Categories
  • 技术 (71)
  • 生活 (36)
  • 孕期指南 (35)
  • 📁 Ai日报 (29)
  • 技术热点 (24)
  • 📁 每日简报 (22)
  • 项目分析 (22)
  • Ai (19)
  • 📁 原创歌曲 (18)
  • Ai工具 (11)
  • 架构设计 (10)
  • 编程工具 (8)
  • 小说 (7)
  • 赛博朋克 (7)
  • 教程 (3)
  • 📁 健康指南 (2)
  • 📁 周报 (2)
  • 📁 技术实践 (2)
  • 技术教程 (2)
  • 📁 源码解析 (2)
  • 📁 运维 (2)
  • 📁 Ai应用 (1)
  • 📁 Ai研究 (1)
  • 📁 Devops (1)
  • 📁 具身智能 (1)
  • 📁 前端 (1)
  • 📁 安全 (1)
  • 📁 安全知识 (1)
  • 📁 工具推荐 (1)
  • 📁 应用案例 (1)
  • 📁 开发指南 (1)
  • 开源项目 (1)
  • 📁 总结 (1)
  • 📁 技术分析 (1)
  • 📁 技术解读 (1)
  • 📁 效率工具 (1)
  • 📁 新闻 (1)
  • 📁 新闻聚合 (1)
  • 📁 智能客服 (1)
  • 📁 生活常识 (1)
  • 📁 生活记录 (1)
  • 📁 科普 (1)
  • 系统设计 (1)
  • 📁 自动化 (1)
  • 📁 论文精读 (1)
    • Featured Tags
  • 🤖 ai (65)
  • 👶 孕期 (55)
  • 📌 健康 (30)
  • 🤖 大模型 (29)
  • 📌 烹饪 (28)
  • 📌 菜谱 (26)
  • 📌 每日简报 (25)
  • 📌 技术热点 (23)
  • 📌 深度解读 (23)
  • 📌 科技新闻 (23)
  • 📌 nps (18)
  • 📌 go语言 (16)
  • 📌 deepchat (13)
  • 📌 qwen code (9)
  • 📌 架构设计 (8)
  • 📌 编程工具 (8)
  • 📌 ai日报 (7)
  • 📌 todoing (7)
  • 📌 小说 (7)
  • 📌 科幻 (7)
    • Recommend Series
  • 👶 孕期知识 (6)
  • 📚 Devtools (2)
  • ⚡ 博客优化 (2)
  • 📚 Qwen Code实践 (1)
  • 🚀 开源项目 (1)
      • Blogs
      164 posts
    NPS 客户端深度解析：健康检查与动态注册
    • Jul 18, 2025
    • 4 minutes read
    引言 在前面的文章中，我们已经剖析了 NPS 客户端的核心逻辑（client.go）和控制模块（control.go）。我们了解到客户端如何与服务端建立连接、如何通过多路复用隧道转发流量，以及如何从配置文件启动。然而，一个成熟的系统不仅需要核心功能，还需要完善的辅助机制来保证其在复杂多变的生产环境中的稳定性和灵活性。本篇文章将深入 NPS 客户端的另外两个重要文件：nps/client/health.go 和 nps/client/register.go，探讨 NPS 是如何实现对后端服务的健康检查以及支持客户端动态注册的。 ......
    NPS 核心组件：深入剖析 Bridge 模块
    • Jul 18, 2025
    • 4 minutes read
    引言 在 NPS 的服务端架构中，proxy 模块负责监听公网端口并处理各种协议的流量，而 client 模块则在内网中连接本地服务。那么，当一个公网请求到达 proxy 模块后，它是如何精确地找到对应的内网客户端，并与之建立一条数据通道的呢？答案就是 Bridge 模块。Bridge 是 NPS 服务端的核心枢纽，它负责维护所有客户端的长连接，并在此之上建立控制和数据隧道，是整个 NPS 体系的“交通总指挥”。 Bridge 结构体：通信枢纽的核心 bridge.go 文件首先定义了 Bridge 结构体，它包含了 Bridge 模块运行所需的所有关键信息： ......
    构建智能运维大脑：一个可动态发现任务的AI智能体实践
    • Jul 18, 2025
    • 6 minutes read
    挑战：复杂运维场景下的“全链路分析”困境 在大型互联网服务的日常运维中，我们经常面临这样的场景：用户反馈某个服务出现异常，例如“live.live.app-blink 服务报错，需要查看错误日志并进行全链路分析”。 这看似简单的需求，背后却隐藏着一个复杂且耗时的工作流： 日志初筛：首先，需要从海量日志中精准定位到指定服务的错误日志。 信息提取：从日志中抽取出关键标识，例如 trace_id。 关联发现：基于 trace_id，需要进一步查询所有相关的上游和下游服务。 任务分解：为每个关联服务生成新的日志查询或指标分析任务。 并行执行：同时执行这些分散的任务。 结果聚合：将所有任务的结果汇总，形成一份完整的全链路分析报告。 这个过程不仅需要人工介入大量查询和判断，而且效率低下，容易出错。为了解决这一痛点，我们构思并实现了一个链式处理AI智能体，旨在将这一复杂流程自动化、智能化。 ......