2026年2月

Windows 11 24H2 | 25H2 | 26H1 中文版、英文版 (x64、ARM64) 下载 (2026 年 2 月更新)

Windows 11, version 26H1 | 25H2 | 24H2 Enterprise Arm64 x64 (updated Feb 2026)

请访问原文链接:https://sysin.org/blog/windows-11/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


全新推出 Windows 11

全新 Windows 体验,让您与热爱的人和事物离得更近。

Windows 11

Windows 11 版本信息

Windows 11 每年会进行一次功能更新,功能更新在日历年下半年发布,并附带对家庭版、专业版、专业工作站版和专业教育版的 24 个月支持,以及对 企业版和教育版的 36 个月支持。如需了解更多信息,请参阅 Windows 生命周期常见问题解答

Windows 11 还在每月的第二个星期二发布每月安全更新。这些版本是累积的,包含所有以前的更新,让设备持续受到保护和保持高效。

如果你是 IT 管理员,并且想通过编程从此页面获取信息,请使用 Microsoft Graph 中的 Windows 更新 API

Windows 11 目前版本

所有的日期都按照 ISO 8601 格式列出:YYYY-MM-DD

服务频道

版本服务选项上市日期OS build服务终止:家庭版、专业版、专业教育版和专业工作站版服务终止:企业、教育、IoT 企业版和企业多会话
25H2正式发布频道2025-09-3026200.65842027-10-122028-10-10
24H2正式发布频道2024-10-0126100.17422026-10-132027-10-12
23H2正式发布频道2023-10-3122631.24282025-11-112026-11-10
22H2正式发布频道2022-09-2022621.5212024-10-082025-10-14
21H2正式发布频道2021-10-0422000.1942023-10-082024-10-08

企业版和 IoT 企业版 LTSC 版本

Version服务选项上市日期OS build主要支持结束日期外延支持结束日期
24H2长期服务频道 (LTSC)2024-10-0126100.17422029-10-092034-10-10

⬇下载地址

Windows 11, version 24H2

Windows 11, version 24H2 (updated Feb 2026) Arm64, x64

  • x64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_24h2_updated_feb_2026_x64_dvd_9ae32db9.iso
    • zh-cn_windows_11_business_editions_version_24h2_updated_feb_2026_x64_dvd_d05845b2.iso
    • zh-tw_windows_11_business_editions_version_24h2_updated_feb_2026_x64_dvd_941d71ff.iso
  • Arm64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_24h2_updated_feb_2026_arm64_dvd_037a8e04.iso
    • zh-cn_windows_11_business_editions_version_24h2_updated_feb_2026_arm64_dvd_42795a19.iso
    • zh-tw_windows_11_business_editions_version_24h2_updated_feb_2026_arm64_dvd_fe1f619a.iso
  • English - Business (Education, Enterprise, Pro, Pro Education, Pro for Workstations)
  • 简体中文 - 商业版(教育版、企业版、专业版、专业教育版、专业工作站版)
  • 繁體中文 - 商業版(教育版、企業版、專業版、專業教育版、專業工作站版)

Windows 11, version 25H2

Windows 11, version 25H2 (updated Feb 2026) Arm64, x64

  • x64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_25h2_updated_feb_2026_x64_dvd_9271bf68.iso
    • zh-cn_windows_11_business_editions_version_25h2_updated_feb_2026_x64_dvd_7bd4278f.iso
    • zh-tw_windows_11_business_editions_version_25h2_updated_feb_2026_x64_dvd_fde3df25.iso
  • Arm64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_25h2_updated_feb_2026_arm64_dvd_2df5d889.iso
    • zh-cn_windows_11_business_editions_version_25h2_updated_feb_2026_arm64_dvd_563c2365.iso
    • zh-tw_windows_11_business_editions_version_25h2_updated_feb_2026_arm64_dvd_c1e08ad2.iso

Windows 11, version 26H1

Windows 11, version 26H1 (released Feb 2026) Arm64, x64

  • x64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_26h1_x64_dvd_18ddd107.iso
    • en-us_windows_11_consumer_editions_version_26h1_x64_dvd_5208fe5b.iso
    • zh-cn_windows_11_business_editions_version_26h1_x64_dvd_c6d1a670.iso
    • zh-cn_windows_11_consumer_editions_version_26h1_x64_dvd_02f4247d.iso
    • zh-tw_windows_11_business_editions_version_26h1_x64_dvd_4addb3b9.iso
    • zh-tw_windows_11_consumer_editions_version_26h1_x64_dvd_000b0cb6.iso
  • Arm64 请访问:https://sysin.org/blog/windows-11/

    • en-us_windows_11_business_editions_version_26h1_arm64_dvd_e4e55671.iso
    • en-us_windows_11_consumer_editions_version_26h1_arm64_dvd_75375ff3.iso
    • zh-cn_windows_11_business_editions_version_26h1_arm64_dvd_06885171.iso
    • zh-cn_windows_11_consumer_editions_version_26h1_arm64_dvd_900d64ce.iso
    • zh-tw_windows_11_business_editions_version_26h1_arm64_dvd_70e0c828.iso
    • zh-tw_windows_11_consumer_editions_version_26h1_arm64_dvd_312a48a9.iso

文件名对应版本:

  • English - Business (Education, Enterprise, Pro, Pro Education, Pro for Workstations)
  • English - Consumer (Home, Home Single Language, Education, Pro, Pro Education, Pro for Workstations)
  • 简体中文 - 商业版(教育版、企业版、专业版、专业教育版、专业工作站版)
  • 简体中文 - 消费者版(家庭版、家庭单语言版、教育版、专业版、专业教育版、专业工作站版)
  • 繁體中文 - 商業版(教育版、企業版、專業版、專業教育版、專業工作站版)
  • 简体中文 - 消費者版(家用版、家用單語言版、教育版、專業版、專業教育版、專業工作站版)

虚机模板下载:

更多:Windows 下载汇总

我在小红书刷到一个账号:先用美化 App 把桌面布置得极度吸睛,15 秒展示成片;中间插几条“手把手设置”教程。点进主页,跳转小红书“中转号”,点击取图,直达付费壁纸站,一键下载——小闭环跑通。

下面就用 6 张图片完成这个小生意的逻辑拆解:

12
12
34
34
56
56

不知道你有没有看明白?是不是很简单!

这个“壁纸站”你也是可以申请的,当然如果你想用自己的壁纸站,那就会涉及到一些技术问题,除非你懂 H5 还有一些网站技术,否则我还是建议你直接用现成的。这个神图君就是现成的!

如果你想自己弄,我给你一个极简的流程提示:

企业主体 → 先认证 → 再投聚光 → 把域名提审进白名单 → 通过后就能把自己的壁纸收费站套进小红书的统一容器,实现“主页一键直达”。

这个小生意的整体玩法到此拆解完毕,其实按照这个逻辑,还可以有其他的产品玩法,有兴趣的可以研究研究。如果你觉得有趣,希望你分享给更多的朋友!

个人 Blog 原文
https://www.evan.xin/4130/

起因是看到傍晚发生的一点小插曲……想了一下

目前守卫者徽章拥有者可以直接修改内容
本意是为了协助修正一些错误内容或 ai 误判,保证社区的质量和健康发展
虽说有操作日志,但很难说每次修正都合适/必要
我觉得个人的见解很难做到绝对正确
建议站长重新考虑一下守卫者的权限设计

我的拙见:

  • 可以捞帖(解决 ai 误判问题)
  • 重要操作引入审核机制(比如守卫者 A 发起节点移动操作,其他守卫者能收到提醒,有 2 人以上赞同则同意修正)

管理本身是一个很复杂的问题
相信 Jimmy 能把握好facepalm

愿大家多一点包容,共同维护好咱们闲时摸鱼的小本营

我爸是制造业的白手起家,现在厂里几百号人了,反正我越长大越佩服,所有的绩效考核方式、成本计算方法、管理员工策略全是自个琢磨的。自我感觉是没能力接手,我当初选择计算机专业有一个原因就是代码是死的,能编译通过就能过,错了就改 bug,非常直截了当,管理人想想都头疼。
后来我问我爹怎么管理,他跟我说最开始忙,员工少的时候天天去外面找客户,接订单,所有人都忙,他自己最忙,手下就没那么多怨言,然后人多了慢慢引导他们两三个小团体,互相竞争就不会出现那种一个重要员工离职导致一个部门半瘫痪(一个部门的主手副手随时可以互相替代),工资再比同行业同规模的对手高出十到二十个点,这样有时候加班啥的也不会不情愿。

ps:我看我爹挣这么多钱,一点没享受到,反而还是把身子操劳坏了,现在天天家里煮中药调理,半个月去一趟上海看胃病,有时候想想挺不值的。都是为了家庭,都是为了我和我妈。

每天正常到饭点不吃饭,也不吃药,也不愿意吃药,还不愿意打胰岛素。他那血糖高,全都胰岛素压着

这是今天睡在石头窝里面的照片,发出来可能当作一个笑话,也可能多一个人看到无意间的一个评论也说不定有新的希望,是否能让结果变成另外一种可能,期望大家集思广益

https://youke.xn--y7xa690gmna.cn/s1/2026/02/20/699834dde4c99.webp

IMG_3497.jpeg

本人对 AI 了解不多,有说得不专业的轻喷

到底是人类突破了哪个难题,突然 AI 就行了呢?

是有人解决了一个一直卡住的问题,然后 AI 有了巨大的进步,才开始流行吗?

就给我的感觉是迷迷糊糊的 AI 就火了,身边程序员啥的都开始用。

但是并没有看到新闻报道突破了什么困难。

刚在 L 站发了个"""
看到白银套利帖子引起的让不让讨论金融的话题,突然理解了老一辈的想法,现在我支持 "还是要禁止游戏" 的做法,谁同意谁反对?
"""
直接让举报隐藏了。
所以别人好心分享信息应该被举报,无脑举报的人反而应该被支持吗?
我帖子也只是心路历程,也有人觉得被冒犯举报

Agoda 工程师开发 API Agent,一个零代码、零部署的系统,它可让单个模型上下文协议(MCP)服务器对接内部的 REST 或 GraphQL API。该系统旨在降低管理多种架构、多种认证方式的 API 所带来的运维成本,使团队无需为每个 API 单独搭建 MCP 服务器,就能通过 AI 助手查询相关服务。

API Agent 可作为通用的 MCP 服务器使用。工程师只需在 MCP 客户端 中配置目标 URL 与 API 类型,这个智能体便能自动对 API 架构进行自省,并根据自然语言输入生成查询。一次部署即可同时服务多个 API。每个 API 在客户端看来都是一个独立的 MCP 服务器,但实际上共享同一个实例。新增 API 仅需更新配置即可。

Agoda 的首席技术官 Idan Zalzberg新闻稿中表示:

许多团队希望将内部工具开放给 AI 使用,但为每个工具单独编写 MCP 工作量极大。API Agent 采用创新的零代码方案实现这一能力,据我们所知,这一方案在业内属于首创。

该架构包含一个架构内省模块。配置目标 API 后,智能体会动态检索 API 架构。对于 GraphQL,它会提取类型、字段和输入参数;对于 REST API,它会基于 OpenAPI 规范 或 JSON 响应示例。这使得智能体无需预构建适配器即可自动构造查询。

系统技术栈包括:用于 MCP 服务器的 FastMCP、用于语言模型编排的 OpenAI Agents SDK,以及用于内存 SQL 后处理的 DuckDB。其他功能还包括动态工具命名、大型 API 的 Schema 搜索、多步骤查询的会话跟踪,以及通过 OpenTelemetryJaegerZipkinGrafana TempoArize Phoenix 实现的可观测能力。

API Agent 内部原理(来源:Agoda 工程博客

API 的响应可能包含数千行数据,这可能超出大语言模型的上下文长度限制,导致内容被截断。API Agent 通过在 DuckDB 中使用 SQL 作为上下文管理层来解决这一问题:完整的 API 响应会被存储、过滤与聚合,只将精简后的结果发送给模型。DuckDB 可在进程内运行,原生支持 JSON 并能自动推断 Schema。使用 SQL 进行后处理,既避免了任意代码执行,又能保持与 LLM 查询生成的兼容性。

安全机制默认开启。API Agent 以只读模式运行,除非明确启用并加入内部工具白名单,否则不允许执行任何修改操作。

API Agent 安全模型(来源:Agoda 工程博客

运维经验包括:在响应被截断时进行清晰提示、优先使用 Schema 而非样本数据、处理 SQL 特性相关问题,以及暴露完整错误信息以便 LLM 进行自行修正。重复查询会被作为参数化的 “Recipe”,缩短推理耗时与延迟;直接返回选项则可让过滤后的数据跳过摘要步骤。API Agent 支持在单个会话中跨多个端点查询,完成关联与聚合操作。基于 SQL 的后处理规避了沙箱、网络隔离和依赖问题,其声明式风格与大语言模型适配性良好,可实现安全的 AI 辅助数据转换。该项目已开源,项目地址为 api-agent,可用于 REST 和 GraphQL 相关实验。

原文链接:

https://www.infoq.com/news/2026/02/agoda-api-agent/

凯捷集团执行副总裁 Steve Jones 在Medium博文及相关的LinkedIn帖子中宣称“AI 已杀死敏捷宣言”,引发了激烈辩论。Jones 认为,在智能体软件开发生命周期(SDLC)系统中,AI 智能体承担了大量开发工作,这与敏捷宣言的四大核心价值观和十二条原则存在根本性矛盾。

Jones 指出了将敏捷应用于智能体 SDLC 的几个关键挑战。首先,他认为工具现在变得至关重要:

使用Replit与使用Claude Code的场景截然不同,如果要混合使用各类智能体 SDLC,这一点你必须重点考虑。

这与敏捷宣言中“个体和互动高于流程和工具”的理念相冲突。

速度差异是另一个核心问题。Jones 描述了自己如何在几小时内开发出可用的应用程序,并在一次飞行途中完成整个应用的迁移工作,他表示:

这正是智能体 SDLC 与敏捷原则产生根本性分歧的地方——因为智能体 SDLC 的迭代速度对敏捷而言太快了。

当 AI 能在几分钟内生成可落地的功能代码时,传统的两周冲刺周期已然显得过时了。

或许最为重要的是,Jones 对“可用的软件高于详尽的文档”这一原则提出了质疑。AI 智能体虽擅长生成看似可正常运行的软件,却可能以前所未有的速度堆积技术债务。他指出,AI 在构建表面上可用的软件时效率极高——至少能按照给定的具体指令运行,这反而让文档与架构规划变得比以往任何时候都更为关键。

业界反应不一。山特维克运营卓越与敏捷教练负责人Rolf Läderach在 LinkedIn 的相关讨论中反驳道:

敏捷并非一份宣言,更无关某种框架。敏捷的核心,是打造能适应变化、持续交付成果的自适应学习型组织。这种需求永远不会消失,而 AI 正是对它的一种支撑。

Nave 公司 CEOSonya Siderova提出了一个更为细致的观点:

敏捷没有死,它只是在优化一个已转移的瓶颈。

她认为,以往每日站会用于协调人工协作、回顾会议用于沉淀团队经验,但当 AI 智能体能在几分钟内完成开发构建时,开发瓶颈便从“人类如何协作构建”转向了“人类如何决定要构建什么,并验证其是否真正有效”。

敏捷宣言最初签署人之一Kent Beck一直在探索他所谓的“增强型编码”,以区别于“氛围编码(Vibe Coding)”。在一篇Substack文章中,Beck 将增强型编码定义为在保持传统软件工程价值观——整洁代码、全面测试和精心设计的同时,让 AI 处理大量的编码工作。他将其与氛围编码区别开来,氛围编码是开发者仅简单地将错误反馈给 AI,只求修复而不关心代码质量。

Beck 的思路指明了一条中间道路:将 AI 作为强大的助手,同时保持工程严谨性。他表示,基于这个方法论,在 AI 生成代码并接受人类严格监督、遵循测试驱动开发原则的前提下,他使用 Rust 和 Python 构建了一个可用于生产环境的 B+树开发库。

这场行业反响已超出个人观点的范畴。Casey West提出了一份智能体宣言,为自主 AI 系统改编了原始的敏捷价值观,将关注点从“验证”(是否按指令执行)转向“确认”(是否达成预期目标)。多个组织正在试验“智能体交付生命周期”(ADLC),用新的治理模型来包裹传统的 SDLC 实践,用以应对 AI 的非确定性行为。

亚马逊云科技在其 2026 年规范性指南中也呼应了这一观点,建议“冲刺规划”必须演变为“意图设计”。在这种模式下,架构变成了“脚手架”,用于定义角色、护栏和回退机制,而非对每一条决策路径进行脚本化设定。

然而,Forrester 的《2025 年敏捷开发状态报告》提出了一个引人注目的相反观点:95%的专业人士认为敏捷对其业务运营至关重要,61%的受访者已部署敏捷实践超过五年。Forrester 副总裁兼首席分析师 Diego Lo Giudice 在 Forrester 的一篇博文中指出,尽管团队的敏捷成熟度参差不齐——只有 7%达到完全熟练——但将敏捷与生成式 AI 集成为进一步提升敏捷价值提供了极具前景的路径,近一半的受访者已在敏捷实践中使用生成式 AI。

Jones 本人承认他“并非认为当下所有的敏捷实践都毫无价值”,但他也坚持认为,为人类团队数周开发周期所设计的方法,无法直接套用到智能体驱动的开发中。他呼吁建立全新的宣言与方法,前提是智能体将承担开发者过去所做的大量工作。

这场辩论引出了一些根本性问题:敏捷是与冲刺、站会等特定实践绑定的具体方法论,还是一种更侧重适应性与学习的广义哲学?当 AI 能在几分钟内生成代码时,软件开发的真正瓶颈又是什么?我们需要全新的框架,还是现有敏捷原则可以演进,用以管理人类与 AI 的协作?

分析师、顾问和安全架构师Eric Newcomer在讨论中评论说:

我不确定,但我认同我们确实需要一份新的宣言。不过在我看来,早在 AI 智能体出现之前,官僚主义就已经扼杀了敏捷。

有一点似乎已然清晰:软件开发正进入一个方法论剧烈变革的时期。这究竟意味着敏捷的终结,还是将演变成全新形态的开端,对整个行业而言,仍是一个开放且日益紧迫的议题。

原文链接:

https://www.infoq.com/news/2026/02/ai-agile-manifesto-debate/

今日速览

  1. Origami.chat:一句话找到你的理想客户。
  2. Clawi.ai:5 分钟部署私人 AI 助手,全天候运行。
  3. Reloop:聊聊天就能生成吸睛广告视频。
  4. Monologue for iOS:把语音秒变精炼文字。
  5. FF Designer:AI 生成 UI,还能随时动手编辑。
  6. Kollect Voice Agent:用 AI 对话取代枯燥表单。
  7. HyperCaps for macOS:让 CapsLock 键变身效率神器。
  8. Decks For Good:捐款做慈善,顺便拿筹款建议。
  9. AgentReady:一键压缩文本,AI 成本直降 60%。
  10. Mengram:AI 记忆 API,自动记录任务步骤。

深度阅读

1. Origami.chat

一句话描述你的理想客户,这款工具就能在几秒钟内从上百个数据源里帮你精准锁定潜在客户名单。

  • 输入提示,快速生成客户名单
  • 整合 100 多个数据源,丰富 CSV 文件
  • 获取决策者信息,助力客户拓展
  • 几秒内完成,无需漫长等待

热度:🔺447

Origami.chat
访问官网 Product Hunt 详情


2. Clawi.ai

别再折腾服务器了,这个工具让你 5 分钟就能在云端部署私人 OpenClaw 助手,全天候在 WhatsApp、Telegram 和 Discord 上待命。

  • 无需设置,快速启动 AI 助手
  • 支持 WhatsApp、Telegram 和 Discord 平台
  • 24 小时不间断运行,解放你的时间
  • 云端服务,告别服务器维护烦恼

热度:🔺330

Clawi.ai
访问官网 Product Hunt 详情


3. Reloop

和其他 AI 工具不同,你不需要懂专业提示词,只需像聊天一样描述想法,它就能理解你的产品并瞬间生成完整广告视频。

  • 对话式创意代理,无需调整提示
  • 生成定制虚拟形象和克隆声音
  • 内置视频编辑器和自动字幕功能
  • 几分钟完成从构思到广告的全流程

热度:🔺286

Reloop
访问官网 Product Hunt 详情


4. Monologue for iOS

这款 iOS 应用能把你的语音实时转换成精炼文字,直接用在终端编程、发信息或写邮件里,让沟通更高效。

  • 语音转文字,去除冗余词汇
  • 自动添加标点,根据语境调整
  • 支持多种应用场景,如编程和邮件
  • 让笔记变整洁清单,思路更清晰

热度:🔺222

Monologue for iOS
访问官网 Product Hunt 详情


5. FF Designer

AI 设计工具常让人陷入反复提问的循环,而这款工具能在几秒内生成美观 UI,并允许你可视化编辑,流程顺畅无阻。

  • 快速生成精美界面设计
  • 支持可视化编辑,无需重新提问
  • 可下载或导出设计文件
  • 避免繁琐循环,提升设计效率

热度:🔺199

FF Designer
访问官网 Product Hunt 详情


6. Kollect Voice Agent

把枯燥的表单变成实时 AI 对话,用户可以用自然语言表达,AI 会灵活引导问卷,甚至让你通过描述来创建表单。

  • AI 对话取代传统表单填写
  • 自然语言交互,动态引导问卷
  • 可通过简单描述创建表单
  • 提升用户体验,减少填写负担

热度:🔺126

Kollect Voice Agent
访问官网 Product Hunt 详情


7. HyperCaps for macOS

告别复杂快捷键的“手指体操”,这个工具将 CapsLock 键变成超级键,在 macOS 上大幅提升工作效率。

  • CapsLock 键触发多组合快捷键
  • Vim 模式,用 H/J/K/L 键导航
  • 智能轻触实现 Escape 或 CapsLock 功能
  • 原生轻量,注重隐私保护

热度:🔺121

HyperCaps for macOS
访问官网 Product Hunt 详情


8. Decks For Good

想顺利筹款?通过这个平台向非营利组织捐款,就能获得来自投资者和成功创始人的详细反馈,说不定还能拿到投资。

  • 捐款获取筹款提案反馈
  • 反馈来自经验丰富的投资者和创始人
  • 捐款直接给非营利组织,平台不处理支付
  • 结合慈善与社会责任,助力创业

热度:🔺117

Decks For Good
访问官网 Product Hunt 详情


9. AgentReady

这款 API 工具包能帮 AI 代理更好地理解网络内容,通过压缩文本将 GPT-4 或 Claude 的使用成本降低 40% 到 60%。

  • TokenCut 工具压缩文本,减少字符使用
  • 兼容 GPT-4、Claude 等大型语言模型
  • 集成只需三行代码,测试阶段免费
  • 还提供 MD 转换器、网站地图生成器等工具

热度:🔺112

AgentReady
访问官网 Product Hunt 详情


10. Mengram

这个 AI 记忆 API 能自动提取事实、事件和工作流程三种记忆,记录任务步骤,让智能助手下次执行时直接走最优路径。

  • 支持语义、情节和程序性三种记忆类型
  • 自动提取记忆,通过一次 API 调用完成
  • 记录任务步骤,跟踪成功与失败
  • 免费开源,兼容 Claude、LangChain 等框架

热度:🔺108

Mengram
访问官网 Product Hunt 详情

背景: 目前使用 蜗牛星际,CPU 与 8G 内存已经捉襟见肘,内存确实太贵,但是也不知道啥时候能等到回落。 早买早享受吧

1. 核心需求

  • 计算任务: 运行 Immich (照片 AI 识别)、OpenClaw (AI Agent + 向量库)、本地语音识别、文档向量化、多个 Docker 容器。
  • 虚拟化: PVE 宿主,运行 Windows VM (日常办公/挂机) + 多个 LXC 容器和 Docker 容器。
  • 存储: ZFS 文件系统 (需大量内存作 ARC 缓存),注重数据防腐烂/快照备份。
  • 形态: mATX 方案(不强求热插拔机箱,更看重散热、静音和扩展性)。
  • 不在本地跑大参数量的大模型,希望能支持向量化、语音识别等模型


2. 现有硬件、系统

  • 硬盘: 400G SATA SSD ×1 (用于 LXC); 4T HDD ×2 。
  • 旧机痛点: 现有的 32G mSSD 系统盘容量过小且速度慢,不确定是否需更换为 NVMe 作为 PVE 系统盘。
  • 系统: 采用 PVE+LXC+Docker 方案

3. 意向配置单

这些都是咨询 AI ,在淘宝上搜索得到的配置和价格。

大佬们,我是小白,请不吝赐教!

不着急一次性买完装好,可以考虑二手和 pdd 降降价格。

  • i5 12400 散片+微星 PRO B760M-A DDR4 Ⅱ ¥ 1868 ( 4 个内存槽,考虑后续扩展)
  • 御夫座+风扇*4+散热器 N92B+6 口 sata 线 ¥ 836 ( 6 盘位,因为没找到合适的 4 盘位机箱)
  • 骇客神条 32G DDR4 3200 ¥1287.49 (太贵了!)
  • 航嘉 GX650 全模组金牌 650W ¥ 362.49 (全模组方便省心利于散热,没找到更小的合适的)

4 年前来 v 站问过,大家都不建议买房 t/848580

果然深圳的房子是跌了,还好那会听进去大家的建议没有买房,今年带父母来深圳过年,带他们去各大公园遛弯,他们也觉得这里很好,适合养老。

刚好明年他们就都退休了,所以我又萌生了买房落户的想法。

情况和之前有点差异,现在手里有 300w 现金,每年也能存个 20-30w 的样子,依然是不婚不育所以无需考虑学位,买个 2 房或者 3 房就够了。

深圳的房子是不是差不多跌到底了? 还能跌的话,再租个两三年也没问题。

CrossOver 26.0 for macOS & Linux - 领先的 Wine 解决方案

在 macOS 和 Linux 上运行 Windows 应用

请访问原文链接:https://sysin.org/blog/crossover/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


crossover-logo

CrossOver:在 macOS、Linux 和 ChromeOS 上运行您的 Windows® 应用

对比所有跨平台方案

对比内容CrossOver™双启动虚拟机
不需要重启来运行 Windows 应用
以原生速度运行 Windows 软件
不需要安装 Windows 系统来运行 Windows 应用
运行所有 Windows 应用
价格$74.00 USD 并且不需要购买 Windows 系统$119.99 的 Win10 家庭版或 $199.99 的 Win10 专业版$79.99 的 Parallels 加上购买 Windows 系统所需的费用

CrossOver 26 新增功能

CrossOver 26 解决 Mac 上 Windows 游戏的人为兼容性障碍

2026 年 2 月 10 日

CrossOver 26 正是为让更多游戏和应用在 Mac 与 Linux 上更好运行而量身打造的 “性能增强方案”。此版本现已正式发布。

CrossOver 26 cures artificial incompatibility with Windows games on Mac

🔄 更新内容

CrossOver 26 包含以下更新:

  • Wine 11.0,带来了超过 6000 项改进,提升多种应用的表现
  • D3DMetal 3.0
  • DXMT v0.72
  • Wine Mono 10.4.1
  • vkd3d 1.18

🎮 游戏支持

此版本还让许多游戏在 Mac 上可以正常运行,包括:

  • HELLDIVERS 2
  • Kingdom Come: Deliverance II
  • Clair Obscur: Expedition 33
  • Age of Empires IV: Anniversary Edition
  • Borderlands 4
  • Warhammer 40,000: Darktide
  • God of War Ragnarök
  • Starfield
  • Final Fantasy VII Rebirth
  • Company of Heroes 3
  • Planet Coaster 2
  • CloverPit (sysin)
  • PowerWash Simulator 2
  • Silent Hill f
  • Jurassic World Evolution 2
  • Assetto Corsa EVO
  • The Outer Worlds 2
  • Final Fantasy Tactics - The Ivalice Chronicles
  • Trails in the Sky 1st Chapter
  • Mafia: The Old Country
  • Hell is Us
  • Cronos: The New Dawn

⚙️ 其他改进

对 Mac 用户:针对 macOS Tahoe 更新了部分界面,并修复 Steam 关闭后重新打开的问题。

对 Linux 用户:CrossOver 26 支持在内核支持的情况下启用 NTSync。

购买 CrossOver,支持开源

CodeWeavers 开发 CrossOver 的过程中,和 Wine 相关的代码的 95% 都回馈给了 Wine 开源社区

CodeWeavers 认同开源理念。相信开源软件的成功将会带来全新的、令人兴奋的产品和服务。同样相信开源软件为企业的成长提供了可行的模型。

CodeWeavers 相信,对于任何依赖于自由软件的公司来说,确保软件社区本身的活力和丰富性是很重要的。因此,CodeWeavers 为 Wine 项目投入了许多资源:CodeWeavers 是 Wine 项目最大的支持者。CodeWeavers 在 Wine 上的所有工作都是直接针对上游的 Wine 项目进行的,CodeWeavers 的代码会先提交给 Wine。CodeWeavers 还赞助一年一度的 Wine 大会,并竭尽全力使 Wine 成为一个充满活力的社区。

同时,人们也要生活。CodeWeavers 自己的许多客户以销售专有软件为生。Codeweavers 相信开源软件也应该如私有软件一样,在世界上有占有一席之地。

CrossOver 的核心是由开源软件组成的,但也包含 CodeWeavers 的专有组件,CodeWeavers 通过这些组件为 CodeWeavers 的用户提供“附加值”,这是 CrossOver 和 Wine 免费版的最大不同。

下载地址

CrossOver 26.0.0 for macOS

请访问:https://sysin.org/blog/crossover/

CrossOver 26.0.0 for Linux x64 (deb, rpm, bin)

请访问:https://sysin.org/blog/crossover/


更多:macOS 下载汇总 (系统、应用和教程)

一个简单的 f-string 格式问题,因为不是什么复杂问题,我使用的都是默认模型。ChatGPT 是 GPT-5.2-Auto ,Gemini 是 Fast ,Claude 是 Sonnet 4.6(未启用 extended thinking)。大家觉得哪个模型回答最好?

ChatGPT (Default GPT-5.2):

chatgpt

Google Gemini (Gemini3-Fast)

gemini

Claude (Sonnet 4.6)

claude

基于 YOLOv8 的多水果智能识别系统工程化实战 [目标检测完整源码]

引言:为什么“水果识别”值得单独做一个完整系统?

在很多计算机视觉教学或示例项目中,“水果识别”往往被当作一个简单的目标检测 Demo:跑个模型、画个框就结束了。但在真实应用场景中,水果识别远不止“识别出是什么”这么简单。

智能农业 中,它关系到果实成熟度统计、病虫害监测与产量评估;
智慧零售 中,它影响自助收银的识别准确率与结算效率;
分拣与物流场景 中,它又直接决定了自动化设备的执行准确性。

因此,一个真正可用的水果识别系统,必须同时满足:

  • 算法精度稳定、速度足够快
  • 支持多输入源(图片 / 视频 / 摄像头)
  • 具备清晰、易用的人机交互界面
  • 能够被“非算法人员”直接运行和部署

本文将从系统工程视角出发,完整拆解一个基于 YOLOv8 + PyQt5 的多水果种类识别系统,覆盖从模型选择、数据组织、推理逻辑到桌面级应用封装的全过程。
在这里插入图片描述

源码下载与效果演示

哔哩哔哩视频下方观看:
https://www.bilibili.com/video/BV16j8tzgEdN/

在这里插入图片描述

包含:

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址(含标注脚本

一、系统整体架构设计

在工程设计阶段,我们首先将系统划分为三个相互解耦的核心层次:

┌──────────────────────────┐
│        表现层(UI)       │  PyQt5
├──────────────────────────┤
│      业务逻辑与推理层     │  YOLOv8 推理接口
├──────────────────────────┤
│        模型与数据层       │  训练权重 / 数据集
└──────────────────────────┘

1. 表现层:PyQt5 图形界面

  • 负责用户交互与结果展示
  • 不直接参与模型计算
  • 支持多输入源切换

2. 推理层:YOLOv8 Detection

  • 统一封装模型加载与预测接口
  • 接收不同数据源并输出标准化检测结果
  • 保证实时性与稳定性

3. 模型与数据层

  • 包含训练好的权重文件
  • 数据集采用标准 YOLO 格式,方便复用与扩展

这种分层设计的好处在于:
算法可以独立升级,界面无需重写;UI 可重构,模型逻辑不受影响。


在这里插入图片描述
在这里插入图片描述

二、YOLOv8 在水果识别场景中的优势分析

2.1 为什么选择 YOLOv8?

与传统 YOLOv5 / YOLOv7 相比,YOLOv8 在水果识别这类“多目标、小尺度、实时性要求高”的任务中具有明显优势:

  • Anchor-Free 架构
    对不同大小水果的适应性更强,减少锚框设计成本
  • 更合理的正负样本分配策略
    在水果密集、遮挡场景下,分类更稳定
  • 原生支持多任务扩展
    后续可扩展至分割(如果实轮廓)、姿态或成熟度分析

2.2 检测目标的特点与挑战

水果识别并非“简单目标检测”,主要难点包括:

  • 不同水果外观相似(如橙子 / 柚子)
  • 同一水果在不同成熟阶段颜色变化大
  • 堆叠、遮挡、反光等复杂场景

YOLOv8 的高分辨率特征融合能力,正好适配这类复杂视觉输入。


在这里插入图片描述

三、数据集组织与训练流程设计

3.1 数据集结构设计

项目采用标准 YOLO 数据组织方式:

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

这种结构的优势在于:

  • 与 Ultralytics 官方训练流程完全兼容
  • 可直接迁移到其他 YOLO 项目
  • 方便后期自动化数据增强与再训练

3.2 标注格式说明

每个目标使用一行文本描述:

class_id x_center y_center width height

所有数值均归一化到 [0,1] 区间,这使得模型在不同分辨率输入下具有一致性。

3.3 训练策略要点

在实际训练中,针对水果检测任务,通常需要关注以下几点:

  • 适当增大输入分辨率,提高小目标识别率
  • 使用较低的初始学习率,保证收敛稳定
  • 关注 mAP@0.5 与混淆矩阵,而非单一 loss

当验证集 mAP@0.5 稳定在较高水平时,模型即可进入部署阶段。


四、统一推理接口设计与实现

为了适配多种输入形式,推理层并未为“图片 / 视频 / 摄像头”分别实现逻辑,而是抽象为统一流程:

  1. 获取输入帧(image / frame)
  2. 调用 YOLOv8 模型进行预测
  3. 解析检测结果(类别、置信度、坐标)
  4. 渲染并输出结果

4.1 PyTorch 推理核心示例

from ultralytics import YOLO

model = YOLO("best.pt")

results = model(
    source=frame,
    conf=0.25,
    device=0
)

for box in results[0].boxes:
    cls_id = int(box.cls)
    score = float(box.conf)
    x1, y1, x2, y2 = map(int, box.xyxy[0])

通过这种方式,推理层对输入来源完全无感,只关注“当前帧”。


五、PyQt5 图形界面与工程落地

5.1 为什么需要 GUI?

对于非算法背景用户而言:

  • 命令行工具不友好
  • 参数配置门槛高
  • 无法直观查看结果

PyQt5 的引入,解决了模型“最后一公里”的问题。

5.2 界面核心功能模块

  • 输入源选择(图片 / 文件夹 / 视频 / 摄像头)
  • 实时画面预览
  • 检测结果与置信度展示
  • 结果保存控制

通过信号与槽机制,将界面操作与推理逻辑解耦,保证系统响应流畅。


在这里插入图片描述

六、性能与部署实践

6.1 实时性能表现

在普通 GPU 或高性能 CPU 环境下:

  • 单帧推理可达到实时级别
  • 摄像头检测无明显延迟
  • 适合嵌入式边缘设备部署

6.2 多平台部署能力

YOLOv8 原生支持模型导出:

  • ONNX
  • TensorRT
  • OpenVINO

这为后续部署到 Jetson、工控机或云端服务提供了良好基础。


在这里插入图片描述

七、可扩展性与二次开发方向

该系统并不局限于“水果识别”,其整体架构可直接迁移到:

  • 农作物病害检测
  • 工业零部件缺陷检测
  • 超市商品识别
  • 医疗图像目标检测

只需替换数据集与类别配置,即可快速复用。
在这里插入图片描述

在这里插入图片描述


总结:一个真正“能用”的视觉项目应该长什么样?

相比单纯的算法 Demo,本项目更强调 工程完整性与实用价值

  • 算法层:YOLOv8 提供稳定高效的检测能力
  • 系统层:统一推理逻辑,支持多输入源
  • 产品层:PyQt5 GUI 降低使用门槛
  • 工程层:源码、权重、数据集一体化交付

对于学习计算机视觉的开发者,这是一个理解 “从模型到产品”完整链路 的极佳范例;
对于实际应用场景,它同样具备直接落地和扩展的现实意义。

在这里插入图片描述

本文从工程化与产品化的视角,系统讲解了一个基于 YOLOv8 的多水果种类智能识别系统的完整实现路径。通过将目标检测算法、统一推理逻辑与 PyQt5 图形界面进行解耦设计,项目不仅实现了对图片、视频和实时摄像头的高效识别,也真正完成了从模型训练到可交互应用的落地闭环。实践表明,YOLOv8 在多类别水果识别场景下兼顾了精度与实时性,而图形化封装显著降低了算法使用门槛,使系统具备良好的复用性与扩展性。整体方案对希望将计算机视觉技术应用于农业、零售或工业场景的开发者而言,具有明确的参考价值与实践意义。

https://imgur.com/LdalVLP

目前已经支持的:
- 自动记录剪切板;
- 搜索;
- 过滤来源 app;
- 过滤类型;
- tag 筛选;
- 快捷键绑定 tag;
- 预览常用类型;
- 直接粘贴到目标 app(审核问题, 需要下载个外部插件);

正在开发中:
- 支持常用视频类型压缩、转换;
- 视频转 GIF;
- 支持 tinypng 压缩;
- 支持 imgbb 图床;

后续计划:
- iOS 版;

基本功能免费, 高级功能需要 pro, 目前支持早鸟价格买断!, 欢迎下载体验!

https://imgur.com/XlhUerN
https://imgur.com/kmp8NLz

📰 内容说明:本文为 AI 资讯摘要与编辑评论,所有内容均已标注原文链接。如涉及版权问题请联系处理。


今日亮点

今天 AI 圈的大事,莫过于 Google Gemini 3.1 Pro 的重磅发布。它在关键基准上取得了惊人成绩,SVG 生成能力也大幅提升,但同时也引发了社区对“刷分”现象和实际效果的广泛讨论。另一方面,AI 对内容创作和软件开发模式的冲击也持续发酵,有观点认为 AI 会加速作品同质化,但 Andrej Karpathy 等科技领袖则描绘了 AI Agent 取代传统 App Store、实现高度定制化软件的未来图景。此外,Anthropic 调整了 Claude 的 OAuth 政策,显示了平台方在生态管理上的新动向。

💡 产品动态

🚀 Gemini 3.1 Pro 能力大跃升,引发真伪争论

核心信息:Google 发布 Gemini 3.1 Pro 预览版,ARC-AGI-2 基准分数从约 31.1% 飙升至 77.1%,SVG 生成能力也显著增强,但社区质疑其是否存在针对基准的优化(bench-maxing)。

💡 编辑观点: 这种分数暴涨在小版本迭代中很不寻常,Google 可能通过 RLHF 等快速微调策略在特定基准上大幅提升了性能。这既体现了大模型迭代的惊人速度,也提醒我们在评估模型时需警惕“刷分”现象,更关注其在实际复杂任务中的泛化能力和长期稳定性。长上下文处理和工具调用时的可靠性仍是关注点。

📎 查看完整报道 | 来源: News Hacker | 极客洞察

💬 Claude 入驻 PowerPoint,支持连接器集成

核心信息:Claude 现已在 Pro 计划中支持 PowerPoint 集成,并增加了连接器功能,能将用户日常工具中的上下文信息直接带入幻灯片。

💡 编辑观点: 这标志着 AI 与传统办公软件的深度融合又迈出一步。通过连接器,Claude 可以获取更丰富的上下文来辅助 PPT 制作,提升效率。但更重要的挑战是如何确保生成内容的准确性和隐私安全性,以及如何避免 AI 生成内容的同质化,让演示更具创意和个性。

📎 查看完整报道 | 来源: Claude(@claudeai) - Claude (@claudeai)

📈 Volumn.ai:AI 驱动的社交媒体账号增长工具

核心信息:Volumn.ai 发布,号称能帮助用户社交媒体账号实现 10 倍(甚至实测 100 倍)增长,通过 AI 自动进行 7x24 小时的回复与互动,可设置上下文和特定主题回复。

💡 编辑观点: 这类工具抓住了个人和品牌在社交媒体运营中的痛点,自动化互动无疑能大幅提升效率。然而,其核心挑战在于 AI 生成内容的质量、如何避免被平台识别为“机器人”而遭到封禁,以及在自动化程度提高后,如何保持账号的真实性和个性化,避免陷入“AI 让一切变得无聊”的困境。

📎 查看完整报道 | 来源: AI 探索站 - 即刻圈子 - Max_means_best

🔬 学术前沿

  • 生成式社交机器人在高等教育中的知识设计需求:研究了辅导型生成式社交机器人(GSRs)在高等教育中所需的三种知识(自我知识、用户知识、上下文知识),以确保其负责任且有效运行。 → 📄 阅读论文
  • AI-CARE:衡量 AI 模型碳足迹的新指标:提出了 AI-CARE 评估工具和碳-性能权衡曲线,旨在促使 ML 社区在追求性能的同时,也关注模型的能源消耗和碳排放,推动更可持续的 AI 发展。 → 📄 阅读论文
  • 因果引导的多智能体强化学习自动化特征工程:引入 CAFE 框架,将因果发现与强化学习相结合,显著提升了自动化特征工程在分布偏移下的鲁棒性和效率,并生成更紧凑的特征集。 → 📄 阅读论文
  • 通过目标表示编辑精确控制 LLM 属性强度:提出一种新方法,通过轻量级价值函数和梯度干预,实现对大语言模型生成文本属性强度的精细、连续控制。 → 📄 阅读论文

🌍 行业观察

📉 AI 写作与编程:提升平庸,削弱高手?

核心信息:Hacker News 社区热议 AI 对写作和编程的影响,普遍观点认为 AI 能将普通写作者和程序员提升到“更好”的水平,但同时可能导致作品同质化,并削弱优秀创作者的深度和个性。在编程领域,AI 加速了原型开发和样板代码生成,但可能让人失去对代码细节的掌控。

💡 编辑观点: 这是一场关于效率与质量、普惠与精进的辩论。AI 作为工具,的确降低了入门门槛,提高了生产力,但它也对人类的“核心竞争力”提出了挑战。对于创作者和开发者而言,如何驾驭 AI,将其作为思想的延伸而非替代,如何通过提示工程和后期人工润色来保留个人风格和深度,将是未来重要的课题。更深层次的担忧是,AI 可能让整个内容生态趋向“优化平均”,从而抑制真正的创新和独特性。

📎 深度报道 | 来源: News Hacker | 极客洞察

📱 Andrej Karpathy:App Store 或将过时,AI 定制软件是未来

核心信息:Andrej Karpathy 发推文称,AI Agent 能即时生成高度定制化的软件应用(如他为追踪心率自制的 300 行代码仪表盘),这种模式将取代传统 App Store 中离散、通用应用的模式。他呼吁传感器和执行器服务应具备 AI 原生接口。

💡 编辑观点: Karpathy 的观点极具前瞻性,描绘了 AI Agent 作为“个人专属开发者”的未来图景。如果每个用户都能通过自然语言定制自己的专属应用,确实会彻底颠覆现有软件分发和使用模式。但这需要基础设施的全面重构,包括 AI 原生 API 的普及、Agent 之间的协同能力,以及解决数据隐私、安全和可靠性等深层问题。AI 在降低开发门槛的同时,也推高了对基础设施和信任机制的要求。

📎 深度报道 | 来源: twitter-Andrej Karpathy

☁️ AI Agent 或将让自托管(Self-Host)成为主流?

核心信息:有观点认为,AI Agent 能将自托管服务的部署和维护成本降至“归零”,使得个人用户可以自动化管理本地服务,甚至定制开源软件,从而让自托管从极客小众走向个人计算的默认形态。

💡 编辑观点: 这一设想非常引人入胜。过去自托管的高门槛是其未能普及的关键,而 AI Agent 的介入,理论上可以大幅简化这一过程。如果个人能以“电费”的价格获得定制化的本地云服务,确实会改变数据回流本地的趋势,提升个人数据主权。然而,其真正的挑战在于 AI Agent 的通用性和可靠性,以及如何处理硬件兼容、网络配置等实际复杂性,使其真正做到“开箱即用”且安全稳定。

📎 深度报道 | 来源: AI 探索站 - 即刻圈子 - cosformula

🚫 Anthropic 收紧 Claude 政策:OAuth 令牌禁用于第三方工具

核心信息:Anthropic 更新了 Claude Code 文档,明确禁止消费者计划(免费、Pro、Max)的 OAuth 令牌用于任何第三方工具或服务,要求开发者仅使用 API 密钥认证。此举影响了 Cline、Roo Code、OpenClaw 等第三方集成工具。

💡 编辑观点: 这是一个典型的平台方收紧生态控制的举措。Anthropic 此举可能是出于安全、合规和商业考量,旨在规范 API 使用,防止滥用,并可能推动开发者转向其官方 API 产品。对于依赖这些第三方工具的用户和开发者来说,这意味着需要适应新的认证方式,甚至可能导致部分工具的不可用,增加了开发和集成的成本。

📎 深度报道 | 来源: newest submissions : artificial

💻 开源项目

  • superpowers (⭐ N/A):一个有效的代理技能框架和软件开发方法论。 → 🔗 GitHub
  • claude-code-telegram (⭐ N/A):一个强大的 Telegram 机器人,提供对 Claude Code 的远程访问,使开发者能够从任何地方在全面的 AI 辅助和会话持久性下与他们的项目进行交互。 → 🔗 GitHub
  • open-mercato (⭐ N/A):一个 AI 辅助的 CRM/ERP 基础框架——旨在为研发、新流程、运营和增长提供动力。 → 🔗 GitHub
  • openclaw (⭐ N/A):你自己的个人 AI 助手。任何操作系统。任何平台。龙虾之道。 → 🔗 GitHub
  • freemocap (⭐ N/A):免费动作捕捉,人人可用。 → 🔗 GitHub
  • heretic (⭐ N/A):语言模型的全自动审查移除工具。 → 🔗 GitHub

💬 社区热议

  • ⚠️ 别信摘要:多语 LLM 偏见与护栏失效:讨论指出 AI 摘要在多语言环境下容易产生偏见、翻译失真甚至护栏失效,因训练语料偏斜、标注瓶颈等导致模型输出宗教化或政治敏感内容,强调需人类红队和多模型交叉校验。
    📎 查看详情 | 来源: News Hacker | 极客洞察
  • 🏡 Micasa:终端家居管理 TUI 引发可用性争议:Micasa 项目展示了一个终端 TUI 家居管理工具,引发了关于 AI 驱动家庭管理愿景、终端界面美学以及家庭采纳和跨设备兼容性(需要 Web UI)的讨论。
    📎 查看详情 | 来源: News Hacker | 极客洞察
  • 🤔 技术老鸟的“诅咒”:一眼看穿技术本质,产品理解力为零?:有资深开发者反思,技术老鸟常能一眼看穿“技术本质”而觉得不过尔尔,却可能因此缺乏对“产品理解力”,错失真正有价值但技术不深的产品,例如对 OpenClaw 等 AI 助手的误读。
    📎 查看详情 | 来源: twitter-宝玉

Python 区块链开发:智能合约与去中心化应用

区块链技术是分布式系统的重要创新,Python 在区块链开发中有着广泛的应用。本文将深入探讨 Python 在区块链开发中的应用,包括智能合约、去中心化应用、加密算法等核心技术。

区块链基础

区块链是分布式账本技术,通过密码学保证数据的安全性和不可篡改性。

import hashlib
import json
from time import time

class Block:
    def __init__(self, index, transactions, previous_hash):
        self.index = index
        self.timestamp = time()
        self.transactions = transactions
        self.previous_hash = previous_hash
        self.nonce = 0
        self.hash = self.calculate_hash()
    
    def calculate_hash(self):
        block_string = json.dumps(self.__dict__, sort_keys=True).encode()
        return hashlib.sha256(block_string).hexdigest()

def blockchain_basic_demo():
    print("区块链基础演示:")
    
    genesis_block = Block(0, [], "0")
    print(f"创世区块哈希: {genesis_block.hash}")

blockchain_basic_demo()

智能合约

智能合约是运行在区块链上的自动执行代码。

class SmartContract:
    def __init__(self, address, code):
        self.address = address
        self.code = code
        self.storage = {}
        self.balance = 0
    
    def execute(self, function, args):
        if function in self.code:
            return self.code[function](self, *args)
        return None
    
    def set_value(self, key, value):
        self.storage[key] = value
    
    def get_value(self, key):
        return self.storage.get(key)

def smart_contract_demo():
    print("智能合约演示:")
    
    contract_code = {
        'set_value': SmartContract.set_value,
        'get_value': SmartContract.get_value
    }
    
    contract = SmartContract('0x123', contract_code)
    contract.execute('set_value', ('name', '张三'))
    
    value = contract.execute('get_value', ('name',))
    print(f"合约存储值: {value}")

smart_contract_demo()

加密算法

加密算法保护区块链数据的安全性。

from cryptography.hazmat.primitives.asymmetric import rsa
from cryptography.hazmat.primitives import hashes
from cryptography.hazmat.primitives.asymmetric import padding

def cryptography_demo():
    print("加密算法演示:")
    
    private_key = rsa.generate_private_key(
        public_exponent=65537,
        key_size=2048
    )
    
    public_key = private_key.public_key()
    
    message = b"Hello Blockchain!"
    encrypted = public_key.encrypt(
        message,
        padding.OAEP(
            mgf=padding.MGF1(algorithm=hashes.SHA256()),
            algorithm=hashes.SHA256(),
            label=None
        )
    )
    
    decrypted = private_key.decrypt(
        encrypted,
        padding.OAEP(
            mgf=padding.MGF1(algorithm=hashes.SHA256()),
            algorithm=hashes.SHA256(),
            label=None
        )
    )
    
    print(f"加密消息: {encrypted.hex()}")
    print(f"解密消息: {decrypted.decode()}")

cryptography_demo()

去中心化应用

去中心化应用运行在区块链网络上,不依赖中心化服务器。

class DApp:
    def __init__(self, blockchain):
        self.blockchain = blockchain
        self.users = {}
    
    def register_user(self, username, public_key):
        self.users[username] = public_key
    
    def create_transaction(self, from_user, to_user, amount):
        if from_user in self.users and to_user in self.users:
            transaction = {
                'from': from_user,
                'to': to_user,
                'amount': amount,
                'timestamp': time()
            }
            return transaction
        return None

def dapp_demo():
    print("去中心化应用演示:")
    
    blockchain = []
    dapp = DApp(blockchain)
    
    dapp.register_user('alice', 'public_key_1')
    dapp.register_user('bob', 'public_key_2')
    
    transaction = dapp.create_transaction('alice', 'bob', 100)
    print(f"交易: {transaction}")

dapp_demo()

区块链架构

graph TD
    A[用户] --> B[去中心化应用]
    B --> C[智能合约]
    C --> D[区块链网络]
    D --> E[节点 1]
    D --> F[节点 2]
    D --> G[节点 N]
    E --> H[共识机制]
    F --> H
    G --> H

共识机制

共识机制确保区块链网络的一致性。

def consensus_demo():
    print("共识机制演示:")
    
    print("1. 工作量证明 PoW")
    print("2. 权益证明 PoS")
    print("3. 委托权益证明 DPoS")
    print("4. 实用拜占庭容错 PBFT")

consensus_demo()

Web3 集成

Web3 集成连接 Python 应用与区块链网络。

def web3_integration_demo():
    print("Web3 集成演示:")
    
    print("1. 连接以太坊网络")
    print("2. 调用智能合约")
    print("3. 发送交易")
    print("4. 监听事件")

web3_integration_demo()

代币开发

代币开发创建自定义的加密货币。

class Token:
    def __init__(self, name, symbol, total_supply):
        self.name = name
        self.symbol = symbol
        self.total_supply = total_supply
        self.balances = {}
    
    def mint(self, address, amount):
        if address not in self.balances:
            self.balances[address] = 0
        self.balances[address] += amount
    
    def transfer(self, from_address, to_address, amount):
        if self.balances.get(from_address, 0) >= amount:
            self.balances[from_address] -= amount
            if to_address not in self.balances:
                self.balances[to_address] = 0
            self.balances[to_address] += amount
            return True
        return False

def token_demo():
    print("代币开发演示:")
    
    token = Token('MyToken', 'MTK', 1000000)
    token.mint('alice', 1000)
    
    success = token.transfer('alice', 'bob', 500)
    print(f"转账成功: {success}")
    print(f"Alice 余额: {token.balances.get('alice', 0)}")
    print(f"Bob 余额: {token.balances.get('bob', 0)}")

token_demo()

NFT 开发

NFT 开发创建不可替代的代币。

class NFT:
    def __init__(self, contract_address):
        self.contract_address = contract_address
        self.tokens = {}
        self.owners = {}
    
    def mint(self, token_id, owner, metadata):
        self.tokens[token_id] = metadata
        self.owners[token_id] = owner
    
    def transfer(self, token_id, from_owner, to_owner):
        if self.owners.get(token_id) == from_owner:
            self.owners[token_id] = to_owner
            return True
        return False

def nft_demo():
    print("NFT 开发演示:")
    
    nft = NFT('0x123')
    nft.mint(1, 'alice', {'name': 'Digital Art', 'image': 'ipfs://...'})
    
    success = nft.transfer(1, 'alice', 'bob')
    print(f"转账成功: {success}")
    print(f"所有者: {nft.owners[1]}")

nft_demo()

DeFi 应用

DeFi 应用提供去中心化金融服务。

class DeFi:
    def __init__(self):
        self.pools = {}
        self.users = {}
    
    def create_pool(self, token_a, token_b, amount_a, amount_b):
        pool_id = f"{token_a}-{token_b}"
        self.pools[pool_id] = {
            'token_a': token_a,
            'token_b': token_b,
            'amount_a': amount_a,
            'amount_b': amount_b
        }
        return pool_id
    
    def add_liquidity(self, pool_id, user, amount_a, amount_b):
        if pool_id in self.pools:
            pool = self.pools[pool_id]
            pool['amount_a'] += amount_a
            pool['amount_b'] += amount_b
            
            if user not in self.users:
                self.users[user] = {}
            if pool_id not in self.users[user]:
                self.users[user][pool_id] = 0
            self.users[user][pool_id] += 1

def defi_demo():
    print("DeFi 应用演示:")
    
    defi = DeFi()
    pool_id = defi.create_pool('ETH', 'USDT', 1000, 100000)
    
    defi.add_liquidity(pool_id, 'alice', 100, 10000)
    print(f"流动性池: {defi.pools[pool_id]}")

defi_demo()

总结

Python 区块链开发通过智能合约、去中心化应用等技术,实现了创新的分布式应用。掌握这些区块链技术,对于构建去中心化应用至关重要。

在实际应用中,需要根据业务需求选择合适的区块链平台和开发框架,平衡安全性和性能。良好的区块链开发实践能够显著提高应用的可靠性和用户体验。