登录社区云，与社区用户共同成长
邀请您加入社区
让我们先看一组真实的数据。作为独立开发者，我们经常在应用商店的评论区看到这样的现象：一个用户给出了三星评价，评论内容是"功能还不错，但希望能支持深色模式"。这位用户其实并不想打三星——他只是找不到一个地方来表达他的需求。于是，应用商店评论区变成了一个"功能请求信箱"，而开发者得到的却是一个拉低评分的负面评价。这暴露了一个深刻的命题：如果你的应用里没有一个说得过去的反馈通道，用户就会去你能看见的地方
HarmonyOS 应用开发者高级认证的价值，不只是增加一行证书经历，而是迫使开发者把碎片化知识整理成完整能力结构。以官方大纲为基线；以官方课程和文档为主要资料；以 ArkTS 编程保持基础手感；以项目验证架构和性能；以错题本减少重复错误；以模考训练时间；以合规方式参加考试；通过后继续积累工程经验。不要相信“背一套题就能掌握高级开发”，也不要因为大纲范围广就焦虑。把知识拆成模块，把模块放进项目，把
步骤1：基于TKernel创建算子工程创建算子描述文件，定义输入输出、属性及计算逻辑步骤2：编写算子实现代码在中实现自注意力计算的核心逻辑，利用昇腾矢量指令（如vaddvmul// 示例：自注意力QKV投影计算// 昇腾矢量指令加速矩阵乘法步骤3：编译与部署算子将编译生成的*.o文件注册到MindSpore算子库，完成自定义算子部署这是一张图片，ocr 内容为：优化效果实测。
文章摘要（145字） 本文系统总结了鸿蒙应用性能优化知识体系，涵盖启动、布局、列表、内存、动画、包体积、功耗7大领域。通过ROI分析指出最高效的优化策略：图片转WebP（收益5星/成本1星）、列表使用LazyForEach（4星/2星）、代码混淆（3星/1星）等Top10优化项。强调性能优化应遵循"发现→定位→优化→验证"的闭环流程，建立性能基线和文化。最后为"民族图鉴"项目提供可直接落地的优化C
本文主要探讨机器人开发中的性能优化策略。作者通过一个视觉伺服系统的案例，强调性能优化的核心原则：基于profiling数据而非猜测进行优化。介绍了Linux下的perf和FlameGraph等性能分析工具，并详细列举了从算法、数据结构到编译器优化的多层次优化手段（包括算法复杂度改进、缓存友好性处理、SIMD指令使用等）。文章特别指出，优化后必须进行量化对比验证，并提供了Google Benchma
虽然方案 4 在逻辑上"读了两遍表"（一次聚合 + 一次回查），但两遍扫描是并行分布在不同线程执行的，且第二遍扫描通过 Hash Join 的过滤条件大幅减少了有效数据量。方案 4 在第一阶段就将 1500 万行压缩为 2,355 个品种的最大 seq_no，第二阶段仅用这些 seq_no 精确回查，JOIN 后最多返回约 4,710 行。优先消除排序：对于 “取每组最大值对应行” 的场景，先用
摘要 昇腾 CANN 推出的 ATB（Ascend Transformer Boost）加速库专为 Transformer 算子优化设计，通过算子融合、内存调度等底层优化提升计算效率。ATB 位于 CANN 软件栈中间层，提供高性能算子实现，覆盖 Multi-Head Attention、LayerNorm、RoPE 等核心模块，相比传统 PyTorch 实现减少 40%-70% 执行时间。其特点
本文深入探讨了移动应用中列表性能优化的关键问题。列表作为最常见的界面形式，却常面临数据量大、滚动频繁、元素复杂和内存压力四大性能挑战。文章通过对比ForEach（全量渲染）和LazyForEach（懒加载）的核心差异，揭示了后者通过视口回收、组件复用和懒加载机制实现性能飞跃的原理。针对「民族图鉴」的56个民族列表场景，提供了具体优化方案选择建议，并系统讲解了列表项轻量化、复用机制、key的重要性等
本文摘要： 《民族图鉴》详情页的布局与渲染性能优化》深入解析了移动应用界面渲染的核心流程与优化策略。文章从渲染流程四阶段（布局→绘制→合成→提交）切入，重点讲解了重排（Reflow）与重绘（Repaint）的原理及性能影响，指出重排的递归特性会导致整棵组件树重新计算。针对常见性能问题如布局抖动、列表卡顿等，提出了层级优化、Flex布局改进、合理使用Span等解决方案，并结合实际案例演示如何减少60
本文深入解析了移动应用启动性能优化的关键问题与解决方案。主要内容包括： 启动性能的重要性：53%用户会放弃3秒以上加载的应用，启动速度直接影响用户留存。 三种启动形态： 冷启动（进程不存在，耗时最长） 温启动（进程存在但页面重建） 热启动（进程和页面都在） 启动流程分析： 系统阶段（进程创建、应用加载） 应用阶段（服务初始化、启动页加载、首页渲染） 优化重点： 冷启动是主要优化目标 启动页固定等待
本文摘要： 《性能优化入门指南》系统介绍了移动应用性能优化的核心知识体系。文章以「民族图鉴」App为例，从用户体验、业务指标和品牌形象三个维度阐述性能优化的重要性，指出性能直接影响用户留存率（页面加载3秒跳出率增加32%）、商业转化和产品品质感知。详细解析了六大核心性能指标：启动时间（冷/温/热启动）、流畅度（FPS、Jank率）、内存占用、CPU使用率、包体积和电量消耗，并给出各指标的优秀标准（
Scroll + List + ForEach/LazyForEach 构成了鸿蒙长列表性能优化的核心方案。Scroll 作为通用滚动容器，适合内容可控的场景；List 结合虚拟列表机制，专门针对大量列表数据优化。ForEach 适用于中等数据量，LazyForEach 更适合大数据量场景，其 IDataSource 接口提供了灵活的数据管理能力。在实际开发中，配合 stickyHeader、di
MCP协议为AI与数据库的深度融合铺平了道路。通过标准化的工具接口，AI应用能够安全、高效地操作数据库，将原本分散在多个工具中的操作整合到统一的对话界面中。对于开发人员，这意味着更流畅的SQL优化体验；对于DBA，这意味着更智能的运维辅助；对于企业，这意味着更高效的数据资产利用。在AI原生应用爆发的2025年，"AI直接操作数据库"不再是科幻场景，而是已经落地的技术现实。掌握MCP协议，就是掌握A
本文针对HarmonyOS应用开发中的图片加载性能优化问题，提出了一套分层解决方案。文章首先建议将图片按场景（头像、列表封面、详情大图等）分级处理，采用不同加载策略。核心优化措施包括：1）建立统一的图片请求模型；2）构建包含尺寸和场景的缓存key；3）设置内存缓存上限；4）智能预加载机制；5）完善的失败占位策略。文章还提供了详细的验证流程、常见问题排查方法和工程落地建议，强调通过请求模型、缓存管理
本文针对鸿蒙应用开发中的内存管理问题，特别是闭包陷阱与内存泄漏，提供了系统性的解决方案。文章首先介绍了HarmonyOS的ARC+GC混合内存管理机制，重点分析了闭包捕获导致的内存泄漏原理，并详细列举了6种典型内存泄漏类型及其修复方案。 在实战部分，文章深入探讨了异步回调、定时器、事件监听等常见场景下的内存管理问题，通过对比错误写法与安全写法，给出了具体代码示例。特别强调了在aboutToDisa
本文介绍了HarmonyOS应用长列表性能优化的实战方案。针对资讯流、商品流等常见长列表场景，提出了一套系统性的工程化解决方案，通过LazyForEach数据懒加载、分页加载和图片缓存治理等关键技术手段，有效解决滑动卡顿和内存上涨问题。 文章从问题拆解入手，指出长列表性能问题通常由多因素叠加造成，包括一次性加载过多数据、key不稳定、列表项过重、图片无缓存等。随后提出工程结构优化建议，将数据、渲染
本文针对AI Agent性能优化提出三步策略：1) 异步处理（流式返回与并发工具调用可降延迟50%+）；2) 多级缓存（内存→磁盘→Redis三级缓存减少重复计算）；3) 批处理（合并相似请求节省Token成本）。核心优化点在于LLM调用环节（占耗时60-80%），通过递进式技术组合（异步→缓存→批处理→连接池）实现QPS提升与成本控制。代码示例演示了流式响应、并行工具执行及缓存层级设计，强调独立
本文系统剖析了数据库高并发优化的全链路方案，从底层硬件到分布式架构逐层解析。首先指出硬件网卡、操作系统内核的TCP连接资源限制是高并发瓶颈的根源，详细分析了无连接池场景下频繁TCP握手/挥手的性能损耗。接着深入MySQL单机优化，提出连接池复用、SQL语句优化等核心手段。然后引入Redis缓存分层架构，详解缓存更新策略、内存淘汰机制及穿透/雪崩等问题的解决方案。最后给出分布式扩容方案，包括读写分离
本文针对HarmonyOS应用冷启动优化提出具体解决方案，通过任务拆解和性能分析工具实现首屏加速。文章明确了官方参考文档，建议将冷启动过程分为五个阶段：轻量级进程初始化、窗口创建、首屏渲染、非关键任务延后执行和性能复测。推荐采用模块化工程结构，分离启动职责，入口Ability仅处理窗口创建等核心任务，其他业务初始化通过StartupCoordinator统一管理。关键原则是：首屏必要任务同步执行且
在鸿蒙生态规模化落地的当下，应用的流畅度与多端一致性直接决定用户体验。ArkUI 作为 HarmonyOS 应用开发的核心 UI 框架，其性能表现是应用质量的核心指标。HarmonyOS 5.0 针对 ArkUI 新增了增量渲染、细粒度状态监听、跨端自适应组件等多项能力，但多数开发者仍停留在 “功能实现” 层面，未能充分释放框架性能红利。本文结合笔者多年鸿蒙应用开发实战经验，从底层原理到上层实操，
道本科技合规数知法用法平台，利用大数据与人工智能技术，采用“AI事项查法”技术，允许企业在不清楚具体法规的情况下，直接输入相关事项，快速获取数字化结果。正是在这样的背景下，天津市道本科技有限公司——一家成立于2008年、深耕企业法务合规数字化建设领域的国家高新技术企业——打造出覆盖“合规管理—合同风控—法务数智化”的一体化解决方案。从金融业的监管数据报送，到制造业的合同履约管控，从反洗钱到数据安全
多智能体系统（Multi-Agent System）是由多个自治智能体组成的协作框架，通过任务分配和协调机制解决复杂问题。其核心原理是将不同能力的AI模型视为独立智能体，利用各自优势实现整体效能优化。在AI工程实践中，这种架构能显著提升技术价值，特别是在平衡性能与成本方面表现出色。应用场景涵盖代码开发、内容创作、数据分析等领域，其中Claude团队提出的Advisor模式和Orchestrator
在软件开发领域，代码优化是提升程序性能的关键技术，涉及算法复杂度分析、内存管理和并发编程等多个层面。其核心原理在于通过识别性能瓶颈并应用针对性改进，减少资源消耗并提高执行效率。从技术价值看，优化能显著改善用户体验、降低服务器成本并增强系统可扩展性。在游戏开发、高频交易和嵌入式系统等对性能敏感的场景中尤为关键。本文聚焦C++语言，结合AI辅助工具，探讨基于模式识别的代码转换、算法选择优化、编译期计算
AI Agent作为人工智能领域的重要演进，其核心在于通过大语言模型（LLM）赋予系统自主规划、工具调用与任务执行的能力。其工作原理通常遵循感知-规划-执行-反思的认知循环，技术价值在于将传统自动化提升至具备认知与决策能力的智能水平，广泛应用于流程自动化、智能客服、数据分析等场景。本文聚焦于构建高可用、高性能的生产级AI Agent平台，深入探讨了其核心架构范式，包括垂直、水平与混合协作模型，并详
本文深入分析了ChatGPT界面变慢或卡顿的六大原因，包括网络延迟、服务器过载、模型推理时间、客户端问题等，并提供了优化使用体验的实用技巧。通过实测数据和专业解释，帮助用户理解AI交互中的性能瓶颈，提升ChatGPT的使用效率。
AI编程助手作为现代开发流程中的智能协作工具，其核心原理基于强化学习与上下文感知技术。通过建立清晰的权限结构和渐进式训练体系，开发者可以显著提升AI助手的代码生成质量与响应效率。在工程实践中，合理配置记忆管理系统和奖惩机制能够优化资源利用率，降低错误传播率。特别是在持续集成、自动化测试等DevOps场景中，经过深度调教的AI编程助手可以成为提升研发效能的关键组件。本文以GitHub明星项目Open
在AI工程实践中，模型推理性能与内存管理是影响系统稳定性的关键因素。通过流式输出、混合精度推理等技术可显著提升响应速度，而会话生命周期管理和插件沙箱机制则能有效控制内存占用。这些优化手段在金融客服等实时交互场景中尤为重要，例如OpenClaw系统经过调优后响应时间提升7倍、内存占用降低73%。针对生产环境中的卡顿和OOM问题，本文提供了从模型选型到监控告警的全链路解决方案。
列表是性能重灾区。一个聊天记录几千条、商品列表无限滚动——如果用错方式，轻则滑动卡顿，重则内存爆炸直接崩。我做过不少列表优化，这篇文章把最实用的几招讲清楚：用懒加载、控制单次渲染量、复用组件、减少布局层级。照着做，列表丝滑起来。LazyForEach 懒加载、cachedCount 加缓冲、布局减层级、图片用缩略。其中 LazyForEach 是性价比最高的一招，几乎所有长列表卡顿，第一步都是换它
从 Jetpack Compose 到 CMP，声明式 UI 在 KMP 全栈中的局部性体现为 commonMain共享 +局部适配；性能优化则需针对平台渲染差异、状态重组与内存模型（尤其 iOS/Native）采取分层治理。合理运用上述策略，可在保持高代码复用率（UI 达 70%–90%）的同时，逼近原生体验。
在上一篇文章中，我们实现了编辑记录本地存储功能，通过Preferences将用户的每一步编辑操作（包括滤镜、缩放、裁剪等）持久化保存，用户可以在“历史记录”页面浏览和恢复之前的编辑状态。核心代码实现了单例，它封装了和put方法，确保每次编辑操作都被记录为一个包含操作类型、参数和时间戳的JSON对象。虽然功能已经趋于完整，但我在测试过程中发现了一个严重问题：当连续编辑多张大图（如4000x3000像
【摘要】本文深入讲解RK3588S三核NPU的多线程推理优化。揭示默认单实例只用一个核心的根本原因，提出两大策略：1）单模型三核并发，通过rknn_set_core_mask设置RKNN_NPU_CORE_0_1_2，单次推理延迟降低约40%；2）多模型多实例并发，三线程各绑一核，三路视频总吞吐提升3倍。给出完整的生产级C++多线程推理框架代码，含任务队列、条件变量同步、回调式异步API用法。附r
生产级Agent应用实战指南：架构设计与优化策略 本文全面剖析了从Demo到生产级Agent应用的转变过程，提供了完整的架构设计方案和优化策略。 核心要点： 生产级架构设计：采用分层架构（接入层、应用层、能力层、基础设施层），确保系统的扩展性、稳定性和可观测性 性能优化六大招：包括流式输出、语义缓存、模型路由、并行工具调用等关键技术，显著提升响应速度 成本控制策略：通过模型分级、语义缓存、Prom
本文探讨了在骁龙X2 Elite平台上优化大模型推理的系统级技术，重点介绍了异构协同推理架构。通过高通AI引擎调度器，将计算密集型算子（如矩阵乘法）分配给NPU，控制密集型算子（如Softmax、KV Cache管理）分配给CPU，实现高效协同。文章还概述了流式推理、KV Cache优化、内存管理等关键技术，并提供了Transformer层的异构算子分配代码示例，展示了如何在不同计算引擎间分配任务
Per-token量化python# SGLang启用RadixAttentionimport sglang as sglbackend = sgl.Runtime( model_path="meta-llama/Llama-4-70B", enable_prefix_caching=True, # 关键 chunked_prefill_size=4096,)# 多请求共享前缀prompts =
在人工智能飞速发展的当下，用户获取信息的方式发生了巨大转变，GEO优化应运而生。陕西维度引擎科技作为专注此领域的平台，其效果备受关注。
性能优化
——性能优化
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
DAMO开发者矩阵
华为开发者空间
HarmonyOS开发者社区
MCP技术社区
智能体开发者社区
openEuler 社区
EazyDevelop社区
亚马逊云科技技术品牌专区
AI Agent技术社区
AMD开发者中国社区
