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。
我现在对 ai 的使用停留在编程，NotebookLM 做笔记这些方面，算不上重度用户，对使用 ai 的想象力不足，不知道还有哪些环节可以使用 ai 节省工作量
我一个朋友，家里四个姐姐，朋友是家中的小儿子，父母格外珍惜，懂得都懂， 他前女友和他在家里住了 4 ～ 5 年，无工作，朋友父母养着，中间女孩意外怀孕了，就开始聊彩礼准备结婚，女方家要 50w ，因为彩礼没有谈拢，俩人闹掰了，前女友打胎。
魔幻的是 打胎之后俩人还一起住了接近两年，但据我朋友描述 各过各的，没有性生活，最后当然还是分手了。
女生分手半年就结婚了，目前已经生娃 ，我朋友呢也找了一个女朋友，是后来跑外卖认识的，初六时订婚了，彩礼 18.8w 已经打给女方家（其中差不多一半左右是姐姐们凑钱出得彩礼），女方家要求买个房子，朋友父母凑钱付了 60w 首付，还有一辆车，因为经济压力加上要结婚了，一直待在家不好看，朋友在家人劝说下 去找了份流水线的工作，干了也没几天，前几天吐槽说他很累，不是很想干了。朋友姐姐们劝他早点要个孩子，说因为他未婚妻年纪小，才愿意和我朋友在一起的，说以后没孩子拴着，时间长了可能会有问题。。。
我感觉我朋友的几个姐姐很不容易，也不清楚这个过分保护的生长环境是轻松的人生还是害了他，挺唏嘘的
在中小企业数字化转型进程中，CRM及销售自动化工具的核心能力——数据 看板 、表单自定义、流程自定义、权限管控、 数据集成——直接决定了工具对业务的适配性与价值输出。本次横评覆盖7款主流工具，分为四大类别：全业务一体化CRM（超兔一体云）、销售拨号类（PhoneBurner、Mojo Dialer）、通话分析类（Marchex、CallTrackingMetrics/CTM）、国内传统CRM（维特CRM、行健CRM），从专业维度展开对比分析。 数据看板的核心是将业务数据转化为决策依据，各品牌的能力差异体现在自定义程度、分析维度和实时性上。 表单自定义是工具适配企业个性化场景的关键，分为三个能力层级： 流程自定义决定了工具能否适配企业独特的业务流转逻辑，各品牌的实现逻辑差异显著。 权限管控的核心是实现“数据可见、操作可控”，适配企业组织架构： 数据集成能力决定了工具能否与企业现有系统打通，实现数据流转： 本次横评覆盖了四类工具的核心能力，核心结论如下： 企业选择工具时，需结合自身业务场景、个性化需求、系统集成需求等因素，选择最适配的解决方案。建议优先测试工具的核心功能与现有业务流程的匹配度，同时关注工具的可扩展性与服务支持能力，确保工具能随企业发展持续适配业务需求。一、核心能力总览对比表
品牌 数据看板核心特性 表单自定义核心特性 流程自定义核心特性 权限管控核心特性 数据集成核心特性 综合评分（1-5） 超兔一体云 自定义卡片引擎、多维度分析（同比环比/多表聚合等）、实时数据更新 拖拽式设计、数据关联验证、多端适配 可视化设计+AI生成、步骤数据动作+权限/限时控制、跨模块联动 全局自动权限、角色分配、支持九级组织/临时小组 丰富API、RPA对接电商/国税、实时同步机制 5 PhoneBurner 高级报告、代理呼叫效率分析 未明确提及 自定义处置集自动化管道（线索跟进） 未明确提及 集成Salesforce/Zoho/Hubspot/Zapier、开放API 3 Mojo Dialer 通话数据记录、销售人员表现分析（无可视化看板） 未明确提及 未明确提及 未明确提及 仅与纷享销客CRM整合、实时通话数据同步 2 Marchex AI对话智能看板、客户旅程可视化、通话数据分析 未明确表单功能，仅支持数据导出/报告生成 AI对齐战略与沟通流程，无明确自定义功能 未直接提及，默认企业级多角色访问控制 集成能力较弱，部分平台对接（弱于CTM） 3 CallTrackingMetrics（CTM） 多维度通话看板、实时监控、来源/关键词/录音分析、高级报告 未明确表单功能，仅支持通话笔记/标签自定义录入 自定义呼叫路由、自动化工作流（短信营销/线索分配/Google Ads同步） 按角色细分权限（呼叫处理/数据查看等） 深度集成Google系/Hubspot/Salesforce/Zoom/Facebook等 4.5 维特CRM 自动化统计、业务数据可视化 未明确表单自定义，仅支持自定义销售阶段/字段 工作流自动化、销售机会跟踪/任务分配 基础权限管理、客户资料安全 模块数据互通、客户资料统一管理 3 行健CRM 分版本：企业版（绩效考核/客户贡献）、专业版（员工工作分析） 重定义字段、完全自定义适配行业需求 分版本：企业版多部门分阶段流程、专业版“机会-项目-维护”全流程 全版本细致权限控制、数据保密 跨部门共享、多格式导入导出、整合合同/库存等模块 3.5 二、分维度深度对比
1. 数据看板：从统计到决策的能力分层
各品牌核心能力脑图
mindmap
root((数据看板核心能力))
超兔一体云
自定义卡片引擎
数字卡片（销售额/签约数）
图表卡片（折线/柱状图）
多维度分析引擎
同比环比（时间对比）
多表聚合（跨业务表整合）
关联表查询（客户-订单-采购链）
单日KPI（实时日度绩效）
实时更新（10秒内同步）
CTM
通话维度分析
来源/关键词/录音关联
实时监控看板
高级报告模板
Marchex
AI对话智能看板
客户旅程节点可视化
PhoneBurner
呼叫效率统计
代理绩效指标
行健CRM
企业版：绩效考核/客户贡献
专业版：员工工作分析
维特CRM
基础业务数据可视化
Mojo Dialer
通话数据记录
销售表现统计（无可视化）关键差异分析
2. 表单自定义：业务适配性的核心体现
能力层级 代表品牌 核心特性 原生深度自定义 超兔一体云、行健CRM 拖拽式设计、字段配置、数据关联验证（超兔）；字段重定义、行业专属配置（行健） 间接替代 CTM、维特CRM 通话笔记/标签录入（CTM）；销售阶段/字段自定义（维特） 无相关能力 PhoneBurner、Mojo Dialer、Marchex 未提及表单功能，无法满足个性化数据录入需求 3. 流程自定义：业务自动化的落地载体
超兔一体云流程自定义流程图
flowchart LR
A[业务需求输入] --> B{设计方式选择}
B -->|可视化拖拽| C[定义流程环节<br/>(创建/审核/发货)]
B -->|自然语言描述| C[AI自动生成工作流]
C --> D[配置环节规则]
D --> D1[数据动作<br/>(增删改查数据)]
D --> D2[权限控制<br/>(指定操作角色)]
D --> D3[限时要求<br/>(如24小时内审核)]
D --> E[发布流程]
E --> F[实时监控流程执行]
F --> G[数据回溯与流程优化]关键差异分析
4. 权限管控：数据安全与组织适配保障
能力层级 代表品牌 核心特性 精细化权限 超兔一体云、行健CRM、CTM 全局自动权限+角色分配（超兔，支持九级组织/临时小组）；分角色细粒度权限（CTM/行健） 基础/默认支持 Marchex、维特CRM 企业级多角色控制（Marchex）；基础客户资料安全（维特） 无相关能力 PhoneBurner、Mojo Dialer 未提及权限功能，无法满足数据安全需求 5. 数据集成：打破信息孤岛的关键
CTM与Google Ads集成时序图
sequenceDiagram
participant 企业用户 as 企业用户
participant CTM as CallTrackingMetrics
participant GoogleAds as Google Ads
企业用户->>CTM: 配置通话转化跟踪规则
CTM->>GoogleAds: 同步通话转化数据
GoogleAds->>CTM: 返回转化归因数据（渠道/关键词）
CTM->>企业用户: 生成营销-通话集成分析看板
企业用户->>GoogleAds: 调整广告投放策略
GoogleAds->>CTM: 同步广告投放数据
CTM->>企业用户: 更新通话来源与转化分析关键差异分析
三、雷达图分值与场景推荐
各品牌维度分值（满分5分）
品牌 数据看板 表单自定义 流程自定义 权限管控 数据集成 超兔一体云 5 5 5 5 5 PhoneBurner 3 1 3 1 4 Mojo Dialer 2 1 1 1 2 Marchex 4 2 2 3 3 CTM 4 2 4 4 5 维特CRM 3 2 3 3 3 行健CRM 3 4 4 4 3 场景推荐
品牌 核心优势场景 推荐企业类型 超兔一体云 全业务一体化管理、自定义能力强 有全链路需求的中小企业（CRM+进销存+供应链） CTM 通话分析、营销自动化集成 依赖电话营销、需打通营销-销售数据的企业 行健CRM 传统CRM流程、表单自定义适配性强 国内传统行业（制造、服务）的中小企业 PhoneBurner 销售拨号效率提升、CRM集成 以电话销售为核心的中小企业 Marchex AI对话分析、客户旅程优化 注重客户沟通体验的服务型企业 维特CRM 基础客户管理、数据安全 仅需基础客户管理的小微企业 Mojo Dialer 自动拨号、纷享销客集成 使用纷享销客且依赖电话拓客的企业 四、总结
VMware Aria Operations 8.18.6 - 多云 IT 运维管理 通过统一的高性能平台，实现跨私有云、混合云和多云环境的 IT 运维管理。 请访问原文链接：https://sysin.org/blog/vmware-aria-operations/ 查看最新版。原创作品，转载请保留出处。 作者主页：sysin.org VMware Aria Operations 8.18.6 | 2024 年 2 月 25 日 VMware Aria Operations 8.18.6 | 24 February 2026 VMware Aria Operations 8.18.6 | 2026 | Build 25211474 此维护版本针对 VMware Aria Operations 修复了产品中发现的一些重要安全和功能性问题。 VMware Aria Operations 8.18.5 | 29 September 2025 Build Details: 此 VMware Aria Operations 维护版本修复了产品中发现的一些重要安全和功能性问题。 ✅ 升级路径至下一个主要版本 从 VMware Aria Operations 8.18.5 升级至 VCF 9.0.0.0 或 9.0.1.0 不被允许。 有关 VMware Aria Operations 8.18 的新功能，请参阅下文。 ✅ 已解决的问题 以下是 VMware Aria Operations 8.18.5 修复的早期版本中的问题列表： VMware Aria Operations 8.18 | 2024 年 7 月 23 日 ✅ 产品支持注意事项 ✅ 远程收集器 云代理已确立为数据收集的长期解决方案。在未来的版本中，新功能的引入将仅限于云代理（如果相关）。8.10 发行说明和随附文档中已添加了有关远程收集器支持到期，以及禁止部署新的远程收集器的公告。 VMware Aria Operations 8.14 是支持远程收集器的最后一个版本。在 8.16 及更高版本中，如果正在使用远程收集器，则不允许进行升级。要升级到下一个版本或更高版本，必须将所有远程收集器替换为云代理。 完成下列步骤： ✅ 在 VMware Aria Operations REST API 中将弃用 XML 媒体类型 VMware Aria Operations 8.18 中的当前 REST API 支持 JSON 和 XML 类型。在下一个主要版本中，新 API 或现有 API 的新功能将不再支持 XML 类型 (sysin)，仅支持 JSON。建议使用 JSON 进行数据交换。但是，所有现有 API 将仍支持 XML 类型。 ✅ vRealize Application Remote Collector vRealize Operations 8.10 及更高版本不支持 vRealize Application Remote Collector。升级到 vRealize Operations 8.10 及更高版本之前，将所有 Telegraf 端点迁移到云代理。 ✅ VMware Cloud ✅ 本机公有云 本机上不再提供 Amazon Web Services、Microsoft Azure 和 Google Cloud Platform 的集成。可通过商城进行访问。 ✅ 关键特性和功能 ✅ 高级导航菜单 ✅ VMware Cloud Foundation 诊断 诊断结果 运行状况监控 ✅ vCenter 的配置偏差 ✅ 适用于 VMware vSphere Foundation 的 Single Sign-On (SSO) ✅ 许可证管理和使用 ✅ 证书管理 对所有 VMware Cloud Foundation (VCF) 组件证书进行队组管理 显示证书清单 ✅ 审核事件 ✅ 清单体验 简化了用户体验，支持从以下方面查看清单： 清单 UI 的以下部分已弃用： ✅ 减少警示干扰 20 秒峰值衡量指标 警示 NOC 仪表板 主动每日检查仪表板 季度性能分析仪表板 ✅ 容量 自定义用于容量计算的衡量指标 容量计算见解 ✅ 成本核算 基于内核的许可证的 VMware 软件许可证成本驱动因素 项目成本管理 业务应用程序成本管理 成本分析增强功能 ✅ 平台规模和性能增强 增强了对象和衡量指标的整体平台规模 ✅ 提高了运维效率和可靠性 Telegraf 迁移 防火墙强化 ✅ vSAN 操作增强功能 增加了对 vSAN Max 集群的支持 ✅ 小组件体验增强功能 在列表视图中包含对象的先代和后代信息。 能够在列表视图中使用时间戳转换按对象的使用期限进行筛选 能够在“警示列表”小组件中按“警示定义”进行筛选。 ✅ 主页体验增强功能 ✅ 报告增强功能 ✅ 合规性包 升级 VMware Aria Operations Compliance Pack for CIS 已升级，现支持以下版本： VMware Aria Operations Compliance Pack for DISA 已升级，现支持以下版本： ✅ 本机公有云 本机上不再提供 Amazon Web Services、Microsoft Azure 和 Google Cloud Platform 的集成。可通过商城进行访问。 注意：如果从 VMware Aria Operations 8.14.x 升级到 8.18，并且配置了 Google Cloud Platform 帐户，则升级到 VMware Aria Operations 8.18 后，Google Cloud Platform 将停止收集数据。要解决此问题，必须在集群升级后立即将 Google Cloud Platform 适配器升级到版本 8.18。为避免数据丢失，在开始集群升级之前，请确保商城中提供了 Google Cloud Platform 8.18 管理包。 ✅ 支持主管集群 ✅ 本地化 从下一个主要版本开始，我们将减少支持的本地化语言数量。支持的三种语言为： 将不再支持以下语言： 影响: ✅ 衡量指标和属性修改 以下知识库文章介绍了 VMware Aria Operations 8.18 中修改的所有衡量指标和属性： ✅ 实例衡量指标 部署或升级到 vRealize Operations 8.2 或更高版本后，从旧版本导入策略时，实例衡量指标默认处于停用状态。 ✅ 基本身份验证 默认情况下，在 VMware Aria Operations 8.18 全新部署中已弃用并停用使用 REST API 的基本身份验证。已升级到 VMware Aria Operations 8.18 的实例将继承升级前的相同属性。建议您改为使用基于令牌的身份验证。 ✅ Active Directory 身份验证源 仅当用户名的域后缀与基本 DN 选项中指定的域名匹配时，才能成功使用短名称登录到 VMware Aria Operations。否则，在登录过程中需要具有域后缀的完整用户名。 想要开始学习和研究，请访问：https://sysin.org/blog/vmware-aria-operations/ VMware Aria Operations 8.18.6 | 24 February 2026 VMware Aria Operations 8.18.6 | 2026 | Build 25211474
新增功能
VMware Aria Operations Upgrade PAK | 2026 | Build 25211477
VMware Aria Operations 8.18.6 Pre-Upgrade Assessment Tool | 2026 | Build 25212340/suite-api/api/applications/agents/RESOURCE_UUID/services API 在 Windows 端点上执行 POST 时，serviceName:serviceavailability 出现失败。下载地址
VMware Aria Operations Upgrade PAK | 2026 | Build 25211477
VMware Aria Operations 8.18.6 Pre-Upgrade Assessment Tool | 2026 | Build 25212340
File size: 3.16 GB
Name: vRealize-Operations-Manager-Appliance-8.18.6.25211474.ova
File size: 4.97 GB
Name: vRealize_Operations_Manager_With_CP-8.14.x-to-8.18.6.25211477.pak
Name: APUAT-for-8.14.x-8.18.6.25212340.pak
Xcode 26.3 (17C529) 发布 - Apple 平台 IDE IDE for iOS/iPadOS/macOS/watchOS/tvOS/visonOS 请访问原文链接：https://sysin.org/blog/apple-xcode-26/ 查看最新版。原创作品，转载请保留出处。 作者主页：sysin.org Xcode 26.3 包含 Swift 6.2.3，以及适用于 iOS 26.3、iPadOS 26.3、tvOS 26.3、macOS 26.3 和 visionOS 26.3 的 SDK。 Xcode 26.3 支持在以下系统版本上进行设备端调试（on-device debugging）：iOS 15 及之后版本、tvOS 15 及之后版本、watchOS 8 及之后版本，以及 visionOS。 Xcode 26.3 需要运行 macOS Sequoia 15.6 或更高版本 的 Mac。 Xcode Xcode 提供开发、测试和分发适用于 Apple 各个平台的应用所需的工具，包括预测性代码补全、由顶级编码模型驱动的生成式智能、高级分析与调试工具，以及 Apple 设备的模拟器。 开发者可以直接在 Xcode 中使用编程智能体（包括 Anthropic 的 Claude Agent 和 OpenAI 的 Codex）自主完成复杂任务，帮助他们以前所未有的速度开发应用。 Xcode 26.3 解锁了智能体编程，使开发者能够直接在 Xcode 中使用 Anthropic 的 Claude Agent 和 OpenAI 的 Codex 等智能体。 Xcode 26.3 引入了对智能体编程的支持，这是开发者在 Xcode 中使用编程智能体（例如 Anthropic 的 Claude Agent 和 OpenAI 的 Codex）构建应用的一种全新方式 (sysin)。借助智能体编程，Xcode 可以更自主地朝着开发者的目标推进工作——从拆解任务，到基于项目架构做出决策，并使用内置工具完成工作。 在 Xcode 26 中引入的智能功能基础上（当时带来了全新的 Swift 编写与编辑编码助手），本次更新进一步为编程智能体开放了更多 Xcode 能力。Claude Agent 和 Codex 等智能体如今可以贯穿整个开发生命周期进行协作，帮助开发者简化工作流、加快迭代速度，并以前所未有的方式将创意变为现实。智能体可以搜索文档、浏览文件结构、更新项目设置，并通过捕获 Xcode 预览画面、反复构建和修复来进行可视化验证。 “在 Apple，我们的目标是打造能够将行业领先技术直接交到开发者手中的工具，让他们构建出最出色的应用，”Apple 全球开发者关系副总裁 Susan Prescott 表示。“智能体编程极大地提升了生产力和创造力，精简了开发流程，让开发者可以专注于创新。” 通过无缝访问 Anthropic 的 Claude Agent（如图所示）和 OpenAI 的 Codex，开发者可以将强大模型的高级推理能力直接引入应用构建工作流。 通过无缝访问 Claude Agent 和 Codex，开发者可以将这些模型的高级推理能力直接引入应用构建工作流。这种连接将智能体的强大能力与 Xcode 的原生功能相结合，在为 Apple 平台开发时提供最佳效果 (sysin)，同时让开发者能够灵活选择最适合其项目的模型。 除了这些内置集成之外，Xcode 26.3 还通过模型上下文协议（Model Context Protocol）开放自身能力。这是一项开放标准，使开发者能够灵活地将任何兼容的智能体或工具与 Xcode 配合使用。 可用性： Xcode 26.3 已正式发布。 下载 Xcode 并使用这些资源为所有 Apple 平台构建应用程序。 Xcode 26.3 (17C529) 发布日期：February 26, 2026 系统要求：macOS Sequoia 15.6 or later Xcode 26.3 includes Swift 6.2.3 and SDKs for iOS 26.3, iPadOS 26.3, tvOS 26.3, macOS 26.3, and visionOS 26.3. Xcode 26.3 supports on-device debugging in iOS 15 and later, tvOS 15 and later, watchOS 8 and later, and visionOS. Xcode 26.3 requires a Mac running macOS Sequoia 15.6 or later. Command Line Tools for Xcode 26.3
Xcode 26.3 解锁智能体编程的强大能力
在 Xcode 中，开发者使用智能体编程开发一个展示富士山详细视图的 iPhone 应用。
在 Xcode 中，开发者使用智能体编程开发一个展示黄石国家公园详细视图的 iPhone 应用。开始吧
在公路工程建设中，资料管理是确保项目顺利推进、质量达标以及后期维护有据可依的关键环节。筑业软件的公路工程资料软件凭借一系列突出特点，在公路工程领域展现出强大优势。
贴合标准，模板丰富精准
筑业公路工程资料软件深度贴合公路工程行业的各类标准与规范。它内置了海量涵盖公路工程全流程的资料模板，从前期的规划设计文件，到施工过程中的路基、路面、桥梁、隧道等各分项工程资料，再到竣工验收资料，一应俱全。这些模板依据最新的行业规范动态更新，精准度高。例如，对于不同等级公路的路面压实度检测报告模板，严格按照相关标准设定数据格式与填写要求，资料员可直接参照使用，确保资料符合规范，减少因标准把握不准导致的错误，为公路工程资料的合规性奠定坚实基础。
智能功能，显著提升效率
该软件具备多项智能功能，极大地提高了资料管理效率。其智能识别与填充功能，能够自动从相关数据源提取关键数据，并准确填充至对应的资料表格，减少人工手动录入的工作量与错误率。在资料审核方面，智能算法依据公路工程资料的逻辑关系与行业标准，对资料进行全面检查。一旦发现数据异常、前后矛盾等问题，迅速给出提示及修改建议，帮助资料员及时修正，提升资料质量。而且，软件支持批量操作，可一次性对多个资料文件进行相同操作，如格式统一调整、数据批量导入等，大幅节省时间。
协同管理，促进团队高效协作
公路工程项目涉及众多参与方，如建设单位、施工单位、监理单位、设计单位等。筑业公路工程资料软件提供了强大的协同管理功能，方便各方在同一平台上实时共享、编辑资料。不同单位的人员可针对具体资料内容进行在线沟通、评论与批注，确保信息及时准确传递，避免因沟通不畅造成的资料错误或延误。同时，通过细致的权限设置，为不同用户分配相应的操作权限，保障资料的安全性与保密性，既方便协作又确保敏感信息不被泄露。
数据安全，保障资料万无一失
公路工程资料包含大量重要数据与信息，数据安全至关重要。筑业公路工程资料软件采用先进的数据加密技术，对云端与本地存储的数据进行加密处理，防止数据被窃取或篡改。同时，拥有完善的备份机制，可按设定周期自动备份资料。即便遇到突发状况，如系统故障、自然灾害等，也能保证资料完整，并快速恢复到最新状态，为公路工程资料的长期存储与随时调用提供可靠保障。
操作友好，轻松上手使用
筑业公路工程资料软件的操作界面设计简洁明了，符合公路工程人员的操作习惯，易于上手。软件内配备详细的操作指南与帮助文档，用户在使用过程中遇到疑问可随时查阅。此外，还有专业的在线客服与技术支持团队，及时响应解答用户问题，提供技术指导，确保用户在使用软件过程中顺利无阻。
筑业软件的公路工程资料软件凭借贴合标准、智能高效、协同性强、数据安全以及操作便捷等诸多优势，为公路工程资料管理提供了全面、可靠的解决方案，有力地推动公路工程项目高效、规范地开展。
在实时协同的领域，流传着这样一句话： “小文档看算法，大文档看架构。” 当我们在处理只有几百行数据的简单表格时，任何协同方案看起来都行云流水。但对于金融、制造或大型零售企业来说，Excel 往往承载着成千上万行数据、数百个工作表以及错综复杂的公式引用。在这种“巨型文档”面前，传统的协同架构往往会遭遇性能天花板：由于每次操作都要读写完整的文档快照（Snapshot），服务器 I/O 会不堪重负，用户侧则会感受到明显的指令延迟甚至卡顿。 作为系列文章的第四篇，我们将深入 SpreadJS 协同服务器的底层性能核心，为你揭秘专门为处理超大规模协作而设计的“片段机制（Fragments）”。 在深入片段机制之前，我们需要理解不使用该机制时，协同服务器是如何处理一次用户编辑（Op）的。 通常情况下，服务器处理操作的流程分为三步： 如果这个快照的大小是 10MB，那么哪怕用户只是修改了一个单元格的值（Op 可能只有几字节），服务器也必须进行 10MB 的读操作和 10MB 的写操作。在高并发场景下，这种极高的 I/O 开销会迅速消耗服务器资源，导致响应速度断崖式下跌。 为了解决这一难题，SpreadJS 协同服务器引入了片段机制。这是一种高级服务器端功能，其核心思想是“化整为零，按需存取”。 片段机制允许服务器将一个大型文档（如 Workbook）拆分为多个较小的、独立的片段（Fragments）。例如，我们可以将每一个工作表（Worksheet）定义为一个独立的片段。 这种“外科手术式”的精确操作，将 I/O 开销从文档总大小降低到了受影响片段的大小，性能提升往往是量级式的。 片段机制通过扩展服务器端的 OT 类型（OT_Type） 接口实现。开发者需要实现以下三个核心方法： 当一个新文档被创建时，该方法负责将原始快照数据“炸裂”成多个片段。 这是最核心的性能优化点。它不再接收整个快照，而是接收一个 当客户端请求完整快照（如调用 为了更直观地展示其价值，我们可以对比一下在处理大型工作簿时的表现： 结论：片段机制是 SpreadJS 支撑“企业级生产力”的关键。它确保了即使在处理 TB 级别的协作数据积累时，系统的响应延迟依然能维持在毫秒级。 片段机制是一项服务器端特有的技术，客户端对此是无感知的。这意味着客户端依然使用完整的 SpreadJS 数据模型进行编辑，而性能优化的重任由后端 在服务端初始化时，你可以通过配置 对于企业而言，协同办公的失败往往不是因为“功能不够”，而是因为“速度太慢”。一旦协作出现延迟，用户对系统的信任感就会迅速流失。 SpreadJS 协同服务器的片段机制，通过对大规模文档的精细化治理，彻底解决了实时协作中的性能顽疾。它不仅提升了系统的吞吐量，更为企业构建超大型、高频交互的在线数据中台提供了坚实的技术底座。 现在，我们已经解决了通信（js-collaboration）、一致性（OT）、协作感知（Presence）和性能（Fragments）的问题。接下来的挑战是：在如此开放的协作环境下，如何确保只有授权用户能修改数据？如何防止误操作并实现精准的版本回溯？ 下一篇文章，我们将进入系列第五篇：【安全与管控篇】协同不代表权限开放：深度定制协同环境下的权限与版本追踪。敬请期待。 技术要点回顾：
一、 传统模式的瓶颈：巨型快照带来的“重量级”负担
二、 什么是片段机制（Fragments）？
片段机制的运作逻辑：
三、 技术深度：在 OT 类型中实现片段化
1. createFragments （拆分）
sheets 数组，为每个工作表生成一个 Key（如 sheet_id1），并将对应的 dataTable 存入片段集合。2. applyFragments （局部应用）
ISnapshotFragmentsRequest 对象。request.getFragment(id) 异步获取特定片段，使用 request.updateFragment(id, data) 更新它。3. composeFragments （组装）
fetch 或 subscribe）时，服务器调用此方法。
四、 性能对比：有无片段机制的代差
五、 开发者如何启用片段机制？
DocumentServices 承担。DocumentServices 来集成支持片段的自定义数据库适配器：// 1. 定义支持片段的 OT 类型
const workbook_ot_with_fragments = {
uri: 'workbook-ot-type',
createFragments: (data) => { /* 拆分逻辑 */ },
applyFragments: async (request, op) => { /* 局部更新逻辑 */ },
composeFragments: (fragments) => { /* 合并逻辑 */ },
transform: (op1, op2, side) => { /* 冲突处理保持不变 */ }
};
// 2. 在 DocumentServices 中使用
const docService = new DocumentServices({
db: new PostgresAdapter(pool), // 使用持久化适配器支持片段存储
submitSnapshotBatchSize: 50 // 累积 50 个 Op 后更新快照片段
});
server.useFeature(OT.documentFeature(docService));六、 总结：为海量协作保驾护航
createFragments、applyFragments、composeFragments。
YuanLab.ai 团队今日正式开源发布 源 Yuan3.0 Ultra 多模态基础大模型。作为源 3.0 系列面向万亿参数规模打造的旗舰模型，Yuan3.0 Ultra 的发布使全球万亿级开源大模型生态进一步丰富，成为当前业界仅有的三个万亿级开源多模态大模型之一。 Yuan3.0 Ultra 将 MoE 大模型的训练效率优化系统性引入模型结构设计之中，并围绕企业应用及智能体工具调用等方面开展了深度优化，在多模态文档理解、检索增强生成（RAG）、表格数据分析、内容摘要与工具调用等企业级任务中表现突出。这些能力使源 Yuan 大模型能够高质量处理企业环境中的复杂信息形态，如图文混排文档、多级结构表格以及跨文档知识检索，为基于 OpenClaw 等智能体框架构建多模态数据驱动的企业 Agent AI 提供核心能力支撑。 Yuan3.0 Ultra 采用统一多模态模型架构，由视觉编码器、语言主干网络与多模态对齐模块组成，实现视觉与语言信息的协同建模。其中，语言主干网络基于混合专家（MoE）架构构建，包含 103 层 Transformer，训练初始阶段参数规模 1515B，通过 LAEP 方法创新，团队在预训练过程中将模型参数优化至 1010B，预训练算力效率提升 49%。Yuan3.0 Ultra 的激活参数为 68.8B。此外，模型还引入了 Localized Filtering Attention（LFA）机制，有效强化对语义关系的建模能力，相比经典 Attention 结构可获得更高的模型精度表现。Yuan3.0 Ultra 在持续提升模型能力的同时，为大模型发展提供了一条“更高效率、更强智能”的新路径。 图 1：Yuan3.0 Ultra 在面向企业应用的多模态检索、文本检索、摘要生成、表格理解、工具调用评测中表现出色 Yuan3.0 Ultra 全面开源，模型参数和代码均可免费下载使用：https://github.com/Yuan-lab-LLM/Yuan3.0-Ultra 企业级 Agent 通常需要同时处理文档、表格与数据库等多种信息形态，并通过多步骤推理与工具调用完成任务。Yuan3.0 Ultra 在设计阶段即围绕企业真实业务流程中的信息处理与任务执行需求进行能力构建。 在企业实际业务中，大量关键信息存在于技术方案、财报报告、行业研究材料等文档中，这些内容通常包含图文混排结构、复杂表格以及跨页面信息关联，是企业构建知识体系过程的难点。 Yuan3.0 Ultra 在 DocMatix、MMTab 等多模态文档理解评测中领先于 Claude Opus 4.6、Gemini 3.1 Pro、GPT-5.2 等最新前沿模型，体现出模型在图文结构解析与表格语义理解方面的领先能力。基于这一能力，模型能够准确解析图文混排文档结构并提取关键数据指标，有力支撑智能体系统高质量完成文档理解、数据提取与报告总结等任务，使企业能够从容构建面向文档处理的 Agent 系统，例如财报分析、合同审阅以及技术文档解析等场景，从而显著提升信息处理质量。 企业内部知识通常分散在文档库、知识库系统以及业务数据库中，信息来源复杂且结构不统一。要在这样的环境中获取有效信息，不仅需要检索能力，还需要对多源内容进行语义整合与综合分析，而传统检索系统往往只能返回零散结果，难以形成完整结论。 Yuan3.0 Ultra 在 ChatRAG、SummEval 等检索增强生成评测中表现领先于 Claude Opus 4.6、Gemini 3.1 Pro、GPT-5.2 等最新前沿模型，体现出模型在检索结果基础上进行深度语义整合与生成回答的能力。依托这一能力，模型可以在企业知识环境中完成检索、理解与综合生成的完整信息处理流程，有力支持 OpenClaw 等智能体利用企业私有知识完成复杂任务。 在企业运营场景中，大量业务决策依赖数据库查询、报表分析以及跨系统数据整合。在这些场景下，企业往往需要将业务问题转化为数据库查询，并结合数据结果进行分析与总结，而传统流程通常需要人工编写数据库查询语句（SQL）并整理分析报告，效率较低。 Yuan3.0 Ultra 在 Spider 与 BIRD 等 Text-to-SQL 基准评测中表现出色，在 Spider 评测中领先 Kimi K2.5, DeepSeek V3.2 等前沿大模型，体现出模型在自然语言理解与结构化查询生成方面的能力。依托这一能力，模型能够高质量支持 OpenClaw 等智能体的数据查询、运营分析以及报告生成等任务，有力支撑企业基于 OpenClaw 等智能体构建业务分析与决策系统。 研究团队在长期的大模型算法研究中发现，大模型预训练过程的专家负载演化可分为两个阶段： 第一阶段：初始过渡阶段，发生在模型预训练早期，此时专家负载波动剧烈，受随机初始化影响明显，同一专家所接收的 token 数量可能在数量级上存在显著差异； 第二阶段：稳定阶段，此时各专家之间的 token 负载趋于稳定，每个专家接收的 token 数量仅呈现相对较小的波动。 在训练稳定阶段，专家的 token 负载极不均衡，少数专家承担大量计算，而部分专家长期处于低负载状态，导致算力资源浪费。由图 2 可以看到，训练稳定阶段最高专家与最低专家负载差异近 500 倍。 图 2：MoE 模型训练过程中存在专家训练不均衡问题 从学习机制角度来看，这一现象实际上是大模型在训练过程中形成 Functional Specialization（功能专一化）的体现——不同专家在长期训练中逐渐对特定模式、语义结构或任务类型形成稳定偏好，在模型内部自发涌现出专业化的分工结构。 这与人类大脑的认知组织方式具有一定相似性。神经科学研究表明，大脑皮层并不对所有任务平均分配神经元资源，而是逐渐形成视觉区、语言区、运动区等功能专一化区域，从而显著提升信息处理效率。MoE 模型中专家的自发分化，与这一认知机制在本质上一脉相承。 因此，对于大规模 MoE 模型而言，关键问题在于如何识别并剔除训练后逐渐固化的冗余结构，在保持模型专业化能力的同时，实现算力资源的高效利用。 为解决这一问题，Yuan3.0 Ultra 提出针对预训练的 Layer-Adaptive Expert Pruning（LAEP）算法。LAEP 能够根据预训练过程中形成的专家负载统计信息，动态识别低贡献专家，并对模型结构进行自适应裁剪与专家重排，使计算资源集中于真正发挥作用的专家。从神经科学视角看，这一过程类似于大脑在长期学习过程中对神经连接进行优化与重组：保留高效的信息处理通路，削弱低效连接，从而在维持功能分工的同时提升整体认知效率。 表 1：Yuan3.0 Ultra 采用 LAEP 显著提升预训练效率 实验结果显示： 模型参数减少 33.3%； 整体预训练效率提升 49%。 这一研究也揭示了一个重要现象：大模型结构不应只是简单扩大参数规模，而应逐渐演化为具有结构分工与专业化能力的“认知系统”。如何利用训练过程中自然形成的专家分化，并通过结构优化进一步提升学习及计算效率，将成为未来基础大模型结构设计及优化的一个重要方向。 Yuan3.0 Ultra 的训练策略聚焦于 Fast-thinking 强化学习范式。与单纯延长推理链条不同，模型默认采用高效的短路径推理方式，使计算资源优先用于高信息增益的步骤，而非无约束的反思扩展。 在大规模强化学习过程中，团队围绕反思抑制奖励机制（RIRM）进行了系统优化，通过对反思次数引入奖励约束，使模型在获得可靠答案后主动减少无效反思，同时在复杂问题中保留必要的推理深度。这一机制有效缓解了快思考模式下的“过度思考”（overthinking）现象。 图 3：RIRM 优化下的推理效率提升与 Token 消耗对比 训练结果表明，在这一受控快思考策略下，模型精度显著提升，同时推理过程中生成的 token 数量持续下降，实现了准确性与计算效率的同步优化。 Yuan3.0 Ultra 大模型全面开源，不仅包括模型权重（16bit 与 4bit 模型）、技术报告，也涵盖完整的训练方法与评测结果，支持社区在此基础上进行二次训练与行业定制。Yuan3.0 Ultra 提出的 LAEP 方法是 YuanLab.ai 团队对下一代基础大模型结构的又一次探索与实践，为业界 MoE 大模型结构创新、预训练算力效率提升带来新的路径。 YuanLab.ai 团队希望通过 Yuan3.0 Ultra 的开源，推动大模型从“能力展示”走向“规模化落地”，为企业用户提供深度优化的、面向 Agent 应用的多模态基础大模型。 源 Yuan3.0 基础大模型将包含 Flash、Pro 和 Ultra 等版本，模型参数量为 40B、200B 和 1T 等，相关成果将陆续发布。 「开源地址」 代码开源链接 https://github.com/Yuan-lab-LLM/Yuan3.0-Ultra 论文链接 https://github.com/Yuan-lab-LLM/Yuan3.0-Ultra/blob/main/Docs/Yuan3.0_Ultra%20Paper.pdf 模型下载链接 1)Huggingface：https://huggingface.co/YuanLabAI/Yuan3.0-Ultra-int4 2)ModelScope：https://modelscope.cn/models/YuanLabAI/Yuan3.0-Ultra-int4 3)始智 AI：https://www.wisemodel.cn/models/YuanLabAI/Yuan3.0-Ultra-int4
面向企业复杂业务场景的多模态能力
复杂文档与图表信息理解
多源信息检索与整合
数据分析与业务决策辅助
LAEP 方法创新，不追求更多专家，而是更有效专家
不追求“更长思考”，而是“更有效思考”
开源基础模型，推动可落地的大模型智能
HC 多，流程快，简历直达面试官, 全程跟进~
欢迎加好友咨询和投递：ZmFsbGluZ1UxMjIx （ base64 ）
职责
要求
学历要求
本科及以上学历
专业方向
计算机、软件相关
关键词
React 组件 微前端 SSR 混合开发 AI
AI 给的两个：
Rust + Tauri 2
TypeScript + Electron / Tauri
入坑 3D 打印大半年，经历了从新鲜到吃灰，再到略有生产力的过程，像一种大型玩具。
现在的软件平台非常成熟，几乎没有门槛。哪怕完全不懂建模，只打社区里的成品，体验也相当不错。
耗材价格倒是不贵，但半夜刷到五花八门的颜色容易冲动消费，买着买着就攒起来了，跟不上打印节奏
拓竹社区的内容非常丰富，且不限于拓竹机器，IP 问题处于相对自由的状态。很多大神分享精美的模型，打印出来能提供极高的情绪价值
一些保有量大的产品，常能找到意想不到的配件（比如各种支架、收纳盒）。但如果涉及到更精细化的需求，终归还是得靠自己建模
分为参数化建模和多边形建模，以建模的自由度作为区分
参数化建模： 也就是类 CAD 工程建模，目前主用。现代建模软件上手很快，脑子里有个概念，量好尺寸，就能搭出大概轮廓，然后再慢慢精调
想法一点点构建，然后点击打印，生产力拉满的感觉。尤其可以搞些家里的定制小物件，局部打印、调试配合，最终做出完全契合需求的成品，像极了古法 Coding 的过程
多边形建模： 比如 Blender 这类数字雕刻软件。因为艺术修养欠缺，在学完基础操作后，目前该技能树仍处于搁置状态
先说产品：做了一个 AI 美股投研工具 Neliva （ getneliva.com ），面向美国散户投资者。
用对话的方式做投资研究 — 你可以问"NVDA 现在估值高吗？"或者"帮我对比 AAPL 和 MSFT"，
AI 自动调用实时行情、财报、基本面数据，生成结构化的投研报告。
还有决策卡片、持仓追踪、下单提醒，从研究到决策到执行的完整投资工作流。
技术栈：Next.js + Vercel + Supabase + Claude API + Tiingo 实时数据。
产品本身我觉得做得还行，至少功能是完整的。
但推广？简直是噩梦。
1. SEO （程序化 SEO ）
给 S&P 500 全部 500 只股票做了独立分析页面，每个页面有实时数据、结构化内容。
结果：网站太新，Google 根本不给排名。等了几周，零搜索流量。
2. Twitter / X
注册了英文账号，发推、去大 V 帖子下面评论、互关。
结果：冷账号几乎零曝光。评论沉底，没人看到。偶尔有一两个关注，但不会点链接。
3. Reddit
发帖直接被封号，没有任何理由。新账号 + 带链接 = 自动 spam 过滤。
4. Product Hunt
准备过，但实际效果据说已经大不如前。
5. Discord
加了几个投资社区，但要先融入社区才能推广，短期没效果。
6. 微信群
发了链接，10 分钟来了 4 个人看了一眼就走了。中国用户看英文产品，不匹配。
我是中国开发者，目标用户是美国散户投资者。
做产品花了几个月，推广才开始几周就感觉快要放弃了。
技术问题都能解决，但"怎么让人知道你的产品存在"这个问题，
比任何 bug 都难 debug 。
产品链接： https://getneliva.com
不用注册就能试，直接输入你的投资问题就行。
真心求建议，不是来打广告的（虽然也确实需要流量 😂）
来杭州工作差不多半年了，只在工作这附近吃过，大部分都不好吃，只有几家烤肉自助店还行，70 一个人。平时工作日的话就只点沙县小吃的鸡腿饭和鸭腿饭。感觉我上班这附近太偏了没啥可吃。
有没有大佬推荐下杭州有哪些好吃的店，最好是自助，价格的话，120 以内都可接受，不要低于 60 的。点菜的话有点贵了，上次跟朋友去滨江吃一个串串，随便吃点 2 人就吃了 420 多，但是味道和成都的一模一样。 位置最好是在西湖附近，这样我可以每周都去西湖逛一圈再吃东西。
VMware Aria Operations for Logs 8.18.6 - 集中式日志管理 请访问原文链接：https://sysin.org/blog/vmware-aria-operations-for-logs/ 查看最新版。原创作品，转载请保留出处。 作者主页：sysin.org 集中式日志管理 VMware Aria Operations for Logs （以前称为 vRealize Log Insight） 通过集中式日志管理、深入了解运维和智能分析功能，大规模管理数据，以便跨私有云、混合云和多云环境进行故障排除和审核。 VMware Aria Operations for Logs 8.18.6 | 24 FEB 2026 | Build 25212326 此版本是一个维护版本，无新增功能，已解决的问题如下。 ✅ 在更新 SSL 证书后，集成负载均衡器（ILB）不可用 修复了在更新 SSL 证书后，集成负载均衡器（ILB）变为不可用的问题，该问题会导致出现 ✅ Agents 页面中的 IPv6 地址反序列化错误 修复了序列化白名单问题，该问题会在升级后因 以下是 VMware Aria Operations for Logs 8.18 版本的一些主要亮点： ✅ 适用于 VMware vSphere Foundation 的单点登录 (SSO) ✅ 用户体验增强 ✅ 对日志摄取的 JSON 支持 ✅ 支持 VMware Aria Operations 云代理 ✅ Swagger API 文档 ✅ 安全修复 ✅ 性能改进 ✅ 新内容包 VMware Marketplace 门户现已提供以下 VMware 产品的内容包： 想要开始学习和研究，请访问：https://sysin.org/blog/vmware-aria-operations-for-logs/ VMware Aria Operations for Logs 8.18.6 | 24 FEB 2026
新增功能
Load Balancer LeaderID 为 null 的错误。Inet6Address 类校验错误，导致代理无法在 UI 中显示。下载地址
File size: 1.1 GB
Name: VMware-vRealize-Log-Insight-8.18.6.0-25212326.ova
File size: 916 MB
Name: VMware-vRealize-Log-Insight-8.18.6-25212326.pak
提到政务办事，不少人仍有“跑断腿、问半天”的印象。而智慧政务一体化AI服务系统，正是用人工智能技术打破这一困境的“利器”。作为资深产品经理，我不聊复杂术语，只用大白话，带你看懂这套系统的核心技术的价值——它本质是让AI当“政务管家”，打通部门壁垒、简化办事流程，让群众和企业少跑腿、好办事。 比如你问“如何办营业执照变更”，AI不会只给模糊答案，而是通过语义解析，把你的模糊诉求转化为结构化工单，还会主动追问“是法人变更还是经营范围变更”，就像一个专业的政务顾问，24小时在线，常见问题的自助解决率能达到85%以上，不用再排队等人工答复。 其次是知识图谱和数据融合技术，这是系统的“大脑”。过去政务部门各管一摊，社保、税务、工商的数据互不互通，形成“信息孤岛”，导致办事要反复提交材料。而这套系统通过联邦学习技术，在不泄露隐私的前提下，把20多个部门的数据打通，同步延迟控制在5分钟内。 同时，它会构建政务知识图谱，把政策条款、办事流程、材料清单都关联起来，比如你提交企业信息后，AI能自动匹配可享受的惠企政策，不用自己逐个部门咨询、逐条政策查找，让政策红利精准触达。这背后，是ETL工具和隐私计算技术的支撑，既保证了数据安全，又实现了数据共享。 最后是智能审核与流程自动化技术，这是系统的“手脚”。以前办业务，材料要人工逐页审核，不仅耗时久，还容易出错。现在，AI通过OCR技术识别身份证、营业执照等材料的关键信息，自动校验材料是否完整、填写是否规范，人工核验的工作量能减少60%。 更省心的是，AI能实现流程自动流转，比如你提交的变更申请，系统会自动分发到对应部门，不用自己跑各个窗口递交材料，工单派单流转时间能缩短90%。此外，系统还会通过时序预测模型，分析办事人流、民生需求，提前调配资源，让高峰期排队时长大幅缩短。 可能有人会担心，AI办事会不会有漏洞、数据会不会不安全？其实这套系统早有保障：通过算法审计确保公平性，避免政策匹配偏向；用可解释AI技术，让审批结果的推理过程可视化，接受公众监督；同时对敏感数据进行脱敏处理，分级授权访问，守住数据安全底线。 说到底，智慧政务一体化AI服务系统，不是用技术“炫技”，而是把复杂的技术藏在背后，让群众和企业感受到实实在在的便利。它用AI替代了大量重复的人工工作，让政务人员从繁琐的审核、咨询中解放出来，聚焦更有价值的服务；它打破了部门壁垒，让数据多跑路、群众少跑腿。 未来，随着技术迭代，AI还会实现更精准的服务、更科学的决策，但核心始终不变——用技术赋能政务，让每一次办事都更高效、更省心，这就是这套系统的终极价值。
这套系统的核心，是“AI+政务数据”的深度融合，关键靠三大技术撑起运转，每一项都和我们的办事体验息息相关。首先是自然语言处理技术，这就是系统的“耳朵”和“嘴巴”。以前咨询政务问题，要么打热线等人工，要么翻冗长的政策文件，而现在，不管是在政务小程序里发文字，还是对着语音助手说话，AI都能精准听懂你的需求。
有没有办法破啊。 跟 antigravity 一样麻烦了
SpringDataJPA 支持通过 findBy 方法构建查询语句，然而 findBy 方法构建的查询条件是固定的，不支持忽略值为 null 的参数对应的查询条件，这导致我们需要为每一组参数组合定义一个 findBy 方法。例如：
findByAuthor
findByAuthorAndPublishedYearGreaterThan
findByAuthorAndPublishedYearLessThan
findByAuthorAndPublishedYearGreaterThanAndPublishedYearLessThan
当条件变多时，方法名会变长，参数也会变多，并触发“长参数”坏味道。解决这一问题的重构方法是“引入参数对象”，即把所有的参数定义在一个对象里。同时，我们把 findBy 的方法名中对应查询条件的部分作为这个对象的字段名称，我们便能为每个字段构建一个查询条件，并且根据对象的赋值情况，动态地组合非空字段对应的查询条件组合为查询子句。
public class BookQuery {
String author;
Integer publishedYearGreaterThan;
Integer publishedYearLessThan;
//...
}
基于此对象，我们可以把所有的 findBy 方法合并为一个泛型方法，从而简化查询接口的设计。
public class CrudRepository<E, I, Q> {
List<E> findBy(Q query);
//...
}
提出查询对象这一概念，并利用它来解决动态查询问题，正是 DoytoQuery 的核心功能。
微软发布.NET 11 ASP.NET Core 的第一个预览版本。该版本带来了一系列的新特性和改进，旨在增强 Blazor、OpenAPI 和一般 Web 开发工作流的开发体验。 其中一个最引人注目的新增功能是 Blazor 的新组件EnvironmentBoundary。它允许开发人员根据托管环境有条件性地渲染内容。该组件接受 Include 和 Exclude 参数，在 Blazor Server 和 Blazor WebAssembly 中行为一致，不需要手动检查环境。 该版本还针对 Blazor 表单做了几项改进。现在，新增的Label组件可自动从元数据属性中提取显示名称，实现可访问标签的渲染。该组件同时支持嵌套与非嵌套的 label-input 关联模式。此外，新增的 DisplayName 组件提供了类似 MVC 辅助方法 @Html.DisplayNameFor()的功能，便于显示支持本地化的属性的属性名。 QuickGrid组件增加了 OnRowClick 事件参数，使开发人员能够直接处理行点击交互。如果做了配置，则网格会自动应用指针光标样式，并在用户点击某个项时调用回调函数。 而且，Blazor 中的导航也得到了关注。现在，NavigationManager.NavigateTo()方法和 NavLink 组件通过新增的 RelativeToCurrentUri 参数支持相对 URI 导航。这使得导航能够基于当前页面路径而非应用程序的基准 URI 进行，对于嵌套的文件夹结构来说，这特别有用。 此外，如前所述，新增的扩展方法 GetUriWithHash()提供了一种零分配方案，可将哈希片段附加到统一资源标识符（URI）中；而全新的 BasePath 组件则消除了在 HTML 中手动指定基准 href 元素的需求。 在 WebAssembly 方面，Blazor WebAssembly 现在支持IHostedService，可以在浏览器中运行后台服务，实现了与 Blazor Server 对等的功能。现在，框架还允许通过 IConfiguration 访问环境变量，无需重建应用程序即可进行运行时配置。它还为 WebAssembly 应用程序添加了特定于组件的度量和跟踪。 该版本的其他改进包括：支持MathML命名空间的交互式渲染、新增 InvokeVoidAsync()分析器、用于在自定义组件上进行依赖注入的 IComponentPropertyActivator 接口、为 Interactive Server 组件提供SignalR ConfigureConnection支持，以及统一的 Blazor 脚本启动选项格式。 其他的改进还包括：支持二进制文件响应的OpenAPI schema、IOutputCachePolicyProvider 接口、在 Blazor Web App 模板中提供容器支持，以及自动信任 WSL 环境中的开发证书。 感兴趣的读者可以在 ASP.NET Core官方文档中查看完整的发布说明，或在GitHub上查看项目路线图。 声明：本文为 InfoQ 翻译，未经许可禁止转载。 原文链接：https://www.infoq.com/news/2026/02/asp-net-core-11-preview1/
点赞 + 关注 + 收藏 = 学会了 Ubuntu 是目前很流行、生态最完善的 Linux 桌面发行版，界面友好、软件丰富，把它装在飞牛 NAS 的虚拟机里，既能当 Linux 学习环境，又能跑各种脚本、服务、桌面程序，让 NAS 直接多一台全能电脑。 打开 Ubuntu 官网，下载桌面版系统镜像： https://ubuntu.com/download/desktop 下载完成后，把镜像文件上传到 NAS 的存储空间里备用。 打开飞牛 NAS 的「应用中心」，找到虚拟机应用并安装。 安装后打开「虚拟机」，如果需要使用硬件直通功能，可以在硬件面板里提前开启。 切换到「虚拟机」面板，点击新建虚拟机： 接下来配置 CPU 核心、内存大小，根据自己 NAS 性能分配即可。 GPU 类型提供 3 个选项： 然后分配虚拟机磁盘空间，我这里直接分配了一块 256G 固态硬盘给它使用。 下一步添加网卡。 如果你这里没有网卡可选，去 系统设置 – 网络设置 开启 OVS 即可。 之后可以配置硬件直通，比如需要用到 USB 设备就设置，不需要直接跳过。 全部配置完成后，点击开机。 开机后点击 VNC 访问按钮，进入虚拟机控制台。 选择 Try or Install Ubuntu 开始安装。 系统会自动加载安装，等待几分钟即可。 之后进入系统初始化向导，按提示设置语言、账号、密码即可。 设置完成，就能正常进入 Ubuntu 桌面环境。 以上就是本文的全部内容啦，你有好玩的镜像推荐吗？欢迎在评论区留言讨论！ 想了解更多NAS玩法记得关注《NAS邪修》👏 往期推荐： 点赞 + 关注 + 收藏 = 学会了💡整理了一个 NAS 专属玩法专栏，感兴趣的工友可以戳这里关注 👉 《NAS邪修》
vmvga、vga、virtio-gpu。vmvgavirtio-gpu，兼容性与性能都更好。当然，vga 也可以。
