shuimugan

不用多进程，不用 Worker threads ，就只能吃满一个核，你直接写个 while(true)看 cpu 占用就知道了，很多脚本语言都是这样设计，包括 php 、python （有 GIL 的版本）、ruby 。

强类型语言的 ORM + 实体类，还能出现列名逃逸，真的挺好笑的。
你看它那个号称能防御 sql 注入的 SqlInjectionUtils https://github.com/baomidou/mybatis-plus/blob/3.0/mybatis-plus-core/src/main/java/com/baomidou/mybatisplus/core/toolkit/sql/SqlInjectionUtils.java ，碍于网络安全法我就不写绕过细节了，拿去问 AI“你是 sql 注入专家,审计这个 java 代码分析出可以逃逸的情况(比如哪些数据库存在它没提到的关键字)
```java
balabala 代码
```
”

惊喜连连

笔记本要忍受这些：
* 垃圾的键盘布局和手感
* 长期通电后电池鼓包隐患
* 亮度/刷新率/分辨率/色准都不错时屏幕的大溢价
* 主板不合理的话 SSD 和无线网卡叠叠乐导致高负载随机掉盘/掉网
* 高负载的噪音，不同笔记本的风扇声音调教也不同，导致同样分贝下低频风声和高频的风声的体验也不同

大模型跑推理速度首先取决于带宽，带宽有冗余再看算力。mini 那个小水管用来跑大模型就是个电子垃圾，只有 ultra 才值得跑大模型。
速度一览： https://github.com/ggerganov/llama.cpp/discussions/4167
简单粗暴的推理速度公式计算就是：同样的量化，14B 速度不到 7B 的 1/2 ，70B 的速度不到 7B 的 1/10

@superhot 选支持 128K 上下文甚至更大的模型（ Phi-3-medium-128k-instruct 、CodeGeeX4-All-9B 、DeepSeek-Coder-V2-Lite-Instruct 、Llama 3.1 之类），配合 continue.dev 插件可以整个文件夹追加到上下文。模型用在线服务和本地部署都可以，这个规模的上下文，用 Mac Studio 内存占用经常到 160GB 左右。

对话时把问题相关的文段片段追加到上下文（手工追加也行，把文档搞到本地做个 RAG 或者 GraphRAG 也行，我目前用 Open WebUI ，可以很简单设置模型和知识库文档范围），然后对着大模型哔哔需求就可以了。有了文档做背景自动拼接在问题后面，准确性大大提高，最新 API 信手拈来，也不怕模型自己那些过时的知识了。

框架的文档质量越高（特别是最佳实践、安全建议、性能优化指南这些），就越容易写出好代码。

做减法挺好的，Rails 的文档非常出色，初入行的人细读之后可以提升技术品味的，配合超大上下文的大模型和 RAG 出活速度非常快。

@FrankAdler 搜索得频繁的时候好像是五百多 MB 。创建索引的时候占用是高的，看你给的上限，有个参数 MEILI_MAX_INDEXING_MEMORY 可以设置。冷数据给高点配置，等索引创建完之后就可以降配了。

meilisearch ，丢了一千多万数据(40 个字段，其中 2 个大文本)进去，1c1g 跑得很舒畅，闲置时候只有二十多 MB 内存占用