很便宜观看奈菲/奈飞/netflix 的地方
注册地址:https://popcorn.plus/?i=a09fc1924fc8
[link= https://popcorn.plus/?i=a09fc1924fc8 ]
xiaohack博客专注前沿科技动态与实用技术干货分享,涵盖 AI 代理、大模型应用、编程工具、文档解析、SEO 实战、自动化部署等内容,提供开源项目教程、科技资讯日报、工具使用指南,助力开发者、AI 爱好者获取前沿技术与实战经验。
注册地址:https://popcorn.plus/?i=a09fc1924fc8
[link= https://popcorn.plus/?i=a09fc1924fc8 ]
如果你是把 Dokploy 装在自己的服务器上,用了一段时间,大概率会遇到一个问题: 答案其实很简单。 Dokploy 官方已经把升级流程写进了安装脚本里,不用拉代码,也不用自己停服务。一行命令就够了: 我自己升级时的体验是:配置没丢,服务照常起来,过程也没什么存在感。对已经在跑项目的机器来说,这点很重要。 当然,有个前提。 官方对这个升级方式的说明在这里: 自部署用 Dokploy,本来就是图一个省心。升级这件事,它现在确实做到了,越来越喜欢 Dokploy 了,哈哈哈。
它要怎么升级,才不折腾?curl -sSL https://dokploy.com/install.sh | sh -s update
如果你和当前版本差得太远,或者这次升级涉及结构性改动,最好先扫一眼文档,看看有没有明确提到需要手动处理的地方。否则大多数情况下,直接跑就行。
https://docs.dokploy.com/docs/core/manual-installation#manual-upgrade
Casibase ( https://github.com/casibase/casibase )是一套开源的基于 Web 的 AI 知识数据库,适合个人或者组织作为自己的专属内部 AI 知识库来使用。GitHub 已达到 1600+ stars ,欢迎体验~
主要功能如下:
在线体验:
源码:
社区反馈:
我两个都用过,最近写了一篇关于 opencode 得使用教程,opencode 可以分享会话这点觉得挺好的。
https://mp.weixin.qq.com/s/7OgvgLTdTxU7cIEGVm8dVw
,到说实话感觉 claudecode 还是更舒服点,你们觉得呢?下面这个是早上用 cc 写的浏览器自动化文章,大家可以关注一波
https://mp.weixin.qq.com/s/mit1l6bJBZVLQSQMRkeqcw
电脑 C 盘空间一直在减少,问题是我所有文件都没放 C 盘,除了系统本身自带的文件。估计是 edge 浏览器更新占用空间。一直找不到文件更新到哪里去,求助一下,谁知道啊。
新工具上线预计一个月内提供 1 美元购买 1 年会员的活动,几乎就是白送了.
试试看,如果有啥使用问题欢迎留言
厌倦了接手项目时面对一堆没有文档的代码? RepoThread 来帮你。
它能做什么?
只需输入 GitHub 仓库地址,AI 自动分析代码结构,生成交互式项目文档,包括架构图、模块说明、调用关系等。还能直接和 AI 对话,问它"这个函数是干嘛的"、"数据流是怎么走的"。
核心亮点:
适合场景:新人 onboarding 、代码审查、技术调研、遗留系统梳理。
在Unity的Shader Graph中,NormalVector节点是一个基础且重要的工具,它允许着色器访问网格的法线矢量信息。法线矢量在计算机图形学中扮演着关键角色,它定义了表面的朝向,是光照计算、材质表现和各种视觉效果的基础。 NormalVector节点为着色器编写者提供了获取网格法线数据的便捷途径。无论是顶点法线还是片元法线,这个节点都能让开发者轻松地在不同的坐标空间中操作这些数据。通过简单的参数设置,就可以将法线矢量转换到所需的坐标空间,大大简化了复杂着色器的开发过程。 法线矢量的本质是垂直于表面的单位向量,在三维空间中表示为(x, y, z)坐标。在Shader Graph中,这些数据通常来自3D模型的顶点数据,或者通过法线贴图等技术进行修改和增强。 Space参数决定了法线矢量输出的坐标空间,这是NormalVector节点最核心的功能。不同的坐标空间适用于不同的着色场景和计算需求。 选择正确的坐标空间对着色器的正确性和性能至关重要。错误的空间选择可能导致光照计算错误、视觉效果异常或性能下降。 NormalVector节点只有一个输出端口: 法线矢量的一个主要应用是光照计算。在Lambert光照模型中,表面亮度取决于光线方向与表面法线之间的夹角。 在这个示例中,我们首先获取世界空间中的法线矢量和光线方向,然后计算它们的点积。点积结果决定了表面接收到的光照强度,这是大多数基础光照模型的核心计算。 法线贴图是现代实时渲染中增强表面细节的关键技术。NormalVector节点在应用法线贴图时起着桥梁作用。 这个示例展示了如何将切线空间中的法线贴图数据转换到世界空间。首先从法线贴图中采样并调整数值范围,然后使用TBN(切线-副切线-法线)矩阵进行空间转换。 利用View空间中的法线可以创建各种与视角相关的效果,如边缘光和轮廓检测。 在这个示例中,我们首先将世界空间法线转换到View空间,然后计算法线与视角方向的点积。当表面几乎垂直于视角方向时(即边缘处),点积接近0,从而产生边缘光效果。 法线信息对于环境遮挡和全局光照计算也至关重要。 这个简单的示例展示了如何用法线方向来模拟环境光遮蔽效果。在实际项目中,通常会结合更复杂的算法或预计算的数据。 在某些情况下,需要将法线从一个表面重定向到另一个表面,或者在不同法线源之间进行混合。 法线混合是一个复杂的话题,因为简单的线性插值可能不会保持法线的单位长度。在实际应用中,可能需要重新归一化或使用更高级的插值方法。 在性能关键的场景中,法线空间转换可能需要优化。 当模型应用了非统一缩放时,直接使用模型矩阵变换法线会导致错误的结果。在这种情况下,需要使用模型矩阵的逆转置矩阵来正确变换法线。 在开发过程中,可视化法线矢量对于调试着色器非常有用。 这个简单的着色器将法线矢量的各个分量映射到颜色通道,从而可以直观地查看法线的方向和分布。 当使用低多边形模型或不当的UV展开时,可能会遇到法线不连续的问题。 解决方案: 法线计算可能会成为性能瓶颈,特别是在移动设备或复杂场景中。 优化策略: 在特定情况下,法线计算可能会遇到精度问题,导致视觉瑕疵。 解决方案: NormalVector节点很少单独使用,通常与其他Shader Graph节点结合以实现复杂的效果。 为了确保NormalVector节点的正确使用和最佳性能,建议遵循以下最佳实践:【Unity Shader Graph 使用与特效实现】专栏-直达
节点概述
参数详解
Space参数
端口信息

使用场景与示例
基础光照计算
HLSL
// 简化的Lambert光照计算
float3 lightDir = normalize(_WorldSpaceLightPos0.xyz);
float3 worldNormal = NormalVector节点输出(World空间);
float NdotL = max(0, dot(worldNormal, lightDir));
float3 diffuse = _LightColor0 * NdotL;法线贴图应用
HLSL
// 法线贴图应用流程
float3 tangentNormal = tex2D(_NormalMap, uv).xyz * 2 - 1; // 从[0,1]转换到[-1,1]
float3 worldNormal = NormalVector节点输出(World空间);
// 使用TBN矩阵将切线空间法线转换到世界空间
float3x3 TBN = float3x3(
IN.tangent.xyz,
cross(IN.normal, IN.tangent.xyz) * IN.tangent.w,
IN.normal
);
float3 mappedNormal = mul(TBN, tangentNormal);边缘检测与轮廓光
HLSL
// 边缘光效果
float3 viewNormal = normalize(mul((float3x3)UNITY_MATRIX_V, NormalVector节点输出(World空间)));
float3 viewDir = normalize(UnityWorldToViewPos(IN.worldPos));
float rim = 1 - abs(dot(viewNormal, viewDir));
float rimLight = pow(rim, _RimPower) * _RimIntensity;环境遮挡与全局光照
HLSL
// 简化的环境遮挡
float3 worldNormal = NormalVector节点输出(World空间);
float ambientOcclusion = 1.0;
// 基于法线方向的简单环境光遮蔽
// 这里可以使用更复杂的算法,如SSAO或烘焙的AO贴图
ambientOcclusion *= (worldNormal.y * 0.5 + 0.5); // 模拟顶部光照更多
// 应用环境光
float3 ambient = UNITY_LIGHTMODEL_AMBIENT * ambientOcclusion;高级应用技巧
法线重定向与混合
HLSL
// 法线混合示例
float3 normalA = tex2D(_NormalMapA, uv).xyz;
float3 normalB = tex2D(_NormalMapB, uv).xyz;
float blendFactor = _BlendFactor;
// 使用线性插值混合法线
float3 blendedNormal = lerp(normalA, normalB, blendFactor);
// 或者使用更精确的球面线性插值
// float3 blendedNormal = normalize(lerp(normalA, normalB, blendFactor));法线空间转换优化
HLSL
// 优化的世界空间法线计算
// 传统方法
float3 worldNormal = normalize(mul(IN.normal, (float3x3)unity_WorldToObject));
// 优化方法 - 使用逆转置矩阵(处理非统一缩放)
float3 worldNormal = normalize(mul(transpose((float3x3)unity_WorldToObject), IN.normal));法线可视化与调试
HLSL
// 法线可视化
float3 worldNormal = NormalVector节点输出(World空间);
// 将法线从[-1,1]范围映射到[0,1]范围以便可视化
float3 normalColor = worldNormal * 0.5 + 0.5;
return float4(normalColor, 1.0);常见问题与解决方案
法线不连续问题
性能考量
法线精度问题
与其他节点的配合使用
最佳实践
【Unity Shader Graph 使用与特效实现】专栏-直达
(欢迎
探讨,更多人加入进来能更加完善这个探索的过程,🙏)
虽然我觉得站长的意思是放中间,贴合论坛主旨,但是呢,不符合平时操作习惯啊。
你这是想凭一己之力,修改大家的平时习惯?
因为封锁 + 懒得折腾,现在个人的 AI 开发套件是 TRAE 国际版 + GLM 4.7 coding plan 。
目前个人体验是 GLM 4.7 已经基本满足全部开发需求了,TRAE SOLE 模式用完 GPT 5.2 或者 gemini 的额度就切到 GLM 4.7 ,感受不到落差。目前不尽如人意的地方是任务大一点(包含几个可能存在交叉依赖的小任务),这三个模型基本都挂挂,我现在都是尽可能将任务拆成小的原子任务,一次只做一件事,然后 plan -> 执行 -> 验收 -> 让 AI 调整这一套流程走一轮,无论哪个模型都完成的不错。
现在非常好奇的是如果换 Claude opus 4.5 效果会怎么样,是不是大任务它也可以一次性完成,达到满意的效果?网上看了一些评测,要么就是“Claude 无敌,用了你就回不去了,GPT/GEMINI 反复搞了几个小时,换 Claude 几分钟搞定”这种无意义的评论,要么就是“用 Claude/GPT/GEMINI/GLM 生成一个美观高级的网站”这种无意义的评测,很好奇这些模型在实际开发中到底存在多大的差距。
如果是 iPhone 和国产安卓旗舰的差异,那我感觉 GLM / MiniMax 之类的国产模型也完全足够日常使用,毕竟这些国产模型对我来说近乎无限量了( GLM 5 小时限额窗口内很少用超 50%),现在每天绞尽脑汁怎么多烧点 token 。而如果是 iPhone 和诺基亚的差异,那应该突破一切封锁去使用 Claude 模型,毕竟时间也是金钱。
后续我想计划在实际开发场景下对比测试 GLM/MiniMax/Doubao 和 Claude 模型。想听听大家的看法,或者分享分享在实际开发场景下的对比。
办公主要涉及用到的东西:
1、office,主要是 excel 和 word
2、SAP,这个估计不一定能安装,好惆怅。
一个专为 AI 编程爱好者打造的免费社区,大家聚在一起分享 Claude Code、Cursor 等工具的最佳实践,加速项目交付。
热度:🔺424
别再为学习切换各种应用了,这款本地优先的学习操作系统能统一你的流程,把 PDF 高亮内容瞬间变成关联原文的闪卡。
热度:🔺257
懒得打字?直接说话或截个聊天截图,AI 就能帮你整理想法,快速生成购物清单和分类任务。
热度:🔺223
最美好的诗意总在不经意间降临,这款 iOS 应用根据时间、天气和季节,为你匹配当下心情的诗歌。
热度:🔺179
学习党或专业分析人士的福音,这个轻量级扩展让你在原生设置菜单中直接选择 0.25 倍到 16 倍的播放速度。
热度:🔺164
坚持健康饮食总是很难?这个模板帮你告别心算卡路里的混乱,无论记录饮食还是设定目标,都能清晰推进。
热度:🔺30
零售交易者也能用上对冲基金级别的工具,通过替代数据信号、实时提醒和模拟交易,帮你真正做到自律投资。
热度:🔺27
创始人验证 SaaS 创意的利器,分析 Reddit、X 等平台的真实对话,提炼痛点、支付意愿,帮你决定是否投入开发。
热度:🔺23
下一代电子签名平台,把静态文件变成互动合同,嵌入复选框收集数据,让签署过程既快速又安全合规。
热度:🔺17
告别手动点击,这款工具将 Google Whisk AI 变成高速生产线,支持 CSV 批量生成图像,自动下载并导出多种格式。
热度:🔺17
智能水果图像识别系统,旨在为用户提供快速、准确的水果识别服务。系统集成了深度学习图像识别技术,支持用户上传水果图片进行自动识别,并提供识别历史记录管理功能。 系统主要功能包括:用户注册与登录、个人信息管理、水果图像识别、识别历史查询与删除、公告管理等。用户可以通过简单的操作上传图片,系统将自动分析并返回识别结果,包含水果名称和识别置信度。同时,系统支持分页查询识别历史,并提供公告功能,方便管理员发布系统通知和使用说明。 随着人工智能技术的快速发展,图像识别技术在农业、零售业等领域的应用越来越广泛。水果作为人们日常生活中不可或缺的食品,其识别和分类在水果销售、库存管理、营养分析等方面具有重要意义。 传统的水果识别主要依赖人工判断,效率低且容易出错。而基于深度学习的图像识别技术能够快速、准确地识别水果种类,提高工作效率。本项目的选题背景正是基于这一需求,旨在开发一个简单易用的水果图像识别系统,为用户提供便捷的识别服务。 该系统的开发具有以下意义: 本项目采用 ResNet50 作为核心图像识别模型。ResNet(Residual Network)是由 Microsoft Research 提出的深度残差网络,ResNet50 是其中包含 50 层卷积层的版本。 ResNet50 的核心创新是引入了残差连接(Residual Connection),解决了深度神经网络中的梯度消失问题,使得训练更深层次的网络成为可能。残差连接通过在网络中添加跨层连接,允许信息直接从一层传递到另一层,从而避免了梯度在反向传播过程中的衰减。 在本项目中,ResNet50 被用作水果图像识别的预训练模型。我们在预训练模型的基础上,根据水果图像数据集进行了微调,使得模型能够更准确地识别水果种类。系统集成了 TensorFlow 深度学习框架,通过加载预训练的 ResNet50 模型,对用户上传的水果图片进行分类识别。 ResNet50 的优点包括:项目介绍



选题背景与意义
关键技术栈:ResNet50
技术架构图

系统功能模块图(MindMap)

演示视频 and 完整代码 and 安装
我是 pro 会员,前几天还是每 5 小时刷新一次 claude 模型的额度,最近变成好几天才刷新了。
搜了下,发现是加了周额度限制,但是没看到详细说明是怎么限制的,各位大佬有清楚的吗?
最近很多初学计算机的同学,一直在问,说“甘哥,我对XXX方向比较感兴趣。现在我应该怎么规划,毕业的时候才能找到这个方向的好的公司的岗位呢” 针对同学的疑惑,阿甘总结下来,其实主要分为两类: (1)对某一类大的方向感兴趣,但是具体这个大的方向,什么岗位,还不知道。比如有的的同学,只知道自己对游戏相关方向感兴趣; (2)对某一个具体方向感兴趣,比如高性能计算,存储方向等,但是不知道应该学哪些东西; 针对第一类同,我们应该如何清晰规划呢? 1.首先,我认为我们应该要做的是就是先要搞懂这个大的方向都有哪些具体的岗位。然后结合自己的情况,以及自己的兴趣。选一个自己毕业以后能最大概率进入的方向。 哪怎么知道这个大的方向,都有哪些具体的岗位呢?这个其实也很简单,可以找一个专门做这个的头部公司,看看都在热招哪些技术岗位就可以了。 比如,对游戏感兴趣。那可以找个专门做游戏研发的知名公司去它官网看看都在热招哪些游戏岗位就可以了。 比如我们可以选择米哈游这个公司,看看这个公司都在招哪些编程岗位就大概知道游戏相关方向都有哪些岗位了。然后看看工作内容描述,以及所需要的技术栈,根据自己的爱好选择一个感兴趣的就可以明确自己具体想干的方向了。 明确自己想干什么方向了,哪疑惑就和第二类同学相同的了: 我知道自己未来想从事某个方向,但是不知道应该学习哪些东西。 这个也很好办,因为我们学习,本质还是奔着就业去的。那我们学习某个方向的技术栈,那也肯定是因为人家企业需要,在人家企业里正在使用的。哪我们要确定自己学什么。 可以自己下载一个boss软件,去搜索自己想干的这个方向,看看有相关岗位的公司都有哪些技术要求,自己列一列。搜个十几家,然后找找他们共同的技术栈要求。针对这些共同的技术栈要求,优先学习学习就可以了。 当然在学上面这些特有的技术栈之前,作为一个初学者,还是建议大家先把基础打牢。基础打牢了,再针对某个方向专门学学,增大进入这个方向概率。 尤其应届生,还是建议先学学基础的,操作系统,计算机网络。就算你搞某个方向,操作系统知识也是需要的啊。 基础都不会更别说深入内核了。基础学完了,然后可以去boss看看相关就业方向,针对这个方向学学,增大进入这个方向的机会。 这两个不矛盾,我认为这不是一个选择的问题,而是一个承上启下的关系,只有基础过关了,具备基本的计算机知识了,才能去进行深耕。不然直接学某个东西,学也是学怎么用,也是学个表层的东西,学不到根本 建议大家可以看看咱们星球为大家写的零基础cpp就业学习路线 https://www.yuque.com/u41022237/xy0omf/khe1in5zuk02nq0a?singl... 《零基础c++就业学习路线》 本文由mdnice多平台发布前言
阿甘分享
没有什么比在周日下午网上冲浪时读到一篇有意思的文章更快乐了。
提示:文章挺长,并且有少部分键政内容,可以直接跳过。
这篇文章讲的内容很多,我无法给出简单的 TLDR 内容,仅摘录几段有意思的分享:
Chinese tech achievements that were apparent in 2025 were the fruits of investments made a decade ago. Given that China continues to invest massively in technology, I expect we’ll see yet more tech successes for another decade to come. Alexander Grothendieck used an analogy of a walnut to describe different approaches to mathematics, which might also apply to technology development. Some mathematicians crack their problems by finding the right spot to insert a chisel before making a clean strike. Grothendieck described his own approach as coming up with general solutions, as if he were immersing the walnut in a bath for such a long time that mere hand pressure would be enough to open it. The US comes up with exquisite and expensive solutions to its technology problems. China’s industrial ecosystem is more like a rising sea, softening many nuts at once.
2025 年中国科技取得的成就,是十年前投资的成果。鉴于中国持续在科技领域投入巨资,我预计未来十年我们将看到更多科技领域的成功。亚历山大·格罗滕迪克曾用核桃作比喻来描述不同的数学方法,这或许也适用于科技发展。一些数学家通过找到合适的凿子插入点,然后精准地敲击核桃来解决问题。格罗滕迪克则将自己的方法描述为提出通用解决方案,就像把核桃浸泡在浴缸里足够长的时间,最终只需轻轻一按就能打开。美国针对其技术问题提出了精妙而昂贵的解决方案。而中国的产业生态系统更像是不断上涨的海水,同时软化了许多核桃。
Probably the most underrated part of the Chinese system is the ferocity of market competition. It’s excusable not to see that, given that the party espouses so much Marxism. I would argue that China embodies both greater capitalist competition and greater capitalist excess than America does today. Part of the reason that China’s stock market trends sideways is that everyone’s profits are competed away. Big Tech might enjoy the monopolistic success smiled upon by Peter Thiel, coming almost to genteel agreements not to tread too hard upon each other’s business lines. Chinese firms have to fight it out in a rough-and-tumble environment, expanding all the time into each other’s core businesses, taking Jeff “your margin is my opportunity” Bezos with seriousness.
中国体制中最被低估的部分或许就是市场竞争的残酷性。考虑到中共奉行如此多的马克思主义,人们忽视这一点也情有可原。我认为,中国比当今的美国更能体现资本主义的竞争和更严重的资本主义过度扩张。中国股市横盘整理的部分原因在于,所有人的利润都在激烈的竞争中被蚕食殆尽。大型科技公司或许能享受彼得·蒂尔所推崇的垄断成功,彼此之间甚至达成某种温文尔雅的协议,互不干涉。而中国企业则必须在残酷的竞争环境中奋力拼搏,不断向对方的核心业务领域扩张,认真对待杰夫·贝佐斯那句“你的利润就是我的机会”的宣言。
(我绝对不是在水长文 doge



