前段时间，笔者所负责的一个模块出现了访问 Redis 耗时较长的问题，在这个问题排查的过程中，对 Redis 的问题排查思路和压测、调优进行了一些系统的学习和沉淀，在这里分享给大家。

这几年短视频行业的迅速发展，视频内容生产作为内容生态的重要一环。智影是一个集素材搜集、视频剪辑、后期包装、渲染导出和发布于一体的免费在线剪辑平台，能够为用户提供从端到端的一站式视频剪辑及制作服务。智影已接入多个腾讯系内容生态产品，帮助用户提升视频剪辑效率和成片优质率。背后的技术方案是如何实现的呢，一起来看看 TAVMedia。

通过对B 端真实案例进行设计复盘，总结流程画布编排提效和体验提升的设计方法。

在日常生活中，无数的视觉信息不断涌入我们的眼帘。

面对这些错综复杂的信息，我们的大脑有一种神奇的能力，能在海量的信息中迅速识别出有意义的模式和结构。这种在杂乱信息中寻找秩序的能力，能让我们更好地理解和适应环境。这种化繁为简的神奇能力究竟从何而来，它又如何影响人们对事物的认知呢？

在格式塔理论中，我们可以找到答案。

异地容灾多活、高可用我都要，腾讯会议核心存储治理实践。

腾讯问卷通过定义一套语义化的问卷逻辑语言，结合配套的问卷逻辑编辑器，让问卷调研者可以低成本、轻松、高效地实现复杂的自定义问卷逻辑。截止目前已经帮3.08k份问卷完成了复杂逻辑的定制。

LangChain已经成为当前 LLM 应用框架的事实标准，这篇文章就来对 LangChain 基本概念以及其具体使用场景做一个整理。

本文将 ChatGPT 接入图表配置化工具，支持用一段话描述图表信息，生成图表后直接进入配置页面，输入一句话生成图表内容，并可进行配置和导出。

近年来越来越多的超写实角色出现在游戏中，他们通常采用照扫(3D photogrammetry scanning)为基础对真人模特进行建模、加工，在满足游戏艺术效果的同时尽可能还原人物特别是其面部的细节特征，使得玩家能够获得更真实的角色扮演体验。

国内互联网的发展的过程中，无论是3G、4G还是5G时代，甚至是在可见的未来nG时代，音视频领域一直自始至终参与其中，编解码标准也升级了一版又一版，和音视频的相关应用领域从传统的播放转为互动直播。从另一个方面，伴随中国的互联网发展的每一个过程，从高昂且卡慢流量资费到VIP、SVIP、SSVIP......，再到即将到来的人工智能和Web 3.0 ，必然也少不了音视频。接下来需要考虑你的钱包还能支撑多久，是不是已经准备好了？

音视频应用如腾讯视频、爱奇艺、B站、抖音、快手等大厂都支持码流切换，尤其是B站在码流切换和编解码器这方面玩的也是很溜，这类应用都可以很平滑的切换，当然各大厂的服务后台支持也很完善，HLS、DASH等自适应流支持的很完美。伴随着大环境的问题和市场需求，以及降本增效的影响，需要支持4K/1080P/720P/480P、音质切换、原伴唱切换的应用来说，如果受限于HLS和DASH支持不完善情况，这个难度相对来说还是比较高的。那有没有其他可行的方案呢 ？答案是肯定的，先来看看常见的切码流方案。

谚语曰: “Talk Is Cheap, Show Me The Code”。知易行难，知行合一难。嘴里要讲出来总是轻松，把别人讲过的话记住，组织一下语言，再讲出来，很容易。设计理念你可能道听途说了一些，以为自己掌握了，但是你会做么？有能力去思考、改进自己当前的实践方式和实践中的代码细节么？不客气地说，很多人仅仅是知道并且认同了某个设计理念，进而产生了一种虚假的安心感——自己的技术并不差。但是他根本没有去实践这些设计理念，甚至根本实践不了这些设计理念，从结果来说，他懂不懂这些道理/理念，有什么差别？变成了自欺欺人。

代码，是设计理念落地的地方，是技术的呈现和根本。同学们可以在 review 过程中做到落地沟通，不再是空对空的讨论，可以在实际问题中产生思考的碰撞，互相学习，大家都掌握团队里积累出来最好的实践方式！当然，如果 leader 没有时间写代码，仅仅是通过 review 代码指出团队内其他同学某些实践方式不好，需要给出建议的话，leader 本身也需要沉淀很多相关思考。

iOS中解析Android点九图（NinePatch）格式，获取其可拉伸区域，用于做图片的自适应区域拉伸，包含了完整的解析点九Chunk数据源代码。

作为一个合格的 DBA，在遇到线上单表数据量超过千万级别的时候，往往会建议用户通过分表来缩减单表数据量，当用户问为什么单表数据量不能超过千万时，DBA 往往会说：单表数据量超过千万，会影响查询性能。知其然而不知所以然，学习技术不能停留在表面，而是要进一步去深入挖掘其中的原理，这样才能不断进步和成长。回到这个问题：为什么单表数据量不能超过两千万，其中的依据是什么？

go 中高性能编程是一个经久不衰的话题，本文尝试从实践及源码层面对 go 的高性能编程进行解析。

1. 比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节：tokenizer、位置编码、Layer Normalization、激活函数等。
2. 大语言模型的分布式训练技术：数据并行、张量模型并行、流水线并行、3D 并行、零冗余优化器 ZeRO、CPU 卸载技术 ZeRo-offload、混合精度训练、激活重计算技术、Flash Attention、Paged Attention。
3. 大语言模型的参数高效微调技术：prompt tuning、prefix tuning、adapter、LLaMA-adapter、 LoRA。

别了，Python GIL。