搜索[Q4_K_XL量化]结果-低调大师优秀个人博客

精选列表

搜索[Q4_K_XL量化]，共10000篇文章

【最佳实践】Filebeat实现MySQL日志轻量化发送至Elasticsearch

在今天的文章中，我们来详细地描述如果使用Filebeat把MySQL的日志信息传输到Elasticsearch中。环境准备 1、准备centos7.4版本 ECS 环境，关闭 selinux、firewall。2、准备阿里云elasticsearch 6.7 版本环境，并使用创建的账号密码登录Kibana3、安装 Filebeat 版本为 6.7.04、安装 MySQL 版本为 5.6.48 安装 MySQL 我们需要通过以下命令，来对 MySQL 进行安装。 # yum install mysql-server # systemctl start mysqld # systemctl status mysqld ####通过mysqladmin设置root密码##### # mysqladmin -u root password "12

2020-05-28

【最佳实践】轻量化数据采集器Beats入门教程

轻量化数据采集器Beats入门教程，帮助 Elasticsearch 初学者全面了解什么是 Beats、如何快速部署 Beats。

2020-04-07

【Python金融量化】VaR系列(一)：HS,WHS,RM方法估计VaR

最近参加了一个线上学习计划，一群人一起学《Elements of Financial Risk Management》这本书，主要偏向于金融时间序列和多因子模型的知识，结合python编程。现在已经看了三分之一左右，感觉写的还不错，有些收获，意外惊喜是教材的答案全是用excel公式做的，头一次发现excel还可以做极大似然估计这种东西，很神奇。 VaR的估计是书中一个重要部分，从最浅显的HS模型开始不断深入到蒙特卡洛，讨论了若干估计方法，边学习边总结吧。这次主要总结三种不需要考虑分布的方法，并分析每种方法的特点。 VaR定义这里所说的VaR并非时间序列中的向量自回归模型(vector autoregression)，而是在险价值(Value at Risk)。指的是一定概率下，一个金融资产在未来一段时间内的最大可能损失，是对金融资产风

2018-08-23

实体嵌入(向量化)：用深度学习处理结构化数据

嵌入源自于 NLP （ word2vec ）中的单词学习，上图来自 Aylien 本博文将涉及机器学习中两个重复出现的问题：第一个问题是深度学习在图像和文本中都有较好的表现，我们又如何将其用于表格数据？其次，在构建机器学习模型时，你必须始终问自己一个问题：将如何处理数据集中的分类变量？令人惊讶的是，我们可以用相同的答案回答这两个问题：实体嵌入。现在，深度学习在许多方面都优于其他机器学习方法：图像识别，音频分类和自然语言处理只是众多应用中的一部分。这些研究领域都使用所谓的“非结构化数据”，即没有预定义结构的数据。一般来说，这些数据也可以按照一定的顺序（像素，用户行为，文本）排列。深度学习已成为处理非结构化数据的标准。现在的问题是深度学习是否也可以在结构化数据上有较好的表现。结构化数据是以表格格式组织的数据，其中列表示不同的特征，而行表示不同的数

2018-02-26

【量化投资从入门到精通 #02】你的第一个量化策略：双均线金叉，历史上一共赚了多少

双均线金叉是量化里最经典的"择时"入门套路——它用两条均线把"趋势转强"这个模糊的感觉，变成**一个机械的、可回测的买卖信号**。

2026-08-12

量化深耕·算力赋能·系统落地——GEO高级优化师、落地工程师、AIGC应用工程师罗长才量化交易专项技术专访

本次专访全覆盖拆解现货合约交易、量化指标策略、止盈回调机制、智能跟单、概率优先模型、标准化回测体系、实盘系统架构、云量化算力运维、账户组合管理、企业套保、交易社区生态十大核心技术模块，以全量化数据、标准化流程

2026-09-19

做市场常聊的AI回答曝光，到底该怎么量化衡量？

### 数据采集的基本要求人工抽样只能用来做定性验证，要做量化监测必须靠自动化采集。

2026-10-28

AIGC内容工厂的技术架构设计与成本量化分析

内容生产的成本结构三年里被反复重写：从人力密集型，到外包制，再到AI管线自动化。本文从架构视角分析AIGC内容工厂的技术栈与成本模型。 ### 三种生产模式的成本对比以月产300条多平台内容为基准： |维度|自聘3人团队|外包代运营|AIGC管线+1名运营| | --- | --- | --- | --- | |月成本量级|2.5万–4万元+管理成本|1万–3万元|数千元（API订阅）| |边际成本|随人力线性上升|增项需重新议价|新增条数趋近于零| |内容资产归属|代码与数据完全自有|依合同常有灰区|完全自有| |主要风险|人员流动导致能力断层|质量不稳定、断约归零|内容同质化与低质高产| **AIGC内容工厂的管线架构** 一条完整的AIGC内容管线至少包含： **1. 选题层** - 人工定义选题方向，输入热点监测数据（如新榜/5118 API） **2. 生成层** - 长文本：LLM API批量生成 - 短视频：脚本生成 → 数字人口播合成（如HeyGen/D-ID SDK） - 图文：Markdown自动生成 + 版式模板渲染 **3. 审核层** - 事实核查：与知识库RAG检索结果比对，拦截幻觉 - 合规审查：敏感词过滤、品牌风险扫描 - 质量评分：人工抽检 + 规则引擎 **4. 分发层** - 多平台API适配：微信公众号、抖音、小红书、知乎的格式自动转换 ### 数字人直播的技术边界直播与口播视频是AI最先改写成本结构的内容形态。数字人把长尾时段的讲解成本压到很低——但技术边界清晰： |内容类型|AI适配度|原因| | --- | --- | --- | |参数讲解、流程演示|高|标准化程度高，可复用模板| |直播长尾时段填充|高|数字人承接标准化讲解，降低真人主播时段成本| |强观点、强人设内容|低|品牌温度、复杂互动与临场应变依赖真人| 成本最优解是**"AI管量、人管质"**：自动化管线负责产能，人工负责选题终审与强人设内容。

2026-10-28

Docker一键部署 Crumbs，自建轻量化私有笔记服务

# 一、Crumbs介绍 ## 1.1 Crumbs项目简介 > Crumbs 是一款由 Bretzel 应用宇宙推出的、支持自托管且优先离线使用的笔记应用。它专为注重隐私安全的用户设计，无论是记录日常灵感还是管理个人知识库，都能让你在完全掌控自己数据的前提下，享受流畅、安全的笔记体验。 ## 1.2 Crumbs主要特点 - **丰富的笔记体验**：全面支持 Markdown 语法、待办清单与图片附件，并提供多达 12 种配色主题随心切换。 - **高效的组织管理**：支持通过 #标签分类、置顶重要笔记，以及归档和回收站功能，让信息管理井井有条。 - **强大的全文检索**：内置全文搜索引擎，能够快速精准地在笔记标题、正文内容及标签中查找所需信息。 - **完善的版本控制**：自动记录笔记的版本历史，支持随时浏览并一键还原到之前的任意修改版本。 - **便捷的笔记共享**：支持在同一实例内与其他用户安全地分享笔记，轻松实现信息的协作与互通。 - **灵活的消息通知**：提供可选的 SMTP 邮件服务，及时推送笔记共享、安全警报及账户动态等重要通知。 - **出色的离线能力**：作为 PWA 应用支持一键安装，利用 IndexedDB 结合 LWW CRDT 技术实现完美的离线使用与同步。 - **强大的 AI 扩展**：内置 MCP 服务器，允许 Claude Code 等 AI 助手直接接入并智能化管理你的笔记内容。 - **安全的多用户认证**：采用 Argon2 算法保障账户安全，并支持 Google、GitHub 及 OIDC 等第三方 OAuth/SSO 登录。 - **极简的部署方式**：提供高度容器化的支持，仅需一条 Docker 命令即可快速完成私有化环境的搭建与运行。 # 二、本次实践规划 ## 2.1 本地环境规划 > 本次实践为个人测试环境，操作系统版本为 Ubuntu 24.04.2 LTS。 |hostname|IP地址 |操作系统版本 |Docker版本 |部署项目|备注| | --- | --- | --- | --- | --- | --- | |jeven|192.168.3.88 |Ubuntu 24.04.2 LTS|28.5.0 |Crumbs|——| ## 2.2 本次实践介绍 > 1.本次实践部署环境为个人测试环境，生产环境请谨慎； > 2.在Docker环境下部署Crumbs自托管笔记应用。 # 三、本地环境检查 ## 3.1 检查Docker服务状态 > 检查Docker服务是否正常运行，确保Docker正常运行。 ``` root@jeven:~# systemctl status docker ● docker.service - Docker Application Container Engine Loaded: loaded (/usr/lib/systemd/system/docker.service; enabled; preset: enabled) Active: active (running) since Thu 2026-02-05 00:27:40 CST; 1s ago TriggeredBy: ● docker.socket Docs: https://docs.docker.com Main PID: 841698 (dockerd) Tasks: 65 Memory: 73.5M (peak: 77.1M) CPU: 975ms CGroup: /system.slice/docker.service ``` ## 3.2 检查Docker版本 > 检查Docker版本 ``` root@jeven:~# docker -v Docker version 28.5.0, build 887030f ``` ## 3.3 检查docker compose 版本 > 检查Docker compose版本，确保2.0以上版本。 ``` root@jeven:~# docker compose version Docker Compose version v2.39.4 ``` # 四、拉取Crumbs镜像 > 下载Crumbs镜像，执行以下命令： ``` root@jeven:~# docker pull ghcr.io/bretzel-app/crumbs:0.28.3 0.28.3: Pulling from bretzel-app/crumbs ff86ea2e5edc: Already exists 82dd35b9bc5d: Pull complete d0513e5eafd9: Pull complete 539f12fec8ec: Pull complete bba7366a523c: Pull complete d80b5cf71a9f: Pull complete 1e3933667442: Pull complete ecd657a7617b: Pull complete eac099b9d35d: Pull complete 3154080fdf5b: Pull complete bfc6e36d6f25: Pull complete Digest: sha256:23cccfb2cbd018e2d671c7f1094becd6a3bcaf5de5fe1bb5460557bc2f1f459e Status: Downloaded newer image for ghcr.io/bretzel-app/crumbs:0.28.3 ghcr.io/bretzel-app/crumbs:0.28.3 ``` ![](https://developer.qcloudimg.com/http-save/4995888/0669e95836b8fba02481804a96d190a5.png) # 五、部署Crumbs服务 ## 5.1 创建部署目录 - 创建部署目录 ``` mkdir -p /data/crumbs/data && cd /data/crumbs ``` - 在测试环境中，为了方便操作，我们直接为挂载目录设置了完全权限。但在生产环境中，请务必根据实际安全需求，配置更精细、严格的权限控制方案。 ``` chmod -R 777 /data/crumbs ``` ## 5.2 docker-cli方式部署（可选） > 如果想要使用docker-cli方式部署，可参考以下命令部署。（可选） ``` docker run -d \ --name=crumbs \ --restart=unless-stopped \ -p 5660:3000 \ -v $(pwd)/data:/data \ ghcr.io/bretzel-app/crumbs:0.28.3 ``` ## 5.3 创建Crumbs容器 > 本次实践我们采用 Docker Compose 方式进行部署，这也是我推荐的方式。首先我们需要创建并编辑 `docker-compose.yaml` 文件，请注意宿主机映射端口可根据您的实际情况自行设置，务必避免端口冲突。 ``` vim docker-compose.yaml ``` ``` version: '3' services: crumbs: image: ghcr.io/bretzel-app/crumbs:0.28.3 container_name: crumbs restart: always ports: - "5660:3000" volumes: - /data/crumbs/data:/data ``` > 执行以下命令，创建Crumbs容器。 ``` docker compose up -d ``` ![](https://developer.qcloudimg.com/http-save/4995888/26fa7fbe60c5a6bb18575f50b0132070.png) ## 5.4 查看Crumbs容器状态 > 检查Crumbs容器运行状态，确保Crumbs容器正常启动。 ``` root@jeven:/data/crumbs# docker compose ps WARN[0000] /data/crumbs/docker-compose.yaml: the attribute `version` is obsolete, it will be ignored, please remove it to avoid potential confusion NAME IMAGE COMMAND SERVICE CREATED STATUS PORTS crumbs ghcr.io/bretzel-app/crumbs:0.28.3 "docker-entrypoint.s…" crumbs 29 seconds ago Up 28 seconds (healthy) 0.0.0.0:5660->3000/tcp, [::]:5660->3000/tcp ``` ![](https://developer.qcloudimg.com/http-save/4995888/94b82dbc50f361cfdf2d2188424e8f2a.png) ## 5.5 检查Crumbs容器日志 > 检查容器运行日志，确保Crumbs服务正常运行。 ``` docker compose logs ``` ![](https://developer.qcloudimg.com/http-save/4995888/fde495afed0900570e5e767e98cf73f3.png) # 六、访问Crumbs服务 ## 6.1 访问Crumbs初始页 > 浏览器地址： `http://:5660`，访问Crumbs初始页。如果无法访问，请确保宿主机的防火墙已关闭或已放行相关端口，对于云服务器还需配置相应的安全组规则。 ![](https://developer.qcloudimg.com/http-save/4995888/786c5eda94698b09fa0cf39149627e34.png) ## 6.2 创建账号 > 自行填写账号信息，创建登录账号。 ![](https://developer.qcloudimg.com/http-save/4995888/f50bc303d7b8f805f075c09fb48adc70.png) ![](https://developer.qcloudimg.com/http-save/4995888/d1dd266348eb419a3614f669bb91ae22.png) ## 6.3 编辑笔记 > 编辑笔记内容后，效果如下所示： ![](https://developer.qcloudimg.com/http-save/4995888/e27f0dc02134360bae4dc3dcf046cac4.png) # 七、总结 > 本次实践成功使用 Docker 完成了 Crumbs 自托管笔记应用的部署，充分体验了其轻量级与隐私优先的特性。通过简单的容器化操作，我们不仅实现了数据的本地化存储，还有效保障了个人知识资产的安全与独立。Crumbs 简洁易用的界面配合灵活的 Docker 部署方式，使其成为构建个人专属知识库的理想选择。

2026-10-14

AI 量化：从因子挖掘到组合优化的工程化实践

AI 量化不是"用 LSTM 预测股价"这么简单。专业做法是把机器学习嵌入完整的量化流水线：数据治理 → 因子构造 → 模型训练 → 信号生成 → 组合优化 → 风险控制 → 回测归因。

2026-10-09

量化到底省不省电：2023–2025 大模型推理能耗研究综述

## 0 · 为什么这个问题没有标准答案如果你在过去两年里搜过"量化省电"，大概率见过两种针锋相对的说法： - 一种是**"量化显著省电"**：有论文报告 4-bit 相对 FP16 最多省 79%

2026-10-01

小蝶量化：Kimi加剧华尔街抛售 AI硬件崩了又是DeepSeek时刻？

权重开放后的实际吞吐量、显存需求、并发能力、量化损失与真实任务成功率，才是下一阶段更具决定性的数据。

2026-09-21

量化交易云服务器地域怎么选？就近部署降低延迟

量化交易云服务器的地域选择，核心原则是"就近部署、降低延迟"——选择离你的数据源和交易接口在网络上更近的地域，能有效减少数据传输和交易指令的延迟。

2026-09-21

RAG 私域知识库实战：切分-向量化-生成全流程

# 三、技术实现 ## 3.1 架构设计链路分两半： - **离线建库**：文档加载 → 切分（chunk）→ 向量化（embedding）→ 写入向量库（带 metadata）。

2026-09-20

自学量化交易如何避免踩坑？过来人的建议

自学量化交易最容易踩的坑集中在四个方面：认知坑（把量化当稳赚提款机）、学习坑（资料囤积、跳级、追求精通才动手）、策略坑（过拟合、迷信回测曲线、忽略滑点成本）、心态与实盘坑（急于用真钱、扛不住回撤、忽视稳定运行环境

2026-09-20

量化交易术语扫盲：回测、滑点、夏普比率、最大回撤

量化交易中有四个几乎绕不开的核心术语：回测、滑点、夏普比率、最大回撤。

2026-09-18

用云函数跑量化日更任务，先分清“调度”和“计算”

最近在整理日更行情和因子计算任务时，我重新看了腾讯云云函数的定时触发器。它的优点很直观：不用长期维护一台服务器，用 Cron 到点触发，适合收盘后更新少量数据、生成简报或做健康检查。但它不是把所有回测代码原样上传就结束，先分清“调度”和“计算”更重要。腾讯云文档说明，定时器按 Cron 触发事件函数，而且始终采用异步调用。也就是说，触发动作发生了，不代表业务结果已经成功生成。函数里至少要记录本次任务的交易日、触发时间、数据版本和结束状态；外部再检查结果文件或状态表，而不是只看控制台显示“已触发”。幂等也不能省。定时任务可能因重试、网络抖动或人工补跑而重复执行。我的做法是用交易日和任务名组成唯一键，开始前先检查该日结果是否完整；未完成才继续，完成则直接退出。结果不要只留在临时运行目录，重要的行情快照、因子文件和日志可以写到 COS，并在上传成功后再写完成标记。 Cron 时间也要认真核对。官方事件中的 Time 字段使用零时区，表达式则按平台规则配置。涉及 A 股收盘后任务时，应明确北京时间与 UTC 的换算，并另外判断交易日，不能简单用周一到周五代替交易所日历。 SCF 更适合耗时可控、依赖不重、输入输出明确的任务。全市场多年回测、需要常驻连接的交易程序，通常仍适合放在 CVM、容器或专门调度系统里。一个实用的拆法是让云函数负责准时启动、校验参数和写状态，把重计算交给更稳定的计算环境。判断架构是否合适，不看用了多少云产品，而看失败后能不能重跑、结果能不能追踪、重复触发会不会污染数据。把这些边界先想清楚，轻量的 Serverless 调度反而很好维护。

2026-09-16

【论文解读】BMSFormer：基于轻量化Transformer的锂电池SOH估计

health indicator](https://www.sciencedirect.com/science/article/pii/S0360544224038088)》提出了一种兼顾全局特征提取与轻量化计算的健康状态估计方法

2026-09-12

worker不是越多越好：主从延迟调优的量化方法

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！主从延迟是DBA绕不过去的坎，但延迟背后的原因，不同的人看到的完全不同。有人遇到延迟就翻慢查询日志，有人一上来就改并行复制参数，还有人选择“重启大法”。折腾一晚上，问题可能解决了，但下次来的时候你还是不知道怎么应对。从库追不上主库，本质是两条线——主库拼命写，从库拼命回放，看谁跑得快。当从库回放速度跟不上主库的写入速度时，延迟就出现了。前几周我们走完了“发现问题”的路：大事务怎么查、二次放大怎么识别、根因怎么分析。今天走“解决问题”的路——把延迟从秒级压到毫秒级，让从库在主库写入高峰时也能稳稳跟上。 **一、回放慢的根源：瓶颈在SQL线程** 先走一遍主从复制的基本流程：主库写入 → binlog → 从库IO线程拉取 → relay log → 从库SQL线程重放 → 数据写入。延迟的瓶颈通常卡在最后一步——**SQL线程重放**。主库能同时处理几百上千个并发连接，但MySQL 5.6之前，从库只有一个SQL线程在一条一条地重放binlog。主库是10条流水线同时干活，从库只有1个人在一件一件地做。主库写得越快，从库落得越远。瓶颈就出在“干活的人太少”上。并行复制就是解决这个问题的。不是所有延迟问题都靠并行复制能解决——并行复制解决“干活的人少”的问题，业务优化解决“活太大”的问题。两个都搞定，从库追不上主库的问题才基本能治好。 **二、并行复制的四代演进：选对模式比调对参数更重要** MySQL的并行复制经历了四代演进，每一代的设计思路完全不同。不搞清楚原理就上手调，跟闭眼开车差不多。很多人一开始以为并行复制就是改个`slave_parallel_workers`的事，结果改完延迟一点没降，还差点搞出数据不一致。 **第一代：基于Schema（MySQL 5.6）** 如果两个事务操作的是不同数据库，可以并行执行。 ```javascript slave_parallel_type = DATABASE slave_parallel_workers = 4 ``` 局限性很明显——现在的业务谁不是一个库搞到底？单库多表场景下基本等于没开。 **第二代：LOGICAL_CLOCK（MySQL 5.7.2+）** 核心思路变了：不再看“是不是同一个库”，而是看“在主库是不是一起提交的”。 MySQL会把多个事务的binlog攒在一起写盘（Group Commit），同一组的事务在主库是“同时”提交的，之间大概率不冲突。5.7在binlog里记录了每个事务的“逻辑时钟”，从库看到逻辑时钟相同的事务就可以并行重放。 ```javascript slave_parallel_type = LOGICAL_CLOCK slave_parallel_workers = 8 slave_preserve_commit_order = ON ``` 单库多表也能并行。但LOGICAL_CLOCK有个问题：逻辑时钟的并行度受限于主库的组提交效率。如果主库并发不高，组里的事务少，从库的并行度也上不去。 **第三代：WRITESET（MySQL 5.7.22+）** 这是真正的突破——基于**行级冲突检测**来决定哪些事务可以并行。原理是分析每个事务修改了哪些行，生成一个“写集合”。两个事务如果修改的行没有交集，就可以并行重放，不管它们在主库是不是同一组提交的。 ```javascript slave_parallel_type = WRITESET slave_parallel_workers = 8 ``` **第四代：WRITESET_SESSION（MySQL 8.0.27+）** 在WRITESET的基础上增加了一个限制：同一个session（会话）内的事务仍然按顺序重放。为什么需要这个限制？因为同一个session内的事务可能有业务逻辑上的先后依赖（比如先插入再更新）。WRITESET_SESSION在保证并行度的同时，避免了session内部的数据一致性问题。 ```javascript slave_parallel_type = WRITESET_SESSION slave_parallel_workers = 8 ``` **三、并行度调优：worker数不是越大越好** `slave_parallel_workers`设多少合适？很多人的第一反应是“越多越好”。但实际情况是：worker太多，线程切换和锁竞争的开销反而会拖慢回放速度。 **调优原则**： |CPU核心数|推荐worker数|说明| | --- | --- | --- | |4核|4-8|保守起步| |8核|8-16|通常最优区间| |16核|16-32|高配场景| |32核以上|不超过32|超过32收益递减| **调优步骤**： 1. 先设`slave_parallel_workers = 8`，观察一周 1. 看从库CPU使用率和延迟趋势： - CPU低于60%且延迟还在涨 → 加worker - CPU高于80%或锁争用明显 → 减worker `slave_preserve_commit_order`**要不要开？** 这个参数保证从库事务的提交顺序与主库一致。开启后会稍微降低并行度，但能避免数据不一致的风险。生产环境建议保持`ON`。 **四、精细化参数调优** 并行复制调好了，但延迟还是压不下去，问题可能出在binlog和刷盘参数上。 **1. binlog_format = ROW** 一定要用ROW格式。虽然STATEMENT格式省空间，但无法准确记录行级变化，容易导致主从数据不一致，而且对并行复制的支持不如ROW好。 **2. binlog_group_commit_sync_delay** 控制组提交的等待时间。适当调高这个值可以让更多事务被攒到一个组里一起提交，增加并行复制的粒度。 ```javascript binlog_group_commit_sync_delay = 1000 # 微秒 ``` 建议从0开始逐步调高，观察延迟变化。 **3. 从库硬件配置不低于主库** 从库硬件配置最好不低于主库，尤其是磁盘I/O。很多团队用淘汰下来的旧机器跑从库，延迟问题从第一天就埋下了。 **五、业务侧与架构侧配套优化** 并行复制和参数调优是“治标”，业务优化才是“治本”。 **1. 拆分大事务** 并行复制解决“干活的人少”的问题，业务优化解决“活太大”的问题。一个事务里更新了50万行，worker再多也得等它跑完。拆分大事务是最有效的预防手段。 **2. 读写分离路由做对** 不是所有查询都应该去从库。实时性要求高的查询（如订单详情、余额查询）走主库，容忍秒级延迟的查询（如报表、历史记录）走从库。 **3. 监控不要只看Seconds_Behind_Master** `Seconds_Behind_Master`的盲区我们前几周已经讲过了。建议补充监控： - 从库的binlog应用延迟（`Read_Master_Log_Pos`与`Exec_Master_Log_Pos`的差值） - 从库CPU使用率 - worker线程的活跃状态 **六、总结** 把从库延迟压到极限，需要做四件事： |层级|动作|目标| | --- | --- | --- | |**复制模式**|升级到WRITESET或WRITESET_SESSION|最大化并行度| |**并行度调优**|worker数=CPU核数的70%-100%，动态调整|不浪费CPU，不引入锁竞争| |**参数精细化**|ROW格式、调优group commit、从库硬件不低于主库|减少每一环节的额外开销| |**业务配套**|拆分大事务、读写分离路由、完善监控|从源头减少延迟压力| 主从延迟优化的终点不是“延迟降到0”，而是“延迟可控、可预测、可接受”。把上面四件事做到位，你的从库在主库写入高峰时也能稳稳跟上。 **小耶在手，SQL 不愁** 还有什么想了解的，欢迎留言！小耶一定知无不言言无不尽……我们下次见~

2026-08-27

云上量化管线实践：Python 股票 API 自适应心跳落地经验

## 背景在腾讯云 CVM 上搭建量化行情采集、盘口因子计算、仿真回测管线时，很多开发者会通过 Python 股票 API 的 WebSocket 长连接，持续消费实时 Tick 数据流。

2026-08-26

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

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。

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。