• 需显式引导推理步骤（如通过CoT提 示），否则可能跳过关键逻辑。 • 依赖提示语补偿能力短板（如要求分 步思考、提供示例）。 关键原则 3 2 1 模型选择 • 优先根据任务类型而非模型热度选择（如数学任务选推理模型，创意任务选通用 模型）。 提示语设计 • 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 格式要求 简单任务、需快速执行 “用Python编写快速排序函 数，输出需包含注释。” ✅ 结果精准高效 么”“如何”） 探索性问题、需模型解 释逻辑 “为什么选择梯度下降法解 决此优化问题？请对比其他 算法。” ✅ 触发模型自解释能力 ❌ 可能偏离核心目标 任务需求与提示语策略 任务类型 适用模型 提示语侧重点 示例（有效提示） 需避免的提示策略 数学证明 推理模型 直接提问，无需分步引导 “证明勾股定理” 冗余拆解（如“先画图，再列公式”） 通用模型 显式要求分步思考，提供示例

. . . . . . . . . . . . . . . . . . . . . . . . . . 245 V.III.II 在 Ubuntu 中玩 Microsoft Windows 操作系统上的 游戏 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435 IX.II 系统文档 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474 X.III.I 在启动时自动运行系统命令 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475 X.III.II 更改引导时的默认操作系统 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478

MySQL 架构设计—高可用架构  系统优化：硬件、架构 系统优化：硬件、架构  服务优化 服务优化  应用优化 应用优化 MySQL MySQL 优化方式 优化方式 影响性能的因素 影响性能的因素 应用程序 应用程序 查询 查询 事务管理 事务管理 数据库设计 数据库设计 数据分布 数据分布 网络 网络 操作系统 操作系统 硬件 硬件  使用好的硬件，更快的硬盘、大内存、多核 读写分离；数据库分表、数据库切片（分 读写分离；数据库分表、数据库切片（分 布式），也考虑使用相应缓存服务帮助 布式），也考虑使用相应缓存服务帮助 MySQL MySQL 缓解访问 缓解访问 压力 压力 系统优化 系统优化  配置合理的 配置合理的 MySQL MySQL 服务器，尽量在应用本身达到一 服务器，尽量在应用本身达到一 个 个 MySQL MySQL 最合理的使用 最合理的使用  针对 innodb_buffer_pool_size 32M 10G InnoDB 使用一个缓冲池来保存索引和原始数据 , 这里你设置越大 , 你在存取表里面数据时所需要的 磁盘 I/O 越少，一般是内存的一半，不超过 2G ， 否则系统会崩溃，这个参数非常重要 innodb_additional_mem _pool_size 2M 512M InnoDB 用来保存 metadata 信息 , 如果内存是 16G ，最好本值超 1024M

加一来实现对所有 queue 的轮询 如果入参 lastBrokerName 不为空，代表上次选择的 queue 发送失败，这次选 择应该避开同一个 queue 3） Producer 发消息系统重试: 发送失败后，重试几次 retryTimesWhenSendFailed = 2 发送消息超时 sendMsgTimeout = 3000 Producer 通过 selectOneMessageQueue 随机选择一台 producer 查询消息，根据 commitLogOffset 和 msgSize 到 commitlog 查找消息 向 Producder 发起请求,请求 code 类型为 CHECK_TRANSACTION_STATE，producer 的 DefaultMQProducerImpl. checkTransactionState()方法来处理 broker 定时回调的请求， 已经提供了很全面的实现， consumer 通过长轮询拉取消息后回调 MessageListener 接口实现完成消费， 应用系统只要 MessageListener 完成业务逻辑即可 2. Pull 方式：完全由业务系统去控制，定时拉取消息，指定队列消费等等， 当然这里需要 业务系统去根据自己的业务需求去实现 下面介绍默认以 push 方式为主， 因为绝大多数是由 push 消费方式来使用

...................................................................................... 13 6.2 文件系统 .................................................................................................. 的多个关键特性的实现原理，幵对消息中间件遇到的各种问题迕行总结，阐述 RocketMQ 如何解决返些问题。文中主要引用了 JMS 规范不 CORBA Notification 规范，规范为我们设计系统挃明了 方吐，但是仍有丌少问题规范没有提及，对亍消息中间件又至关重要。RocketMQ 幵丌遵循任何规范，但是参考了 各种规范不同类产品的设计思想。 2 产品发展历史 大约经历了三个主要版本迭代 RocketMQ + B2B 个性化需求 为 B2B 应用提供消息服务 3 与业术语  Producer 消息生产者，负责产生消息，一般由业务系统负责产生消息。  Consumer 消息消费者，负责消费消息，一般是后台系统负责异步消费。  Push Consumer Consumer 的一种，应用通常吐 Consumer 对象注册一个 Listener 接口，一旦收到消息，Consumer

集社交媒体数据、数据库内容、文本数据、接口数据等。 通过数据清洗、数据集成、数据变换、特征工程等方式，实 现数据纠错、数据整合、格式转换、特征提取等。 对数据进行诊断、预测、关联、聚类分析，常用于问题 定位、需求预测、推荐系统、异常检测等。 对数据进行分类、社交网络分析或时序模式挖掘，常用 于客户细分、信用评分、社交媒体营销、股价预测等。 将数据转化为统计图、热力图、网络关系图、词云、树形 图等，用于揭示数据中蕴含的模式、趋势、异常和洞见。 2、对数据集进行深入分析和数据挖掘 任务 DeepSeek R1 能够准确对数据进行分类，从多个维度进行梳理和分析，借助可视化图表进行数据挖掘，基于分析结 果提供可行建议，但整体数据挖掘深度较浅，缺少对不同类型数据直接关联性的探究。 第一轮对话： 第二轮对话： （基于初步分析结果，选择其中一部分或某个方 向进行深入的数据挖掘） 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因 策制定、质量评估或产品验证的最终依据。 数据可视化 基于titanic遇难者数据分析结果绘制可 视化图表 任务  Open AI o3mini的数据可视化能力突出，能够直接高效地生成多种类型可视化图表，准确度高；  DeepSeek R1、Kimi k1.5均能基于分析结果提供多种可视化图表绘制方案，但都需要依靠运行 Python代码才能完成绘图任务，部分代码会出现错误 Open

Kubernetes Operator 实践 —— MySQL 容器化 刘林 搜狗资深工程师 关于我 搜狗商业平台研发部 资深开发工程师 l 主要从事商业平台研发工作，在构建高性能、高可用大规模 系统方面有丰富的实践经验 l 目前专注于云计算、DevOps 等相关领域，负责搜狗商业云 平台的设计研发工作 刘林 1. 背景介绍 2. Operator 的基本原理 3. MySQL Operator 故障恢复快 Cluster1 搜狗商业平台业务系统 搜索推广 信息流 品牌 BizNginx （Load Balancer） Kafka Zookeeper etcd AppEngine（Resin/Tomcat…) 统一服 务管理 Kubernetes 模板管理 自动化测试 部署中心 服务发现 灰度发布 监控中心 日志系统 PaaS SaaS 编 译 发 布 授 ü custom resource definition(CRD) ü custom controller Operator 是什么 • Kubernetes 中一切都可视为资源 • 默认资源类型：如 Pod、Service、Volume 等 • Kubernetes 1.7 之后增加了 CRD 自定义资源 • 二次开发扩展 Kubernetes API CRD 的基本原理 ① 观察资源的当前状态

匹配日期 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5.4. window 操作系统文件路径. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.5. 匹配 id. . . . . . . . . . ，受益匪浅，从每次遇到正则问题，从百度到自己书写，都离不开书中的知识。并且此书通俗易懂， 条理清晰，每次阅读都会得到新的收获。感谢老姚，支持你，加油！ — _周末 对于正则的知识，之前看得总是零零碎碎的，没有好好地去系统学习过，所以在方面知识体系相对薄 弱。通过这本正则迷你书，总算有一个清晰掌握。一直以来比较关注作者的笔记和文章，自身在JS的 成长上也受益于姚哥帮助，感谢他对这本书的付出，希望这本迷你书能帮助更多想学习正则的同学。 第一章 正则表达式字符匹配攻略 正则表达式是匹配模式，要么匹配字符，要么匹配位置。 请记住这句话。 然而关于正则如何匹配字符的学习，大部分人都觉得这块比较杂乱。 毕竟元字符太多了，看起来没有系统性，不好记。本章就解决这个问题。 内容包括： • 两种模糊匹配 • 字符组 • 量词 • 分支结构 • 案例分析 1.1. 两种模糊匹配 如果正则只有精确匹配是没多大意义的，比如 /hello/，也只能匹配字符串中的

匹配日期 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5.4. window 操作系统文件路径. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.5. 匹配 id. . . . . . . . . . ，受益匪浅，从每次遇到正则问题，从百度到自己书写，都离不开书中的知识。并且此书通俗易懂， 条理清晰，每次阅读都会得到新的收获。感谢老姚，支持你，加油！ — _周末 对于正则的知识，之前看得总是零零碎碎的，没有好好地去系统学习过，所以在方面知识体系相对薄 弱。通过这本正则迷你书，总算有一个清晰掌握。一直以来比较关注作者的笔记和文章，自身在JS的 成长上也受益于姚哥帮助，感谢他对这本书的付出，希望这本迷你书能帮助更多想学习正则的同学。 第一章 正则表达式字符匹配攻略 正则表达式是匹配模式，要么匹配字符，要么匹配位置。 请记住这句话。 然而关于正则如何匹配字符的学习，大部分人都觉得这块比较杂乱。 毕竟元字符太多了，看起来没有系统性，不好记。本章就解决这个问题。 内容包括： • 两种模糊匹配 • 字符组 • 量词 • 分支结构 • 案例分析 1.1. 两种模糊匹配 如果正则只有精确匹配是没多大意义的，比如 /hello/，也只能匹配字符串中的

le.mp4 从视频中提取出字幕 ffmpeg -i video_with_soft_subtitle.mp4 -map 0:s:0 extracted_subtitle.srt 字幕类型转换 srt转换为ass ffmpeg -i subtitle.srt subtitle.ass 另外还有： ffmpeg 被其他⼯具调⽤：⽤于解析和操作⾳视频 Python的⾳频处理库： 脚本说明 Script Info: 脚本的⼀般全局信息: Title：标题 Original Script：脚本原作 Script Updated By：脚本优化 Script Type：类型 ⽤于兼容性设置 SSA=4.00 ASS=4.00+ PlayResX & PlayResY：屏幕宽⾼ PlayDepth：决定颜⾊数量 Timer：定时器 V4 Styles: 定 powered by Gitbook最后更新： 2021-09-13 16:39:24 获取 56 指定字幕⽂字属性 此处介绍嵌⼊字幕时，指定字幕⽂字的各种属性，⽐如 字体⼤⼩ 、 字体 类型 、 颜⾊ 、 透明度 等 srt字幕：加force_style参数 ass字幕：在ass字幕中设置参数 具体设置成什么值，以及效果如何，可借助于软件Aegisub去设置和预览 举例1