https://api.vvhan.com/api/avatar/boy

技术博客分享

基于Spring-Boot与Micrometer的系统参数监控指南

本文介绍了如何通过Micrometer为SpringBoot应用构建监控系统。Micrometer作为供应商中立的指标门面,支持多种监控后端(如Prometheus)。文章详细讲解了集成步骤:添加依赖、配置端点、选择监控系统,并演示了计数器、计量仪、计时器等核心指标的使用方法。同时提供了HTTP请求监控、自定义过滤器和最佳实践建议,帮助开发者构建高效可靠的监控方案,确保应用稳定性。

SpringAI框架接入Deepseek和豆包实现智能聊天

ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder().model("ep-xxxxxxxxxxxx")// 需要替换为您的推理接入点ID。在进行创建springboot项目时,添加Spring Web和OpenAI两个依赖,不要添加lombok依赖,创建完项目后自己在maven中添加lombok的依赖,这是一个小小的bug,Springboot版本为3.2.x或者更高版本。// 打印模型输出的回答内容。

IT基础知识数据库

套接字上联应用进程,下联网络协议栈,是应用程序通过网络协议进行通信的接口,是应用程序与网络协议栈进行交互的接口。Pod的调度,即决定这些Pod在集群中的哪个节点上运行,是一个复杂且富有挑战的过程。ACID:指数据库管理系统在写入或更新资料的时候,为保证事务(transaction)是正确可靠的,所必须具备的四个特性:原子性(atomicity,不可分割性),一致性(consistency),隔离性(isolation,独立性),持久性(durability)。数据库管理系统DBMS。

突破限制Melody远程音频管理新体验

Melody以创新方式重塑音频资源管理——这款开源平台打破音乐平台壁垒,聚合多来源音源,实现从搜索到存储的全流程管理。支持Docker一键部署,兼容各种硬件设备,无论是低功耗开发板还是高性能服务器都能稳定运行。智能检测算法确保可用资源,为音乐爱好者打造专属的个人音频中心,让每首珍藏曲目都触手可及。多平台整合与本地存储结合,重新定义音频管理体验。作为音乐爱好者,Melody的本地存储功能让我告别了平台依赖——担心喜欢的歌曲下架?只需一键下载即可永久保存。

leecode73-矩阵置零

这个题目不难,就是一句话,遍历这个矩阵的时候,当遇到0的时候就把该行该列改为0,同时为了不影响后续的遍历,我们可以将这个遍历和修改分为两个数组。使用mn的辅助空间如果使用m+n的辅助空间,我们可以使用set来使用,set可以去重其它思路没有找到灵神的题解,可能灵神觉得这个题目不值得研究吧。不过找到了一个只用了O(1)复杂度的大佬,看一下他的解法他的做法主要分为三步,利用第一行和第一列进行标记生成一个适合你的列表项目项目项目项目1项目2项目3 计划任务 完成任务

nginx正向代理与反向代理

nginx正向代理与反向代理

https://i-blog.csdnimg.cn/direct/ae20bc58385f4005bac9506a03a98b21.png

正向代理工作流程

  1. 客户端配置正向代理地址(如在浏览器 / 系统中设置代理 IP 和端口);
  2. 客户端向目标服务器发起请求时,请求先发送到正向代理;
  3. 正向代理验证请求合法性后,代替客户端向目标服务器发送请求;
  4. 目标服务器将响应返回给正向代理;
  5. 正向代理再将响应转发给客户端。

反向代理工作流程

  1. 客户端向反向代理服务器发起请求(客户端只知道代理的域名 / IP,不知道真实服务器);
  2. 反向代理根据预设规则(如负载均衡策略、URL 匹配),将请求转发到后端真实服务器集群中的某一台;
  3. 真实服务器处理请求后,将响应返回给反向代理;
  4. 反向代理将响应转发给客户端(客户端无法区分响应来自代理还是真实服务器)。

RabbitMQ-高级功能与优化篇

实现跨 RabbitMQ Broker 消息转发支持单向或双向消息迁移可用于异地数据中心消息同步或队列迁移用于跨集群消息同步支持 Exchange 和 Queue 层级的消息分发与 Shovel 区别:Federation 自动订阅并拉取消息支持消息延迟投递常用于任务调度、重试机制消息按照优先级顺序消费高优先级消息先被消费者拉取。

大语言模型LLM入门全解

大语言模型(LLM)入门指南:从定义到训练的核心要点 本文系统梳理了LLM的关键概念与训练流程:1)定义LLM为10亿+参数的预训练语言模型,具备涌现能力、上下文学习等特质;2)详解四大核心能力(涌现、上下文学习、指令遵循、逐步推理)及多语言支持等特点;3)解析三阶段训练流程(预训练→监督微调→强化学习),比较RLHF与DPO方案差异;4)指出LLM的局限性(幻觉问题)与发展方向(高效小模型、多模态应用)。通过技术图解与案例,帮助读者建立完整的LLM认知框架。