视频和相关社区网站的介绍，但是由于我比较热衷于微软的Azure平台的研究和推广，针对其他厂商的云计算产品，我只是很粗浅的了解了其概念及简单使用，并没有做深入的研究，所以如果后续发布的云计算相关文章也会集中在Azure上。

PostgreSQL 使用多版本并发控制（MVCC）机制，删除操作仅仅是给数据行打上了一个“已删除”的标记（在事务 ID 层面标记为 xmax）。只有当 VACUUM（自动清理或手动清理）进程运行并扫描该表时，这些被标记为“已删除”的物理空间才会被真正回收和覆盖。如果数据已经被 VACUUM 清理，或者上述方法无效，且数据库开启了归档模式，可以使用时间点恢复。一旦发现误删，必须立即执行以下操作以锁

VictoriaMetrics 架构分层│├── [1] 应用层 (app/)│ ├── vminsert — 写入接入层（Prometheus/InfluxDB/DataDog/OTel 等 12+ 协议）│ ├── vmselect — 查询执行层（PromQL/MetricsQL/GraphiteQL + 查询调度）│ └── vmstorage — 数据存储层（Cluster 模式核心）│

Prometheus 的内存占用主要来自两个方面：(1) 索引块（Index）全量 mmap 到内存；(2) 数据块（Chunks）按时间窗口预加载。而 VictoriaMetrics 通过 TSIDCache 只缓存热点索引，通过 blockCache 只缓存热点数据块，显著降低了内存占用。我理解源码的意思是说两种内存策略可以类比为——一个是"桌面堆书"模式，一个是"图书馆借阅系统"模式。

随着 DeepSeek 正式发布 DeepSeek-V4 系列，大模型的工程边界再次被明显推高。该系列基于 MoE 架构，提供了和两种规格，同时在推理阶段仅激活数十亿参数，在性能与成本之间取得了新的平衡。配合，其在中的表现，已经开始逼近甚至挑战当前主流闭源模型。从架构设计来看，不只是简单的参数扩展，而是在多个关键路径上进行了系统性优化。例如显著降低，而。这些优化技术使得其在长上下文与复杂推理场景中

笔者注：放假期间，让Codex把最近的编程工作做了个总结。感觉AI近期的表现非常出色，其中有部分内容涉及的功能模块笔者都还没来及分享过，后面有时间会陆续整理更新出来。这次 AI 编程工作，主要围绕 trustedKnowledge 系统的前端体验、状态持久化、AI 问数能力、Skill 管理和内容复制体验展开。整体目标很明确：让系统更稳定、更顺手，也让 AI 能力更可控地融入业务流程。

随着 DeepSeek 正式发布 DeepSeek-V4 系列，大模型的工程边界再次被明显推高。该系列基于 MoE 架构，提供了和两种规格，同时在推理阶段仅激活数十亿参数，在性能与成本之间取得了新的平衡。配合，其在中的表现，已经开始逼近甚至挑战当前主流闭源模型。从架构设计来看，不只是简单的参数扩展，而是在多个关键路径上进行了系统性优化。例如显著降低，而。这些优化技术使得其在长上下文与复杂推理场景中

随着 DeepSeek 正式发布 DeepSeek-V4 系列，大模型的工程边界再次被明显推高。该系列基于 MoE 架构，提供了和两种规格，同时在推理阶段仅激活数十亿参数，在性能与成本之间取得了新的平衡。配合，其在中的表现，已经开始逼近甚至挑战当前主流闭源模型。从架构设计来看，不只是简单的参数扩展，而是在多个关键路径上进行了系统性优化。例如显著降低，而。这些优化技术使得其在长上下文与复杂推理场景中