7B模型LoRA微调实录：显存8G也能跑，效果直追全量微调
上周接到一个任务，要把一个7B模型在垂直领域（法律问答）上做微调。手头只有一张RTX 4090，24G显存，但全量微调7B模型至少需要80G以上显存。试了LoRA和QLoRA两种方案，最终用QLoRA在18G显存下跑完3个epoch，法律问答准确率从基线54.7%提升到82.3%，训练时间比全量微调缩短了70%。本文记录了从数据准备、训练配置到推理效果对比的完整过程，包括踩过的坑和最终的调优方案。
Docker Compose编排多服务：网络、卷、健康检查与启动顺序全解析
本文分享一个真实项目中的docker-compose配置，包含Nginx、后端API、PostgreSQL、Redis四个服务。通过自定义网络隔离流量、命名卷持久化数据、健康检查控制依赖启动顺序。实测部署后容器启动时间从48秒缩短至22秒，服务可用性从99.2%提升至99.9%。你将看到完整的YAML配置、踩坑记录和性能对比数据。
7B模型单卡LoRA微调实录：显存从24G降到9.8G的QLoRA配置与Loss曲线分析
上周用一张RTX 3090对Llama-2-7B做医疗问答指令微调，尝试了LoRA和QLoRA两套方案。最终QLoRA在24G显存下将batch size从4提到16，训练速度反而提升18%，微调后模型在自建医疗QA测试集上的ROUGE-L从0.21涨到0.37。本文记录完整的数据准备、bitsandbytes配置、Peft训练代码，以及两轮微调中遇到的loss震荡和OOM问题，附上实测的loss
LangChain与AutoGPT双引擎：手写Agent核心四要素实现剖析
当AutoGPT的递归循环撞上LangChain的Tool抽象，一个具备自我纠错能力的Agent需要处理多少细节？本文基于langchain==0.1.0与autogpt==0.4.0，手写一个130行核心代码的Agent，实测在12个工具调用场景下，错误处理率从72%提升至96%，记忆检索耗时从850ms压降至210ms。我们将拆解工具定义的模式匹配陷阱、短期记忆的LRU淘汰策略、以及循环控制中
Docker Compose编排多服务容器：网络隔离与健康检查实战配置
本文分享一个生产环境可用的docker-compose配置，包含Nginx反向代理、Spring Boot应用、PostgreSQL和Redis四个服务。重点解决三个痛点：如何通过自定义网络实现服务隔离与通信、如何用volume卷挂载持久化数据、如何用healthcheck控制启动顺序。配置采用Compose 3.8语法，在Docker 24.0.4环境下验证通过，服务启动时间从手动部署的3分20
LangChain 0.3手写Agent：工具注册与记忆回收机制实现
上周在项目里用AutoGPT框架搭了个客服机器人，结果token消耗日均$47，且对话超过5轮后上下文窗口直接爆掉。这周狠下心来用LangChain 0.3.1从零手写了一个轻量Agent，核心实现了工具注册表、基于时间衰减的记忆管理器、以及带指数退避的错误重试循环。最终在128轮压力测试下，上下文占用稳定在4.2K tokens以内，回答准确率从62%提升至89%。本文直接贴出关键代码和踩坑记录
Prompt Engineering调优实录：用Claude-3.5-Sonnet把SQL生成准确率从71%拉到94%
在开发一个自然语言转SQL（NL2SQL）的内部工具时，我花了整整两周时间死磕Prompt。从最初的“一句话+表结构”到最终的“角色扮演+Few-shot+思维链+格式锁定”，在1200条测试集上，SQL生成准确率从71.3%提升至94.1%，单次查询的token消耗从2.1k降至1.4k（得益于结构化输出和长度控制）。本文将完整记录这轮实验过程：5个不同版本的Prompt设计、各自的token开
Docker Compose多服务编排：网络隔离、健康检查与启动顺序实战
上周我把一个由Nginx、Spring Boot 3.2、PostgreSQL 16和Redis 7组成的微服务demo从单机脚本迁移到docker-compose，解决了三个棘手问题：服务启动竞态导致连接失败、容器重启后IP漂移、以及健康检查误判。本文分享这套配置，包含自定义网络、命名卷、依赖条件和healthcheck，并给出具体的性能对比数据——迁移后冷启动时间从42秒缩短到18秒，内存占用
Git分支策略与Code Review流水线：支撑200人团队的协作方案
当团队从20人扩张到200人，原先的Git分支模型彻底崩溃——频繁的merge冲突、代码评审流于形式、CI构建排队超过40分钟。本文基于Git 2.39和GitLab 15.11，分享一套经过双11大促版本迭代验证的分支策略（Trunk-based + Release Branch混合模型）、基于Merge Request的强制Code Review规则，以及通过GitLab CI + Argo
Docker Compose编排实践：多服务依赖、健康检查与卷挂载配置详解
本文基于Docker Compose v2.24.2，分享一个包含Nginx、Golang API、PostgreSQL、Redis四服务的生产级编排配置。重点解决服务启动顺序、健康检查失效、卷权限导致的启动失败三大问题。通过实际压测数据对比，健康检查机制使服务可用性从82%提升至99.5%，容器启动总耗时从45秒缩短至28秒。文章提供完整可运行的compose文件，并详细分析每条配置的设计意图。
FastAPI与Flask性能调优实录：Profiling、SQL优化与Redis缓存三层递进
一个分页接口从平均响应1200ms降到87ms，吞吐量从85 QPS提升到420 QPS。文章记录了在Python 3.10 + FastAPI 0.104 + SQLAlchemy 2.0 + PostgreSQL 15环境下，对一个电商订单列表API的完整调优过程。从cProfile火焰图定位到N+1查询和JSON序列化瓶颈，通过Eager Loading、索引优化、Redis缓存（TTL 5
Git Flow与Trunk Based双轨制：200人团队分支策略与CI/CD联动实践
在某中型研发中心（200+工程师），我们曾因Git分支混乱导致每周平均3次误合并、发布窗口长达4小时。本文记录我们如何将Git Flow与Trunk Based Development按业务场景混合落地，配合GitLab MR（Merge Request）强制Code Review流水线，以及Jenkins + Argo CD的CI/CD联动。文中提供完整的`.gitlab/merge_reque
Prompt Engineering调优实录：从7.2%到91.4%的RAG问答准确率跃升
本文记录了一个基于LlamaIndex+GPT-4o的RAG问答系统在Prompt迭代中的完整过程。通过6轮结构化Prompt实验，对比了零样本、少样本、Chain-of-Thought及角色约束等策略对检索问答准确率的影响。实测数据表明，融合“角色限定+输出格式约束+动态示例”的Prompt方案将准确率从基线7.2%提升至91.4%，单次查询Token消耗从2431降至1187，响应延迟降低41
FastAPI接口延迟200ms→30ms：Profiling与缓存优化全记录
本文记录了一次真实的API性能调优过程。一个基于FastAPI+SQLAlchemy的订单查询接口，在压测中P95延迟高达198ms，QPS仅320。通过py-spy定位到90%耗时在数据库N+1查询和JSON序列化上。采用`selectinload`批量加载替代懒加载、引入`aiocache`+Redis缓存热点数据、并用`orjson`替换默认JSON解析器后，P95延迟降至32ms，QPS提
Docker Compose编排三服务：网络隔离、健康检查与依赖启动全解析
本文分享一个真实的多服务项目（Nginx + Go API + PostgreSQL）的docker-compose.yml配置，覆盖自定义网络、命名卷挂载、healthcheck健康检查以及depends_on条件启动。通过实际配置和踩坑记录，展示如何避免服务启动顺序问题、容器间通信失败和数据库数据丢失。配置基于Docker Compose v2.20，包含具体参数和性能数据，适合正在学习容器化
React/Vue项目从Props到Zustand/Pinia迁移：状态管理重构实录与性能对比
两个月前，我的团队将一个中型后台项目从React 18 + Context/Props迁移到Zustand 4.4，随后又将一个Vue 3.4项目从Pinia 2.1反向验证。重构后，组件渲染次数平均减少37%，首屏时间从2.8s降至1.9s，代码量减少约22%。本文不讨论“该不该用状态管理库”，而是聚焦于**如何平滑迁移**：方案选型对比、分步迁移策略、以及那些文档里没写的性能陷阱。如果你正被C
RAG系统三刀：chunk重切、embedding换型、rerank兜底的检索精度跃升实录
**
Docker Compose编排实践：多服务依赖、健康检查与卷挂载的完整配置
本文分享一个包含Nginx、Spring Boot应用、PostgreSQL和Redis的多服务项目的docker-compose.yml配置。通过实际部署案例，详细讲解网络模式选择、数据卷挂载策略、healthcheck健康检查机制以及depends_on条件控制启动顺序。配置完成后，服务启动时间从手动部署的5分钟缩短至45秒，资源占用降低约30%。文章包含完整的YAML配置代码和踩坑记录，适合
LangChain与AutoGPT双轨实践：手写Agent核心循环的四个关键实现
当AutoGPT的递归循环在复杂任务中频繁触发上下文溢出，而LangChain的AgentExecutor在工具调用链超过3层时错误率飙升42%，我决定手写一个仅依赖LangChain基础组件的Agent循环。本文记录了一个基于GPT-4-turbo-preview、上下文窗口128K、单次任务调用8个工具的Agent实现，重点拆解工具定义Schema约束、基于Token阈值的记忆压缩、含重试回退
Prompt Engineering调优实录：从4.2%到91.3%的RAG实体抽取准确率跃迁
本文记录了一次针对“金融公告实体抽取”任务的Prompt迭代全过程。通过7版Prompt的结构化调整，结合temperature=0.1与top_p=0.9的参数控制，在gpt-3.5-turbo-0613上将实体F1值从4.2%提升至91.3%，单次调用token消耗从1879降至642。实验数据表明：few-shot示例的排列顺序与格式一致性对输出稳定性影响超过30%。文中所有Prompt版本
