AI 编程工具：Trae & Cursor 全方位对比
一、前言在人工智能与软件开发深度融合的当下，AI 编程工具成为开发者的得力助手。Trae 和 Cursor 作为其中的代表，各自凭借独特的功能与定位，吸引不同需求的用户。本文将从产品背景、核心功能、技术架构、适用场景等多个维度，展开详细对比，为开发者选择合适工具提供全面参考。二、产品背景与定位差异Cursor：海外
人工智能
Linux 下多线程和多进程程序的优缺点，各自适合什么样的业务场景？
简单说，对于需要资源隔离的场景，多进程能解决，但多线程无法解决，在这里，讲一个我们的小故事，先说下背景：
我是 Terark 和 Topling 的创始人，ToplingDB（兼容 RocksDB）是我们的核心产品。
ToplingDB 的一个重要功能是 分布式 Compact，去年我们实现了 托管 Todis 的 分布式 Compact 支持。最近我们正在实现 MySQL 的 分布式 Compa
self-attention自注意力机制
看代码呆了半天，实在看不懂注意力机制是怎么回事，所以研究了一下原理
self.attention计算过程
query 就是自身的权重，key是其他的特征的权重，attention score就是其他权重和自身权重进行相乘得到的值
image.png
[图片上传中...(20220713_030107.png-765899-1657781807513-0)]
不
Apache Flink——状态编程
概述
Flink 处理机制的核心，就是“有状态的流式计算”。不论是简单聚合、窗口聚合，还是处理函数的应用，都会有状态的身影出现。
状态就如同事务处理时数据库中保存的信息一样，是用来辅助进行任务计算的数据。而在 Flink 这样的分布式系统中，我们不仅需要定义出状态在任务并行时的处理方式，还需要考虑如何持久化保存、以便发生故障时正确地恢复。这就需要一套完整的管理机制来处理所有的状态。
一、Flink
第二章Scala安装和环境配置
1.Scala 安装
Scala 语言可以运行在Window、Linux、Unix、 Mac OS X等系统上。Scala是基于java之上，大量使用java的类库和变量，使用 Scala 之前必须先安装 Java（>1.5版本），工业使用Java版本通常是JDK1.8，故在此推荐使用JDK1.8，本次安装也是使用JDK1.8版本。
1.1安装内容
安装JDK(没有JDK scala无法工
Apache Flink——Watermark 水位线
前言
在流数据处理应用中，一个很重要、也很常见的操作就是窗口计算。所谓的“窗口”，一般就是划定的一段时间范围，也就是“时间窗”；对在这范围内的数据进行处理，就是所谓的窗口计算。所以窗口和时间往往是分不开的。
基本概念是什么
Window：Window是处理无界流的关键，Windows将流拆分为一个个有限大小的buckets，可以可以在每一个buckets中进行计算。
start_time、end
在Windows环境与Linux环境下搭建Zookeeper单机环境与集群环境
Windows环境下的安装
下载与安装
1.访问地址: #download下载需要的ZK版本，下载到本地后解压。
2.在解压目录下面新建一个空的 data 文件夹和 log 文件夹
image.png
配置
将 conf 目录下的 zoo_sample.cfg 文件，复制一份，重命名为 zoo.cfg
[SPARK][CORE] 面试问题之 Shuffle reader 的细枝末节 （上）
欢迎关注微信公众号“Tim在路上”
之前我们已经了解了shuffle writer的详细过程，那么生成文件后会发生什么呢？以及它们是如何被读取呢？读取是内存的操作吗？这些问题也随之产生，那么今天我们将先来了解了shuffle reader的细枝末节。
在文章Spark Shuffle概述中我们已经知道，在ShuffleManager中不仅定义了getWriter来获取map writer的实现方式
