扫盲——加密那些事
扫盲——加密那些事扫盲加密解密算法 日常开发中我们经常接触MD5算法，以此进行简单的文件完整性校验或者是后台密码验证，MD5是最常见也是最简单快捷的散列算法，常用于参数或文件完整性校验，譬如网络请求发起方与接收方分别对参数做MD5编码，一旦不一致便判断请求被篡改从而拒绝该请求，从而保证信息安全，编码后的字符串是编码前文本的一个简要梗概，因此它也被称作是信息摘要算法 这个算法的特点就是不可逆，只用于信息准确性和防篡改的校验，当然，MD5作为老牌的散列算法，很多经典的编码已经可以被反向解码出来（依靠正向的暴力穷举）以及被碰撞模仿（王小云院士团队的"破解"能够根据MD5编码后串码模拟原始消息，即使它可能与原信息不同），类似的还有SHA1，因此衍生了SHA224、SHA256、SHA512等更多安全的散列算法
2021-05-14鱼鱼
让 AI 写 commit message，我留下的几条规矩
让 AI 写 commit message，我留下的几条规矩现在写完一小段改动，我偶尔会让 AI 根据 diff 拟一条 commit message 省事是真省事，翻车也真实翻过：有的标题漂亮得像广告，读完不知道改了什么；有的把半成品猜想写进历史，后来查问题的人会被带沟里 所以我不是禁用，而是给它加了几条规矩 规矩的核心只有一句：说明白改了什么、为什么改；别写套话，别替我编动机 Commit message 是给未来的自己和同事看的 好的 message 能回答：这次动了哪类东西？动机是修 bug、加能力，还是清债？有没有故意不做的范围？ AI 擅长扫 diff、归纳文件级变化，比我在疲惫时随手敲的 fix、update 强 但它也容易：
2026-10-14鱼鱼
长任务 Agent 的上下文压缩：摘要什么、丢什么、什么必须原样留着
长任务 Agent 的上下文压缩：摘要什么、丢什么、什么必须原样留着我自己写的那个编程 Agent，最早只用来做一些小改动，十几轮对话就结束了，上下文从来不是问题 后来我开始让它做跨很多文件的迁移，比如把一批旧接口的调用换成新接口 这种任务一跑就是几十轮：读文件、搜索、改代码、跑测试、看报错、再改 每一轮的工具输出都往上下文里堆，没多久就逼近了模型的上下文上限 于是我做了第一版“压缩”：上下文超过某个阈值，就让模型把之前的历史总结成一段话，然后用这段总结替换掉原来的历史，继续往下跑 听起来很合理，跑起来问题一大堆 这篇就讲讲我前后几次改动的过程，以及现在比较稳定的做法 都是在我自己这个 Agent 上摸索出来的经验，换个场景未必完全适用 第一版用的是自由发挥式的摘要，提示大概就是“请总结上面的对话，保留重要信息”
2026-10-14鱼鱼
MySQL tips
MySQL tips一些日常接触到的MySQL优化tips，比较散乱 假设有一个用户表，对于一句很简单的查询语句： 假设name与age字段均有单列索引，容易想到的是，MySQL应该会分别走两次索引，并将其结合起来，EXPLAIN也是如此，大多数时候MySQL会进行优化，我们可能会看到EXPLAIN的结果中有Using union或Using soft union，这是MySQL针对OR做了隐性的优化，但当SQL复杂或数据极端情况下，这一语句极容易变成全表扫描，偶尔使用联合索引可能解决问题，更多情况则是MySQL“昏了头”，即使OR条件均涉及数据条数不多，依旧没能在查询语句中使用索引，此时应调整为UNION语句(可以权衡一下重复及顺序是否有影响，可以使用更快的UNION ALL)：
2021-01-13鱼鱼
Agent 跑批任务时我盯的几个「仪表盘」指标
Agent 跑批任务时我盯的几个「仪表盘」指标把 Agent 丢进一批任务里跑，最容易犯的错是：只盯最终答案 答案对了就庆祝，错了再翻日志 跑多了你会发现——很多失败在中途就已经写在仪表盘上了，只是你没看 这篇文章记我跑批（批量任务、夜间任务、评测集重跑）时会盯的几类指标 不是定行业标准，是我个人反复被坑后留下的观察清单 如果你也在用 Agent 刷题集、批量修测试、批量整理仓库，希望能少踩一点「早上起来只看见成功率」的坑 最终答案是结果，不是过程健康度 两类任务都可能「答对」： 走了一条干净路径，三步完成 绕了四十步，失败重试一堆，最后撞对 只看答案，你会把第二种也当成可上线策略 成本、稳定性、可复现性全被藏起来了
2026-10-15鱼鱼
把报错贴给 AI 之前，我先做的三件事
把报错贴给 AI 之前，我先做的三件事以前一看到红字堆栈，我的第一反应几乎是：全选、复制、粘贴进 AI 对话框，然后等它告诉我怎么改 说实话，这个习惯有一段时间挺好用 很多常见错误，它一眼就能看出来，比我自己翻文档快 可后来我发现，有一半以上“贴完还是修不好”的情况，并不是 AI 不行，而是我把一坨还没整理过的信息甩给了它 它只能在这坨信息上猜，猜错了也不奇怪 现在我会强迫自己先做三件小事，再决定要不要问、怎么问 这三件事加起来通常不超过五分钟，但后面少绕很多弯路 不是真的要自己把根因找出来，而是先回答两个很朴素的问题： 这条报错，我看得懂“是什么”吗？发生的位置，离我刚改的代码近吗？ 很多堆栈很长，真正有用的往往就那么几行：异常类型、消息正文、以及“第一次进入我自己代码”的那一帧
2026-10-14鱼鱼
用 AI 学新技术时，我怎么避免“看完就觉得自己会了”
用 AI 学新技术时，我怎么避免“看完就觉得自己会了”前阵子我想补一块还不熟的中间件知识 打开文档、丢给 AI 一句“帮我讲讲原理和常见坑”，它讲得很顺，例子也漂亮 读完我心里有种熟悉的错觉：好像已经懂了 第二天动手搭一个最小示例，卡在配置项和错误信息上 再回头看昨晚的“懂”，其实只是跟着叙述走了一遍，脑子里没有自己踩过的脚印 这种“看完就觉得自己会了”，是我用 AI 学习时最常踩的坑 这篇文章不是反 AI，而是记我现在怎么用它学新技术，又怎么强制自己露馅、再补洞 写的都是个人习惯，不保证适合每个人，但对我自己很管用 AI 很擅长把陌生概念讲成一条平滑的故事线 平滑本身没问题，危险在于：故事线会掩盖你还不知道自己不知道的地方
2026-10-14鱼鱼
数据库使用指南：MySQL 与 PostgreSQL，一份写给后端开发者的实战手册
数据库使用指南：MySQL 与 PostgreSQL，一份写给后端开发者的实战手册大多数后端工程师和数据库打交道的方式，是这样演进的：先学会 CREATE TABLE 和 SELECT，再被某次线上慢查询教育一遍，接着是死锁、主从延迟、大表加字段锁住业务、误删数据找不到备份……每一次事故，都是对数据库“知识债”的一次还款 这篇文章希望把这些债务提前梳理一遍：不是 DBA 手册，而是写业务代码的人需要知道的那一部分，同时把 MySQL（InnoDB 引擎）和 PostgreSQL 放在一起讲，因为在实际工作中，你很可能两个都会遇到，而且两者的差异恰恰是很多坑的来源 全文按照一个后端项目从“选型”到“上线运维”的顺序展开： 选型与建模：怎么在 MySQL 和 PostgreSQL 之间做选择；表结构、主键、数据类型、时间、字符集、范式与反范式、软删除、唯一约束
2026-10-14鱼鱼
用 AI 写周报和站会更新：我留下的几条「别丢人」规矩
用 AI 写周报和站会更新：我留下的几条「别丢人」规矩周报和站会更新，我以前最烦：明明一周干了不少事，一提笔就变成「推进了若干事项」「持续跟进中」 后来我开始扔给 AI 起草，效率是上来了，但笑不出来的次数也多了——它会帮你把话说得更像在汇报，却不一定更像在讲真话 这篇文章记我怎么用 AI 写周报/站会，以及几条「别丢人」的硬规矩 不是教大家写漂亮，是教大家少踩那种听起来很满、一问就空的坑 站会更新通常就三五行：昨天做了啥、今天打算啥、有没有卡点 周报稍长一点，但本质一样——用事实把进度钉住 这类文字格式固定、重复度高，很适合让 AI 从 git log、PR 列表、issue 评论里先拼一版草稿 我自己的流程很土： 先导出本周相关 commit / PR 标题（或自己列子弹）
2026-10-15鱼鱼
让 AI 写正则表达式：我现在一定先要它给反例
让 AI 写正则表达式：我现在一定先要它给反例正则大概是我最早放心交给 AI 的活 原因很简单：我自己写正则也是边查边试，每次写完都不太敢相信它 AI 张口就来，还附带逐段解释，看上去比我靠谱多了 用了一阵之后我发现，AI 写的正则有个很稳定的特点：它几乎总能匹配上你给的例子 问题是，正则真正出事的地方从来不在“该匹配的没匹配上”，而在“不该匹配的也匹配上了” 而后者，你不主动问，它不会告诉你 所以我现在有个死规矩：让 AI 写正则，先别要正则，先要反例 那次是要从一堆构建日志里提取版本号，格式是“主版本.次版本.修订号” 我给了 AI 三个例子，它很快给出 \d+\.\d+\.\d+，解释也清清楚楚 我跑了一下，三个例子全中，就提交了
2026-10-16鱼鱼
动态路由数据源（多租户）解决方案
动态路由数据源（多租户）解决方案当下有很多服务都使用了多数据源，或是出于跨库查询或是分库分表、读写分离等，多数据源解决方案早已不是稀罕事 常见的解决方案包括使用多数据源框架(例如Shareding-Jdbc)、在数据库端做代理（例如MYCAT）、对于固定的几个数据源连接，也可以直接手动配置多个数据源，这种相关处理有很多源码，我在github上也有简单的实现：fishstormX/dynamicDataSource: 动态数据源的实现，基于maven自定义多模块骨架 Spring Boot2.0.x，本文实现的是动态数据源，主要为了解决 多租户问题（不同的用户群组有不同的数据源和配置，强调数据的隔离性） 本文技术能实现的是动态数据源，基于Spring框架，即能够将注入的Datasource根据租户不同使用不同的来源，同时根据租户增减动态的增删和缓存数据源（增是因为会有新增租户可能使用到项目启动后的数据源，减是因为租户数不可预料，不可直接缓存所有的数据源）
2021-01-07鱼鱼
算法：Trie(前缀树、字典树）
算法：Trie(前缀树、字典树）前缀树(Trie，又称字典树)是一种功能倾向性很强的数据结构，通过对词汇的前缀做数结构，很容易实现查询、前缀词推荐系统，例如，我们将如下多个单词放入树结构中： [apple,bat,bee,cat,cap,car]，最终生成的前缀树结构为 通过深度递归，我们很容易用较小的时间复杂度判断出符合前缀的单词在不在 假设Trie的字符集范围是固定的，并且范围不大，例如是上面的纯英文字符，假设忽略大小写总共为26个，可以选择使用桶结构进行存储，即每一个Node都是一个长度为26的bucket数组 这样看来，Trie的结构并不复杂，只通过循环不断提高深度进行遍历即可 假定字符集的范围是未知的，或者范围很大（比如中文汉字），就要放弃使用bucket结构，而是通过一个Map维护，这里使用树结构TreeMap，key为相应节点的字符
2021-01-19鱼鱼
