前不久，我们发布了 Feat 的性能评测，数据很亮眼。 今天想聊聊，Feat 快的秘密——不在 Feat 本身，而在它脚下那个只有 2000 行代码的通信内核。 如果你还没看过那篇评测，简单回顾一下：Feat 在多项指标上表现突出，吞吐量约为 Vert.x 的两倍，延迟低至 0.89ms，启动时间不到 100ms，内存占用远低于 Spring Boot。 Feat 是怎么做到的？ 答案很简单：Feat 的底层通信，用的是 smart-socket。 很多人问我："smart-socket 和 Ne...
很多企业系统的表格页面，最后都会变成按钮很多的页面。 新增、删除、复制、提交、审核、锁定、查看明细、跳转单据、批量设置、导出、标记异常……这些动作都很有用，但如果全部放在顶部工具栏，用户就要先选中数据，再抬头找按钮，再确认按钮作用范围。动作一多，页面变得拥挤，用户也容易点错。 表格天然有一个更近的入口：右键菜单。 用户正在看某一行、某个单元格或某块区域时，最自然的操作就是在当前位置唤起相关动作。好...
导读 在BI仪表板设计中，数据表几乎是使用频率最高的组件之一。 但很多分析师都会遇到同一个问题：一张数据表里，不同列承载着不同的业务含义，却只能使用同一种展示方式。 销售额想突出数值大小，完成率想展示进度，满意度适合星级评价，增长率则更关注正负趋势......不同指标有不同的表达需求，却不得不穿上同一件"外衣"。 Wyn 9.1 新增按列独立设置属性能力，让数据表中的每一列都可以选择最适合自己的展示方式。一张表，即可...
在企业系统里，用户并不总是想下载一个文件。 很多时候，他只是想把当前表格内容复制到 Excel 里继续分析，粘到 Word 里写汇报，发到邮件或即时通讯工具里给同事确认，或者临时带走一张报表截图式的表格内容。 如果系统只提供“导出 Excel”，用户就要下载文件、打开文件、再复制一遍。对于临时汇报、快速沟通和跨工具协作来说，这个流程太重。 更麻烦的是，手动框选整张工作表并不友好。表格一大，用户容易漏选；格式复杂时，复...
JeecgBoot AI专题研究 | Kimi K3 编程能力深度实测：复杂前后端改造任务实战复盘 这两天 AI 编程圈有点疯狂，Kimi K3 的表现开始频繁引起关注。带着好奇，我没有去看参数对比，而是直接把它丢进真实开发场景中进行压力测试：一个涉及复杂前后端改造的实际任务。经过一个下午的深度体验，结果有些超出预期——它不仅完成了多个关键问题修复，代码修改也非常克制，没有大量无意义重构，整体代码质量和响应速度都给我留下了不错的印...
文章目录 前言 一、踩过的坑：一个数字人项目的“翻车”经历 二、从理论到实践：用魔珐星云重做那个“翻车”的项目 2.1 快速接入 SDK（比想象中简单太多） 2.2 接入大模型（国产化适配很友好） 2.3 实现语音交互（端到端延迟实测） 2.4 表情动作优化（LAM 技术的惊喜） 2.5 场景感知与情绪识别（多模态能力体验） 2.6 成本评估（低端设备到底能不能跑？） 三、技术深挖：为什么官网给出 1200ms 公开口径，而我在部分场景测到更快...
业务上云之后，数据分布往往变得很散。核心库可能在阿里云，分析平台可能在 AWS，一部分系统还在本地 IDC，海外业务又部署在新加坡。 这时候，跨云、跨地域数据同步就成了绕不开的问题。 如果源端和目标端在同一个内网环境里，数据同步通常比较直接，部署工具、配置连接、确认权限，任务就可以开始运行。但一到跨云、跨地域场景，团队就要同时处理网络互通、安全策略、异常恢复等各种问题，长期维护成本很高。 而 SaaS 工具，正...
宽表是很多业务系统绕不开的界面：销售明细有几十个字段，预算表按月份横向展开，排班表一眼看不到年底，设备台账右侧还有状态、价格、责任人。鼠标拖动横向滚动条很慢，方向键又只能一点点移动。这个 demo 用 SpreadJS 的命令系统补了一个小但很顺手的能力：按 Alt+PageDown 向右翻一屏，按 Alt+PageUp 向左翻一屏。 为什么这个细节重要 对普通用户来说，宽表最烦人的不是信息多，而是“移动成本高”。用户每次拖滚动条，都要中...
前言 2026 年的企业 AI 赛道，全面进入“能不能用好 AI”的价值兑现期，Google Cloud 在今年 4 月的 Next 2026 大会上正式提出 Agentic Enterprise（智能体企业） 全新战略，将 Gemini Enterprise Agent Platform 定位为 Vertex AI 的进化核心载体，直指当前企业 AI 落地的普遍痛点。据谷歌调研数据，当前企业平均要对接 254 个不同的 AI 应用，海量数据散落在不同的系统孤岛里，员工每天把大量时间消耗在跨平台跳转、查找信息上...
当 AI 训练数据存储在某个云区域，而 GPU 集群部署在另一个云区域时，每一轮 epoch 训练迭代都会给跨区域网络传输带来可观开销。于是，我们利用算力侧的 NVMe 盘来构建 Alluxio 分布式缓存层，通过对接 Anyscale 平台的 Ray 框架，对 1TB 数据集开展 Ray Data 基准测试，结果显示：缓存预热后，数据读取耗时从 4241 秒降至 208 秒，整体提速 20 倍。 🔗 Anyscale 平台的 Ray 框架：https://www.anyscale.com/platform 现存痛点...
推荐博主
南大数学系毕业，国家三级笔译。在高职院校任教，讲授数学与编程课程（Java、Python、Android、SSM），但是酷爱诗词翻译，过去十余年翻译了两千余首诗词，已形成比较独特的译诗风格。
