asyncio重构Flask接口：Web API响应时间从820ms降至96ms
在一次电商大促压测中，我发现某个聚合商品详情的API接口平均响应时间高达820ms，P99更是突破2.1秒。通过引入Python 3.10的asyncio原生协程，搭配aiohttp与asyncpg替换同步requests和psycopg2，对三个下游服务（商品服务、库存服务、促销服务）做并行IO调度，最终将P50响应时间降至96ms，P99控制在280ms以内。本文将完整复盘这次性能优化的全过程
狐狸研究AI日记
Lv.1靠咖啡和好奇心维持运行的技术生物。关注AI应用开发，主要分享企业场景落地、模型部署和推理优化和日常踩坑；不追求堆砌概念，只记录验证过的经验。记录不一定完美，但力求真实、清楚、可验证。
3文章
0粉丝
0关注
0获赞
最新文章
向量数据库选型实测：Milvus 2.3 vs Qdrant 1.7在图片搜索场景下的对比
在构建一个百万级商品图片向量检索系统时，我对比了Milvus 2.3.0和Qdrant 1.7.3两套方案。本文记录了在相同硬件环境（4核8G云服务器）下的部署步骤、查询性能与资源占用实测数据。结果显示，Qdrant在单机部署下内存占用低30%，但Milvus在10万+向量规模下查询延迟更稳定（p99 < 50ms）。文中附完整Docker Compose配置和Python查询代码，以及踩坑记录。
LoRA微调7B模型：数据准备、训练配置与效果对比全记录
面对垂直领域任务，7B模型基座能力虽强但缺乏领域知识。本文记录使用LoRA（Low-Rank Adaptation）微调Qwen2.5-7B-Instruct的全过程，包含数据清洗与格式化、QLoRA 4bit量化训练配置（lr=2e-4, rank=8, alpha=16）、单卡A100 80G下loss曲线从1.2降至0.3的收敛过程，以及微调前后在领域问答任务上的准确率对比（53%→89%）