别惹CC_个人页

2025年02月

• 02.07 16:48:57
  发表了文章 2025-02-07 16:48:57

  ✨️ 2024年终总结 - 生命贵在折腾 从开发到产品 | 日本旅行 | 捣鼓项目 | 技术写作与分享 | 五月天

  在过去的一年里，我从一名应届毕业生成长为有两年经验的工程师，找到了工作与生活的平衡点。技术写作方面，成功发布了12篇高质量文章，并参与了多个技术征文活动。个人项目Kafka Dog初见雏形，未来将继续打磨。此外，我还体验了日本旅行的乐趣，并在工作中承担了更多产品设计的角色，收获颇丰。新的一年，我将继续保持博客输出，完善个人项目，并计划前往北海道和新西兰。工作之外，生活中的点滴同样重要，真实地活下去，不要忘记每天看月亮。

2025年01月

• 01.17 09:50:32
  发表了文章 2025-01-17 09:50:32

  2023年终总结-一名23届毕业生的风雨秋招路

  人生如巧克力，充满未知。23届大学生经历网课、封校后迎来秋招寒冬，笔者投递三百多家公司，最终收到三个Offer。签约中厂后，享受短暂的轻松时光。热爱编程，参加字节青训营，获技术提升与人脉积累。毕业旅行至云南时突遇毁约，但家人支持下继续前行。重新求职后选择深圳工作，入职半年收获良多。展望2024，立下多个目标，愿新的一年实现愿望。
• 01.17 09:44:27
  发表了文章 2025-01-17 09:44:27

  一个线上问题让我发现了Calendar类中的秘密-周一真的是每周的第一天吗？

  在开发一个查询未完成业务的需求时，遇到了一个问题：清明节后周日提前查出了应于周一才显示的未完成业务。原因是代码中使用了`Calendar`类，默认将周日视为一周的第一天，导致当天获取的“本周一”实际上是下周一。通过调试发现，`Calendar`类的默认设置与实际需求不符。为解决此问题，提出了三种方案：1. 加入判断机制，对周日特殊处理；2. 修改`Calendar`类的设置，将周一设为一周的第一天；3. 使用其他日期处理库如Hutool，默认以周一为一周的开始。此次排错提醒我们在日常开发中需深入了解所用类库的实现细节，以便更好地应对潜在问题。
• 01.15 09:52:43
  发表了文章 2025-01-15 09:52:43

  【📕分布式锁通关指南 01】从解决库存超卖开始加锁的初体验

  本文通过电商场景中的库存超卖问题，深入探讨了JVM锁、MySQL悲观锁和乐观锁的实现及其局限性。首先介绍了单次访问下库存扣减逻辑的正常运行，但在高并发场景下出现了超卖问题。接着分析了JVM锁在多例模式、事务模式和集群模式下的失效情况，并提出了使用数据库锁机制（如悲观锁和乐观锁）来解决并发问题。 悲观锁通过`update`语句或`select for update`实现，能有效防止超卖，但存在锁范围过大、性能差等问题。乐观锁则通过版本号或时间戳实现，适合读多写少的场景，但也面临高并发写操作性能低和ABA问题。 最终，文章强调没有完美的方案，只有根据具体业务场景选择合适的锁机制。
• 01.14 18:12:16
  发表了文章 2025-01-14 18:12:16

  HuggingFace Transformers 库深度应用指南

  本文首先介绍HuggingFace Tra环境配置与依赖安装，确保读者具备Python编程、机器学习和深度学习基础知识。接着深入探讨Transformers的核心组件，并通过实战案例展示其应用。随后讲解模型加载优化、批处理优化等实用技巧。在核心API部分，详细解析Tokenizers、Models、Configuration和Dataset的使用方法。文本生成章节则涵盖基础概念、GPT2生成示例及高级生成技术。最后，针对模型训练与优化，介绍预训练模型微调、超参数优化和推理加速等内容。通过这些内容，帮助读者掌握HuggingFace Transformers的深度使用，开发高效智能的NLP应用。
• 01.14 18:04:32
  发表了文章 2025-01-14 18:04:32

  FastAPI + ONNX 部署机器学习模型最佳实践

  本文介绍了如何结合FastAPI和ONNX实现机器学习模型的高效部署。面对模型兼容性、性能瓶颈、服务稳定性和安全性等挑战，FastAPI与ONNX提供了高性能、易于开发维护、跨框架支持和活跃社区的优势。通过将模型转换为ONNX格式、构建FastAPI应用、进行性能优化及考虑安全性，可以简化部署流程，提升推理性能，确保服务的可靠性与安全性。最后，以手写数字识别模型为例，展示了完整的部署过程，帮助读者更好地理解和应用这些技术。
• 01.14 18:01:10
  发表了文章 2025-01-14 18:01:10

  打造智能音乐推荐系统：基于深度学习的个性化音乐推荐实现

  本文介绍了如何基于深度学习构建个性化的音乐推荐系统。首先，通过收集和预处理用户行为及音乐特征数据，确保数据质量。接着，设计了神经协同过滤模型（NCF），利用多层神经网络捕捉用户与音乐间的非线性关系。在模型训练阶段，采用二元交叉熵损失函数和Adam优化器，并通过批量加载、正负样本生成等技巧提升训练效率。最后，实现了个性化推荐策略，包括基于隐式偏好、混合推荐和探索机制，并通过AUC、Precision@K等指标验证了模型性能的显著提升。系统部署方面，使用缓存、API服务和实时反馈优化在线推荐效果。
• 01.14 17:53:01
  发表了文章 2025-01-14 17:53:01

  SpringBoot整合XXL-JOB【05】- 任务分片

  在实际业务中，批量定时任务可能因执行时间过长影响业务。本文介绍如何使用Xxl-job对批量任务进行分片处理，通过分片广播形式调度集群机器并行执行，显著缩短任务耗时。具体步骤包括环境准备、不使用分片的代码示例、使用分片的改造方法及测试结果，展示了分片处理带来的性能提升。
• 01.14 17:49:41
  发表了文章 2025-01-14 17:49:41

  SpringBoot整合XXL-JOB【04】- 以GLUE模式运行与执行器负载均衡策略

  在本节中，我们将介绍XXL-JOB的GLUE模式和集群模式下的路由策略。GLUE模式允许直接在线上改造方法为定时任务，无需重新部署。通过一个测试方法，展示了如何在调度中心配置并使用GLUE模式执行定时任务。接着，我们探讨了多实例环境下的负载均衡策略，确保任务不会重复执行，并可通过修改路由策略（如轮训）实现任务在多个实例间的均衡分配。最后，总结了GLUE模式和负载均衡策略的应用，帮助读者更深入理解XXL-JOB的使用。
• 01.14 17:42:45
  发表了文章 2025-01-14 17:42:45

  SpringBoot整合XXL-JOB【03】- 执行器的使用

  本文介绍了如何将调度中心与项目结合，通过配置“执行器”实现定时任务控制。首先新建SpringBoot项目并引入依赖，接着配置xxl-job相关参数，如调度中心地址、执行器名称等。然后通过Java代码将执行器注册为Spring Bean，并声明测试方法使用`@XxlJob`注解。最后，在调度中心配置并启动定时任务，验证任务是否按预期执行。通过这些步骤，读者可以掌握Xxl-Job的基本使用，专注于业务逻辑的编写而无需关心定时器本身的实现。

  
• 01.14 17:37:34
  发表了文章 2025-01-14 17:37:34

  SpringBoot整合XXL-JOB【02】- 启动调度中心

  本文介绍了如何初始化和配置XXL-JOB调度中心。首先，从GitHub或Gitee获取源码；接着，执行`tables_xxl_job.sql`脚本初始化数据库。然后，在IDE中打开项目并修改`application.properties`中的数据库连接和`accessToken`配置。完成配置后，启动`XxlJobAdminApplication`，访问http://localhost:8080/xxl-job-admin/进行登录。最后，简要介绍了调度中心的主要功能模块，包括运行报表、任务管理、调度日志、执行器管理和用户管理。下篇将通过实例演示如何使用XXL-JOB执行定时任务。
• 01.14 17:33:14
  发表了文章 2025-01-14 17:33:14

  SpringBoot整合XXL-JOB【01】- 初识XXL-JOB

  XXL-JOB 是一个分布式任务调度平台，设计目标为开发迅速、学习简单、轻量级、易扩展。它解决了分布式环境下定时任务重复执行的问题，无需额外加锁，降低了维护成本。XXL-JOB 由调度中心和执行器两部分组成，前者管理任务，后者执行具体逻辑，使代码结构更清晰。适用于多机部署场景，支持统一管理任务的启停和频率调整。
• 01.14 17:31:11
  发表了文章 2025-01-14 17:31:11

  基于Java的Hadoop文件处理系统：高效分布式数据解析与存储

  本文介绍了如何借鉴Hadoop的设计思想，使用Java实现其核心功能MapReduce，解决海量数据处理问题。通过类比图书馆管理系统，详细解释了Hadoop的两大组件：HDFS（分布式文件系统）和MapReduce（分布式计算模型）。具体实现了单词统计任务，并扩展支持CSV和JSON格式的数据解析。为了提升性能，引入了Combiner减少中间数据传输，以及自定义Partitioner解决数据倾斜问题。最后总结了Hadoop在大数据处理中的重要性，鼓励Java开发者学习Hadoop以拓展技术边界。
• 01.14 17:24:53
  发表了文章 2025-01-14 17:24:53

  用“吃火锅”来讲清楚大模型是什么

  大语言模型就像一个超级聪明的“火锅AI服务员”，它通过海量数据训练，能根据你的需求推荐菜品、回答问题、甚至陪你聊人生哲学。它有超强的记忆力和灵活的应变能力，能接住各种奇葩问题，还会跟你玩梗互动。虽然偶尔会瞎编答案，但它绝对是个知识型选手。本文用轻松的“火锅局”方式，带你深入了解大语言模型的工作原理和特点。
• 01.14 15:58:23
  发表了文章 2025-01-14 15:58:23

  SpringBoot整合Flowable【07】- 驳回节点任务

  本文通过绩效流程的业务场景，详细介绍了如何在Flowable工作流引擎中实现任务驳回功能。具体步骤包括：获取目标任务节点和当前任务节点信息，进行必要的判空和逻辑校验，调用API完成节点回退，并清理相关脏数据（如历史任务和变量）。最后通过测试验证了驳回功能的正确性，确保流程能够成功回退到指定节点并清除中间产生的冗余数据。此功能在实际业务中非常有用，能够满足上级驳回自评等需求。
• 01.14 15:50:35
  发表了文章 2025-01-14 15:50:35

  SpringBoot整合Flowable【06】- 查询历史数据

  本文介绍了Flowable工作流引擎中历史数据的查询与管理。首先回顾了流程变量的应用场景及其局限性，引出表单在灵活定制流程中的重要性。接着详细讲解了如何通过Flowable的历史服务API查询用户的历史绩效数据，包括启动流程、执行任务和查询历史记录的具体步骤，并展示了如何将查询结果封装为更易理解的对象返回。最后总结了Flowable提供的丰富API及其灵活性，为后续学习驳回功能做了铺垫。

  
• 01.14 15:38:43
  发表了文章 2025-01-14 15:38:43

  SpringBoot整合Flowable【05】- 使用流程变量传递业务数据

  本文介绍了如何使用Flowable的流程变量来管理绩效流程中的自定义数据。首先回顾了之前的简单绩效流程，指出现有流程缺乏分数输入和保存步骤。接着详细解释了流程变量的定义、分类（运行时变量和历史变量）及类型。通过具体代码示例展示了如何在绩效流程中插入全局和局部流程变量，实现各节点打分并维护分数的功能。最后总结了流程变量的使用场景及其在实际业务中的灵活性，并承诺将持续更新Flowable系列文章，帮助读者更好地理解和应用Flowable。 简要来说，本文通过实例讲解了如何利用Flowable的流程变量功能优化绩效评估流程，确保每个环节都能记录和更新分数，同时提供了全局和局部变量的对比和使用方法。
• 01.14 15:32:57
  发表了文章 2025-01-14 15:32:57

  SpringBoot整合Flowable【04】- 通过代码控制流程流转

  本文介绍了如何使用Flowable的Java API控制流程流转，基于前文构建的绩效流程模型。首先，通过Flowable-UI导出模型文件并部署到Spring Boot项目中。接着，详细讲解了如何通过代码部署、启动和审批流程，涉及`RepositoryService`、`RuntimeService`和`TaskService`等核心服务类的使用。最后，通过实际操作演示了流程从部署到完成的全过程，并简要说明了相关数据库表的变化。本文帮助读者初步掌握Flowable在实际业务中的应用，后续将深入探讨更多高级功能。
• 01.14 15:20:29
  发表了文章 2025-01-14 15:20:29

  SpringBoot整合Flowable【03】- 通过Flowable-UI体验一个简单流程

  本文介绍了如何使用Flowable 7.0以下版本的flowable-ui进行流程建模、发布和执行。首先，通过解压并启动flowable-ui war包，访问http://localhost:8080/flowable-ui/idm/#/login登录系统。接着，创建并绘制一个简单的绩效流程模型，包含开始节点、任务节点（自评、上级评、隔级评）和结束节点，并为各节点分配处理人。然后，创建应用并发布绩效流程。最后，通过创建a、b、c三个用户分别完成各节点任务，演示了整个流程的执行过程。本文旨在帮助读者理解Flowable的基本操作和流程元素，后续将介绍通过Java代码控制流程的方法。

  
• 01.14 15:06:03
  发表了文章 2025-01-14 15:06:03

  SpringBoot整合Flowable【02】- 整合初体验

  本文介绍了如何基于Flowable 6.8.1版本搭建工作流项目。首先，根据JDK和Spring Boot版本选择合适的Flowable版本（7.0以下）。接着，通过创建Spring Boot项目并配置依赖，包括Flowable核心依赖、数据库连接等。然后，建立数据库并配置数据源，确保Flowable能自动生成所需的表结构。最后，启动项目测试，确认Flowable成功创建了79张表。文中还简要介绍了这些表的分类和常用表的作用，帮助初学者理解Flowable的工作原理。

  
• 01.14 10:43:38
  发表了文章 2025-01-14 10:43:38

  SpringBoot整合Flowable【01】- 初识工作流引擎

  本文介绍了工作流的基本概念，重点讲解了BPM（业务流程管理）和BPMN 2.0（业务流程建模符号）的关系，以及工作流引擎的发展。BPM是一种管理思想，BPMN是实现该思想的工具。文中还介绍了Flowable、Activiti等主流工作流引擎，并详细说明了流程设计的五种方式，包括FlowableUI、BPMN.js自定义、第三方设计器和代码实现等。最后通过一个请假流程图解释了流程图的组成元素，如事件、连线、任务和网关，帮助读者更好地理解工作流的设计与实现。
• 01.14 10:14:25
  发表了文章 2025-01-14 10:14:25

  @Transactional 你真的用对了吗？

  在日常开发中，`@Transactional`注解常用于声明式事务管理，但其原理和使用不当可能引发问题。本文通过一个实际场景探讨了自调用方法时事务不生效的问题，并分析了潜在风险：数据不一致。为解决此问题，提供了三种方案：1) 将方法移动到其他服务类；2) 使用`AopContext.currentProxy()`获取代理对象；3) 通过`ApplicationContext`获取Bean。最终建议尽量避免自调用事务操作，确保数据一致性。
• 01.14 10:07:12
  发表了文章 2025-01-14 10:07:12

  记录一次后端接口抖动的排查过程

  某天下午，测试新功能时发现页面接口偶尔变慢，平均十次调用中有三到四次出现3秒以上的延迟。排查了接口、数据库和服务器资源后未发现问题，最终锁定为K8s节点的负载均衡策略导致。测试环境仅有一个公网IP，SLB轮询四个Pod（其中三个为空），造成周期性延迟。移除空Pod后问题解决。
• 01.14 10:01:24
  发表了文章 2025-01-14 10:01:24

  为什么我的“OSS”上传图片会失败？

  在项目中添加上传头像功能时，起初通过阿里云OSS SDK快速实现并返回图片URL给前端。然而，mentor指出直接回传密钥存在安全风险，建议使用STS临时授权优化安全性。优化后，本地测试正常，但线上环境出现跨域问题。最终通过调整前端代码，使用`window.location.protocol`确保请求协议一致，解决了跨域问题。这一过程不仅提升了功能的健壮性，也让我深刻理解了安全性和兼容性的重要性。
• 01.13 16:07:28
  发表了文章 2025-01-13 16:07:28

  SpringBoot整合gRPC踩坑回顾

  本文回顾了作者在引入gRPC过程中遇到的挑战与解决方案。首先，由于SpringBoot 3.0暂不支持相关starter，导致初期预研不足，项目无法启动。接着，在编写代码时因对微服务架构理解不清，出现多个设计错误。最后，解决依赖冲突问题，特别是`protobuf-java-util`与现有依赖的冲突，通过Maven Helper插件有效排查并修复问题。此次经历加深了作者对微服务架构的理解，并为后续项目拆分打下基础。
• 01.13 15:03:04
  发表了文章 2025-01-13 15:03:04

  自研一套高性能API网关，你都需要做什么？

  本文介绍了自研API网关的基本组成和架构，涵盖网关的作用、请求生命周期、功能点详解（如插件和规则）、技术选型（Java、Netty、Nacos）及设计要点。通过异步化设计、缓存、串行化优化、提高吞吐量和合理配置工作线程，确保高性能与稳定性。最后，提供了网关的架构图，帮助读者全面理解其构建过程。
• 01.13 12:14:37
  发表了文章 2025-01-13 12:14:37

  多领域智能客服：基于Java的智能分发与定制化问答系统

  本文介绍了如何通过Dify平台构建一个多领域AI客服系统，以解决传统AI客服在复杂业务场景中回答不准确的问题。该系统将客服模块按售前、售后和日常业务划分，利用Dify的API进行集成和调用，并通过知识库提供上下文支持，确保精准回应。架构设计中，首先部署Dify，创建并配置AI应用，编写提示词，管理知识库，封装API接口，实现问题分类与转发逻辑。最终，通过日志记录测试过程，验证系统的有效性。此方案适用于希望提升AI客服效果的企业。
• 01.10 11:52:10
  发表了文章 2025-01-10 11:52:10

  微服务架构设计与实践：用Spring Cloud实现抖音的推荐系统

  本文基于Spring Cloud实现了一个简化的抖音推荐系统，涵盖用户行为管理、视频资源管理、个性化推荐和实时数据处理四大核心功能。通过Eureka进行服务注册与发现，使用Feign实现服务间调用，并借助Redis缓存用户画像，Kafka传递用户行为数据。文章详细介绍了项目搭建、服务创建及配置过程，包括用户服务、视频服务、推荐服务和数据处理服务的开发步骤。最后，通过业务测试验证了系统的功能，并引入Resilience4j实现服务降级，确保系统在部分服务故障时仍能正常运行。此示例旨在帮助读者理解微服务架构的设计思路与实践方法。
• 01.10 11:35:04
  发表了文章 2025-01-10 11:35:04

  小团队 CI/CD 实践：无需运维，Java Web应用的自动化部署

  本文介绍如何使用GitHub Actions和阿里云Kubernetes（ACK）实现Java Web应用的自动化部署。通过CI/CD流程，开发人员无需手动处理复杂的运维任务，从而提高效率并减少错误。文中详细讲解了Docker与Kubernetes的概念，并演示了从创建Kubernetes集群、配置容器镜像服务到设置GitHub仓库Secrets及编写GitHub Actions工作流的具体步骤。最终实现了代码提交后自动构建、推送镜像并部署到Kubernetes集群的功能。整个过程不仅简化了部署流程，还确保了应用在不同环境中的稳定运行。

2024年03月

• 03.30 20:59:23
  回答了问题 2024-03-30 20:59:23

  人工智能大模型如何引领智能时代的革命？

  赞55 踩0 评论0