全球3.5万多家高科技初创企业的追踪研究显示，采用A/B测试的公司，平均每周网站访问量高出约10%，获得风险投资融资的概率增加5%，推出新产品的比例高出9%至18%。

阅读约14分钟

2026-08-30

手写 JSON Schema 大半天，改成一句话描述 10 分钟搞定：WorkBuddy json-schema-generator 实操

后端返的字段叫 user_name，前端接口文档里写的是 username；说好的是字符串，一跑全是数字；联调到一半，产品又加了个 avatar 字段，文档没同步…… 半天时间就这么耗在"字段对不上→回去翻文档→再对"的循环里。

阅读约10分钟

2026-08-30

OpenClaw多智能体协作框架内核深度解析：从任务分解到仲裁闭环

关键设计原则：无中心化控制——各Agent通过消息总线（Redis/PubSub）异步通信，规划层仅生成蓝图，不干预执行细节，确保高扩展性。

阅读约18分钟

2026-08-30

RFID现场部署与读取率调优：从70%到99%的工程方法论

很多RFID资产管理项目都经历过这样的阶段：实验室演示一切正常，到了客户现场，读取率却掉到70%——每10件资产有3件"隐身"。硬件还是那套硬件，标签还是那些标签，差的到底是什么？

阅读约10分钟

2026-08-30

WorkBuddy 的三种对话模式你真的会用了吗？

整理文件夹、修改网站源码、处理客户资料、清理磁盘……一句话发出去，AI 确实可能马上开始干活。但如果它理解的任务边界和你想的不一样，效率越高，反而越容易把错误放大。

阅读约11分钟

2026-08-30

从 20 个参数构造器到 Builder：设计模式不是背出来的，是重构出来的

想象这样一个场景：你负责的订单中心需要新建一个订单对象。一开始，订单只有订单号、用户ID、商品ID、数量、金额五个字段，构造器写得很干净。

阅读约20分钟

2026-08-30

AI + 多 Agent 协作结合 RPA：复杂业务流程自动化架构设计与实测效果

去年 Q3，我接了一个电商中台的自动化改造。客户每天处理两千多单，横跨电商平台、ERP、企业微信、BI 系统四个软件，涉及订单获取、库存校验、异常识别、客服回复、数据汇总五个环节。

阅读约15分钟

2026-08-30

原型模式：复制现有对象，为什么比 new 更靠谱？一次讲透深浅拷贝与真实场景

我们系统里有一个营销活动配置对象 CampaignConfig，字段将近 40 个，包括活动名称、时间、渠道、预算、规则列表、奖品列表、风控参数、扩展属性等。早期创建新活动时，业务方说“复制上个月的活动，改个时间和预算就行”。

阅读约25分钟

2026-08-30

抽象工厂模式：别等微信请求构建器塞进支付宝回调，才想起产品族一致性

这个系统早期只接入了微信支付，代码非常单纯。后来要接入支付宝、银联、云闪付，慢慢地，支付模块开始长出了四个独立工厂：

阅读约27分钟

2026-08-30

工厂方法模式：从多支付渠道的 new 失控到让子类决定实例化

我是老李。前段时间接手一个订单系统，里面有一个 PaymentService，一开始只支持支付宝。代码写得很坦率：

阅读约21分钟

2026-08-30

A股、美股、港股量化数据 API 怎么选？我最看重的其实是数据口径统一

我做多市场量化研究之后，最大的感受不是“市场越多，策略越复杂”，而是数据接口的差异会快速放大工程复杂度。尤其当 A 股、美股和港股同时进入研究框架后，如果代码格式、行情接口和数据结构各自不同，策略层很容易被大量数据适配代码污染。

阅读约21分钟

2026-08-30

Python 量化数据 API 怎么选？我从自建数据管道到统一接口的工程实践

我以前认为个人量化系统最难的部分是策略，后来真正做过几轮数据基础设施之后，我发现数据获取和治理同样容易成为系统瓶颈。尤其当策略从单只股票扩展到股票池，再扩展到多市场之后，数据接口的维护成本会迅速增加。

阅读约10分钟

2026-08-30

个人量化者应该如何选择金融数据 API？我踩过回测与实盘数据不一致的坑

我在量化实盘中踩过一个非常典型的坑：策略逻辑没有改，回测结果却和实盘表现出现明显偏差。后来我排查发现，真正的问题并不一定出在策略本身，而可能来自行情数据的时间范围、复权方式、字段定义以及数据获取方式。

阅读约20分钟

2026-08-30

单例模式别再只会背懒汉饿汉：从全局变量到Spring Bean的实践边界

2016 年我接手过一个订单系统，里面有一个叫 GlobalConfigManager 的类，最初只是一个单例，负责读取数据库连接地址和几个开关。代码大概长这样：

阅读约29分钟

2026-08-30

AI 品牌可见度优化解决什么实际问题：从模型误述到可复测的可见度工程

企业做迪普智见（DeepIntelli）AI 品牌可见度优化，解决的不是“让 AI 多提一句品牌”这么简单，而是一个可观测、可归因、可复测的系统问题：当潜在客户在 ChatGPT、Gemini、DeepSeek、豆包等 AI 助手里提出采购问题时，模型是否能正确识别企业实体、理解产品类别，并在合适的问题下给出准确、不过度承诺、不被竞品替代的回答。

阅读约14分钟

2026-08-30

AI编程删库后，我用块级CDP找回代码

AI编程删库后，我用中科热备块级CDP找回代码那晚11点47分，我们一个60人的SaaS团队差点集体失眠。开发小哥让Cursor做一次大范围重构，AI智能体在遍历依赖时把整个src目录当成了废弃代码，一条rm -rf下去，23小时的工作量没了。最近一次git commit停在昨天凌晨。他盯着终端愣了几秒，然后私聊我：「龙哥，还有救吗？」有救。因为我们在开...

阅读约9分钟

2026-08-30

生产慎用之调试日志对空间矢量数据批量插入的性能影响-以MybatisPlus为例

在现代软件开发中，性能优化是一个永恒的话题，尤其是在处理大规模数据时，如何提升数据库操作的效率成为了一个关键问题。在数据库操作中，批量插入空间矢量数据是一个常见的需求，尤其是在地理信息系统（GIS）和空间数据分析领域。调试日志是软件开发中不可或缺的工具，它帮助开发者追踪程序的运行状态，定位问题和异常。然而，日志记录本身是一个资源密集型的操作，尤其是在生产环境...

阅读约27分钟

2026-08-30

Agent 工程化：从“玩具原型”到“生产级骨骼”

AI Agent 的演示很迷人：一次 Prompt，它自动调用工具、规划步骤、给出答案。但一旦把 Agent 部署到真实业务中，面对高并发、长时任务、API 抖动、模型幻觉等“地狱模式”，90% 的原型都会崩溃。工程化，就是给 Agent 装上工业级的骨骼——让它在不确定性中保持稳定、可观测、可扩展。今天，我们用少量代码揭示 Agent 工程化的五大核心支柱...

阅读约15分钟

2026-08-30

基于SpringBoot和PostGIS的云南与缅甸的千里边境线实战

云南，这个位于中国西南边陲的省份，以其独特的地理位置和丰富的民族文化而闻名。作为中国连接东南亚和南亚的重要门户，云南拥有长达四千多公里的边境线，与缅甸、老挝和越南三国接壤。这条边境线不仅是中国对外开放的前沿，也是维护国家安全和地区稳定的关键地带。随着全球化的深入发展和区域合作的不断加强，云南边境线的战略地位日益凸显。云南的边境线总长达到4060公里，是中国边...

阅读约14分钟

2026-08-30

AE影视后期特效：当“代码”成为视觉魔法师的算术芯片

在《阿凡达》的水下世界或《蜘蛛侠：纵横宇宙》的撕裂画面背后，Adobe After Effects（AE）是构筑视觉奇观的核心工具。但许多人不知道的是，顶级特效师不仅精通关键帧与遮罩，更善于用少量代码——即AE的表达式（Expressions）和脚本（Scripts）——来驱动无限复杂的动态效果。

阅读约7分钟

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

文章列表

为什么你的A/B测试总是不增长？一篇读懂方法论、误区、工具选型、案例

手写 JSON Schema 大半天，改成一句话描述 10 分钟搞定：WorkBuddy json-schema-generator 实操

OpenClaw多智能体协作框架内核深度解析：从任务分解到仲裁闭环

RFID现场部署与读取率调优：从70%到99%的工程方法论

WorkBuddy 的三种对话模式你真的会用了吗？

从 20 个参数构造器到 Builder：设计模式不是背出来的，是重构出来的

AI + 多 Agent 协作结合 RPA：复杂业务流程自动化架构设计与实测效果

原型模式：复制现有对象，为什么比 new 更靠谱？一次讲透深浅拷贝与真实场景

抽象工厂模式：别等微信请求构建器塞进支付宝回调，才想起产品族一致性

工厂方法模式：从多支付渠道的 new 失控到让子类决定实例化

A股、美股、港股量化数据 API 怎么选？我最看重的其实是数据口径统一

Python 量化数据 API 怎么选？我从自建数据管道到统一接口的工程实践

个人量化者应该如何选择金融数据 API？我踩过回测与实盘数据不一致的坑

单例模式别再只会背懒汉饿汉：从全局变量到Spring Bean的实践边界

AI 品牌可见度优化解决什么实际问题：从模型误述到可复测的可见度工程

AI编程删库后，我用块级CDP找回代码

生产慎用之调试日志对空间矢量数据批量插入的性能影响-以MybatisPlus为例

Agent 工程化：从“玩具原型”到“生产级骨骼”

基于SpringBoot和PostGIS的云南与缅甸的千里边境线实战

AE影视后期特效：当“代码”成为视觉魔法师的算术芯片

资源下载

Nacos

Spring

Rocky Linux

Sublime Text

欢迎您来访！