Milvus 与 Qdrant 向量数据库选型对比：千万级向量场景部署、性能与资源实测
在图文去重与语义检索业务中，我们需要在 Milvus 2.4.9 与 Qdrant 1.9.2 之间做选型。实测 1200 万条 768 维向量，在 8C32G 单机、100 并发下，Qdrant 的 P95 查询延迟约 18ms，Milvus 约 29ms；但 Milvus 在批量写入和标量过滤组合查询上更稳。本文给出 Docker 部署、建表、查询代码、压测数据与踩坑记录，帮助你按业务场景做决
FastAPI+Flask双框架API性能调优：从2.3s到180ms的profiling、SQL与缓存改造
一个日请求量约80万的商品详情接口，P99从2.3s降到180ms，服务器从8台减到3台。本文用py-spy火焰图定位到ORM的N+1查询，配合索引重写、Redis两级缓存和连接池调参，附完整代码与wrk压测对比数据。FastAPI 0.110和Flask 3.0两个版本都跑了一遍，结论略有差异。
LoRA微调7B大模型：从数据到推理的完整实践与性能对比
本文记录了我在单张24GB显存GPU上使用LoRA/QLoRA微调Qwen2.5-7B-Instruct的全过程。训练数据为12k条中文指令数据，采用4-bit量化+LoRA（r=16, alpha=32），仅训练约0.8%参数。3个epoch后loss从2.31降至0.76，显存峰值18.3GB。推理对比显示，微调后在目标领域任务上的准确率从基座的52%提升至87%，同时保持了通用对话能力，推理
FastAPI+Flask接口响应从1.8s降到120ms：一次API性能调优的profiling与缓存实践
某内部商品查询接口在FastAPI 0.110 + Flask 3.0 双栈环境下，P95响应时间高达1.8s，QPS仅42。通过cProfile+py-spy定位到N+1查询与重复序列化问题，配合SQLAlchemy 2.0的selectinload、Redis 7.2缓存与orjson替换，最终P95降至120ms，QPS提升到680，数据库QPS下降约83%。本文记录完整定位过程、核心代码与
FastAPI+Flask接口从1.2s压到80ms：一次真实的性能瓶颈定位与优化
线上一个FastAPI商品详情接口P99飙到1.2s，QPS只有60就报警。用py-spy火焰图定位到同步阻塞的ORM N+1查询，配合SQLAlchemy的selectinload、Redis缓存和Flask侧的连接池调优，最终P99降到80ms，QPS从60提升到1100+。本文完整记录了profiling、数据库优化、缓存策略和压测数据对比的全过程。
用asyncio重构订单查询API：QPS从120提升到2300的完整记录
一个日均调用量800万的订单查询API，在Python 3.11 + FastAPI环境下，因同步阻塞IO导致P99延迟高达1.8秒、QPS卡在120。本文完整记录用asyncio + asyncpg + httpx重写数据访问层的过程，包含before/after可运行代码、连接池参数调优、以及压测得到的真实数据对比：QPS提升19倍，P99从1830ms降到76ms。
我用GPT-4o做合同信息抽取：5版Prompt对比，Token差3倍准确率差41%
同一个合同字段抽取任务，我写了5版Prompt，从朴素提问到Few-shot+结构化约束，Token消耗从312涨到1047，但准确率从54%提升到95%。本文完整记录了每版Prompt的设计思路、实测数据（含GPT-4o-2024-08-06与Claude 3.5 Sonnet对比）、踩过的JSON截断和幻觉字段坑，并给出最终生产可用的Prompt模板与成本核算。
FastAPI+Flask接口从1200ms降到180ms：一次API性能瓶颈的profiling与优化记录
一个日请求量约200万的订单查询接口，P95响应时间从1200ms优化到180ms，QPS从45提升到320。本文记录了完整的排查过程：用py-spy和cProfile定位到N+1查询和同步阻塞，通过selectinload、Redis缓存和连接池调优解决，附压测数据对比和可运行的代码示例。
用asyncio重构Flask风控接口，QPS从120提升到1100
某风控查询接口单次请求需串行调用3个下游HTTP服务，Flask同步模型下压测QPS只有120，P99高达1.8s。本文用asyncio+aiohttp把下游调用改为并发，配合连接池与超时控制，在4C8G机器上把QPS推到1100，P99降到210ms，CPU占用反而下降35%。文中给出完整before/after代码、压测脚本和踩坑记录。
LangChain与AutoGPT之外：从零手写一个可用的AI Agent核心循环
调用LangChain的`AgentExecutor`三行代码就能跑通Demo，但工具调用失败时为什么整个链路直接崩掉？记忆窗口设置成多少才不炸Token？本文不依赖任何Agent框架，用约300行Python从零实现一个AI Agent，覆盖工具注册与JSON Schema校验、基于滑动窗口+摘要的混合记忆、指数退避重试与降级策略、以及带最大步数和死循环检测的ReAct循环控制。实测在GPT-4
React Context 与 Pinia 状态管理迁移：方案对比、步骤与性能数据
一个中后台项目在 React 18.2 与 Vue 3.3 双栈并行期，把 37 个全局状态从 Props/Context 迁到 Zustand 4.4 与 Pinia 2.1。迁移后首屏渲染从 1.8s 降到 1.1s，组件重渲染次数下降约 62%，包体积仅增加 3.2KB（gzip）。本文记录方案对比、迁移步骤、真实性能数据，以及踩过的 5 个坑。
用asyncio重构Web API：QPS从120提升到2100的优化记录
一个查询3个外部HTTP接口的Python Web API，使用Flask+requests同步实现时QPS只有120，P99延迟高达1.2s。改用FastAPI+asyncio+httpx异步方案后，QPS提升到2100，P99降到85ms。本文包含完整的before/after代码、压测数据对比，以及asyncio.gather、连接池、超时控制等踩坑细节。
用asyncio重构Flask接口：QPS从120提升到1100的异步优化记录
一个内部推荐服务接口，原先用Flask同步调用3个下游HTTP接口，P99延迟480ms、QPS只有120。改造成asyncio+aiohttp异步编排后，单机QPS跑到1100，P99降到95ms，机器数从8台减到2台。本文完整记录before/after代码、并发参数调优、以及踩过的连接池和事件循环坑，附实测压测数据。
LoRA与QLoRA微调7B大模型：从数据准备到推理效果对比的完整记录
本文记录了在单张24GB显存显卡上，使用LoRA与QLoRA对Qwen2.5-7B-Instruct进行指令微调的全过程。训练数据为1.2万条中文客服对话，采用4-bit NF4量化后显存占用从58GB降至约11GB。通过对比微调前后在200条测试集上的表现，模型领域问答准确率从61.5%提升至87.3%，并附上完整代码、loss曲线分析与踩坑记录，供有类似需求的开发者参考。
Docker Compose编排多服务容器化部署：网络、卷挂载、健康检查与启动顺序配置详解
一个包含Web应用、MySQL、Redis、Nginx的4服务项目，用Docker Compose统一编排。通过自定义bridge网络实现服务隔离，命名卷持久化MySQL数据，健康检查配合depends_on的condition条件控制启动顺序。最终实现一条`docker compose up -d`命令完成全栈部署，冷启动时间从手动部署的15分钟压缩到90秒内，服务间通信延迟稳定在0.5ms以下
FastAPI+SQLAlchemy性能调优：一次接口从1.2秒优化到80毫秒的完整记录
某电商后台订单列表接口在并发200时P99响应高达1.2秒，数据库CPU被打满。本文用py-spy定位到N+1查询和缺失索引两个瓶颈，通过SQLAlchemy的selectinload、复合索引与Redis缓存三层优化，最终P99降到80ms，QPS从150提升到1100。文中包含完整的profiling命令、可运行的优化代码和wrk压测对比数据。
React 18 与 Vue 3 项目从 Context/Props 迁移到 Zustand 和 Pinia 的状态管理实践
在一个中型后台管理系统里，我们用 React Context + Props 层层透传管理状态，结果一次表单联动导致 47 个组件重渲染，首屏可交互时间从 1.2s 涨到 2.8s。后来我把 React 侧迁到 Zustand 4.5、Vue 侧迁到 Pinia 2.1，重渲染组件数降到 6 个，TTI 回到 1.3s。这篇文章记录迁移方案对比、具体步骤、踩过的坑和最终性能数据，适合正在纠结要不要
从Git Flow到Trunk-Based：一套支撑30人团队的Git分支策略与CI/CD落地配置
团队从5人扩到30人后，混乱的分支合并让发布周期从3天拖到2周，线上事故率翻倍。本文记录了我们从Git Flow迁移到Trunk-Based Development的完整过程：分支模型如何设计、Code Review如何用GitHub Actions+CODEOWNERS卡住质量、CI/CD如何用GitLab CI 16.9配置多环境流水线。含真实YAML配置、合并冲突率从37%降到6%的数据，以
从零手写AI Agent：LangChain工具调用、记忆与循环控制实现
调用OpenAI API做一个聊天机器人只要20行代码，但要让模型自主决定"调哪个工具、传什么参数、失败了怎么重试"，坑就来了。本文基于LangChain 0.3.7和GPT-4o-mini，从零手写一个可运行的AI Agent，实测工具调用准确率从62%提升到94%，单次任务平均耗时从8.3秒降到4.1秒。文中包含完整的工具定义、记忆管理、错误重试和循环控制代码，所有代码均可直接运行。
Milvus与Qdrant向量数据库选型：千万级向量场景实测对比
在图文推荐场景下，我们对 Milvus 2.4.0 与 Qdrant 1.9.0 进行了同硬件、同数据集的对比测试。1000 万条 768 维向量，Milvus 在 HNSW 索引下 QPS 达到 1850，Qdrant 为 1420；内存占用 Qdrant 低约 30%，但 Milvus 在批量写入和分布式扩展上更稳。本文给出部署步骤、查询代码、踩坑记录与选型建议，帮你少走一周弯路。
