于宣布 MiniMax-M3 正式发布，并在于与上正式开源权重。MiniMax-M3 是一款大模型，采用，约，原生支持，并提供与两种推理模式，可根据复杂推理、Agent 任务或低延迟对话/代码补全等不同场景灵活切换。官方推荐的采样参数为top_p=0.95top_k=40。本文使用的是其，在保持精度的同时显著降低显存占用，更适合在有限卡数上部署。官方给出了 MiniMax-M3 与多款主流模型的对

这个框架并没有创造一套全新的技术，而是把 ASP.NET Core、EF Core、Blazor SSR / Razor Pages、Vite、Tailwind、认证、队列、定时任务、CLI 这些东西，用「约定优于配置」的方式预装、整合、规范化。算是一个不错的脚手架。

这一步的作用很简单：先看现在已经放行了什么，再决定是否继续新增。表示把规则写入持久配置，避免重启后失效。对应 443 端口。

品牌国际化 i18n:pms_brand:{id}:{lang} Hash 品牌多语言缓存（按语言分离）库存快照 wms:inv:snapshot:{warehouseId} Hash 仓库库存快照（6小时）用户权限 sys:user:permissions:{id} Hash 用户权限缓存（24小时）系统验证码 sys:captcha:{uuid} String 验证码缓存（5分钟）商品数据 p

I语音助手，目前逐渐开始成为主流手机品牌的标准功能。你有没有想过：在你对手机说"帮我定个明天早上八点的闹钟"，手机是怎么听懂的？这里呢，它要先把你的声音变成文字（语音识别），理解"明天早上八点"是时间、"定闹钟"是任务（自然语言理解），然后执行操作，最后用语音告诉你"好的，已经设好闹钟了"（语音合成）。让机器读懂你说的话，让机器听懂你的声音，让机器能开口说话。这一技术也应用而生。昨天我们简单地介绍

之前写过关于的文章，今天说一下在jpa或者其它类型的Repository中实现软删除的方法，主要借助了自定义的仓储的能力。

因为缓存输入按给定价格只需要标准输入的一小部分成本，这次长上下文请求才没有把账单直接拉爆。原始结论也很明确：这类“长上下文/密集开发”的请求里，缓存就是最核心的省钱点。相反，如果中断很久再重新打开，让上下文重新读取，那么第一次“冷启动”就更可能按标准输入计费。这时，贵的不只是模型版本，而是你失去了之前已经建立起来的缓存优势。如果是像 Codex 这类连续开发场景，短时间内持续互动，更容易反复命中缓

embedding、reranker、向量库、索引刷新、版本兼容，这些东西对平台团队不是大问题，对本地 Agent 用户和小团队就是额外负担。search 返回的不是最终答案，而是候选证据：ref、score、matched terms、description snippets、totalMatches、returned、truncated。它可以返回更完整的 metadata，例如 aliase

embedding、reranker、向量库、索引刷新、版本兼容，这些东西对平台团队不是大问题，对本地 Agent 用户和小团队就是额外负担。search 返回的不是最终答案，而是候选证据：ref、score、matched terms、description snippets、totalMatches、returned、truncated。它可以返回更完整的 metadata，例如 aliase

embedding、reranker、向量库、索引刷新、版本兼容，这些东西对平台团队不是大问题，对本地 Agent 用户和小团队就是额外负担。search 返回的不是最终答案，而是候选证据：ref、score、matched terms、description snippets、totalMatches、returned、truncated。它可以返回更完整的 metadata，例如 aliase