[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"articles-1-10":3},{"code":4,"msg":5,"data":6},200,"成功",{"list":7,"total":100},[8,21,30,39,48,57,65,74,83,91],{"id":9,"title":10,"slug":11,"summary":12,"wordCount":13,"readingTime":14,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":19,"likeCount":18,"commentCount":18,"publishTime":20},"2102319880609001474","工业物联网遥测双链路与按点位间隔入库技术实践","jiange-lianlu-yaoce-ruku","工业物联网遥测双链路与按点位间隔入库技术实践 文档类型：技术与架构实践分享 编写日期：2026-09-22 实践状态：SSE 实时推送与 InfluxDB 按点位间隔保存已完成现场功能验证 适用场景：设备高频遥测、实时大屏、时序数据持久化、Kafka 消费解耦 1. 摘要 工业物联网平台经常同时面对两类目标： 实时页面希望尽快看到设备最新值，不能被数据库写入速度影响； 时序数据库需要按照不同点位的业务价值控制保存频率，降低写入量和存储成本，同时不能静默丢失应保存的数据。 本实践最终采用“同一原始遥测 Topic、两个独立 Kafka 消费组”的双链路架构：实时链路只负责最新状态投影与 SSE 推送，持久化链路独立完成按点位间隔判断、批量写入 InfluxDB、水位提交和异常重试。两个链路共享无状态的标准化规则和点位映射缓存，但不共享消费位点、消费线程或下游成败状态。 现场功能验证表明：.....",12877,42,"0","",2,0,234,"2026-09-22 00:00:00",{"id":22,"title":23,"slug":24,"summary":25,"wordCount":26,"readingTime":27,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":28,"likeCount":18,"commentCount":18,"publishTime":29},"2101860362313854978","语音转文字技术实践，分片、保活、声纹：内网转写系统的四个关键实现","shijian-wang-fenpian-wen","经过半个月的时间不断学习和模型的训练，调试，整个语音识别这块的技术栈进行研究，本次主要是端到端，不调用互联网的API接口，自己通过小模型的学习，实现一套支持语音文件识别文字、识别声纹、杂波过滤、支持在线校对等于一体的语音识别文字，整个效果可以实现技术自主可控，成本低廉和可以正式使用的工具； 下面直接先看效果： 只有 CPU、没有 GPU 的本地化音视频转写系统：上传音视频 → 异步转写 → 带时间戳的分段文字 → 在线播放与时间轴跳转 → 人工校对 → 四格式导出。 本文讲的是怎么做到的，以及哪些地方真机上才会疼。全文不含任何内部标识、凭据与目录信息。 1.",21155,70,264,"2026-09-21 00:00:00",{"id":31,"title":32,"slug":33,"summary":34,"wordCount":35,"readingTime":36,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":37,"likeCount":18,"commentCount":18,"publishTime":38},"2069808550190837762","Qdrant 深度解析：面向向量搜索的高性能数据库","qdrant-mianxiang-xiangliang-jiexi","一、什么是 Qdrant？ Qdrant 是一个开源的向量数据库（Vector Database），专门用于存储、管理和检索高维向量数据。它通过高效的近似最近邻搜索（ANN, Approximate Nearest Neighbor）算法，实现毫秒级的相似度查询。 核心定位： Qdrant = 向量存储 + 相似度搜索 + 过滤能力 适用场景： 语义搜索（Semantic Search） 推荐系统（Recommendation System） 图像\u002F音频检索 大模型 RAG（知识检索增强） 二、为什么需要向量数据库？ 传统数据库（如 MySQL、PostgreSQL）主要处理结构化数据，而 AI 应用更多是\"语义相似性\"问题，例如： \"找和这段话意思相近的内容\" \"推荐和用户兴趣相似的商品\" 向量表示流程： 普通数据库不适合高维向量搜索的原因： 计算复杂度高（O(n)） 缺乏高效索引结构 ...",2650,8,611,"2026-06-24 23:43:05",{"id":40,"title":41,"slug":42,"summary":43,"wordCount":44,"readingTime":45,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":46,"likeCount":18,"commentCount":18,"publishTime":47},"2058861222097383425","Umi-OCR Docker 部署与 API 接口调用指南","umi-ocr-docker-api","Umi-OCR 是一款免费、开源、可批量的离线 OCR 软件，支持截屏识别、批量导入图片、PDF 文档识别、排除水印\u002F页眉页脚、扫描\u002F生成二维码等功能。其 Docker 部署方案使得在 Linux 服务器或桌面环境下运行和集成变得非常便捷。 一、Docker 部署 Umi-OCR 1. 部署前提 在开始部署前，请确保您的主机 CPU 支持 AVX 指令集，这是运行 Umi-OCR Linux 版本的必要条件。 如果命令输出中包含 avx 和 avx2，则可以继续部署。 2. 构建 Docker 镜像 首先，下载官方提供的 Dockerfile 并构建镜像。 如果遇到网络问题，可以在构建时设置代理： 3.",3556,11,707,"2026-05-25 18:42:19",{"id":49,"title":50,"slug":51,"summary":52,"wordCount":53,"readingTime":54,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":55,"likeCount":18,"commentCount":18,"publishTime":56},"2054207490390814721","基于Spring AI Alibaba构建智能点餐助手Agent","spring-ai-alibaba-agent","手把手带你入门Agent开发，实现一个能理解自然语言、自动推荐菜品的AI点餐助手 一、背景：从规则到智能 传统的点餐推荐通常由硬编码逻辑实现——根据人数计算菜品数量，按荤素比例筛选，最后返回结果。这种方式虽然确定、高效，但缺乏灵活性：用户无法用自然语言表达“今晚4个人，想吃辣一点的，预算200左右”，更无法追问调整。 随着大模型和Agent技术的成熟，我们可以构建一个智能点餐Agent：用户用平常说话的方式提出需求，Agent自动调用工具函数完成推荐，并以友好的格式返回结果。 Spring AI Alibaba 提供了完整的 Agent 开发框架（基于 ReactAgent），结合阿里云 DashScope 大模型，可以快速搭建此类应用。 本文将带你从零开始，开发一个功能完整的智能点餐助手。 二、环境准备 2.1 基础要求 JDK 17+ Maven 3.6+ 阿里云 DashScope ...",14914,49,572,"2026-05-12 22:29:59",{"id":58,"title":59,"slug":60,"summary":61,"wordCount":62,"readingTime":36,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":63,"likeCount":18,"commentCount":18,"publishTime":64},"2051303568504320001","1000 万短信 1 小时发完，怎么设计线程池？","fa-wan-sheji-xiaoshi","设计一个能在一小时内稳定发送一千万条短信的线程池，绝不仅仅是设置几个参数那么简单。这是一个典型的高并发、IO密集型任务，需要从架构层面进行系统性设计，以确保高性能、高可靠和系统稳定。 以下是完整的设计方案： 🎯 核心目标与约束 首先，明确我们的目标： 总量: 10,000,000 条短信 时限: 1 小时 (3600 秒) 平均速率: 10,000,000 \u002F 3600 ≈ 2778 条\u002F秒 这意味着我们的系统需要稳定地维持近 2800 QPS 的发送能力。 🛠️ 线程池核心配置 在生产环境中，严禁使用 Executors.newFixedThreadPool() 等方式创建线程池，因为它们使用无界队列，在海量任务下极易导致内存溢出（OOM）。我们必须手动创建 ThreadPoolExecutor 并进行精细化配置。 1.",2565,476,"2026-05-04 00:00:00",{"id":66,"title":67,"slug":68,"summary":69,"wordCount":70,"readingTime":71,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":72,"likeCount":18,"commentCount":18,"publishTime":73},"2041716173987442689","Tailwind CSS 完整字典\u002F速查表（前端开发常用）","tailwind-css-sucha-biao","📐 布局 Layout 类别 常用类 说明 容器 container mx-auto px-4 居中容器 显示 block inline inline-block hidden flex grid table 显示模式 定位 static relative absolute fixed sticky 定位方式 层级 z-0 ~ z-50 z-index 📊 Flexbox 弹性布局 属性 类名 示例 方向 flex-row flex-col flex-row-reverse 主轴方向 换行 flex-wrap flex-nowrap flex-wrap-reverse 是否换行 主轴对齐 justify-start center end between around evenly justify-content 交叉轴对齐 items-start center end stretch ...",8667,28,479,"2026-04-08 11:14:02",{"id":75,"title":76,"slug":77,"summary":78,"wordCount":79,"readingTime":80,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":81,"likeCount":18,"commentCount":18,"publishTime":82},"2039999965848203266","Vue 3 异步请求控制：串行与并行的优雅实践","vue-youya-kongzhi-qingqiu","在 Vue 3 的开发中，处理异步请求是家常便饭。我们经常遇到这样的场景：需要等待一个或多个 API 请求完成后，才能进行下一步的数据处理或页面渲染。如何清晰、高效地控制这些请求的执行顺序，是构建健壮应用的关键。 本文将探讨在 Vue 3 中控制异步请求的两种核心模式：串行执行和并行执行，并结合 async\u002Fawait、Promise.all 等现代 JavaScript 特性，提供清晰、可维护的解决方案。 🎯 场景一：串行执行，处理请求依赖 当一个请求的执行依赖于前一个请求的返回结果时，我们必须确保它们按顺序执行。例如，先获取用户 ID，再根据 ID 获取用户的详细信息和订单列表。 在 Vue 3 的",5219,17,458,"2026-04-03 17:34:26",{"id":84,"title":85,"slug":86,"summary":87,"wordCount":88,"readingTime":36,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":89,"likeCount":18,"commentCount":18,"publishTime":90},"2027264498228850690","SQL 性能避坑：为什么阿里强制禁用 ORDER BY RAND()？","ali-qiangzhi-keng-jinyong","在阿里巴巴的《Java 开发手册》及众多高并发系统的数据库规范中，ORDER BY RAND() 被列为强制禁止的写法。这并非因为语法错误，而是因为它在数据量稍大时，会引发严重的性能问题，甚至导致数据库雪崩。 以下是其被禁用的核心原因、底层机制分析及推荐的替代方案： 1. 核心痛点：为什么 ORDER BY RAND() 是“性能毒药”？ 当执行 SELECT * FROM table_name ORDER BY RAND() LIMIT N; 时，MySQL 的执行过程极其低效，主要包含以下三个致命步骤： 全表扫描与逐行计算： MySQL 必须扫描表中的每一行数据，并为每一行调用一次 RAND() 函数生成一个随机数。这意味着即使你只需要 1 条数据，如果表里有 100 万行，它也要计算 100 万次随机数。 创建临时表（Using temporary）：...",2468,478,"2026-03-23 11:27:10",{"id":92,"title":93,"slug":94,"summary":95,"wordCount":96,"readingTime":97,"categoryId":15,"tags":16,"coverImage":16,"thumbnail":16,"status":17,"isTop":18,"isRecommended":18,"allowComments":18,"password":16,"viewCount":98,"likeCount":18,"commentCount":18,"publishTime":99},"2010914302024806401","HashMap 是不是线程安全的？如果让你来实现一个线程安全的 HashMap 你要怎么设计？如果不用加锁你要怎么设计？","hashmap-chenganquan-xian-sheji","HashMap 的线程安全性是多线程编程中的一个重要问题，下面我将为你详细解答，并探讨线程安全 HashMap 的设计方案。 🔒 HashMap 的线程安全性分析 HashMap 的非线程安全本质 HashMap 在设计上不是线程安全的。当多个线程同时访问和修改同一个 HashMap 实例时，会导致不可预知的行为。 并发环境下的主要问题： 数据竞争：多个线程同时执行 put\u002Fremove 操作可能导致数据丢失或覆盖 死循环：在扩容过程中，多线程可能导致链表形成环，引发 CPU 100% 问题 大小不一致：size() 方法返回的结果可能不准确 特例分析 需要注意的是，当 HashMap 作为方法内的局部变量，且每个线程拥有独立实例时，不存在线程安全问题。 🛠️ 实现线程安全 HashMap 的设计方案 1.",4270,14,503,"2026-01-13 11:18:25","43"]