搜索[AI可见性]结果-低调大师优秀个人博客

精选列表

搜索[AI可见性]，共10000篇文章

Java和Go都拍胸脯说"内存我包了"，可它们到底是怎么下手的？

温馨提示：另有配套视频版，附带图解演示，观感不同，欢迎到各大视频平台搜索同名标题或【蛋先生说识】

2026-09-16

Elasticsearch 向量数据库：数分钟内部署，可经济高效地扩展至数千亿规模

此外，我们还确保其廉价且可扩展。

2026-09-10

量化交易从行情 API 到 DataFrame 怎么设计：一套可维护的数据转换层

在量化研究中，行情 API 返回的数据通常并不能直接作为策略研究层的长期接口。真正进入研究流程之前，还需要解决字段统一、时间处理、数据类型、异常值以及不同数据源结构差异等问题。

2026-09-08

C++ 线程池原理与实现：从零构建一个可复用的线程池

多线程程序里，频繁创建和销毁线程的开销并不小：每次创建线程都要分配栈空间、建立内核对象，销毁时还要回收。如果一个任务只需要几毫秒，而线程创建销毁就要花掉其中一大半时间，显然不划算。线程池（Thread Pool）就是为解决这个问题而生的：提前创建好一批工作线程，让它们循环从任务队列里取任务执行，任务提交方只负责"丢任务"，完全不关心线程的生死。

2026-08-27

WorkBuddy 实践：安全 PO 验收核对 Skill，让邮件、采购订单与客户表可审计地对上

在采购验收、项目交付和付款申请场景中，“核对 PO”看似只是比较金额，实际往往涉及多份材料：验收邮件、采购订单（PO）、客户确认表，以及不同版本的附件。人工处理时，最容易发生的问题不是不会算，而是证据链断裂、税额口径混用、分期比例错误，或者在公开演示时误带出客户信息。

2026-08-21

# WorkBuddy 实战教程：从一句需求到可离线运行的单文件仪表盘

我是 WorkBuddy 的重度用户，日常用它搭工具、写代码、整理文档。前阵子积分见底，翻了下消耗记录才发现：积分烧得快，很多时候不是任务多，而是用法不对——需求没说清楚反复改、全程开着最耗积分的模式、对话拖太长。

2026-08-21

从主机指标到可审计运维摘要：用 Beszel 构建受控的告警分析链路

主机数量增加后，问题不再只是“有没有监控”，而是如何把指标转化为可复核、可执行的故障信息。

2026-08-18

如何借助Skill，把行业经验、Know-How沉淀为企业可治理的软件资产

现在很多公司都希望通过引入AI提高企业效率。模型账号开通了，知识库和Agent也开始试点，业务部门很快就能感受到内容生成、材料整理和信息检索速度的变化。

2026-08-17

构建可复核的媒体整理流水线：哈希去重、元数据抽取与模型标注

图片、录屏、短视频和扫描件一旦进入共享盘或个人资料库，整理成本通常并不来自“文件太多”，而来自三个不一致：同一内容有多份副本，文件名不表达业务含义，自动标签的依据又难以回看。直接把目录交给模型分类看似省事，却会带来更棘手的问题：重复文件被重复计费或重复处理；模型输出格式不稳定；敏感素材可能在未经审批时被发送到外部服务；以后发现分类错误，也无法判断是原文件、提示词还是模型配置导致。

2026-08-17

Agent 撞到人墙就卡住，Matt Pocock 的 wizard 把人工步骤变成可复用 bash脚本

假设你让一个 coding agent 给仓库接上第三方支付服务。它读完了 README，写好了调用代码，跑通了本地测试，然后在某个瞬间停了下来：

2026-08-12

让大模型不再是"聊天框"：用 PydanticAI 把输出变成可校验的 Python 对象

上个月我给团队搭了个小工具：把一堆散落的简历自动塞进人才库。第一版我图省事，直接让大模型把信息"总结"成一段文字，再让下游代码去抠字段。

2026-08-10

把邮件智能分类做成可审计流水线：规则、模型与人工复核的协同实践

“让模型读邮件并自动回复”看起来只需要一次 API 调用，但真正进入生产环境后，难点通常不在发送请求，而在于如何限制误判影响、保存判断依据，并让系统在模型超时、返回格式异常或邮件重复投递时仍然可恢复。

2026-08-09

在动力电池与储能模组PACK自动化产线中，钢带作为模组结构件的核心承重件，其冲压、折弯与焊接成型精度直接决定了电芯入框间隙、模组结构强度以及最终激光焊接良率。当前行业量产标准已提升至厚度公差±0.05mm、折弯角度误差不超过±0.5°、端面毛刺低于0.02mm。2025年国内锂电配套钢带市场规模突破1270亿元，全年增速超35%，下游车型与储能舱规格碎片化趋势持续加剧。然而，在大量产线落地实践中，一个经典的技术困境反复出现：单台折弯设备的出厂重复定位精度达到±0.02mm，但整线成品装配间隙误差却漂移到±0.5mm以上。这种“单机达标、整线失控”的现象，本质上揭示了传统产线架构的系统性缺陷——自动化到位了，数字化没跟上。结合30余条钢带自动化产线的改造实测，现有传统三层单机架构——PLC加本地上位机加独立数据库——存在四类底层技术瓶颈，也是企业数字化改造失败、项目收益不达预期的核心原因。多工序误差的非线性累积。钢带从开卷整平、伺服冲切、多道折弯到激光焊接定型，通常经历五道以上核心工序。传统架构下，每道工序独立控制、独立检测，单道工序的微小偏差在串联传递中并非简单线性相加，而是受应力释放、热变形等因素呈非线性放大。我们在某产线做过逐站测量：折弯角度偏差0.5度，在后续焊接热输入后，末端捆扎位置偏移量超过激光焊缝跟踪的补偿极限，直接导致该批次模组间隙超标的返工率上升至12%。数据采集的时序断层。这是最隐蔽但破坏力最大的问题。整条产线通常集成8到12台异构设备，分属不同供应商，通信协议涵盖Modbus RTU、Profinet、OPC UA及各类私有TCP协议。传统OPC DA轮询式采集下，100Hz以上采样频率的丢包率超过5%，设备间数据时间戳偏差最高可达200ms。折弯工位的扭矩峰值、激光焊接的电流突变、冲切时的冲击振动等关键工艺信号大量丢失，工序间前馈补偿完全无法建立。回弹控制的“盲折”困局。钢带折弯的核心物理难点在于回弹。不同批次材料屈服强度——HV180到220区间——的波动，会导致回弹量产生1度以上的差异。传统产线依赖“首件测试加固定补偿”的离线策略，模具磨损和车间温湿度变化实时改变回弹特性，但产线没有任何反馈机制能捕捉这些变化。某次调试中我们发现，同一卷材料上午和下午的折弯回弹角偏差达到0.8度，仅仅因为车间温度上升了5℃。边缘算力的闲置与云端存储成本失控。多数产线部署的工控机仅承担PLC通讯与HMI展示功能，CPU利用率常低于15%。与此同时，单条产线200加传感点位、200Hz高频采集场景下，每日原始时序数据可达320GB，全量原始数据上传云端，月度存储与专线带宽成本提升400%以上。高频信号——如伺服驱动的扭矩反馈、冲切时的振动波形——恰恰是设备健康状态与工艺异常的敏感指示器，却因“存储成本高、分析价值不明确”被直接丢弃。针对上述痛点，核心设计思路是在MES与PLC之间引入边缘计算层，实现协议转换、数据预处理与实时控制的就地闭环，而非将所有数据裸传至云端。设备感知层：协议统一与高频采集。保留产线原有PLC、伺服驱动器、激光焊机、线扫视觉相机等全部硬件，通过工业交换机做协议汇聚，老旧串口设备搭配RS485转以太网网关统一接入。核心改动在PLC程序：将关键工艺变量的采集移至OB35循环中断块，周期设为5毫秒，通过OPC UA Pub/Sub主动推送数据，替代传统DA轮询模式。实测表明，这种推送机制将带宽消耗降低约60%，支持1kHz高频传感信号接入。同时为每件钢带产品分配RFID唯一编码作为全链路数据主键，从开卷到成品堆叠的所有工序数据全部绑定单品ID。边缘计算层：就地闭环与数据压缩。这是架构的核心，我们对比了三类主流工业边缘开源框架。EdgeX Foundry采用微服务模块化架构，原生适配Modbus、OPC UA等多协议，内存占用峰值不超过2.2G，无需容器集群运维，适配单产线独立边缘网关部署，是钢带产线的最优选型。KubeEdge依赖完整K8s集群，资源占用高，适合多车间大规模集群场景，单条产线部署成本冗余。EMQX仅为消息中间件，无协议解析、本地时序存储、工艺规则能力，需搭配多套组件二次开发，集成复杂度高。针对EdgeX原生无时序数据库的短板，搭配Apache IoTDB做本地存储。我们曾将50毫秒采样率的高频数据写入MySQL，单日数据量暴增至12GB，查询24小时张力曲线响应时间超过40秒，连接池频繁耗尽影响MES正常查询。迁移至IoTDB后，同样数据压缩至约800MB，压缩比15比1，查询响应时间缩短至800毫秒以内，单节点写入吞吐稳定支持每秒2万数据点。IoTDB的TsFile列式存储加Gorilla编码，压缩比可达15比1到18比1，单条产线每日产生的约318GB原始时序数据，经特征提取压缩后仅需上传云端27.5GB，压缩率超过90%。边缘层同时承载实时控制逻辑：冲切压力、折弯扭矩波形做滑动窗

2026-08-06

从 Excel 报表迁移到可持续仪表盘：Metabase 的数据建模、权限与刷新实践

不少团队最初使用 Excel 制作经营报表：从业务系统导出数据，补充公式和透视表，再通过聊天工具或邮件分发。数据量不大时，这种方式简单直接；但随着参与者、指标和更新时间增加，问题会逐渐暴露：

2026-08-06

WorkBuddy 三种工作模式实战指南——附可复制的真实任务 Prompt 与界面截图

摘要：上一篇讲清了三种模式的边界，这篇直接给你能复制的真实 Prompt，外加每个模式对应的 WorkBuddy 界面演示。复制即用，少走弯路。

2026-08-04

企业舆情搜索工作台：用证据链、报告快照与查询预算支撑可交付结果

企业使用舆情系统，不只是为了看到几条相关内容，还要回答“这个结论来自哪里”“当时页面是什么样”“为什么纳入统计”“报告发送后数据是否发生变化”。如果搜索索引、原始快照和报告结果没有关联，分析员只能手工复制链接，审计人员也无法判断结论是否因后续页面变化而失真。

2026-08-02

代码不走公网、权限管到字段级、全程可审计 —— 银行级研发安全的工程标准

你让 AI 帮你写一段 SQL，输入 Prompt 里包含表结构——这段 SQL 相关的业务逻辑，已经在公网上走了一趟。

2026-07-29

亚马逊关键词搜索结果抓取：在云上把搜索结果变成可监控信号图层

作者 Leo · Pangolinfo 技术总负责人适用读者：企业数据团队、云架构师、SaaS 构建者

2026-07-28

如何用WorkBuddy自动化抓取主要上市车企月度产销数据（附可复用技能）

标签：#WorkBuddy #自动化 #数据分析 #Python #车企销量适用人群：投资者行业研究员财经自媒体汽车从业者汽车自媒体科技从业者科技自媒体

2026-07-20

电池模组捆扎钢带产线数据闭环架构重构——从高频丢包到工艺可复现

动力电池与储能电池的规模化量产，对电芯模组捆扎钢带的加工精度与一致性要求越来越高。钢带作为模组结构固定的核心承重件，厚度公差、折弯精度直接影响电池包装配安全和服役寿命。2025年国内锂电配套钢带市场规模突破1270亿元，年增速超过35%，下游车型和储能舱规格碎片化趋势非常明显。我们当时接手的这条模组钢带自动成型产线，集成了开卷、整平、伺服冲切、多道折弯、激光焊接、视觉检测六大工序，需要覆盖0.5mm到2.0mm厚度、10mm到30mm宽度、200mm到2200mm长度全规格生产。行业量产标准要求厚度公差±0.05mm以内，折弯角度误差不超过±0.5°，端面毛刺低于0.02mm。但坦白说，行业里自动化产线普及率还不到40%，大量中小厂商靠半自动化单机组合生产，数字化基础相当薄弱。实际生产中有将近18%的电池模组装配性能波动，追根溯源就是钢带成型精度不一致，返工损耗常年卡在1.5%到3%之间。这套产线的数据系统设计，有几个让人头疼的问题。高频采集丢包太严重。整条产线8到12台异构设备，伺服折弯、激光焊机、线扫视觉、张力传感器分属不同厂家，原生协议有Modbus RTU、Profinet，还有私有串口协议。我们一开始用传统OPC DA轮询采集，折弯工位100Hz以上的扭矩和角度数据丢包率超过5%，冲切冲击瞬间和焊接电流峰值信号基本抓不到。设备之间没有统一校时，时间戳偏差最大能到200ms，工艺参数、运行数据、质检结果根本对不上号。有一次排查批次质量波动，光是拉齐各设备时间就耗了大半天。数据孤岛把工艺经验锁死了。每个工位设备各自存数据，没有一个统一的钢带编码串起来。同一款钢带不同设备不同班次的折弯补偿量、整平张力、激光功率参数散落各处，换型时只能靠人工抄配方本。更麻烦的是，核心工艺全凭老师傅手感调，不同班组调出来的参数差异不小，良品率在94%到98%之间来回晃。一个老师傅休假，某个规格的钢带不良率能直接翻倍。边缘算力闲置，带宽账单却飙涨。单条产线200多个传感点位，200Hz高频采集下一天原始数据就320GB。但我们现场那些工控机基本只跑PLC通讯和HMI展示，CPU利用率连15%都不到。与此同时，大量高频数据比如伺服扭矩反馈波形、冲切振动信号，因为存不起、分析价值说不清就被直接扔掉。可要是把原始数据全往云端推，一个月的专线和存储成本能翻四倍，财务那边直接找过来了。踩完这些坑之后我们想清楚了一个原则：不是所有数据都值得存，也不是所有计算都在云上做。核心思路是在边缘侧完成清洗和特征工程，采集、计算、存储三层彻底解耦。整体架构分三层：设备感知层、边缘计算层、云端管控层。设备层保留原PLC、伺服、视觉相机，通过工业交换机做协议汇聚。我们重构了PLC程序，在OB35里做5ms中断采集关键工艺变量，改用OPC UA Pub/Sub主动推数据，把轮询模式改掉之后带宽占用降了60%。同时给每件钢带分配RFID编码作为全链路主键，哪道工序出的问题一查就知道。边缘层是我们花精力最多的地方。选了EdgeX Foundry做微服务网关底座，按需加载Modbus、OPC UA、视觉图像驱动，完成多协议统一解析和PTP高精度校时。本地挂IoTDB存原始波形，再跑一个轻量Python特征提取服务做实时处理：对冲切压力、折弯扭矩波形做滑动窗口3σ滤波，提取峰值、积分、DTW曲线匹配特征，只把压缩后的特征标签往上送。我们在边缘层还嵌了一个本地规则引擎，实现工序前馈补偿、异常联动停机这些实时逻辑。断网也不怕，产线照跑不误。云端我们基于ThingsBoard搭轻量化管控中台，主要管三件事：统一工艺配方库、产线可视化看板、Cpk分析和预测性维护。云端只收边缘处理完的特征数据，承担批量模型训练和历史归档，往下发标准化钢带配方到各产线边缘节点。时序数据库选型时我们测了一圈，MySQL和InfluxDB都试过，最后选了Apache IoTDB。50ms采样率下一整天的数据量，MySQL要12GB，IoTDB压缩完就800MB，压缩比15比1。查24小时张力曲线，MySQL要40秒，IoTDB 800毫秒以内返回，这个差距在排查问题时体感非常明显。这套架构最终落地在华东一家新能源结构件配套厂，单条产线年产80万件捆扎钢带，供储能280Ah和动力50Ah两类模组。改造前折弯尺寸不良率1.8%，换型要4.5小时，设备稼动率只有63%。硬件上我们只加了两台4核8G工业边缘网关、8路RS485网关和全线RFID读写工位，原有设备全部利旧。软件基于开源搭，没花一分钱授权费。这里讲几个具体数据。采集质量。改之前100Hz采集丢包率5.2%，设备间时间偏差160到200毫秒。改完之后丢包率降到0.28%以下，全工位PTP同步偏差不超过8毫秒。折弯闭环补偿指令从采集到执行本地延迟22到45毫秒，完全满足毫秒级控制需求。边缘每天原始数据318GB，特征提取压缩后只往云端传27.5GB，压缩率

2026-07-15

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

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。

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。