logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

第八篇:《GitHub Actions 进阶:矩阵构建、缓存与多环境部署》

当项目需要支持多版本运行时(如 Node.js 14/16/18)、多操作系统(Linux/Windows/macOS),或者需要部署到 dev/staging/prod 多个环境时,简单的顺序执行已经不够用了。GitHub Environments 是一个强大的部署管理功能,它允许你为不同的部署目标(如 dev、staging、prod)配置独立的环境变量、密钥(Secrets) 和保护规则(P

#github#矩阵#缓存
第七篇:《GitHub Actions 从零搭建:Workflow 结构与核心概念》

如果说 Jenkins 是 CI/CD 界的“瑞士军刀”,GitLab CI 是“一体化平台”,那么 GitHub Actions 就是“云原生公民”——它天生与 GitHub 仓库融为一体,配置简单、生态丰富、免费配额充足。本文从零开始讲解 GitHub Actions 的核心概念:Workflow、Event、Job、Step、Action、Runner,以及 .github/workflow

#github
第五篇:《内存管理基础:虚拟内存、交换与缓存》

本文从虚拟内存的地址空间讲起,深入解析物理内存与交换分区的关系、Page Cache 与 Buffer Cache 的作用,以及 free 命令各项指标的真实含义。一个系统 free 只有几百 MB,但 available 还有几 GB,说明内存状态健康——那些“被占用”的内存只是缓存,随时可以释放给应用。THP 的争议:THP 虽然简化了管理,但对于访问模式离散的负载(如数据库),可能因为频繁的

#缓存#数据库
第七篇:《ConfigMap 与 Secret:配置与敏感数据管理》

Secret 类似 ConfigMap,但用于存储 base64 编码的敏感数据(默认非加密,只是编码)。Kubernetes 可以对 etcd 中的 Secret 启用加密(需配置)。挂载后,Secret 中的每个 key 成为一个文件,文件内容为解码后的值(而非 base64)。通过环境变量注入的配置:Pod 启动后,修改 ConfigMap/Secret 不会影响已有的 Pod,需要重启 P

#kubernetes#容器#运维 +1
第十四篇:《K8s 网络模型与 CNI 插件(Calico、Flannel、Cilium)》

Kubernetes 对网络的基本要求是:每个 Pod 拥有独立的 IP,且 Pod 之间无需 NAT 直接通信。本文介绍 K8s 网络模型的核心原则,对比三种主流 CNI 插件:Flannel(简单易用)、Calico(支持网络策略)、Cilium(高性能 eBPF),并演示如何安装和配置 NetworkPolicy 实现微隔离。Calico 使用 BGP 路由协议(或 VXLAN)实现 Pod

#kubernetes#网络#php
【Python × AI】多智能体协作:从 AutoGPT 到 CrewAI 的组织进化论

以 CrewAI 框架为例,其核心在于三个要素:Agents(人)、Tasks(事)、Process(流程)。定义角色(The Crew)我们需要为每个 Agent 注入独特的“灵魂”和工具。Python定义资深研究员role='首席研究员',goal='挖掘 2026 年量产人形机器人的核心瓶颈',backstory="你是一名在全球科技媒体工作了 10 年的分析师,擅长从琐碎信息中发现趋势。"

#人工智能#python#大数据
【模型手术室】外传:无中生有 —— 用 Python 自动化构建“行业黑话”数据集

专栏进度:02 / 10 (配套工具篇)在 AI 业界,这种方法被称为 Synthetic Data Generation(合成数据生成)。当原始数据稀缺或涉及隐私无法导出时,我们会先定义“知识元”,再利用更高阶的模型(如 DeepSeek-V3 或 GPT-4o)来批量生产“教案”。

#python#自动化#oracle
【模型手术室】第十篇:落地部署 —— 权重合并、vLLM 加速与生产环境的最后一步

Tokenizer 不一致:合并权重时,务必检查 tokenizer_config.json 是否被覆盖。如果分词器版本不对,模型会满嘴胡言。显存碎片化:在高并发场景下,KV Cache 会迅速占满显存。对策:根据业务需求调整 max_num_seqs 参数。精度退化:如果你在第七篇做了量化,部署时请确保推理框架(如 vLLM)支持该量化格式(GPTQ/AWQ/GGUF)。

#深度学习#人工智能#python
【模型手术室】第九篇:多模态微调 —— 让模型学会“看图说话”:从像素到行业认知的飞跃

专栏进度:09 / 10 (微调实战专题)如果你使用的是 LLaVA、Qwen2-VL 或 DeepSeek-VL,它们原生具备识别猫狗和常识图片的能力。但如果你给它一张半导体无尘车间的传感器拓扑图,它大概率会胡言乱语。多模态微调的目标,就是建立“视觉像素”与“行业黑话”之间的强关联。

#人工智能#python
第九篇:《调度策略:nodeSelector、亲和性、污点与容忍度》

默认调度策略基于资源请求和节点可用资源,但有时你需要更精细的控制:例如将数据库 Pod 调度到 SSD 节点,或将特殊服务调度到特定区域。本文介绍调度相关的四种策略:nodeSelector、节点亲和性(Node Affinity)、Pod 亲和性与反亲和性,以及污点(Taint)与容忍度(Toleration)。通过给节点打标签,然后在 Pod 中指定 nodeSelector,Pod 将只调度

#java#开发语言
    共 31 条
  • 1
  • 2
  • 3
  • 4
  • 请选择