跳至主要内容

博文

为懂js html css基础的人写一个vue的入门文档，以便学后可以使用claude code开发vue单页应用 因此也不要有过多代码细节 着重原理概念以及用法的讲解

Vue 入门指南（面向 Claude Code 开发者） 写给已经掌握 JS / HTML / CSS 基础、但没接触过任何前端框架的你。这篇文档会先带你把一个项目"跑起来"，再逐步讲概念，尽量少跳步骤。 一、为什么需要 Vue：从一个具体问题说起 假设你要用原生 JS 做一个计数器：一个数字，一个"+1"按钮，点一下数字加一。原生写法大致是这样的思路： 用 document.getElementById 或类似方法，先"抓到"页面上显示数字的那个元素； 定义一个变量存当前的数字； 给按钮绑定点击事件，点击时变量加一； 再手动把这个变量的新值，写回刚才抓到的那个元素里 （比如 .innerText = 新值 ）。 问题出在第 4 步： 数据变了，你必须自己记得去更新对应的 DOM 。页面简单时还好，一旦页面上有几十个地方的内容依赖同一批数据，你就要在每个数据变化的地方，手动更新一堆 DOM 元素，非常容易漏改、改错。 Vue 做的事情就是把第 4 步接管过去：你只要告诉 Vue "这个数字应该显示在这里"，之后每次数字变化， Vue 自动帮你把页面对应的部分更新掉 ，你不用再手写这一步。这就是"响应式"和"声明式渲染"两个词想表达的意思——你只声明"结果应该是什么样"，不用管"怎么一步步改出来"。 记住这个对比，后面所有概念都是围绕"如何声明数据、如何声明界面"展开的。 二、开发环境与项目是怎么跑起来的 在讲语法之前，先搞清楚一个 Vue 项目从零到能在浏览器里看到效果，中间发生了什么。这一步很多教程会跳过，但恰恰是最容易让人懵的地方。 1. 需要先装好的东西 Node.js ：一个能让 JS 脱离浏览器、在电脑上直接运行的环境。前端的各种工具（包括创建项目的脚手架）本质上都是用 JS 写的小程序，需要靠 Node.js 来运行。装好后，终端里可以运行 node -v 查看版本确认装好了。 npm ：随 Node.js 一起安装的"包管理工具"，作用是下载别人写好的代码库（"包"），并帮你管理项目依赖了...
阅读全文
最新博文

架构学习之路

先啃 DDIA（第 1–6 章），同时拿手头项目做数据层笔记；然后读 Clean Architecture 重构自己的 Go repo 结构；接着 Building Microservices + Learning DDD 两本交叉读；最后 Cloud Native Go 和 Production Kubernetes 一起对着 K8s 集群实操。 几个实践建议： 读 DDIA 时，找项目里用的数据库（PostgreSQL/Redis/Kafka 等）对应章节，立刻去看官方文档验证书里的描述，会记忆深刻得多。 读 Building Microservices 时，不要急着拆服务，而是先用 DDD 的 bounded context 把现有 monolith 的边界画出来，再决定要不要拆。 Cloud Native Go 的代码示例质量很高，建议 fork 下来在本地跑，比只读要有效得多。 有没有哪个方向想进一步深入？比如具体的分布式模式、Go 并发架构，或者 K8s operator 开发？
阅读全文

LLM缓存详解

 可以把“大模型缓存”理解成： 把已经算过的结果（或中间结果）存下来，下次尽量复用 。但这里面其实分几层，不只是简单的“问题→答案”缓存。 1️⃣ 常见的几种缓存类型 （1）KV Cache（推理内部缓存） Transformer 在生成时，会把前面 token 的 Key/Value 向量 缓存下来。 本质：避免重复计算 attention 作用： 同一请求内部加速 特点： 👉 只对“同一上下文继续生成”有效 👉 不跨用户、不跨请求 这类缓存是你体感“流式输出越来越快”的原因之一。 （2）Prompt Cache（提示词缓存） 缓存的是： 相同（或高度相似）的 prompt → 对应的中间表示 / 输出 典型场景： 系统提示词（system prompt）很长 多轮对话里前文基本不变 👉 这里能省掉 前缀计算成本（prefill） （3）Embedding / 语义缓存（Semantic Cache） 这个才是你问题的关键 👇 不是按“字符串完全一致”，而是： 把问题转成向量 → 找“语义相似”的历史问题 → 直接复用答案 2️⃣ 为什么命中缓存成本低很多？ 因为大模型推理成本主要在两块： （1）Prefill（吃 prompt） 复杂度 ~ O(n²) 很贵（尤其长 prompt） （2）Decode（逐 token 生成） 每个 token 都要算一遍模型 而缓存命中后： KV cache：不用重复 attention Prompt cache：不用重新 encode 语义缓存： 直接跳过模型推理 👉 相当于从： 几十~几百毫秒 + GPU算力 变成： 一次向量检索（毫秒级）+ 直接返回 所以成本差一个数量级是正常的。 3️⃣ “每个人问法不同，怎么命中缓存？” 这是核心难点，也是工程重点👇 ❌ 不能靠字符串匹配 比如： “今天天气怎么样” “今天外面热不热” 字符串完全不同 → 必须 miss ✅ 用语义相似度（Embedding） 流程一般是： 把问题转 embedding（向量） 在向量数据库里找 TopK 相似问题 如果相似度 > 阈值（比如 0.9） 直接返回缓存答案 一个简单示意 Q1: 北京天气怎么样 → embedding A Q2: 北京今天热吗 → embedding B cosine(A, B) ≈ 0.95...
阅读全文

temperature, top_p , frequency_penalty, max_tokens 概念详解

1️⃣ temperature（温度）——控制“概率分布的平滑程度” 模型本来会输出一个概率分布： tokenA: 0.7 tokenB: 0.2 tokenC: 0.1 temperature 会对这个分布做“拉伸/压缩”： 低温（0~0.3） → 分布更尖锐 → 更接近“选概率最高的词” → 更确定、稳定 高温（0.7~1.2） → 分布更平滑 → 小概率词更容易被选中 → 更发散、有创造性 👉 数学上其实是： [ P_i = \frac{e^{logits_i / T}}{\sum e^{logits / T}} ] 👉 直觉一句话： temperature = “敢不敢冒险” 2️⃣ top_p（nucleus sampling）——控制“参与抽奖的候选池” 不是调整概率，而是 裁剪候选集合 。 步骤： 按概率排序 token 从高到低累加，直到总概率 ≥ p 只在这个子集里采样 举个例子： 原始分布： A: 0.5 B: 0.2 C: 0.15 D: 0.1 E: 0.05 top_p = 0.7： 选： A (0.5) + B (0.2) = 0.7 👉 只在 {A, B} 里选 👉 直觉一句话： top_p = “允许多少概率质量参与竞争” 和 temperature 的区别 参数 作用本质 temperature 改概率分布形状 top_p 截断候选集合 👉 组合效果： temperature 决定“洗牌程度” top_p 决定“参与人数” 3️⃣ frequency_penalty ——“你刚说过，就少说点” 这个参数是 对已经生成过的 token 做惩罚 👉 逻辑： 出现次数越多 → 概率被压低 举个例子： 生成中： the cat and the cat and the ... 如果 frequency_penalty > 0： “the”、“cat” 被重复使用 下一次出现概率会下降 👉 数学近似： [ logits_i = logits_i - \lambda \cdot count(i) ] 👉 直觉一句话： frequency_penalty = “别复读” 使用场景 场景 建议 写文章 0.3 ~ 0.8 代码生成 0 列表生成 0.2 4️⃣ max_tokens ——“最多说多少” 这个最简单，但很多...
阅读全文

云服务器（Linux + Nginx）网站服务器优化配置指南

## 一、Linux系统层优化 ### 1. 安全基础配置 - **系统更新**：定期执行 `sudo apt update && sudo apt upgrade`（Debian系）或 `sudo dnf update`（RHEL系），保持内核与软件包最新。 - **防火墙**：仅开放必要端口（22/SSH、80/HTTP、443/HTTPS）。     Ubuntu：`sudo ufw allow 22,80,443/tcp && sudo ufw enable`     RHEL系：`sudo firewall-cmd --permanent --add-service={ssh,http,https} && sudo firewall-cmd --reload` - **SSH加固**：     - 修改默认端口（`/etc/ssh/sshd_config` 中 `Port`）     - 禁用root登录（`PermitRootLogin no`）     - 启用密钥认证（`PasswordAuthentication no`）     - 配置Fail2ban防止暴力破解 - **专用服务账户**：创建非root用户（如 `www-data`）运行Nginx，遵循最小权限原则。 ### 2. 内核与资源调优（`/etc/sysctl.conf`） ```conf # 网络连接优化 net.core.somaxconn = 65535 net.ipv4.tcp_max_syn_backlog = 65535 net.core.netdev_max_backlog = 65535 net.ipv4.ip_local_port_range = 1024 65535 net.ipv4.tcp_fin_timeout = 30 # 注：tcp_tw_reuse 需谨慎使用（仅适用于客户端连接场景，服务器端建议结合业务评估） ``` 生效命令：`sudo sysctl -p`   文件描述符限制：   ...
阅读全文

Go 工程实践：常见坑与设计注意事项

一、指针 vs 值传递（核心原则） ✅ 判断规则 1. 需要修改数据 → 用指针 2. 对象很大 → 用指针 3. 小对象 + 只读 → 用值（推荐） 4. 方法接收者一致 → 保持一致 ❌ 常见误区 func distance(p *Point) {} // ❌ 不必要的指针 问题： 增加 nil 风险 语义误导（看起来会修改） 可能增加 GC 压力 ✅ 推荐写法 func distance(p Point) {} // ✅ 二、interface 使用原则 1️⃣ 不要使用 *interface （反模式） func f(w *io.Writer) {} // ❌ 原因： interface 本身已是引用语义 增加一层间接访问，没有收益 破坏抽象 2️⃣ interface 的本质 interface = (type, data pointer) 👉 已经包含指针语义 三、nil 设计与风险控制 核心原则 不要让 nil 在系统中“流动” ✅ 正确做法 1️⃣ 构造函数保证非 nil func NewUser() *User { return &User{} } 2️⃣ 边界检查（而不是内部检查） func Handle(u *User) error { if u == nil { return errors.New("nil user") } return u.do() } 3️⃣ 小对象优先值传递 func Process(p Point) {} // 永远不会 nil ❌ 错误做法 func (u *User) Save() { if u == nil { // ❌ 到处防御 return } } 四、interface “假 nil”陷阱（高危） 现象 var e *MyError = nil var err error = e fmt.Println(err == nil) // false ❗ 原因 err = (type: *MyError, data: nil) 👉 interface 判断 nil 要求： type == nil && data == nil ✅ 规避方法 if e == nil { retu...
阅读全文