FastAPI+Flask双栈API性能调优：从2.3s到180ms的Profiling、SQL与缓存改造
某订单查询接口在FastAPI 0.110 + Flask 3.0双栈环境下P95高达2.3s，QPS仅47。通过cProfile+py-spy定位到N+1查询与同步阻塞，配合SQLAlchemy 2.0的selectinload、Redis 7.2二级缓存与连接池调优，最终P95降至180ms，QPS提升至620，服务器成本下降60%。本文完整还原定位过程、核心代码与压测数据。
FastAPI与Flask API性能调优：从800ms到90ms的Profiling、数据库与缓存实践
一个日均百万请求的订单查询接口，P99响应时间高达800ms，数据库CPU长期70%以上。本文用cProfile和py-spy定位到ORM的N+1查询与缺失缓存是主因，通过selectinload、Redis缓存、连接池调优，将P99降到90ms，QPS从120提升到680。文中附完整代码、压测数据和踩坑记录，基于FastAPI 0.110、Flask 3.0、SQLAlchemy 2.0、Red
从零手写AI Agent：工具定义、记忆管理与循环控制实现细节
本文不依赖LangChain/AutoGPT的高层封装，用约300行Python手写一个可运行的AI Agent，基于OpenAI GPT-4o-mini（temperature=0.1），实测在3类工具（计算器、天气查询、文件读取）场景下任务完成率达92%，平均单任务消耗token约1800。文章详细拆解工具Schema定义、滑动窗口+摘要混合记忆、指数退避错误重试、ReAct循环终止条件四个核
Milvus与Qdrant选型实录：千万级向量场景部署与性能对比
在图文去重业务中，我们需要在千万级向量规模下实现毫秒级检索。本文基于真实场景，对比了Milvus 2.4.1与Qdrant 1.9.0的部署复杂度、内存占用与查询性能。实测显示，Qdrant在单节点500万向量下P99延迟为23ms，内存占用约6.2GB；Milvus集群模式P99延迟为31ms，但内存占用高达11.5GB。文章包含完整Docker部署代码与压测脚本，供选型参考。
Milvus 2.4 与 Qdrant 1.9 向量数据库选型对比：部署、性能与资源占用实测
在千万级图文去重场景下，我分别用 Milvus 2.4.4 和 Qdrant 1.9.2 部署了 1000 万条 768 维向量，实测批量写入、Top-10 查询延迟和内存占用。结果 Qdrant 单机查询 P99 为 12ms，Milvus 为 23ms，但 Milvus 在分布式扩展和索引类型上更灵活。本文给出完整 docker-compose 部署、Python SDK 代码和踩坑记录，帮你
从零手写一个AI Agent：LangChain与AutoGPT的工具、记忆与循环控制实现细节
本文不依赖AutoGPT的完整框架，而是基于LangChain 0.1.0和GPT-4o-mini，从零手写一个可运行的AI Agent。通过定义3个工具、实现滑动窗口记忆、加入指数退避错误处理与最大步数控制，最终在本地文件问答任务上达到92%的成功率，平均响应延迟1.8秒。文中包含完整代码与踩坑记录，适合想理解Agent底层循环机制的开发者。
FastAPI+Flask双框架API性能调优：从P99 2.3s到180ms的profiling与缓存改造记录
一个日均请求量约 400 万的订单查询服务，线上 P99 从 2.3s 飙到 3.8s，报警不断。我用 py-spy + cProfile 定位到 Flask 侧的 N+1 查询和 FastAPI 侧的同步阻塞，通过索引优化、批量查询、Redis 两级缓存，把 P99 压到 180ms，QPS 从 320 提升到 2100。本文记录了完整的 profiling、踩坑和压测数据，含可运行代码。
** 从Props钻取到Zustand与Pinia：一次中台项目状态管理的重构与性能实测
** 去年底我接手了一个React 18 + Vue 3混合栈的中台项目，首屏加载后主线程有近400ms的Long Task，排查发现罪魁祸首是顶层Context的频繁更新导致全量重渲染。在将核心模块从Context/Props迁移到Zustand 4.5和Pinia 2.1后，组件重渲染次数下降约72%，交互响应时间从平均180ms降至45ms。这篇文章记录了完整的方案对比、迁移步骤和踩坑细节，
Git分支策略与CI/CD集成：从Git Flow到Trunk-Based的团队协作实践
团队从5人扩展到20人后，Git仓库一度陷入混乱——分支满天飞、合并冲突频发、上线前夜还在手工cherry-pick。我们花了三周重构工作流，最终将平均合并时间从4小时压缩到25分钟，生产事故回滚率下降70%。本文分享我们基于Git 2.40、GitLab 16.8和GitHub Actions的实际配置，包括分支模型选型、Code Review规则、以及完整的CI/CD流水线YAML。
React 18 与 Vue 3 项目从 Context/Props 迁移到 Zustand 与 Pinia 的实践记录
本文记录了一个中型后台管理系统从 React Context + Props drilling 以及 Vue 3 provide/inject 迁移到 Zustand 4.5 与 Pinia 2.1 的完整过程。迁移前，React 侧因 Context 频繁更新导致列表页在 1000 条数据下重渲染耗时约 180ms，Vue 侧因多层 props 传递导致代码维护成本上升。迁移后，React 侧重
从零手写AI Agent：LangChain工具调用与记忆循环实现细节
本文不依赖AutoGPT等重型框架，用LangChain 0.1.16和Python 3.11从零实现一个可运行的AI Agent，重点拆解工具定义、记忆管理、错误处理和循环控制四个核心模块。实测在ReAct模式下，单轮任务平均2.3次工具调用，引入滑动窗口记忆后Token消耗降低37%，错误重试策略将工具失败恢复率从42%提升到89%。适合想理解Agent底层机制而非只会调包的开发者。
FastAPI+Flask双框架API性能调优：从800ms到47ms的profiling与缓存改造
某订单查询接口上线后P99稳定在800ms，QPS压到120就出现超时。本文用cProfile+py-spy定位到N+1查询和同步IO两个瓶颈，通过SQLAlchemy批量查询、Redis二级缓存、async改造，最终P99降到47ms，QPS提升到1400+。文中给出完整压测数据和可运行代码，涉及FastAPI 0.110、Flask 3.0、SQLAlchemy 2.0、Redis 7.2。
LoRA微调7B大模型全流程：从数据准备到推理效果对比
本文记录了我在单张24G显存（RTX 4090）上使用LoRA/QLoRA微调Qwen2.5-7B-Instruct的完整过程。训练数据为1.2万条垂直领域指令样本，采用4-bit量化+LoRA（r=16, alpha=32），训练3个epoch，最终loss从1.86降至0.72。推理对比显示，微调后模型在领域问答准确率上从基线的43%提升到89%，而显存占用仅增加不到2GB。文中包含完整代码、
Milvus与Qdrant向量数据库选型对比：千万级向量场景下的部署、查询与资源实测
在图文推荐场景下，我们需要为 1200 万条商品向量提供毫秒级相似检索。本文在同一台 16C64G + NVMe 的机器上，分别部署 Milvus 2.4.5（standalone）与 Qdrant 1.9.1，使用 768 维向量、HNSW 索引进行压测。实测 Qdrant 在 P99 延迟和内存占用上更优，Milvus 在批量写入和生态完整性上更稳。文中给出完整 Docker Compose
FastAPI接口从1.2s降到85ms：一次Profiling驱动的数据库与缓存调优
线上一个FastAPI订单查询接口P99飙到1.2s，QPS一过50就开始雪崩。我用py-spy+SQLAlchemy慢查询日志定位到N+1查询和缺失索引，配合Redis缓存热点数据、连接池调参，最终P99降到85ms，QPS从50提升到680。本文完整记录了profiling过程、SQL优化细节、缓存策略和压测数据对比，含可直接运行的代码。
从零手写AI Agent：LangChain工具定义、记忆管理与循环控制实现
本文不依赖AutoGPT的复杂封装，用LangChain 0.1.16和OpenAI GPT-4o从零手写一个可运行的AI Agent。代码约200行，覆盖工具定义、对话记忆、错误重试与最大迭代控制。实测在3个工具（计算器、天气查询、时间获取）场景下，任务完成率从裸LLM的42%提升到91%，平均响应延迟降低37%。适合想理解Agent底层循环机制的开发者。
Git分支策略与CI/CD集成：我们如何用Trunk-Based把发布周期从2周压到1天
团队从Git Flow迁移到Trunk-Based Development，配合短生命周期feature分支、强制Code Review和GitLab CI流水线，把平均合并时间从26小时降到3.5小时，发布周期从2周缩短到1天，回滚率下降62%。本文完整还原分支模型、`.gitlab-ci.yml`配置、保护规则参数，以及我们踩过的rebase与缓存坑。
React 18与Vue 3项目中从Context/Props迁移到Zustand与Pinia的实践记录
本文记录了笔者所在团队将一个中型后台管理系统（约120个组件、30个页面）从React Context与Vue Props逐层透传，迁移到Zustand 4.4和Pinia 2.1的过程。迁移前，单个页面因Context更新导致的不必要重渲染高达47次，首屏可交互时间（TTI）约2.8s；迁移后重渲染降至6次以内，TTI降至1.9s。文中包含完整的方案对比、迁移步骤、可运行代码以及踩坑记录，适合正
LoRA微调7B大模型：从数据到推理，loss降了68%的完整记录
本文记录了在单张24GB显存的RTX 4090上，用LoRA微调Qwen2.5-7B-Instruct的完整过程。训练数据为我自建的3800条领域问答对，配置r=16、alpha=32、dropout=0.05，训练3个epoch约4.2小时，最终loss从1.83降到0.58，下降约68%。推理对比中，微调前模型对领域术语的回答准确率仅41%，微调后提升到87%，且显存占用仅增加约1.2GB。文
用asyncio重构Flask接口，QPS从120飙到1800的完整记录
一个查询3个外部HTTP接口的聚合API，原Flask同步实现单进程QPS只有120，P99延迟高达1.2秒。改用asyncio + aiohttp重构后，单进程QPS提升到1800，P99降到180ms，服务器数量从8台减到2台。本文完整记录before/after代码、压测数据、以及我在event loop、连接池、超时控制上踩过的坑。
