本文介绍了ShardingSphere-JDBC的分库分表实现方案。使用JDK17、Spring Boot 2.7.0和ShardingSphere-JDBC 5.1.1环境，配置了MySQL数据库表结构，包括goods表和按月分表的orders表。通过Maven引入相关依赖，包括Spring Boot Web、ShardingSphere、Druid连接池、MyBatis等组件。

本文介绍了Sentinel热点参数限流的应用场景与配置方法。热点参数限流可针对接口参数（如用户ID、商品ID）进行精细化流量控制。通过三个需求示例演示了如何实现：1）限制用户秒杀QPS；2）VIP用户豁免限流；3）特定商品禁止访问。详细讲解了fallback与blockHandler回调机制的区别：fallback处理业务异常，blockHandler专用于流量控制异常。

使用谷歌Guava的RateLimiter实现自定义限流注解

本文介绍了Nacos配置中心的三种动态刷新方法：1）@Value+@RefreshScope组合方式，通过注解实现配置自动更新；2）@ConfigurationProperties批量绑定配置，实现无感刷新；3）NacosConfigManager主动监听配置变化。详细演示了从创建配置、项目集成到接口测试的全过程，并解决了未使用配置中心时的报错问题。三种方法均可实现配置热更新，其中第二种方式最为简

本文重点介绍了Windows环境下搭建MySQL主从同步实现读写分离的详细步骤和配置中遇到的坑

策略模式是什么，在Spring中如何优雅的使用

本文主要为关于复杂业务逻辑使用SQL还是java代码实现的思考

python爬虫笔记

大模型（Large Models）通常指参数规模庞大（可达万亿级别）、训练数据海量、能力强大的深度神经网络模型。其出现得益于数据、算力与模型架构的协同演进：自监督学习范式释放了海量未标注数据的潜力；GPU/TPU等并行计算设备与分布式训练技术提供了强大算力支撑；Transformer架构则提供了优异的可扩展性。衡量大模型的常用计量单位包括参数规模（B/十亿）、训练数据集规模（T token/万亿词

本文主要系统阐述了大语言模型（LLM）的训练范式与算力基础设施两大核心主题。训练范式方面，详细介绍了预训练、监督微调（SFT）以及基于人类/AI反馈的强化学习（RLHF/RLAIF）三个阶段，并对比了SFT与RLHF/RLAIF在安全对齐和帮助性对齐上的效果差异。算力基础设施方面，深入剖析了CPU、GPU、TPU、NPU等硬件特性，分析了训练与推理阶段的显存、带宽、通信及算力瓶颈，并解释了英伟达C