指尖魔法屋

联系

Fri, 03 Jul 2026 00:00:00 +0800

如果你想反馈文章问题、讨论技术细节、处理版权引用，或者只是发现了站点里的错链和显示异常，可以通过下面这些方式联系我。

常用方式

GitHub：https://github.com/thinkmoon
博客：https://blog.thinkmoon.cn/

适合联系我的事情

文章里的命令、配置、代码已经过期；
站内链接、图片或代码块显示异常；
想补充某篇文章里的实践经验；
需要处理转载、引用、图片或版权相关问题；
对博客主题、Hugo 构建、AI 工具实践有交流想法。

我会尽量在方便的时候处理。这个博客更多是长期笔记，不保证每个历史方案都仍然适合当前环境，但如果问题明确，我通常会顺手修掉。

隐私政策

Fri, 03 Jul 2026 00:00:00 +0800

指尖魔法屋是个人技术博客，主要用于发布编程实践、工具折腾、AI 应用、边缘计算和日常技术笔记。本站不会主动收集可直接识别个人身份的信息，也不会出售访问者数据。

访问日志

和大多数网站一样，服务器、CDN 或托管平台可能会自动记录基础访问日志，例如访问时间、请求 URL、浏览器类型、来源页面、IP 地址和设备信息。这些信息主要用于排查故障、分析访问质量和保障站点安全。

本站自身功能可能会使用浏览器本地能力保存少量状态，例如页面交互、搜索体验或展示偏好。你可以在浏览器设置中清理 Cookie 和站点数据。

第三方服务

本站可能使用第三方 CDN、统计或广告服务来提供图片、脚本、访问分析和广告展示。第三方服务可能会按照其隐私政策使用 Cookie 或类似技术，用于安全防护、流量分析、广告投放与效果衡量。

如果本站接入 Google AdSense，Google 及其合作方可能会使用 Cookie 展示和衡量广告。你可以通过 Google 的广告设置管理个性化广告偏好。

外部链接

文章中可能包含指向 GitHub、官方文档、技术社区或其他网站的链接。离开本站后，目标网站的隐私政策和内容由对应网站负责。

联系方式

如果你对本站隐私政策、内容引用或数据处理有疑问，可以通过联系页面找到站长。

本政策会随站点功能调整而更新。

杂谈 | 别人投射的想象，时间久了也会变成现实

Mon, 29 Jun 2026 15:30:00 +0800

人有时候会活成别人夸起来最顺口的样子，回头一看，还以为那就是自己。

知乎上有人聊地域梗：外面的人反复说某个地方的人怎样，时间长了，那里的人好像真的会往那个方向靠。

我看完愣了一下。说的好像不只是地方，也有点像我。

小时候家里人总说：这孩子聪明，斯文，乖。

我也就往那个方向靠。去亲戚家，别的孩子打闹，我选看书；有吃的，我谦让不抢。明明也馋，脑子里还会蹦出孔融让梨，觉得自己适当牺牲一下也行。

书看进去是真的，能沉浸，也有成就感。被表扬也开心。两件事叠在一起，说不上哪边更重。

从做事，到保结果

具体什么时候变的，我已经记不清了。只记得从小学有记忆开始，我慢慢更在乎结果，不太在乎过程。

干坏事栽给小伙伴，第一反应里愧疚很少，松一口气倒是真的：锅终于甩出去了。只要那个「乖孩子」的形象没破，真相好像就可以先往后放。

长大之后才慢慢回过味：很多东西一开始是装的。别人把某种样子投到我身上，我为了接住那个样子，又把自己往那里推了一把。

装出来的，也不全是假的

奇怪的是，这套东西又不全是坏的。

读书时别人问题目，不会也先装会。话说出口，人被架上去了，反而能沉下去钻研。自己挖出来的知识，记得特别牢。

技术领域也类似。听说一个框架名字，对外先说「这种任务用它挺合适」，回头再去学。学完有时发现确实合适，有时发现自己吹早了，但总归会顺手挖出点别的东西。

投资也是。我想让别人觉得我是投资大师，自己就先演起这个角色。但我又不敢太认真，于是故意说得很浮夸，像开玩笑。玩笑开完，私下再暗暗使劲，想把这个牛补上。

编程我最开始不擅长，装着装着真会了一点；投资一开始什么也不懂，装着装着也学到不少——虽然现在还在亏钱就是了。

同一套系统的另一面

但也有反过来的时候。

某项运动、某门学科，一旦我已经吹过自己很厉害，就不太敢在人前努力，只敢没人时悄悄练。当众练，像是在承认「我其实还得补」；完全不练，又像是在承认「我之前吹过了」。兴致一过，抛诸脑后，拖着拖着就算了。

我怕别人发现我没那么有天赋，也怕自己努力的样子不像那个「聪明、不用费劲」的孩子。两个都有。

同样是「别人眼里的我」，有时推着我学，有时拦着我学。我到现在也说不清这个开关在哪，只觉得挺别扭。

给孩子留一句温柔的话

孩子一岁多，还懵懵懂懂，谈不上什么教育实践。我只是趁他还小，先把自己这套机制想明白一点，别原样传下去。

以前父母问我学校怎么样，有时会先故意说：你肯定调皮捣蛋、偷懒了。好像先激我辩解，才能把具体情况问出来。

我刚开始会生气、委屈，急着解释自己没有。次数多了，后来也就懒得说了。

等孩子长大、上学，假如我也想知道他一天过得怎样，我希望自己能直接问，温柔地问。不预设答案，不先扣帽子。

结语

别人投到我身上的想象，时间久了确实会变成现实：有时是乖孩子的谦让，有时是程序员和投资人的壳，有时是不敢在人前努力的怂。

投射能塑形，也能绑人。我不打算骗自己说已经想通了，但至少有一件事比较清楚：别让孩子也学会，凡事先把形象保住再说。

ResNet 网络结构原理与应用实践

Sat, 27 Jun 2026 20:30:00 +0800

深层网络一定比浅层网络更强吗？ResNet 用一条「抄近路」的加法，把这个问题答得很干脆。

为什么要 ResNet

卷积神经网络越深，理论上能表达的函数越复杂。ImageNet 竞赛早期，大家拼命堆层数——VGG 到了 19 层，GoogLeNet 用 Inception 模块控制参数量。但很快遇到一个反直觉的现象：

网络加深后，训练误差和测试误差反而一起上升。

这不是过拟合（过拟合是训练误差低、测试误差高），而是优化本身出了问题：更深的网络在同样训练条件下，表现还不如浅一点的版本。何恺明等人在 2015 年把这叫 degradation problem（退化问题）。

ResNet（Residual Network，残差网络）的核心思路是：与其让每一层从零学一个完整映射，不如让层去学「输入和输出之间的差值」，也就是 残差（residual）。

残差块在做什么

普通卷积块近似学习映射 H(x)。ResNet 改成学习残差 F(x) = H(x) - x，输出变成：

y = F(x) + x

x 通过 shortcut（捷径连接，也叫 skip connection） 直接加到输出上。如果某一层其实「什么都不用改」，网络只要把 F(x) 学成 0 就行，至少不会比恒等映射更差。

下面这张图是 ResNet 里最基础的 Basic Block（ResNet-18 / ResNet-34 用的）。Mermaid 版方便在 Markdown 里编辑，上图是同一结构的静态示意：

flowchart LR x["输入 x"] --> conv1["Conv 3×3 + BN + ReLU"] conv1 --> conv2["Conv 3×3 + BN"] x --> add["逐元素相加"] conv2 --> add add --> relu["ReLU"] relu --> out["输出 y = F(x) + x"]

两个 3×3 卷积负责学 F(x)，输入 x 绕过中间层直接相加。如果输入输出通道数或分辨率变了，shortcut 上会补一个 1×1 卷积做维度对齐。

用 GolemBot 把 Codex 接到飞书机器人

Tue, 09 Jun 2026 22:19:21 +0800

想在飞书里直接 @ 一个机器人，然后让它帮我问 Codex，还能顺手去飞书文档、需求清单、bug 清单里翻资料。

这个需求一开始很容易被带偏：自己写一个飞书 Bot Gateway，接事件、调模型、维护会话、处理权限、再封装飞书 OpenAPI。

但这事其实不太值得从零写。飞书机器人入口有现成工具，Codex 本身有 CLI，飞书也有官方 CLI。把这几块拼起来，就能得到一个相对省事的版本。

下面这张图先把调用链画清楚，后面的安装和配置基本都是围绕这条链路展开。

flowchart LR A[飞书用户] --> B[飞书机器人] B --> C[GolemBot<br/>Feishu Channel] C --> D[GolemBot<br/>Codex Engine] D --> E[Codex CLI] E --> F[AGENTS.md<br/>项目规则] E --> G[lark-cli<br/>飞书 CLI Skills] G --> H[飞书 Docs] G --> I[Base / Sheets] G --> J[Tasks / Wiki]

这篇文章就按这个思路写一版可操作的教程。

先说结论

我会选这套组合：

GolemBot：负责把飞书机器人消息接进来，并转给 Codex。
Codex CLI：负责真正的 Agent 推理、命令调用和上下文处理。
AGENTS.md：负责告诉 Codex 该怎么查飞书资料、哪些事情不能乱做。
lark-cli：负责读取飞书 Docs、Base、Sheets、Tasks、Wiki。
larksuite/cli Skills：让 Codex 更知道飞书 CLI 该怎么用。

这样做的好处是少写胶水代码。GolemBot 处理 IM 渠道，Codex 处理 Agent，飞书 CLI 处理数据访问。

调试 OpenAI Responses API 的 Web Search 踩坑记录

Thu, 30 Apr 2026 10:30:00 +0800

最近在做一个投资研究 Agent，其中有个很具体的需求：监控腾讯控股 0700.HK 的估值指标，尤其是 trailing PE 或 TTM PE。

这个需求看起来不复杂，但实际做下来踩了几个坑。直接访问 Yahoo Finance 的接口，在当前运行环境里会返回 403 Forbidden；换用模型的 web search 又遇到了 Responses API 请求格式、流式响应解析和第三方 provider 兼容性问题。

这篇文章记录一下这次调试过程。重点不是“怎么让模型搜索网页”，而是：当你真的把 OpenAI 新版 Responses API 里的 web_search 接到工程代码里时，哪些地方最容易出错。

需求背景

腾讯 PE 监控任务需要拿到 0700.HK 当前的 trailing PE 或 TTM PE。

最开始的思路很直接：从常见财经数据源获取结构化数据。但是 Yahoo Finance 在当前环境里不稳定，接口返回 403 Forbidden。后来通过 web search 找到一个当前可访问、页面结构也比较容易解析的数据源：

https://stockanalysis.com/quote/hkg/0700/statistics/

所以最后的数据源策略变成了两层：

优先直接抓取 StockAnalysis 页面，解析 P/E Ratio；
如果网页结构变化、抓取失败，才使用 Responses API 的 web_search 作为兜底。

这个顺序很重要。模型搜索适合发现信息和兜底，不适合作为首选的结构化行情接口。

官方写法和实际差异

OpenAI 官方文档里，Web Search 是 Responses API 的内置工具。官方示例大致是这样的：

Harness Engineering 的介绍与编程实践

Thu, 23 Apr 2026 15:20:00 +0800

同样是用 AI 编程，有的团队已经能让 Agent 稳定改代码、跑测试、收敛结果；有的团队却还停留在“写得挺像，但一跑就炸”。差距往往出在模型外面那套工程系统，也就是让 AI 能安全干活的 Harness。

为什么会有 Harness Engineering

这两年 AI 编程工具变化很快。

最早大家更多是在“问模型”：解释代码、生成函数、补一段脚本。这个阶段最重要的是 Prompt Engineering，也就是把需求讲清楚，减少模型理解偏差。

后来大家发现，只会写提示词还不够。模型如果不知道项目目录、接口约定、历史设计和运行方式，就很容易一本正经地瞎猜。于是 Context Engineering 开始被反复提起：该给模型哪些文件、日志、文档和规则，才能让它少幻觉。

但当 AI 真的开始改文件、跑命令、修测试，问题又变了。

这时最让人头疼的，开始变成这些事：

破坏已有结构；
不按既定文档开发；
规避失败，假装成功；
顺着错误假设越修越远；

这些问题，光加一句“请谨慎操作”没什么用。你需要一套外部机制，让 AI 的行为有边界、有反馈、能收敛。这套机制，就是 Harness。

一个很好记的公式是：

Agent = Model + Harness

模型负责推理和生成，Harness 负责环境、工具、约束、状态和反馈。没有 Harness，模型更像一个会说话的大脑；有了 Harness，它才更像一个能在工程环境里干活的代理。

OpenAI 在 2026-02-11 发布的官方文章里，对这套“模型之外的工程系统”有一套比较完整的展开，本文很多整理也受它影响。

Harness 到底在管什么

可以把Harness 理解成"控制与治理层", 通俗来说就是: “护栏” + “工具链” + “运行框架”。

别把它理解成某个单独工具，也别理解成一个提示词模板。更准确地说，它是一层围着模型搭起来的工程控制系统。

落到 AI 编程场景，Harness 一般要把几件事管起来：

上下文管理：让代理知道项目结构、任务目标、相关文件和编码约束；
工具接口：让它能读文件、搜代码、跑测试、打补丁，少靠猜；
执行沙盒：让命令运行在受限环境里，出错也别伤到真实环境；
规则约束：用架构规则, skills, Hooks限制越界动作；
验证循环：把测试失败、构建报错、审查意见重新喂回去，让它继续修；
人工闸门：删文件、改生产配置、发版部署这类动作，必须有人点头。

所以我现在更倾向于把 Harness Engineering 看成一件工程活。它要解决的是环境问题：就算模型犯错，错误也尽量落在可控范围内。即：用流程与规范来约束模型。

边缘设备RK3588下RKNN的推理适配

Wed, 08 Apr 2026 10:30:00 +0000

这篇文章主要梳理一件事：如何把训练侧模型，稳定地落到 RK3588 上跑起来。

RKNN 是什么

RKNN 是瑞芯微（Rockchip）围绕自研 NPU 推出的完整软件栈，用来解决模型从训练框架到板端推理的落地问题。

常用到的核心组件有两个：

RKNN-Toolkit2

运行在 PC 端（通常是 Ubuntu）的开发工具链，负责把第三方框架模型（如 PyTorch、TensorFlow、ONNX）转换、量化、优化为 .rknn 文件。

项目地址：

https://github.com/airockchip/rknn-toolkit2

RKNN Runtime

运行在嵌入式板卡端（如 RK3588）的运行时库，负责加载 .rknn 模型并调用 NPU 执行推理。

如何判断我的设备是否支持RKNN

看型号，如rk3588，就是支持的
使用命令sudo cat /sys/kernel/debug/rknpu/load

该结果表示有3个RK npu

RKNN 的典型工作流

从开发到部署，一般可以分成 4 个阶段：

模型转换

把 .onnx 或 .pt 模型导入 Toolkit，完成图转换与算子适配。

量化与优化

这是 RKNN 提速的关键步骤。NPU 更擅长整数计算（INT8），通常会把 FP32 模型量化为 INT8，在保证精度可接受的前提下换取更高吞吐和更低延迟。

模型导出

导出目标模型文件：.rknn。

板端推理

在 RK3588 上通过 C/C++ 或 Python 接口调用 Runtime，完成加载、预处理、推理和后处理。

性能优化（1）— 模型的int8量化

众说周知，通用模型的精度是FP32的，而量化就是将FP32精度的权重降低至FP16，甚至是INT8，或者更极端一点的INT4。这样模型的计算量就会大幅减少，与之带来的后果也是准确度的下降。

使用python实现动量量化策略监控面板

Mon, 22 Dec 2025 10:00:00 +0000

使用python实现动量量化策略监控面板

1. 什么是动量策略？

在金融市场中，动量效应（Momentum Effect）被誉为“金融界的牛顿第一定律”。它的核心逻辑是：强者恒强。

动量策略不关注公司的财务报表，也不关心基本面估值，它只看价格趋势。

它假设过去一段时间表现最好的资产，在未来的一段时间内大概率会继续表现良好；反之，过去表现最差的资产，未来大概率会继续下跌。这是一种**“追涨杀跌”**的策略，但不同于散户的情绪化操作，它是基于严格的数据回测和纪律执行的。

2. 标的选择：构建“微型全天候”组合

为了提高策略的稳健性，我们不建议只在单一股市内部寻找动量。在本次实践中，我们选取了五个低相关性的跨国、跨类别资产作为池子：

创业板 ETF (159915)：代表 A 股高弹性、科技成长风格。
沪深 300 ETF (510300)：代表 A 股大盘、价值蓝筹风格。
纳指 100 ETF (513100)：代表全球科技龙头，与 A 股周期错位。
黄金 ETF (518880)：经典的避险资产，在股市动荡时常有独立行情。
货币 ETF (511880)：作为“防御港湾”，当上述风险资产全部熄火时，用来保护本金。

3. 策略逻辑设计

我们设计的量化看板遵循以下双重逻辑：

相对动量（优中选优）：计算这四个风险资产过去 $N$ 天（如 20 天）的涨幅，找出表现最强的那一个。
绝对动量（止损风控）：如果表现最强的资产收益率依然为负（或者低于货币基金收益），说明市场整体环境极差，此时策略强制切换至 货币 ETF 进行空仓避险。

4. 技术栈实现

为了保证环境的纯净和运行的性能，我们推荐使用以下配置方案：

环境管理：Conda (推荐 Python 3.11 版本)。
数据来源：AkShare (免费开源的金融数据接口库)。
前端展示：Streamlit (极速构建 Web 数据看板的利器)。
交互绘图：Plotly (提供响应式的缩放图表)。

核心代码实现逻辑

创建环境

conda create -n quant_lab python=3.11 -c conda-forge -y
conda activate quant_lab

安装相关依赖

使用智谱api将长语音转文本

Tue, 16 Dec 2025 19:40:00 +0000

智谱AI语音识别API在准确性和响应速度方面表现出色，但受限于单次请求最大30秒的音频长度限制。本文基于pyannote.audio的语音活动检测(VAD)技术，实现了智能音频分块策略：在语音段落间隙处精确切割，避免截断语义单元；通过批量异步调用API接口，实现对长音频文件的完整转写；最终拼接处理结果输出。从Conda环境配置到生产代码实现，提供完整的可复现解决方案。

一、长语音转文本的核心挑战

主要的挑战是目前的条件没有合适的API。正好智谱API有token和API，先拿来用了。但是智谱API只能支持25M以下以及30s以内的语音。所以我们需要语音文件先断句，再分块，接着调用智谱API，最后拼接成最终结果。

三、关键技术：实现智能音频分块

这是自建系统的核心技术，也是本实践的重点。目标是在静音处切分音频，避免截断单词。

3.1 核心思想

加载音频：读取长音频文件。
检测静音：遍历音频，识别出静音段（声音能量低于阈值）。
标记边界：以静音为边界，切分语音。
生成音频块：保存为独立的短音频文件。
添加保护垫：在切分点两边保留一小段音频作为缓冲，防止截断。

3.2 三种实现方案

方案	优点	缺点	推荐场景
`pydub`	极其简单，代码少	精度一般，噪音敏感	快速原型验证、干净录音
`webrtcvad`	精度高，轻量快速	API底层，代码复杂	对准确率有要求、生产环境
`pyannote.audio`	效果最好，功能强大（含说话人分离）	依赖重，资源消耗大	需要说话人分离、追求最佳效果

3.3 使用 `pyannote.audio` 进行分块（本实践选择）

pyannote.audio 是一个基于 PyTorch 的开源神经语音工具包，效果最好，且能同时完成说话人分离。选型原则：条件允许范围内，选最好！

但是本实践没有进行说话人分离

四、完整实践：使用pyannote.audio切割并调用API转写

实现一个完整的流程：使用 pyannote.audio 切割音频，然后调用智谱AI的API进行转写。

4.1 环境准备

首先，为了避免系统环境冲突，强烈建议创建一个虚拟环境。

安装依赖

依赖文件

name: audio_env
channels:
 - conda-forge
 - defaults
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
dependencies:
 - _libgcc_mutex=0.1
 - _openmp_mutex=5.1
 - aom=3.9.1
 - bzip2=1.0.8
 - ca-certificates=2025.12.2
 - cairo=1.18.0
 - dav1d=1.2.1
 - expat=2.7.3
 - ffmpeg=7.1.0
 - font-ttf-dejavu-sans-mono=2.37
 - font-ttf-inconsolata=3.000
 - font-ttf-source-code-pro=2.038
 - font-ttf-ubuntu=0.83
 - fontconfig=2.15.0
 - fonts-conda-ecosystem=1
 - fonts-conda-forge=1
 - freetype=2.14.1
 - fribidi=1.0.16
 - gdk-pixbuf=2.42.12
 - gmp=6.3.0
 - graphite2=1.3.14
 - harfbuzz=9.0.0
 - icu=73.2
 - lame=3.100
 - ld_impl_linux-64=2.44
 - lerc=4.0.0
 - libabseil=20240722.0
 - libass=0.17.3
 - libdeflate=1.22
 - libdrm=2.4.125
 - libegl=1.7.0
 - libexpat=2.7.3
 - libffi=3.4.4
 - libfreetype=2.14.1
 - libfreetype6=2.14.1
 - libgcc=15.2.0
 - libgcc-ng=15.2.0
 - libgl=1.7.0
 - libglib=2.84.0
 - libglvnd=1.7.0
 - libglx=1.7.0
 - libgomp=15.2.0
 - libhwloc=2.12.1
 - libiconv=1.18
 - libjpeg-turbo=3.1.2
 - libnsl=2.0.0
 - libopenvino=2024.4.0
 - libopenvino-auto-batch-plugin=2024.4.0
 - libopenvino-auto-plugin=2024.4.0
 - libopenvino-hetero-plugin=2024.4.0
 - libopenvino-intel-cpu-plugin=2024.4.0
 - libopenvino-intel-gpu-plugin=2024.4.0
 - libopenvino-intel-npu-plugin=2024.4.0
 - libopenvino-ir-frontend=2024.4.0
 - libopenvino-onnx-frontend=2024.4.0
 - libopenvino-paddle-frontend=2024.4.0
 - libopenvino-pytorch-frontend=2024.4.0
 - libopenvino-tensorflow-frontend=2024.4.0
 - libopenvino-tensorflow-lite-frontend=2024.4.0
 - libopus=1.6
 - libpciaccess=0.18
 - libpng=1.6.53
 - libprotobuf=5.28.2
 - librsvg=2.58.4
 - libstdcxx=15.2.0
 - libstdcxx-ng=15.2.0
 - libtiff=4.7.0
 - libuuid=1.41.5
 - libva=2.23.0
 - libvpx=1.14.1
 - libwebp-base=1.6.0
 - libxcb=1.17.0
 - libxml2=2.13.9
 - libzlib=1.3.1
 - ncurses=6.5
 - ocl-icd=2.3.3
 - opencl-headers=2025.06.13
 - openh264=2.5.0
 - openssl=3.6.0
 - pango=1.54.0
 - pcre2=10.44
 - pip=25.3
 - pixman=0.46.4
 - pthread-stubs=0.3
 - pugixml=1.14
 - python=3.10.19
 - readline=8.3
 - setuptools=80.9.0
 - snappy=1.2.2
 - sqlite=3.51.0
 - svt-av1=2.3.0
 - tbb=2022.3.0
 - tk=8.6.15
 - wayland=1.24.0
 - wayland-protocols=1.47
 - wheel=0.45.1
 - x264=1!164.3095
 - x265=3.5
 - xorg-libice=1.1.2
 - xorg-libsm=1.2.6
 - xorg-libx11=1.8.12
 - xorg-libxau=1.0.12
 - xorg-libxdmcp=1.1.5
 - xorg-libxext=1.3.6
 - xorg-libxfixes=6.0.2
 - xorg-libxrender=0.9.12
 - xorg-xorgproto=2024.1
 - xz=5.6.4
 - zlib=1.3.1
 - zstd=1.5.7
 - pip:
 - aiohappyeyeballs==2.6.1
 - aiohttp==3.13.2
 - aiosignal==1.4.0
 - alembic==1.17.2
 - antlr4-python3-runtime=4.9.3
 - anyio=4.12.0
 - asteroid-filterbanks==0.4.0
 - async-timeout==5.0.1
 - attrs==25.4.0
 - certifi==2025.11.12
 - cffi==2.0.0
 - charset-normalizer==3.4.4
 - click==8.3.1
 - colorlog==6.10.1
 - contourpy==1.3.2
 - cycler==0.12.1
 - docopt==0.6.2
 - einops==0.8.1
 - exceptiongroup==1.3.1
 - filelock==3.20.1
 - fonttools==4.61.1
 - frozenlist==1.8.0
 - fsspec==2025.12.0
 - googleapis-common-protos==1.72.0
 - greenlet==3.3.0
 - grpcio==1.76.0
 - h11==0.16.0
 - hf-xet==1.2.0
 - httpcore==1.0.9
 - httpx==0.28.1
 - huggingface-hub==0.23.5
 - hyperpyyaml==1.2.2
 - idna==3.11
 - importlib-metadata==8.7.0
 - jinja2==3.1.6
 - joblib==1.5.3
 - julius==0.2.7
 - kiwisolver==1.4.9
 - lightning==2.6.0
 - lightning-utilities==0.15.2
 - mako==1.3.10
 - markdown-it-py==4.0.0
 - markupsafe==3.0.3
 - matplotlib==3.10.8
 - mdurl==0.1.2
 - mpmath==1.3.0
 - multidict==6.7.0
 - networkx==3.4.2
 - numpy==1.26.4
 - nvidia-cublas-cu12==12.1.3.1
 - nvidia-cuda-cupti-cu12==12.1.105
 - nvidia-cuda-nvrtc-cu12==12.1.105
 - nvidia-cuda-runtime-cu12==12.1.105
 - nvidia-cudnn-cu12==9.1.0.70
 - nvidia-cufft-cu12==11.0.2.54
 - nvidia-cufile-cu12==1.13.1.3
 - nvidia-curand-cu12==10.3.2.106
 - nvidia-cusolver-cu12==11.4.5.107
 - nvidia-cusparse-cu12==12.1.0.106
 - nvidia-cusparselt-cu12==0.7.1
 - nvidia-nccl-cu12==2.20.5
 - nvidia-nvjitlink-cu12==12.8.93
 - nvidia-nvshmem-cu12==3.3.20
 - nvidia-nvtx-cu12==12.1.105
 - omegaconf==2.3.0
 - opentelemetry-api==1.39.1
 - opentelemetry-exporter-otlp==1.39.1
 - opentelemetry-exporter-otlp-proto-common==1.39.1
 - opentelemetry-exporter-otlp-proto-grpc==1.39.1
 - opentelemetry-exporter-otlp-proto-http==1.39.1
 - opentelemetry-proto==1.39.1
 - opentelemetry-sdk==1.39.1
 - opentelemetry-semantic-conventions==0.60b1
 - optuna==4.6.0
 - packaging==25.0
 - pandas==2.3.3
 - pillow==12.0.0
 - primepy==1.3
 - propcache==0.4.1
 - protobuf==6.33.2
 - pyannote-audio==3.1.1
 - pyannote-core==5.0.0
 - pyannote-database==5.1.3
 - pyannote-metrics==3.2.1
 - pyannote-pipeline==3.0.1
 - pyannoteai-sdk==0.3.0
 - pycparser==2.23
 - pydub==0.25.1
 - pygments==2.19.2
 - pyparsing==3.2.5
 - pysocks==1.7.1
 - python-dateutil==2.9.0.post0
 - pytorch-lightning==1.9.5
 - pytorch-metric-learning==2.9.0
 - pytz==2025.2
 - pyyaml==6.0.3
 - requests==2.32.5
 - rich==14.2.0
 - ruamel-yaml==0.18.16
 - ruamel-yaml-clib==0.2.15
 - safetensors==0.7.0
 - scikit-learn==1.7.2
 - scipy==1.15.3
 - semver==3.0.4
 - sentencepiece==0.2.1
 - shellingham==1.5.4
 - six==1.17.0
 - socksio==1.0.0
 - sortedcontainers==2.4.0
 - soundfile==0.13.1
 - speechbrain==1.0.3
 - sqlalchemy==2.0.45
 - sympy==1.14.0
 - tabulate==0.9.0
 - tensorboardx==2.6.4
 - threadpoolctl==3.6.0
 - tomli==2.3.0
 - torch==2.4.0+cu121
 - torch-audiomentations==0.12.0
 - torch-pitch-shift==1.2.5
 - torchaudio==2.4.0+cu121
 - torchcodec==0.7.0
 - torchmetrics==0.11.4
 - torchvision==0.19.0+cu121
 - tqdm==4.67.1
 - triton==3.0.0
 - typer==0.20.0
 - typer-slim==0.20.0
 - typing-extensions==4.15.0
 - tzdata==2025.3
 - urllib3==2.6.2
 - yarl==1.22.0
 - zipp==3.23.0

安装依赖

将上述内容保存为 environment.yml 文件，然后执行以下命令安装所有依赖：

一些在Jetson设备的开发经验

Mon, 27 Oct 2025 10:30:00 +0000

一些在Jetson设备的开发经验

NVIDIA Jetson系列设备作为边缘AI计算的重要平台，在计算机视觉和深度学习应用中发挥着关键作用。本文将详细介绍Jetson设备的刷机、SDK安装、YOLO模型部署以及TensorRT优化等开发经验，帮助开发者快速上手并实现高性能的AI应用部署。

一、Jetson设备概述

1.1 什么是NVIDIA Jetson？

NVIDIA Jetson是一系列基于ARM架构的嵌入式AI计算平台，专为边缘计算和机器人应用设计。Jetson设备集成了高性能的GPU、CPU和深度学习加速器，能够在低功耗环境下运行复杂的AI模型。

1.2 Jetson系列对比

设备型号	GPU	CPU	内存	功耗	适用场景
Jetson AGX Orin (64GB)	2048-core Ampere	12-core Arm Cortex-A78AE	64GB LPDDR5	60W	高性能AI推理
Jetson Orin NX 16GB	1024-core Ampere	8-core Arm Cortex-A78AE	16GB LPDDR5	25W	中等性能应用
Jetson Orin Nano	1024-core Ampere	6-core Arm Cortex-A78AE	8GB LPDDR5	15W	入门级AI应用

二、JetPack SDK安装与配置

2.1 什么是NVIDIA JetPack？

JetPack是NVIDIA为Jetson设备提供的软件开发套件，包含了完整的操作系统、CUDA、cuDNN、TensorRT等深度学习框架和工具链。

2.2 刷机步骤

2.2.1 准备工作

下载JetPack SDK Manager
准备USB线缆和电源适配器

2.2.2 刷机流程

下载JetPack SDK Manager

探索 Python 的 Typing 库：增强代码健壮性

Mon, 29 Sep 2025 14:19:00 +0000

探索 Python 的 Typing 库：增强代码健壮性

Python 的 typing 库自 Python 3.5 引入，为动态类型的 Python 带来了静态类型注解功能，使开发者能够编写更健壮、可维护的代码。本文将深入探讨 typing 模块的主要功能、优势以及实用示例。

为什么使用类型注解？

类型注解通过明确声明变量、函数参数和返回值的预期类型，提升了代码的可读性、可维护性和可靠性。它们支持像 mypy 这样的静态类型检查工具，在运行前捕获潜在错误。此外，类型注解还能增强 IDE 对自动补全和重构的支持，提高开发效率。

开始使用 Typing 库

typing 模块提供了丰富的工具来定义类型注解。以下是一些常用功能的介绍。

基本类型注解

类型注解可用于变量、函数参数和返回值，语法简单直观。

from typing import List, Dict

# 变量注解
name: str = "Alice"
age: int = 30

# 带类型注解的函数
def greet(person: str) -> str:
 return f"你好，{person}！"

在此例中，name 声明为 str 类型，age 为 int 类型，greet 函数接受一个 str 参数并返回一个 str。使用 mypy 等静态类型检查工具可以确保类型使用正确。

集合类型的复杂注解

typing 模块支持对列表、字典和元组等集合类型的复杂注解。

from typing import List, Dict, Tuple

# 整数列表
numbers: List[int] = [1, 2, 3, 4]

# 字符串键和浮点值字典
scores: Dict[str, float] = {"Alice": 95.5, "Bob": 87.0}

# 指定类型的元组
point: Tuple[int, int, str] = (10, 20, "原点")

这些注解清楚地表明了集合内元素的预期类型，减少歧义和潜在错误。

使用CloudFlare反向代理七牛云存储实现SSL自由

Wed, 19 Mar 2025 14:19:00 +0000

基于CloudFlare Workers的七牛云HTTPS代理方案

一、方案背景与核心价值

1.1 问题场景

七牛云存储作为国内主流对象存储服务，其HTTP直连访问存在两大痛点：

SSL证书成本：自定义域名HTTPS服务需单独购买证书
混合内容风险：主站HTTPS页面加载HTTP资源触发安全警告

1.2 技术选型

通过CloudFlare Workers实现四大核心能力：

协议转换层：将用户HTTPS请求转换为对七牛HTTP源站的请求
动态内容改写：实时替换响应中的HTTP资源链接
全局缓存加速：利用全球CDN节点提升访问速度
零运维成本：无需维护服务器基础设施

二、原理说明

Cloudflare Worker 是一个无服务器计算平台，通过拦截请求并修改响应实现代理。核心思路是：

将用户 HTTPS 请求转发到原始 HTTP 站点。修改响应头，强制 HTTPS 协议并修复混合内容问题。

三、操作步骤

1. 创建 Cloudflare Worker

登录 Cloudflare 控制台 → Workers & Pages → 创建新 Worker。
进入代码编辑界面。

2. 编写代理脚本

addEventListener('fetch', event => {
 event.respondWith(handleRequest(event.request));
});

async function handleRequest(request) {
 // 替换为你的 HTTP 源站地址
 const originUrl = 'http://your-http-site.com';
 const url = new URL(request.url);

 // 构建指向 HTTP 源站的新请求
 const newRequest = new Request(originUrl + url.pathname + url.search, {
 headers: request.headers,
 method: request.method,
 body: request.body
 });

 // 发送请求并获取响应
 const response = await fetch(newRequest);

 // 修改响应头强制 HTTPS
 const modifiedHeaders = new Headers(response.headers);
 modifiedHeaders.set('Content-Security-Policy', "upgrade-insecure-requests");
 modifiedHeaders.delete('Content-Security-Policy-Report-Only');

 // 返回处理后的响应
 return new Response(response.body, {
 status: response.status,
 headers: modifiedHeaders
 });
}

3. 部署并配置路由

点击 Deploy 部署 Worker。
在 Worker 设置中绑定自定义域名（如 https://proxy.your-domain.com ）。

4. 调整 SSL/TLS 模式

进入 Cloudflare 域名控制台 → SSL/TLS → 概述。
选择 Flexible 模式（允许 Cloudflare 通过 HTTPS 连接用户，但到源站使用 HTTP）。

stabilityai/stable-diffusion-3-medium 试用体验

Fri, 21 Jun 2024 23:23:30 +0000

在当今的科技领域，人工智能和深度学习技术的发展日新月异。其中，稳定扩散模型（Stable Diffusion Model）作为一种强大的生成模型，在图像生成、视频处理等领域展现出了巨大的潜力。而 ComfyUI 则是一款功能强大的图形用户界面，为用户提供了便捷的操作和可视化的工作流程。

本文将详细介绍如何在 ComfyUI 中安装和使用稳定扩散模型，并通过实际案例展示其在图像生成方面的应用。无论你是初学者还是有一定经验的开发者，都可以通过本文了解到稳定扩散模型的基本原理和使用方法，从而为你的研究和项目提供有力的支持。

背景知识-名词解释

Stable Diffusion: 是一种强大的人工智能图像生成模型。它的主要功能是根据用户输入的文本描述，生成逼真、富有创意和多样化的图像。用户可以通过输入详细的描述，如主题、场景、颜色、风格、物体的特征等，Stable Diffusion 能够理解这些文本信息，并运用其学习到的知识和算法，生成相应的图像。
ComfyUI: 是一个用于生成图像的用户界面。它通常与图像生成模型（如 Stable Diffusion）结合使用，为用户提供了一种更直观、更易于操作的方式来控制和调整图像生成的参数和设置。ComfyUI 允许用户通过图形化的界面，以拖放、选择、输入数值等方式来定制图像生成的各种条件，例如模型选择、提示词权重、采样方法、步数、分辨率等。
CLIP（Contrastive Language-Image Pre-Training）是一种多模态预训练神经网络，由OpenAI在2021年发布。它的核心思想是使用大量图像和文本的配对数据进行预训练，以学习图像和文本之间的对齐关系。

官方地址

https://huggingface.co/stabilityai/stable-diffusion-3-medium

安装教程

下载模型，我这里先直接下载16位的试试水

下载comfy UI

https://github.com/comfyanonymous/ComfyUI?tab=readme-ov-file#installing

解压下载好的 comfy UI 7z包

运行run_nvidia_gpu.bat

出现工作流界面则说明安装成功

导入checkPoint

将下载好的SD模型导入到，ComfyUI的checkpoint文件夹ComfyUI\models\checkpoints

当在工作流界面可以选择到下载的模型的时候，则说明导入成功

导入工作流

下载SD3官方的3个流程图文件

点击load选择要导入的流程图

流程图文件解释

sd3_medium_example_workflow_basic.json – 基础工作流
sd3_medium_example_workflow_multi_prompt.json – 多prompt工作流
sd3_medium_example_workflow_upscaling.json – 带图片放大的工作流

配置流程图

切换模型，切换到下载的模型

删除原Clip节点，从模型节点中拖出clip指向prompt。

因为我上面下载的模型自带Clip能力，从模型中引入即可。

运行SD3模型

输入prompt

运行生图队列

Python 虚拟环境与包管理完整指南

Fri, 07 Jun 2024 22:15:03 +0000

在使用 Python 进行开发时，我们需要处理包管理、依赖隔离等问题。本文将介绍如何在 Windows 系统中配置 pip 源、创建虚拟环境，以及管理项目依赖，帮助你高效地进行 Python 开发。

第一部分：配置 pip 清华源

为什么要配置镜像源？

在使用 Python 进行开发时，我们经常会用到 pip 来安装各种包。但有时默认的源下载速度可能较慢，这时候配置国内的镜像源就很有必要了。

配置步骤

第一步：创建配置文件

在你的用户目录下（一般是 C:\Users\你的用户名），可以通过在资源管理器的地址栏输入 %appdata% 后回车快速打开 appdata 文件夹。创建一个名为 pip 的文件夹，然后在该文件夹内创建一个名为 pip.ini 的文件。

第二步：编辑配置文件

用文本编辑器打开 pip.ini 文件，在其中添加以下内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

第三步：验证配置

打开命令提示符，输入 pip install 某个包，观察下载速度是否有所提升。如果配置成功，下载速度应该会比之前快很多。

第二部分：Python venv 虚拟环境

什么是 Python venv？

Python venv 是 Python 标准库中的一个模块，用于创建虚拟环境。虚拟环境是一个独立的 Python 运行环境，它包含了项目所需的 Python 解释器和所有依赖包。通过使用虚拟环境，我们可以在不同的项目中使用不同的依赖版本，从而避免依赖冲突。

如何创建 Python venv？

在 Windows 环境下，我们可以使用以下命令创建 Python venv：

打开命令提示符（CMD）或 PowerShell。
进入项目目录。
运行以下命令创建虚拟环境：

python -m venv venv

其中，venv 是虚拟环境的名称，你可以根据需要修改。

路由器openwrt安装python

Mon, 25 Dec 2023 21:10:14 +0000

使用u盘当路由器的系统盘，一不小心碰到它，路由器又挂了。决定把U盘作为挂载盘安装软件

OpenWrt 根分区往往只有几十 MB，Python 和依赖一装就爆。把 opkg 指到 U 盘，大包装外置存储；根分区只留系统，U 盘掉了至少还能进路由改配置（比整盘 overlay 挂在 U 上安全一点，见文末后记）。

挂载U盘

LuCI 里挂载分区，记下挂载点（示例里是 /mnt/sda）。文件系统 ext4 比 fat 省心，权限不会乱。

启用挂载的设备

勾选「挂载」并写入 fstab，重启后自动挂上。

opkg包配置安装目录

增加一个opkg安装路径

在 opkg 配置里增加名为 usb（名字自定）的安装目标，路径指向 U 盘下的目录，例如 /mnt/sda/opkg。

配置PATH路径

装到 U 盘的二进制默认不在 PATH 里，要手动加：

export PATH=$PATH:/mnt/sda/opkg/usr//bin
echo 'export PATH=$PATH:/mnt/sda/opkg/usr/bin' >> /etc/profile

第一行 PATH 里多了一个 /，能跑但建议统一成 /mnt/sda/opkg/usr/bin。改完 source /etc/profile 或重登 SSH。

指定路径安装okpg包

opkg update
opkg -d usb install python3 
opkg -d usb install python3-pip

请注意：-d usb为必需的，否则依旧会安装到根目录

游戏设计模式之组件模式

Sun, 04 Jun 2023 16:20:04 +0000

前言

我第一次接触到组件模式是在饥荒的mod开发过程中了解到的。在组件模式下，一系列的能力（如灯光，buff）将会被抽象为组件，组件内部实现这种能力。不同的对象都可以使用这一个组件，提高代码的复用性，避免耦合性过强。

什么是组件模式

允许一个单一的实体跨越多个不同域而不会导致耦合。

为什么需要组件模式

组件模式的目的是减少代码耦合性，提高代码复用率。

可以拿饭店菜单打比方。如果每个实体是一个类，那就只能订套餐。我们需要为每种可能的组合定义各自的类。为了满足每位用户，我们需要十几种套餐。

组件是照单点菜——每位顾客都可以选他们想要的，菜单记录可选的菜式。

参考文档

nestjs配置swagger教程

Fri, 16 Dec 2022 20:58:16 +0000

本文记录如何在nestjs框架下配置swagger。OpenAPI是一个与语言无关的RESTful API定义说明，Nest提供了一个专有的模块来利用装饰器生成类似声明。

安装

npm install --save @nestjs/swagger swagger-ui-express

引导

import { NestFactory } from "@nestjs/core";
import { AppModule } from "./modules/app.module";
import { Logger } from "@nestjs/common";
import { SwaggerModule, DocumentBuilder } from '@nestjs/swagger';

async function bootstrap() {
 const app = await NestFactory.create(AppModule);

 const options = new DocumentBuilder()
 .setTitle('api-collect')
 .setDescription('API文档')
 .setVersion('1.0')
 .build();
 const document = SwaggerModule.createDocument(app, options);
 SwaggerModule.setup('doc', app, document);

 await app.listen(3001);
}

bootstrap().then(() => {
 Logger.log("启动成功");
});

这里主要引入了两个模块，SwaggerModule和DocumentBuilder。其中DocumentBuilder建立一个遵循OpenAPI 标准的基础文档。它提供了不同的方法来配置类似标题、描述、版本等信息属性。

（SwaggerModule#createDocument()方法返回)是一个遵循OpenAPI文档的序列化对象。除了HTTP，你也可以以JSON/YAML文件格式保存和使用它。

SwaggerModule.setup(‘api’, app, document);

此行代码标记你的文档最终挂载的路径。

运行体验

此时我们就可以看到熟悉的swagger界面啦。

类型和参数

如果我们想设置swagger对应的参数请求类型，那么也可以使用它的反射来创建响应模型。

使用ts声明一个参数请求dto

export class ParamsDto {
 params?: string[];
}

接口上声明对应的入参

import { Body, Controller, Post, Query } from "@nestjs/common";
import { SqlService } from "../service/sql.service";
import { CodeDto } from "../entity/code.dto";
import { ParamsDto } from "../entity/params.dto";
import { PathDto } from "../entity/path.dto";

@Controller("api-collect")
export class SqlController {
 constructor(private readonly sqlService: SqlService) {
 }

 @Post("/execute-by-path")
 executeByPath(@Query() pathDto: PathDto, @Body() paramsDto: ParamsDto) {
 return this.sqlService.executeSqlByPath(pathDto.path, paramsDto.params);
 }

 @Post("/execute-by-code")
 executeByCode(@Query() codeDto: CodeDto, @Body() paramsDto: ParamsDto) {
 return this.sqlService.executeSqlByCode(codeDto.code, paramsDto.params);
 }
}

激活swagger ts类型扫描插件（Nestjs框架自带）

Vue3使用customRef()主动触发响应更新

Mon, 12 Dec 2022 22:11:09 +0000

前言

在vue3中（尤其是setup语法）vue框架会自动处理事件响应。但是假设有个场景，我们实现了一个数据结构，只要触发对应操作时，就刷新视图。这个问题在选项式API有个公共API，提供强制刷新能力，那就是$forceUpdate()。$forceUpdate()会全量刷新，而且组合式API不支持该方法，这个时候如果我们想主动触发视图更新，可以使用Vue3提供的customRef()自定义一个ref。

介绍

customRef()，创建一个自定义的 ref，显式声明对其依赖追踪和更新触发的控制方式。

形如

function customRef<T>(factory: CustomRefFactory<T>): Ref<T>

type CustomRefFactory<T> = (
 track: () => void,
 trigger: () => void
) => {
 get: () => T
 set: (value: T) => void
}

其中，track函数告诉框架这是一个需要追踪变更的变量，一般在get里面调用。trigger则是数据变化时调用，用以通知框架，该变量已发生变化触发视图更新。

示例

实现一个日志展示功能，当日志增加时，触发视图更新

这是一个简陋的日志系统，永远展示最后十条日志(截图少了个.slice(-10))。而且我在程序最后加了个定时器，每隔一秒定时增加一条日志。

从图中的结果可以发现，对应的数据变化并未相应的渲染在视图上。这个使用我们就需要customRef实现一个自定义的ref，当日志增加时主动触发trigger通知视图更新

使用customRef改造

总结

使用customRef的好处就是可以把trigger暴露到外部，直接触发trigger就会触发刷新，实现按需加载的效果。

Google Adsence广告拦截收入挽回

Mon, 12 Dec 2022 20:54:51 +0000

前言：很久未关注Google Adsence了，发现谷歌出了个《Google Adsence广告拦截收入挽回》功能。该功能通过提醒用户允许在您的网站上展示广告，挽回您可能会因用户启用了广告拦截器而损失的收入。这边主要介绍该功能的配置流程和使用效果。

自研到放弃

本站最开始的博客系统，使用的是自研的防广告拦截功能。当遇到广告被拦截时，直接跳转至特定的页面，阻断用户访问。具体技术细节见《让你的网站防广告屏蔽》。但该方案对用户侵入性过强，且有绑架用户的嫌疑。后在权衡再三的情况之下，便将其放弃。

Google Adsence广告拦截收入挽回

开通流程

进入隐私权和消息菜单

选择广告拦截收入挽回

创建一个新的挽回消息

设置文本和样式

展示效果

再来看看开启广告拦截后的显示效果

这里用户可以进行两个操作

叉掉弹窗，继续访问（无影响）
点击允许广告，若用户使用的chrome广告插件adblock等，则会自动开启广告

tips: 自动开启广告需要进行如下设置

总结

Google Adsence广告拦截收入挽回功能，是一种非破坏的，友好挽回方式。如果用户实在不愿意接受广告，则可关闭弹窗继续访问。但若经过挽回后，用户愿意接受广告，则广告收入将会获得一定的提高，是一个两全其美的办法。

指尖魔法屋

联系

常用方式

适合联系我的事情

隐私政策

访问日志

Cookie 与本地存储

第三方服务

外部链接

联系方式

杂谈 | 别人投射的想象，时间久了也会变成现实

从做事，到保结果

装出来的，也不全是假的

同一套系统的另一面

给孩子留一句温柔的话

结语

ResNet 网络结构原理与应用实践

为什么要 ResNet

残差块在做什么

用 GolemBot 把 Codex 接到飞书机器人

先说结论

调试 OpenAI Responses API 的 Web Search 踩坑记录

需求背景

官方写法和实际差异

Harness Engineering 的介绍与编程实践

为什么会有 Harness Engineering

Harness 到底在管什么

边缘设备RK3588下RKNN的推理适配

RKNN 是什么

如何判断我的设备是否支持RKNN

RKNN 的典型工作流

性能优化（1）— 模型的int8量化

使用python实现动量量化策略监控面板

使用python实现动量量化策略监控面板

1. 什么是动量策略？

2. 标的选择：构建“微型全天候”组合

3. 策略逻辑设计

4. 技术栈实现

核心代码实现逻辑

使用智谱api将长语音转文本

一、长语音转文本的核心挑战

三、关键技术：实现智能音频分块

3.1 核心思想

3.2 三种实现方案

3.3 使用 pyannote.audio 进行分块（本实践选择）

四、完整实践：使用pyannote.audio切割并调用API转写

4.1 环境准备

安装依赖

安装依赖

一些在Jetson设备的开发经验

一些在Jetson设备的开发经验

一、Jetson设备概述

1.1 什么是NVIDIA Jetson？

1.2 Jetson系列对比

二、JetPack SDK安装与配置

2.1 什么是NVIDIA JetPack？

2.2 刷机步骤

2.2.1 准备工作

2.2.2 刷机流程

探索 Python 的 Typing 库：增强代码健壮性

探索 Python 的 Typing 库：增强代码健壮性

为什么使用类型注解？

开始使用 Typing 库

基本类型注解

集合类型的复杂注解

使用CloudFlare反向代理七牛云存储实现SSL自由

基于CloudFlare Workers的七牛云HTTPS代理方案

一、方案背景与核心价值

1.1 问题场景

1.2 技术选型

二、原理说明

三、操作步骤

1. 创建 Cloudflare Worker

2. 编写代理脚本

3. 部署并配置路由

4. 调整 SSL/TLS 模式

stabilityai/stable-diffusion-3-medium 试用体验

背景知识-名词解释

官方地址

安装教程

3.3 使用 `pyannote.audio` 进行分块（本实践选择）