全部文章
共 1299 篇文章
实战 09：简易 OpenClaw——安全、部署、运维与最终验收
1、本篇任务：把 Gateway 当成高权限基础设施上线 OpenClaw 类系统可能读文件、执行命令、控制浏览器、发消息和定时唤醒。安全顺序必须是：先确定谁能说话，再确定能在哪些 Session 活动，最后确定能调用什么工具。Prompt 规则排在这些硬控制之后。 2、信任边界 一个 Gateway 适合一个个人或相互信任团队，不适合作为敌对租户间的强隔离层。敌对用户使用独立 OS 用户、容器/VM、Gateway、凭证和存储。San...
Apple Handoff 接力：Mac 唤起应用时 iPhone 为什么也会出现
这是 Apple 的 Handoff（接力） 功能，属于 Continuity 连续互通 体系的一部分。Mac 端有应用启动时，系统会把当前 App 的活动上下文通过 iCloud 推送到其他登入同一 Apple ID 的苹果设备，iPhone 锁屏左下角弹出对应图标，点击可从刚才的位置继续。 三个触发条件（缺一不可） | 条件 | 作用 | | : | : | | 同 Apple ID | 身份一致，知道"接力给谁" | | 蓝牙开启...
Nginx GeoIP + 多 CDN：一个域名给不同国家用户返回不同站
能。 主流方案四种 ：路径、子域、独立域名、CDN 边缘路由。面试场景里"一个域名给不同人看不同站"的最优解是 Nginx GeoIP2 模块 + 多 upstream ，或者更省事的 Cloudflare Workers 边缘路由 。 三个大坑必须注意 ：GeoIP 数据库每月更新、CDN 反代后要 set real ip from、国内源站必须备案。 主流方案对比 | 方案 | 例子 | 优劣 | | : | : | : | | 同...
定时器按顺序播放多个音频，切后台音频会乱
本身不会补触发，但 它会被系统级冻结 ——iOS Safari 后台完全停止计时，切回前台后 只补执行一次 （不是不补，而是"缺失的中间状态补不上"）。间隔短的不会出大问题， 间隔长的会出现"音频流被压缩" ——切回来后本该播 5 分钟的间隙，实际只过了 3 分钟，结果整段对不上。 核心原则 ：定时器只能用来"提醒一次"， 真正决定"该不该播"的是绝对时间戳 。 setTimeout 在后台会发生什么（按平台） | 平台 | 后台行为...
线上项目白屏的原因
白屏的本质是 渲染管线某一环断了 ——可能是资源、JS、接口、路由、样式、兼容性任一环节出问题。排查按"控制台 → 网络 → DOM → 环境"四步定位。 本质（前端类比） 把网页想成一栋楼： 白屏 ≠ 一定是同一种原因——这是面试想听的层次。 六大类原因（按出现频率） | 类别 | 典型表现 | 真实案例 | | : | : | : | | ① 资源加载失败 | DOM 是空的 | 入口 JS 404、CDN 挂了、CSS 阻塞 |...
背景图就是 1MB 大图，怎么优化
1MB 大背景图优化分 三步 ：压缩体积（10 30x）、按需加载（按设备/视口/网速）、渲染期优化（GPU 合成）。背景图跟 不同——它是 CSS，不走浏览器的原生懒加载机制，得手动处理。 背景图 vs 的关键区别（先讲清楚这个） 这是面试官想听的"针对性认知"——背景图不是普通图片，不能套通用方案。 三步优化（按优先级） 第 1 步：压缩体积（最重要，立竿见影） 1MB 的来源一般是这几种 ，对应解决方案： | 原始问题 | 体积来...
项目里很多图片和视频，怎么优化
图片视频优化分 四层 ：网络层（CDN/格式）、加载层（懒加载/预加载）、渲染层（解码/缓存）、业务层（按需/降级）。面试要把这四层都讲到位才算有体系。 四层优化模型 第 1 层：网络层（省钱、省时间） 核心目标：让资源体积小、让用户拿到资源快 | 手段 | 作用 | 关键点 | | : | : | : | | 图片格式 | WebP/AVIF 比 JPEG 小 25 50% | 兼容 fallback | | 视频格式 | H.265...
LLM 与 Agent 核心机制详解
LLM 与 Agent 核心机制详解 tags: llm, agent, ai LLM 与 Agent 核心机制详解 面向前端 / 后端开发者的系统化梳理。每个概念都用 Go 或 JS 最小可运行示例 说明，配图（伪代码）讲清楚「它在解决什么问题」「实现原理的关键点」「生产环境要注意什么」。 目录 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 1. LLM API 是什么 ：LLM（大语言...
Embedding 向量模型：从语义表示到相似度计算
前言 大模型「读懂」文字靠的是 token，但 token 之间只有离散的编号关系，模型并不知道「苹果」和「李子」在语义上很近。要让程序能「理解」两段文字的相似程度，必须先把文本映射成一个 高维向量 ，再用几何方法比较。这一步就是 Embedding。 本篇基于我本地 今天的真实代码，从语义表示讲到余弦相似度，并复盘几个踩过的真实坑。 一、为什么需要 Embedding 传统关键词检索是「字面匹配」： Embedding 做的是「语义匹...