Posts

Questions 请分享至少一个使用cursor(或类似AI编程工具)中的小技巧(或MCP工具) 参考文档： https://x.com/ryolu_/status/1914384195138511142 Cursor首席设计师 发布的关于如何正确使用Cursor，一共 12 条方法 https://github.com/digitalchild/cursor-best-practices 介绍了 Cursor 作为 AI 编辑器的配置与使用方法。 规则（Rules）设置分为用户规则和项目规则，支持设置编码风格、命名规范等。 提供了规则层级优先级和忽略文件机制的说明，有助于优化 AI 对代码库的理解。 推荐写简洁且可复用的规则文件，给出具体示例。 https://www.siddharthbharath.com/coding-with-cursor-beginners-guide/ 详细说明了 Cursor 的三种主要模式及使用方法。 建议使用规则文件统一团队或个人的偏好，如 TypeScript 项目的严格模式、Python 的 PEP8 规范等。 强调通过规则让 AI 记住编码习惯，减少重复说明。 提供了不同项目类型的规则配置示例，有助于建立一致的代码风格 https://www.prompthub.us/blog/top-cursor-rules-for-coding-agents 大量引导 AI 遵循函数式编程、代码结构清晰、命名一致、类型安全优先（如 TypeScript）等现代编码最佳实践。 关注代码安全、性能以及减少无用审核。 尤其适合团队统一风格和提升生成代码质量。 https://mcp.so/ MCP站 ⚙️规则驱动的AI辅助开发 大型语言模型的一个根本局限是，它们在每次交互后都会“忘记”之前的内容，除非你再次提供上下文。规则文件就是为了解决这个问题而生，它像一个持久化的“项目记忆”，能够让 AI 在任何时候都能遵循你预设的原则。 以下是如何利用这个技巧： 创建项目规则文件：在你的项目根目录下创建一个 .cursor/rules 文件夹，并在其中创建规则文件（.mdc）。这些文件可以被版本控制系统（如 Git）追踪，确保整个团队都能使用同一套规范 。 编写具体、可操作的规则：避免使用“写出好代码”这类模糊指令。相反，要提供具体、可操作的指导，并附上代码示例 。例如，你可以要求： 强制使用 TypeScript 严格模式：明确告诉 AI“所有代码都必须使用 TypeScript 严格模式，避免使用 any 或 unknown 类型” 。 遵循 PEP8 规范：如果你在写 Python 项目，可以告诉 AI 遵循 PEP8 规范，例如“在二元运算符周围使用单个空格，但不要在函数参数默认值等号周围使用” 。 统一代码风格：要求 AI 遵循特定的命名约定，比如“所有目录名都使用小写加短横线（auth-wizard），组件名使用具名导出” 。 利用不同层级的规则：Cursor 支持多种规则类型，它们有不同的应用范围和优先级 。你可以利用这些层级来精细化控制 AI 的行为： 用户规则 (User Rules)：在 Cursor 设置中定义，适用于所有项目。例如，你可以设置一个全局规则来控制 AI 的回复风格，比如“请以简洁的风格回复，避免不必要的重复” 。 项目规则 (Project Rules)：存储在项目目录中，只对当前项目生效。你可以使用“自动附加”（Auto Attached）规则，让 AI 在处理特定文件（如 app/controllers/**/*....

Questions 阅读资料并解释什么是 tokenization 和 embedding 在自然语言处理（NLP）和大语言模型（LLM）中，Tokenization（分词）和Embedding（嵌入）是两个关键步骤，它们将原始文本转换为模型可以理解和处理的形式。 🧩 Tokenization（分词） 定义：Tokenization 是将原始文本拆分成更小的单元（称为 tokens）的过程，这些 tokens 可以是单词、子词、字符，甚至是符号。 目的：将文本转换为模型可处理的基本单位。 常见方法： 空格分词：基于空格将文本拆分成单词。 WordPiece：将词分解为更小的子词单元，常用于 BERT 模型。 Byte-Pair Encoding (BPE)：基于频率合并字符或子词，常用于 GPT 系列模型。 示例： 原始文本：“It’s over 9000!” 空格分词：[“It’s”, “over”, “9000!”] WordPiece：[“It”, “’”, “s”, “over”, “9000”, “!”] BPE：[“It”, “’s”, " over", " 9000", “!”] 每个 token 通常会被映射到一个唯一的数字 ID，供模型使用。 🧠 Embedding（嵌入） 定义：Embedding 是将 tokens 映射到连续向量空间的过程，使得模型能够捕捉词汇的语义和上下文信息。 目的：将离散的 token ID 转换为模型可以处理的连续向量。 实现方式： 词袋模型（Bag of Words）：统计词频，忽略词序。 TF-IDF（词频-逆文档频率）：考虑词频和逆文档频率的加权。 Word2Vec、GloVe：基于上下文训练词向量。 Transformer 模型中的嵌入层：如 BERT、GPT 等模型使用嵌入层将 token ID 转换为向量。 示例： 对于 token ID 序列 [101, 2009, 1005, 1055, 2058, 7706, 2692, 999, 102]，嵌入层将其转换为对应的向量表示，供模型进一步处理。...

Questions 一、以下是几个目前大语言模型常用的解码策略(一般在调用模型的API中可以设置)，请解释它们的基本原理及使用方式 贪心搜索 (Greedy search)、波束搜索 (Beam search)、Top-K 采样 (Top-K sampling) 以及 Top-p 采样 (Top-p sampling) 二、请解释 温度(temperature) 的基本原理及使用方式 Answer 一、解码策略基本原理及使用方式 贪心搜索（Greedy Search） 📌 原理： 每一步都选择概率最高的下一个 token（词/子词）。 📈 特点： 最快，计算简单； 可能错过全局最优解； 生成的文本往往比较“机械”或者“无趣”。 🧠 举个例子： 输入：“The weather is” 模型预测：“sunny”（90%），“cloudy”（5%），“rainy”（5%） → 贪心搜索会 直接选择 “sunny” 波束搜索（Beam Search） 📌 原理： 同时保留 k 个最有可能的候选序列（beam width），每一步扩展所有候选，然后选出得分最高的 k 个序列继续。 📈 特点： 比贪心更好，能找到更优的整体结果； 但会带来重复、啰嗦问题（比如重复短语）； 计算成本高于贪心。 🔧 参数： beam width（波束宽度）常用值：3、5、10 🧠 类比： 像是在走迷宫，不止走一条路，而是并行尝试几条路，最后选得分最高的那条。 Top-K 采样 📌 原理： 每一步只从概率最高的 K 个 token 中随机采样一个。...

Question & Answer 1. 什么是 cache aside 模式 Cache aside 可能是最常用的缓存方法。此策略规定缓存必须位于一侧，并且应用程序将直接与缓存和数据库通信。 Cache aside通常是通用的，最适合读取密集型工作负载。 缓存流程 查询策略 +---------------------+ | 查询缓存数据 | +---------------------+ | v +---------------------+ | 缓存命中？(是/否) | +---------------------+ | | |是 |否 v v +---------+ +---------------------+ | 返回数据 | | 查询数据库 | +---------+ +---------------------+ | v +---------------------+ | 将数据写入缓存 | +---------------------+ | v +---------------------+ | 返回数据 | +---------------------+ 更新策略 +---------------------+ | 数据更新请求 | +---------------------+ | v +---------------------+ | 更新数据库 | +---------------------+ | v +---------------------+ | 删除缓存或使之失效 | +---------------------+ 2....

Question 针对prompt engineering 的特点，描述在使用 gemini 时应该怎么做从而获取更加准确的答案 Answer 明确且具体的问题 避免模糊不清的提问：尽量使用明确的动词和名词，避免使用“大概”、“可能”等模糊词语。 提供背景信息：如果问题涉及到特定的领域或知识，提供相关的背景信息能帮助模型更好地理解你的需求。 限定回答范围：如果希望得到特定类型的答案（例如：总结、比较、分析），明确提出你的要求。 多次尝试，微调Prompt 不断迭代：如果第一次得到的答案不理想，可以尝试修改Prompt，例如调整关键词、改变提问方式等。 拆分问题：如果问题过于复杂，可以尝试将其拆分成几个小问题，逐一解决。 提供反馈：如果模型的回答与你的预期不符，可以提供具体的反馈，帮助模型改进。 充分利用Gemini的优势 上下文理解：Gemini具有强大的上下文理解能力，你可以将相关信息（例如：文章、对话记录）作为Prompt的一部分，帮助模型更好地理解你的问题。 多模态能力：如果有图片、视频等多模态信息，可以尝试将它们融入到Prompt中，获取更全面的答案。 推理能力：Gemini具备一定的推理能力，你可以提出一些需要推理的问题，例如“根据以下信息，你认为……？” 注意Prompt的技巧 使用引导词：使用“请”、“告诉我”、“解释一下”等引导词，可以帮助模型更好地理解你的意图。 使用限定词：使用“简要”、“详细”、“举例说明”等限定词，可以控制答案的长度和风格。 使用开放式问题：如果希望得到更深入的答案，可以尝试使用开放式问题，例如“你认为……的原因是什么？” 参考 what is prompt-engineering

目标 试图搞清楚1NF、2NF、3NF的规范含义 试图找到一种范式与非范式之间的平衡应用与日常开发 题目 给定以下数据表，参考数据库设计范式进行结构优化，可以输出ER图或者表定义 表结构 CREATE TABLE Orders ( order_id INT PRIMARY KEY, -- 订单ID customer_name VARCHAR(255), -- 客户名称 customer_address VARCHAR(255), -- 客户地址 order_date DATETIME, -- 订单日期 product_id INT, -- 产品ID product_name VARCHAR(255), -- 产品名称 quantity INT, -- 数量 unit_price DECIMAL(10, 2), -- 单价 total_price DECIMAL(10, 2), -- 总价 sales_rep_id INT, -- 销售代表ID sales_rep_name VARCHAR(255), -- 销售代表名称 sales_rep_phone VARCHAR(20), -- 销售代表电话 delivery_date DATETIME, -- 交货日期 payment_method VARCHAR(50), -- 支付方式 payment_status VARCHAR(50) -- 支付状态 ); 表数据例子 order_id customer_name customer_address order_date product_id product_name quantity unit_price total_price sales_rep_id sales_rep_name sales_rep_phone delivery_date payment_method payment_status 1 A 华盛顿特区宾夕法尼亚大道1600号 2023-08-01 14:00:00 101 笔记本电脑 2 800....

Q1:docker 数据管理有哪几种方式，各有什么特点 volume 由docker管理，不应被其他进程更改 持久化的 可由多个容器复用 支持卷驱动（可远程存储） bind mount 可在宿主机任意位置 可被其他进程更改 持久化的 可由多个容器复用 tmpfs mount 存储在宿主机内存中，可快速读写，不会写入持久存储设备 容器停止或重启时，tmpfs的数据可以自动清除 Q2:每种数据管理方式使用场景举一个例子 volume 挂载数据库数据文件 bind mount 挂载配置文件 tmpfs mount 用做缓存目录，如nginx的proxy_cache_path 参考 https://docs.docker.com/storage/

Q1:请使用 runtime/trace 包，写一个使用trace的例子 启动两个goroutine，记录trace func main() { f, err := os.Create("trace.out") if err != nil { log.Fatalf("failed to create trace file: %v", err) } defer f.Close() if err := trace.Start(f); err != nil { log.Fatalf("failed to start trace: %v", err) } defer trace.Stop() var wg sync.WaitGroup wg.Add(2) go wait(&wg) go sum(&wg) wg.Wait() } func wait(wg *sync.WaitGroup) { defer wg.Done() time.Sleep(2 * time.Second) } func sum(wg *sync.WaitGroup) { defer wg.Done() i, s := 0, 0 ch := time....

Q1:说明 go plugin 使用场景，并编写一个使用 plugin 的 demo Go plugin支持将Go包编译为共享库（.so）的形式单独发布，主程序可以在运行时动态加载这些编译为动态共享库文件的go plugin，从中提取导出(exported)变量或函数的符号并在主程序的包中使用。Go plugin的这种特性为Go开发人员提供更多的灵活性，我们可以用之实现支持热插拔的插件系统。 demo 通过不同插件实现io.StringWriter，可将输出保存到不同地方 plugin/plugin.go package main import ( "fmt" "log" "os" ) func init() { log.Println("stdoutStringWriter init") } type stdoutStringWriter struct{} func (w *stdoutStringWriter) WriteString(s string) (n int, err error) { return fmt.Fprint(os.Stdout, s) } var StringWriter stdoutStringWriter main.go package main import ( "io" "log" "plugin" ) func main() { log.SetFlags(log.Lshortfile | log.LstdFlags) p, err := plugin.Open("./plugin/plugin.so") if err != nil { panic(err) } w, err := p....

使用 ncat 创建HTTP代理 # 无法代理DEL等特殊Method ncat -l --proxy-type http localhost 8888 本地端口转发 （访问本地端口 = 访问远程可以访问的端口） ssh -L [local_addr:]local_port:remote_addr:remote_port [user@]sshd_addr 远程端口转发 （访问远程端口 = 访问本地可以访问的端口） ssh -R [remote_addr:]remote_port:local_addr:local_port [user@]gateway_addr ssh命令端口转发相关参数 -N 不执行远程命令. 用于转发端口. (仅限协议第二版) -g 允许远端主机连接本地转发的端口 -f 在执行命令前退至后台 运用 # 在A服务器(172.20.144.200)开启HTTP代理，外网需VPN登录 ncat -l --proxy-type http localhost 8888 # PC挂VPN，本地8888端口转发至服务器A代理服务 # 执行后可以通过Top等命令保活 ssh -gL 8888:172.20.144.200:8888 user_name1@172.20.144.200 # 再将PC的8888端口转发至192.168.0.50:55555 ssh -NfgR 55555:localhost:8888 user_name2@192.168.0.50 # 至此，所有可以访问192.168.0.50:55555的机器都可以在浏览器插件或者系统代理配置HTTP代理 # 然后访问A服务器所在网络的网站等HTTP服务了