刷题记录
刷题记录本笔记按题意抽象、核心思路、代码实现、复杂度和易错点记录题目。代码默认使用 Java，所有结论均以给定约束为前提。 12345678flowchart TD A[读取题目] --> B[提取约束和目标] B --> C[手工推演样例] C --> D[选择数据结构] D --> E[证明核心步骤] E --> F[实现代码] F --> G[检查空值 边界 溢出] G --> H[分析复杂度] 求出胜利玩家的数目题意共有 n 名玩家，pick[i] 表示某名玩家获得某种颜色的球。若玩家编号为 i，只要其任意一种颜色的球数量严格大于 i，该玩家就是胜利玩家。颜色编号范围为 0 到 10。 思路使用二维数组记录每名玩家拥有的各色球数量。统计完成后，逐个玩家检查是否存在数量大于玩家编号的颜色。每名玩家最多计数一次。 12345678910111213141516171819class Solution { public int winningPlayerCount(int n,...
算法
Java 算法与常用类库笔记算法题的核心是把问题转换为明确的数据模型，选择匹配的数据结构，并通过复杂度分析判断方案能否在约束内运行。Java 代码还要注意输入解析、数值范围、比较器约定和可变对象的使用方式。 解题流程123456789flowchart TD A[阅读题目与约束] --> B[定义输入输出和边界] B --> C[构造最小示例] C --> D[设计朴素解法] D --> E[分析时间与空间复杂度] E --> F[选择数据结构或优化方法] F --> G[编码] G --> H[使用边界用例验证] H --> I[复盘不变量与可复用模板] 复杂度双重遍历通常为 O(n^2)，在数据量较大时需要考虑哈希表、排序、双指针或前缀结构。复杂度估算应包含最坏情况，并同时考虑额外空间。 规模 常见可接受复杂度 n <= 20 指数搜索或状态压缩 n <= 10^3 O(n^2) n <= 10^5 O(n log n) 或 O(n) n...
项目笔记
O2O 项目笔记该项目采用 Spring Cloud 微服务与 OpenResty 动静分离架构。OpenResty 直接提供静态页面，将动态接口请求转发到 Gateway，再由网关路由到后端服务。项目启动、配置和故障排查应围绕请求链路进行。 系统架构12345678910111213141516flowchart LR U[浏览器] --> O[OpenResty] O -->|静态资源| W[Web 目录] O -->|动态请求| G[Gateway] G --> A[Account] G --> N[Notice] G --> R[Order] G --> P[Payment] G --> S[Storage] G --> T[Stroke] A --> D[(数据库与基础设施)] N --> D R --> D P --> D S --> D T --> D 模块职责 模块 类型 主要职责...
OSS学习记录（Agent项目中）
下面是整理后的学习笔记（已去掉第十和第十三部分，并将关键数据结构改为表格形式）。 阿里云 OSS 与 Agent 联动学习笔记一、OSS 是什么Alibaba Cloud OSS（Object Storage Service）是一个云端对象存储服务。 它用于存放图片、视频、文档、日志、模型输出等文件。 在系统架构中： 数据库：存业务数据 OSS：存文件本体 Agent：处理逻辑 + 调用 OSS 二、OSS 核心概念 概念 含义 示例 Bucket 存储空间（类似顶级目录） product-images Object 实际文件 main.jpg Object Key 文件路径 products/10001/main.jpg Endpoint 访问域名 oss-cn-hangzhou.aliyuncs.com AccessKey 访问凭证 AK / SK 补充说明： Bucket 必须全局唯一 Object Key 本质是字符串路径（没有真实文件夹） Endpoint 必须与地域一致 三、Agent 为什么需...
快速上手一个项目
新项目快速上手指南 一、先跑起来（不要一上来就读代码）目标确认系统是“活的”，避免在错误环境中分析代码。 操作步骤 阅读 README.md 或启动文档 安装依赖（如 npm install / mvn install / bun install） 启动服务（如 npm run dev / java -jar / docker-compose up） 访问接口或前端页面 你必须确认 服务是否成功启动（无致命报错） 服务端口（如 8080 / 3000） 是否有异常日志 数据库是否连接成功（连接池 / ORM 日志） 常见问题 端口被占用 环境变量未配置（如 .env） 数据库未启动 / 账号密码错误 依赖未安装完整 👉 结论：系统跑不起来，一切分析没有意义 二、搞清项目结构（10分钟扫一遍）目标快速定位代码职责分层，避免“迷路式阅读代码”。 核心目录说明12345controller / api 👉 接口入口（处理请求）service 👉 核心业务逻辑reposi...
部署脚本编写相关
部署验证流程跑通验证的 6 个步骤12345678910111. 本地执行部署脚本 ↓2. 代码上传到生产服务器 (47.242.65.47) ↓3. Docker 容器启动 ↓4. Nginx 配置生效 ↓5. 访问 http://www.chronode.net/ 能正常打开 ↓6. 确认功能 OK 核心思想：别纸上谈兵，先实际部署一次看看 执行步骤Step 1：本地准备12345678910# 1. clone 项目git clone https://github.com/xiaoxijin/gf_v3cd gf_v3# 2. 安装依赖bun install# 3. 检查部署脚本ls -la deploy.shcat deploy.sh # 确认配置（服务器 IP、端口等） Step 2：执行部署123# 运行部署脚本（需要设置密码环境变量）export SERVER_PASSWORD="你的服务器密码"bash deploy.sh Step 3：验证结果12345678910111213# 1. SSH 连上服务器ssh r...
服务器与部署相关
可以，而且这套东西你一旦理顺，后面做项目就不会一直“哪里都懂一点，但一上手就慌”。 你现在遇到的，本质上是 开发环境、测试环境、生产环境 三套东西混在一起了。先给你一句最核心的话： 写代码可以在服务器上，但“调试前端、联调接口、连数据库、发版部署”通常都要区分清楚你现在到底在操作哪一个环境。 我用最接地气的方式带你搭框架。 一、你现在到底在做什么你现在说的场景，一般是这样的： 代码放在服务器上你通过 VSCode Remote SSH、终端、跳板机之类连到服务器开发。 前端想在本机浏览器看效果因为浏览器在你电脑上，不在远程服务器上，所以你需要： 要么把前端项目在本机跑起来 要么把服务器上的前端端口转发到本机 后端和数据库可能在不同地方常见组合有： 前端在本机，后端在测试服务器，数据库也在测试服务器 前后端都在服务器，数据库单独一台 前端本机，后端本机，数据库 Docker / 本机 / 远程库 部署到测试环境不是“写完代码自动就有了”，而是把你改的代码发到测试环境机器上，再启动服务。 上线把测试通过的版本发布到生产环境。 二、你先建立这 4 个...
并发编程与数据隔离
并发编程与数据隔离核心问题并发场景下的典型数据问题： 问题 描述 例子 竞态条件 多个线程同时读写同一数据，结果依赖执行顺序 两个请求同时修改用户余额 脏读 读到未提交的事务数据 A 修改未提交，B 读到了 丢失更新 后提交的覆盖先提交的 两人同时编辑同一文档 幻读 同一查询在不同时间返回不同行数 统计用户数时有人新注册 数据库层面解决方案事务隔离级别： 隔离级别 脏读 丢失更新 幻读 默认数据库 Read Uncommitted ❌ ❌ ❌ - Read Committed ✅ ❌ ❌ Oracle, PostgreSQL Repeatable Read ✅ ✅ ❌ MySQL Serializable ✅ ✅ ✅ - 乐观锁 vs 悲观锁： 12345678-- 悲观锁（先锁再改）SELECT * FROM users WHERE id = 1 FOR UPDATE;UPDATE users SET balance = balance - 100 WHERE id = 1;-- 乐观锁（先改再检查版本号）UPDATE u...
LoRA+QLoRA
LoRA是什么？LoRA（Low-Rank Adaptation）是一种用于微调大模型（LLM / Diffusion / Transformer）的技术。 冻结原始模型参数，只训练一个低秩矩阵来表示权重更新。 这样可以让权重变化 ΔW 不需要完整矩阵，在极少训练参数的情况下，让模型学到新任务能力。 为什么需要？lora的设计亮点参数少，速度快，模块化 模块化的本质： LoRA 将“任务能力”封装成一个 独立的参数模块，可以在 不改变原模型 的情况下加载或卸载。 在代码层面 LoRA 是一个 外挂模块： 1234567Base Model │ ├── W (冻结权重) │ └── LoRA Module ├── A └── B 训练时： 1只训练 LoRA Module 推理时： 1Base Model + LoRA 可以随时加载/卸载能力例如一个基础模型： 1LLaMA 不同能力可以变成不同 LoRA： 123456base_model │ ├── finan...
Scaling Law
Scaling LawScaling Laws for Neural Language Models Chain of Thought (CoT) 是让模型把逻辑推导过程写出来 Instruction Tuning 是教模型听懂并执行人类指令 Scratchpad 就是给模型一块“草稿本”，让它在最终输出答案前先在大脑（上下文）里打草稿。 CoT (思维链)：是行为方式，像是在说“请步步为营地思考”。 Instruction Tuning (指令微调)：是训练手段，通过海量“指令-回复”对让模型变乖、变聪明。 Scratchpad (草稿纸)：是技术实现，通过在输出中强制包含中间步骤，利用已生成的 Token 来辅助生成后续更复杂的 Token（即“以空间换逻辑”）。 Scratchpad 定义Scaling Law（规模法则） 是 AI 界的“大力出奇迹”指南。它告诉我们：如果你投入更多的算力、更多的数据、更大的模型参数，AI 的性能就会预测性地变得更强。 它揭示了模型性能并不是随机增长的，而是遵循严格的数学幂律关系。 为什么要学这个？理解 Scaling Law 能...