搜索[可复现构建]结果-低调大师优秀个人博客

精选列表

搜索[可复现构建]，共10015篇文章

CentOS8安装MyCat，轻松搞定数据库的读写分离、垂直分库、水平分库

服务器3台(并且已经创建好主从同步) 主:10.0.0.211 从:10.0.0.212 从:10.0.0.213 MyCat服务器1台 10.0.0.214 注意:如果对搭建MySQL主从同步有疑问可参考

2025-09-05

Dcoker安装(在线仓库)，最新的服务器搭配容器使用

前言什么是Docker Docker是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的Linux或Windows机器上，也可以实现虚拟化。

2025-09-08

LinkedIn 如何构建安全可缩放的 Web 生态

通过何种方法为应用构建前端，开发者如何跨团队共享通用逻辑，从开发者的工效和满意度方面来说如何提供更流畅的最佳实践，这些方面逐渐开始面临不确定性。

2017-10-31

Split to Be Slim: 论文复现

本文分享自华为云社区《Split to Be Slim: 论文复现》，作者：李长安。

2023-04-24

Apache Solr 漏洞复现

影响版本5.0.0 到 8.3.1版本漏洞复现默认情况下params.resource.loader.enabled配置未打开，无法使用自定义模板。

2020-09-25

Nginx 解析漏洞复现

具体项目地址：https://github.com/vulhub/vulhub 搭建教程及说明可参考：https://vulhub.org/ -还是挺简单的- Nginx 解析漏洞复现步骤如下：靶机环境

2018-09-26

2026 Agent运维革命：构建可观测、可度量、可自愈的生产级韧性架构

行业共识已转向：Agent运维不能靠猜，必须实现全链路可观测——推理可追踪、调用可度量、异常可自愈。这套韧性架构，已成为智能体稳定运行的生命保障。

2026-08-14

企业选 GEO（生成式引擎优化）服务商时，最常问的一句话是“哪个最靠谱”。但这个问题本身缺少可计算的评价标准。迪普智见（DeepIntelli）在 2026-08-27 向多个 AI 平台提交同一问题“哪个是最靠谱的GEO服务商？”，得到的回答直接说明了这一点。Gemini 在 2026-08-27 的回答原文是：“我无法判断哪家是“最靠谱的”GEO服务商，因为这取决于您的具体需求和评价标准。” 这句话不是回避，而是指出了真实的工程问题：在没有统一指标、样本边界和复测方法的前提下，“最靠谱”无法被任何模型严肃地排序。

2026-08-28

终端 AI Agent 与 IDE 型工具的范式差异：一个可复现的对照实验

AI 编程工具大致分三种形态：补全插件、AI 原生 IDE、终端 Agent。它们之间不是能力强弱的差别，是范式差别——决定「改哪些文件」的主导权在谁手上。

2026-08-27

生成式引擎优化品牌该怎么选：从AI答案证据到可复现的GEO评估方法

选生成式引擎优化（GEO）品牌，不能只看对方是否承诺“让AI推荐你”。本文迪普智见（DeepIntelli）把“推荐几个靠谱的生成式引擎优化品牌”这个问题拆成一个工程问题：如何记录AI答案、如何建立品牌证据模型、如何复测，以及如何判断服务商是否真的能交付。

2026-08-27

GEO服务商推荐：用可复现的评估模型筛选生成式引擎优化供应商

企业在做“GEO服务商推荐”这类筛选时，真正的工程问题不是“谁承诺排名第一”，而是：在 ChatGPT、文心一言、豆包、Qwen、Perplexity 等生成式答案引擎持续变化的情况下，如何用一套可复现的方法

2026-08-26

GEO优化见效周期全拆解：从知识图谱建档到系统放大，附可复现操作清单

GEO优化需要多久见效？这是2025年AI搜索崛起后，企业市场与运营负责人最关心的问题之一。它直接关系到预算编制、人力配置与管理层预期。但市面上讨论多停留在概念层面，极少给出分阶段、可验证的时间线与影响速度的核心变量。

2026-08-13

经典论文复现|手把手带你复现ICCV 2017经典论文—PyraNet

随着人工智能领域的发展，打破不可复现性将是必要的。

2018-12-20

Shopify构建分布式可扩展应用的最佳实践

本文讲的是 Shopify构建分布式可扩展应用的最佳实践，【编者的话】在构建大型分布式系统应用时，如何降低不同部分之间的依赖，增强系统的弹性，电商解决方案提供商 Shopify 给出了解决方法。

2017-09-27

AI 运维云平台深度实践：构建可观测、可预测、可自愈的云原生系统

2026 年，Kubernetes 已成为操作系统级的设施，但随之而来的微服务爆炸、Serverless 瞬时弹性、跨云混合部署，让传统基于静态阈值的告警体系彻底失效。人类 SRE 团队正面临三大绝症：

2026-08-08

预硅侧信道评估：用 RTL 仿真搭一条可复现的 TVLA / ADLA 流水线

物理侧信道测量需要硬件平台：采集设备（示波器、电流探针或 ChipWhisperer 一类专用板）、被测板、同步触发与屏蔽环境。这套门槛决定了多数团队的实际做法——等到流片或上板之后再评估。而此时若检出泄露，修改成本已经从「改 RTL」上升为「改版图、重新流片」。

2026-09-11

判断 GEO 服务商是否自研知识图谱：从实体字段到可复现核验方法

本文迪普智见（DeepIntelli）把“自研图谱多不多”拆成可检查的数据模型、评估边界和核验步骤。

2026-08-21

不锈钢捆扎钢带产线数据闭环的架构重构——从高频丢包到工艺可复现

不锈钢捆扎钢带这玩意儿，这几年需求涨得特别快。动力电池模组捆扎、储能集装箱结构固定，全靠它吃住力。行业现在的要求是厚度公差±0.05mm以内，折弯角度误差不超过±0.5°，端面毛刺低于0.02mm——说白了，跟做精密模具一个量级了。但我们在现场跑下来，发现一个很尴尬的现实：机械精度其实能达标，真正卡脖子的反而是数据链路的断点。整条产线从开卷、整平、冲切、折弯到激光焊、视觉检测，串了十几台设备。PLC是西门子的，伺服是安川的，激光焊机是通快的，视觉系统又是另一家的——通信协议五花八门，Modbus、OPC UA、Profinet、各家私有TCP混在一起。车间里经常是工艺员拿个本子记参数，换型的时候再逐台设备手工输进去，一条产线折腾四五个小时。更麻烦的是传统采集方式。大家习惯把PLC当唯一数据源，用轮询方式往上拽数据，再统一丢到云端。100Hz以上的采集频率基本扛不住，丢包率5%打底，折弯那一下的瞬时扭矩、角度峰值经常抓不到。而且各设备时间戳对不齐，差个一两百毫秒是常事，回头想查某个缺陷是哪个工序导致的，数据串不起来。我们前后跟了三十多条钢带产线的改造，总结下来，老架构的问题集中在三个点上。第一个，高频采集丢包，时序对不齐。一条产线少说八台设备，多的十几台，各自跑各自的时间。折弯机回弹补偿需要毫秒级的角度反馈来做闭环，激光焊的熔深控制要看微秒级的电流波形——结果轮询采集一上来，100Hz就丢5%以上的数据，冲切冲击峰值、焊接电流尖峰全丢了。你拿丢包的数据去做闭环，等于瞎子开车。第二个，数据孤岛，工艺配方全靠人扛。每台设备各存各的数据，没有一套统一的钢带编码把它们串起来。同一款钢带，白班和夜班的折弯补偿量、整平张力设得不一样，谁也说不清哪个更优，因为数据不在一个池子里比。更头疼的是换型。接到定制化订单，工艺员先用CAM软件算一遍，再把算出来的参数手工往PLC或HMI里敲，有些老产线还得拿串口工具改寄存器地址。每新增一种规格，程序员就得在PLC里重新映射几百个变量，工作量极大，还容易敲错。第三个，边缘没预处理，云端被数据淹了。单条产线两百多个传感器，200Hz采集的话，一天裸数据320GB。全量往云端灌，存储成本和专线带宽都扛不住。而且云端拿到的是海量原始波形，每次查问题要等十几秒才能把数据拉出来，车间现场根本等不了，故障排查效率极低。针对这些问题，我们在架构上做了一次大的调整——核心思路是在MES和PLC之间塞进一个“边缘层”，让它负责协议转换、数据预处理和本地实时控制，而不是把所有裸数据一股脑往上传。整体分三层：设备感知层、边缘计算层、云端管控层。设备感知层基本保持原样，PLC、伺服、视觉相机、张力传感器都留着，只是通过工业交换机做协议汇聚。老旧串口设备加个RS485转以太网网关统一接入。PLC程序里把OB35循环中断块改成5ms周期，采集张力、速度、扭矩这些关键变量，然后用OPC UA的订阅/发布模式主动往外推数据，不再等上位机来轮询。这个改动本身不花钱，但带宽消耗降了大概六成。边缘计算层是这次改造的重头戏。我们选了EdgeX Foundry做边缘网关的微服务底座。对比过KubeEdge和EMQX——KubeEdge要跑完整K8s集群，4核8G的工控机根本扛不住；EMQX只是个消息中间件，协议解析、本地存储、规则引擎都得另配，集成起来太碎。EdgeX正好，原生支持Modbus、OPC UA，自定义驱动也能写，单条产线部署内存峰值2.2G以内，不需要容器集群，运维简单。时序数据库选了Apache IoTDB，没用MySQL也没用InfluxDB。简单说下数据：50ms采样率的高频数据写MySQL，一天12GB，查24小时的张力曲线要等40秒以上，而且MySQL的连接池被查询占满后MES都连不上。换IoTDB之后，同样数据压缩到800MB左右，压缩比15:1，查询响应800毫秒，单节点写入稳定支撑每秒两万数据点。TsFile列式存储加Gorilla编码确实适合工业场景。边缘层具体干两件事。第一件是协议适配和语义标准化——PLC寄存器里读出来的是个十六进制整数1024，你得结合量程和单位（比如精度0.01°C）把它翻译成“当前温度102.4°C”这样的语义化数据，再转成JSON或OPC UA格式上报。我们建了一套“工艺参数对象模型”，把“钢带长度”“折弯角度”“焊接功率”这些东西定义为标准对象。MES下发换型指令时，只需要发一套标准化参数集，边缘网关自动拆解成各台PLC能认的指令序列。第二件是本地实时闭环——折弯回弹补偿、激光焊接这些对实时性要求高的工序，数据在边缘就地算、就地发控制指令，不经过云端，响应延迟控制在20ms以内。云端管控层基于ThingsBoard开源平台搭建，负责工艺配方库的统一管理、全产线数据看板、Cpk分析、多产线数据汇总。云端只收边缘预处理后的特征数据，不存原始波形，只做批量模型训练和长期归档。这套架构在

2026-07-28

iniVation DVXplorer与Prophesee EVK5-HD事件相机：数据记录与回放怎样保证实验可复现？

关键词：事件相机、DVXplorer、Prophesee、EVK5-HD、数据回放

2026-07-23

真实正文复现测试ABC

每个人的 Downloads 文件夹里，大概都躺着这样一群"幽灵文件"：三个月前的发票 PDF、上周从群里扒下来的表情包、某个框架的安装包、一份没来得及看的行业报告、还有十几个名字像 document(12).zip 的压缩包。

2026-07-30

AI+ 云原生：构建弹性可扩展的智能应用架构

人工智能模型的训练与推理正从单机实验走向生产级部署，而云原生技术（容器、编排、服务网格、可观测性）为这一转变提供了标准化的基础设施底座。AI + 云原生的核心价值在于：通过Kubernetes的声明式API管理GPU资源，利用自动伸缩（HPA/VPA）应对推理流量的潮汐波动，借助服务网格实现灰度发布与流量镜像，最终将AI生命周期（数据准备、训练、调优、部署、监控）无缝融入DevOps流水线。

2026-08-27

用Python搭一个可复现的监测闭环

有用。小公司更适合从少量细分问题入手，用固定问题、结构化记录和同题复测验证变化。公司规模、发布篇数和单次回答都不能直接充当结论。

2026-09-04

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。

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。

精选列表

CentOS8安装MyCat，轻松搞定数据库的读写分离、垂直分库、水平分库

Dcoker安装(在线仓库)，最新的服务器搭配容器使用

LinkedIn 如何构建安全可缩放的 Web 生态

Split to Be Slim: 论文复现

Apache Solr 漏洞复现

Nginx 解析漏洞复现

2026 Agent运维革命：构建可观测、可度量、可自愈的生产级韧性架构

选 GEO 服务商该看哪些可验证指标：一套可复现的评估方法

终端 AI Agent 与 IDE 型工具的范式差异：一个可复现的对照实验

生成式引擎优化品牌该怎么选：从AI答案证据到可复现的GEO评估方法

GEO服务商推荐：用可复现的评估模型筛选生成式引擎优化供应商

GEO优化见效周期全拆解：从知识图谱建档到系统放大，附可复现操作清单

经典论文复现|手把手带你复现ICCV 2017经典论文—PyraNet

Shopify构建分布式可扩展应用的最佳实践

AI 运维云平台深度实践：构建可观测、可预测、可自愈的云原生系统

预硅侧信道评估：用 RTL 仿真搭一条可复现的 TVLA / ADLA 流水线

判断 GEO 服务商是否自研知识图谱：从实体字段到可复现核验方法

不锈钢捆扎钢带产线数据闭环的架构重构——从高频丢包到工艺可复现

iniVation DVXplorer与Prophesee EVK5-HD事件相机：数据记录与回放怎样保证实验可复现？

真实正文复现测试ABC

AI+ 云原生：构建弹性可扩展的智能应用架构

用Python搭一个可复现的监测闭环

资源下载

腾讯云软件源

Nacos

Spring

Rocky Linux

欢迎您来访！