引言
随着企业数字化转型迈入深水区，“数据驱动决策”虽已成为行业共识，但理想与现实之间仍存在一道鸿沟。在大多数企业的日常经营中，这种“数字尴尬”随处可见：

销售团队每天录入海量客户数据，却没有人能快速分析出成单规律；运营同学整理了整月的活动数据，面对 Excel 却无从下手；管理者想要一份实时报表，却总要等 IT 部门排期开发……

💡 痛点一：「表格易填，分析难」
数据越积越多，但能从中挖出价值的人却寥寥无几。

💡 痛点二：「工具门槛高」
SQL 不会写，Python 不会用，Excel 透视表也搞不定。

💡 痛点三：「协作效率低」
分析结果导出后，还要手动整理成报告，跨部门分享更是困难重重。

今天，这个困扰企业多年的难题，终于有解了。

01 Data Agent：你的专属数据分析智能体

阿里云瑶池 Data Agent 与钉钉 AI 表格正式达成深度合作，推出 Data Agent 数据分析智能体插件，为所有钉钉 AI 表格用户提供"一键式"专业级数据分析服务。

什么是 Data Agent ？

它是阿里云瑶池数据库团队推出的面向企业用户的数据分析智能体。能够根据自然语言描述进行需求分析，自动完成数据理解、提出分析需求、扩展分析思路，最终通过调用工具交付分析结果。

它能同时覆盖传统 BI 分析（描述性、诊断性）和高级分析（预测性、规范性），既可以作为自然语言到 SQL 查询的转换工具（NL2SQL），也可以生成预定义报表的聊天式 BI（包括 ChatBI），是一个具备理解分析意图、规划分析路径、执行复杂任务、并生成深度洞察的自主智能系统，能稳定完成复杂、多步骤的数据分析任务。

简单来说：你只需用一句话提问，它就能帮你完成从数据洞察到报告生成的全流程。

现在，这一强大能力正式接入钉钉 AI 表格！

02 七大核心能力，覆盖全场景分析需求

Data Agent 可直接读取钉钉 AI 表格中的结构化数据，支持自然语言交互，实现：

用户无需编写公式或代码，只需用中文提问即可获得精准洞察。

03 六大核心优势，让数据分析零门槛

 
✅ 零门槛：人人都能做分析
普通员工也能像数据分析师一样使用，告别复杂的 Excel 公式和 SQL 语句。

⚡ 实时高效：秒级响应
数据更新后秒级响应，无需导出导入，分析结果即时呈现。

🔒 安全合规：数据隔离有保障
每个用户独立沙箱环境，数据安全有保障。Agent 不会使用您的数据进行模型训练。

Data Agent 构建了“身份-环境-管控”三位一体的安全体系：
访问控制：通过“安全托管”实现账号密码不落地；支持细粒度权限、自动脱敏与全程审计。
环境隔离：采用内核级沙箱与 VPC 闭环隔离，确保数据交互在闭环内完成，阻断外网威胁。
管控安全：租户级会话隔离，任务结束即销毁环境并清除数据，杜绝数据残留。

该方案实现了“账号不落地、环境全隔离、操作可审计、数据无残留”的全链路安全保障。

🔄 AI 生态打通：钉钉闭环体验
与钉钉生态紧密协作，不用申请权限，不用导出 Excel，钉钉 1 分钟超快速启用，钉钉用户可闭环实现数据分析。

🆓 免云账号登录：降低使用门槛
无需登录阿里云账号，钉钉用户即可开启免费体验（每天 30min 免费体验）。

📤 钉钉分享报告：让洞察流动起来
分析报告直接生成钉钉文档，支持跨群分享、深度协作，让数据洞察在团队中流动起来。

04 免费试用，三步开启智能分析

Step 1：打开钉钉 AI 表格
在钉钉中打开任意 AI 表格。

Step 2：搜索 Data Agent 插件
点击顶部插件搜索 → 输入「Data Agent」。

Step 3：开始对话式分析
用自然语言描述你的分析需求，坐等专业报告生成。

05 长期记忆：让 Agent 越用越懂你

您是否担心每次分析都要重复背景？Data Agent 的「长期记忆」功能让这些繁琐化为乌有。

Data Agent 不仅仅是一个工具，它更像一位具备持续学习能力的资深助理，在每一次交互过程中，会自动“做笔记”，将您的业务偏好、特定术语和历史逻辑沉淀为专属知识。这些记忆将在你后续的交互中被智能召回和应用，从而显著提升 Agent 对你业务需求的理解准确性。

为了让这种“记忆”透明且可控，我们提供了全方位的记忆管理中心：

溯源链路：支持查看记忆来源，一键追溯对话上下文，让每一条结论都有据可依。
热度洞察：通过热度值算法识别高频、核心信息，自动筛选出最懂你业务的“黄金记忆”。
精准修正：赋予用户主动干预权，支持手动编辑与订正，确保 Agent 的认知与实际业务逻辑严丝合缝。
隐私闭环：灵活的删除与遗忘机制，在提供个性化服务的同时，严守数据边界与隐私安全。

06 让数据真正成为生产力

不仅是技术上的强强联手，更是对企业数字化办公模式的一次重塑。它以极简的操作逻辑，解决了高成本、低效率、门槛高、转化难等长期困扰企业的痛点，完成了从“人工搬运报表”到“智能自动洞察”的跨越式升级。让每位用户都能在指尖释放数据潜能，将海量信息转化为驱动业务增长的精准指引，让数据真正成为驱动企业提质增效的硬核生产力。

在数字化转型的浪潮中，数据是企业最宝贵的资产。阿里云瑶池数据库与钉钉的这次深度合作，正是为了让每一位员工都能轻松驾驭数据，让智能分析能力普惠到每一个工作场景。

现在，打开你的钉钉 AI 表格，搜索「Data Agent」，开启你的智能数据分析之旅吧！

了解更多

产品详情：https://help.aliyun.com/zh/dms/data-agent-for-analytics
免费试用（每天可享 30min 免费试用）：https://agent.dms.aliyun.com/
欢迎钉钉搜索群号“105130018526” 或扫码加入钉群交流

在数字化转型的浪潮中，政企单位的办公效率得到了质的飞跃，但随之而来的安全风险也日益复杂。2026年，信息安全已不再是单一的防火墙问题，而是涉及数据主权、链路加密、身份认证及国产化适配的系统工程。对于政企单位而言，通讯系统不仅是办公工具，更是核心机密的承载流转平台。

如何在高频的日常沟通中守住安全红线？本文将从底层架构到应用层面，结合主流私有化解决方案实事求是地展开讨论。

一、 私有化部署

在讨论安全之前，必须先明确一个核心概念：数据归谁所有。

公有云办公产品虽然便捷，但其数据存储在服务商的机房中。对于政企单位，尤其是军工、金融及政府部门，这种“托管”模式天然存在数据受控权缺失的隐患。

1. 物理层面的完全掌控

真正的安全始于物理隔离。政企单位首选的通讯方案必须支持私有化部署。以喧喧为例，其核心逻辑就是将服务器程序直接安装在单位自有的机房或私有云中。这意味着所有的聊天记录、文件资料、组织架构信息都存储在单位内部的磁盘上。

这种部署模式解决了两个核心问题：一是规避了公有云服务商可能存在的内部人员越权查看风险；二是确保了在极端情况下（如外部断网），内部通讯系统依然能够依靠内网环境正常运行，保障指挥调度的连续性。

2. 闭环管理的数据留痕

在私有化环境下，数据审计不再受制于第三方接口。政企单位可以根据审计要求，对所有的通讯历史进行自助式的管理与备份。实事求是地讲，这种管控力是任何公有云产品通过协议保障都无法完全替代的。

二、 不透明与高强度的双重护航

在数据传输过程中，如何防止“中间人攻击”或包嗅探？

1. 闭源协议的防御价值

目前市面上很多开源通讯协议虽然灵活，但也意味着其漏洞对全世界公开。喧喧在设计上采取了底层通讯协议不开放的策略。这种设计在政企安防中具有实际意义：它极大地提高了外部攻击者通过扫描特定协议漏洞进行渗透的难度。

2. 高级加密标准（AES）的实战应用

在2026年的安全语境下，我们必须摒弃那些未经广泛验证的特种加密方式，回归到国际公认的稳固算法。政企通讯系统应统一采用高级加密标准（AES）对传输链路进行加固。

喧喧在处理每一条消息、每一个文件分片时，都会进行高强度的加密处理。即使数据包在传输路径中被截获，由于缺乏密钥，攻击者拿到的也只是一堆毫无意义的乱码。这种基于标准算法的严谨性，比宣传噱头更能保障政企单位的长治久安。

三、 身份与权限

安全风险往往源于内部，尤其是身份冒用或权限越界。

1. 严格的准入机制

政企系统不应支持开放注册。所有的账号必须通过后台统一分配，并与组织架构深度挂钩。喧喧支持与禅道等项目管理系统的组织架构同步，这意味着人员的入职、调岗、离职能实时反映在通讯权限上，从源头上杜绝了离职人员长期逗留在内部群聊的风险。

2. 功能层面的权限隔离

并非所有的沟通都需要被所有端看到。政企单位往往需要针对不同级别的人员设置不同的功能权限。例如：

• IP登陆限制： 按照 IP 段限制用户登录来源 IP，只有在预设的IP地址范围内的用户才能登录系统，提升服务安全性，有效阻止外部攻击者的尝试。
• 通讯全加密： 所有通话均采用高级加密标准，确保聊天消息和文件在传输过程中得到安全加密，防止数据泄露，保障您的通信隐私。
• 消息审计： 在符合保密规定的前提下，系统应具备可追溯的消息审计能力，确保每一句指令、每一份文件都有据可查。

四、 国产化适配

对于政府机关和事业单位，信息安全与国产化替代（信创）密不可分。如果通讯软件只能跑在特定国外的操作系统或芯片上，那么这种安全性本身就是不完整的。

1. 全栈适配的重要性

一套合格的政企通讯系统，必须能够完美兼容国产化的基础设施。 在实际应用案例中（如市财政信息管理中心、国家统计局调查总队等），喧喧展示了其对国产计算平台的高度适配。无论是麒麟、统信等操作系统，还是龙芯、鲲鹏等国产处理器，通讯软件必须做到低功耗、高响应，且无兼容性漏洞。

2. 软硬件一体化的协同

安全不是孤立的软件。喧喧支持专网部署，并能与内部已有的复杂办公系统进行一体化集成。通过将零散的业务系统集成到一个受控的平台，减少了员工在多个系统间切换导致的信息泄露风险。

五、 团队能力与实事求是的稳定性

安全不仅是代码问题，更是研发团队的责任心问题。

政企单位在选择IM系统时，应考察产品背后的研发底蕴。喧喧所属的禅道团队在管理软件领域积累了十余年经验，这种经验体现在软件的“稳”上。对于军工、金融行业而言，软件崩溃一次可能导致重大的决策延误。

1. 轻量化带来的高稳定性

很多政企通讯软件为了追求功能丰富，集成了大量的冗余模块，导致系统臃肿、内存泄漏。喧喧反其道而行之，采用轻量化架构，即使在配置较低的国产服务器上也能稳定带起数千人的并发请求。这种对性能的克制，本质上是对安全和稳定性的另一种守护。

六、 2026年政企安全防范的新挑战

随着人工智能和量子计算的发展，政企通讯安全面临新的挑战：

1. AI欺诈防御： 系统需要集成更先进的身份验证（如动态密钥、多重因子认证）。
2. 大数据的安全脱敏： 在进行通讯数据分析时，如何确保个人隐私与单位机密的剥离。

结语

政企内部通讯的安全保障，没有捷径可走。它需要单位从“租房者”心态转变为“房东”心态，通过私有化部署夺回数据主权；它需要研发团队摒弃花哨的噱头，在协议层、加密层、权限层做扎实的苦功夫。

喧喧在这一领域的表现，实事求是地为我们提供了一个范本：不张扬，但足够稳固；不开放底层协议，但支持灵活的应用扩展。对于追求极致安全与国产化适配的政企单位而言，回归私有、回归受控，才是信息安全的长久之道。

为什么企业上线工单系统后，反而更忙了？

在很多企业推进IT服务管理的过程中，工单系统被视为“基础能力”。通过统一入口收集需求、记录处理过程，理论上可以提升效率与透明度。但在实际落地中，不少IT团队却发现一个问题：工单数量迅速增长，处理压力反而更大。ManageEngine卓豪 将为您解答这些问题！

例如，以前通过微信或电话沟通的问题，现在全部转化为工单；用户更容易提交需求，但处理能力并没有同步提升；一些原本可以快速解决的小问题，也被流程“放大”。这些变化，使IT团队陷入持续被动应对的状态。

这种情况并不意味着工单系统本身存在问题，而是使用方式存在偏差。

问题根源：工单系统只是“记录工具”，而不是“管理工具”

在一些企业中，工单系统的作用仅限于记录问题与处理过程，而缺乏对流程、优先级与资源的管理。这种情况下，系统只是将原本分散的需求集中起来，并没有优化处理方式。

例如，所有工单都进入同一队列，没有清晰的分类与优先级；分配依赖人工判断，容易出现不均衡；重复问题不断出现，但缺乏沉淀与复用机制。这些问题都会导致效率下降。

当工单系统无法提供管理能力时，就很难真正改善现状。

用户体验变化：为什么“提交更容易”反而带来压力？

工单系统的一个重要特点，是降低了用户提交需求的门槛。用户可以随时随地提交问题，这在提升体验的同时，也会增加需求数量。如果没有相应的筛选与分类机制，IT团队很容易被大量低价值请求淹没。

例如，一些简单问题本可以通过知识库解决，但用户仍然选择提交工单；重复问题没有被有效识别，导致重复处理。这些情况都会增加不必要的工作量。

因此，在提升入口便捷性的同时，也需要建立有效的分流机制。

ServiceDesk Plus 如何帮助企业“管住工单”？

通过ServiceDesk Plus，企业可以从流程、自动化与知识管理等多个方面优化工单处理。例如，通过分类与优先级规则，实现自动分配；通过知识库减少重复问题；通过SLA与报表分析提升整体效率。

这种综合能力，使工单系统从“记录工具”转变为“管理平台”，从而真正帮助IT团队减轻压力。

在下一部分中，我们将深入分析：如何从源头减少无效工单，让IT从“被动处理”走向“主动管理”。

从源头减少工单：为什么“少做工单”比“快做工单”更重要？

在多数企业中，IT团队往往将重点放在“如何更快处理工单”，例如提升响应速度、增加人手或优化分配机制。但如果不从源头减少无效需求，工单数量只会持续增长，最终形成恶性循环。因此，真正有效的策略，是在提升处理效率的同时，减少不必要的工单。

例如，通过分析历史数据，可以发现大量重复问题，如密码重置、基础软件安装或常见故障处理。这些问题如果通过知识库或自助服务解决，就无需进入工单流程，从而显著降低工作量。

这种“前移处理”的思路，是工单管理从被动走向主动的重要一步。

常见问题（FAQ）

1. 工单系统是否会增加工作量？
   如果缺乏优化机制，可能会出现这种情况。
2. 如何减少重复工单？
   通过知识库与自助服务实现。
3. 自动化是否可以解决所有问题？
   不能，需要与流程与数据结合使用。
4. 如何进一步了解工单管理优化？
   可以参考ITSM解决方案获取更多信息。

2025 年 12 月 13 日，VeloxCon China 2025 在北京成功举办。作为 Velox 项目首次在中国举办的线下技术大会，汇聚了来自Meta、IBM、蚂蚁集团、阿里云、腾讯、小米、小红书等企业的数十位核心贡献者与一线工程师。

大会通过 18 场演讲将 Velox 置于真实业务场景之中，系统展示了其在架构演进、AI 数据处理、湖仓加速、流批融合等方向的最新实践。这些分享不仅直面性能、稳定性与兼容性等落地挑战，也反应了开发者社区对构建可靠、可扩展、可协同的数据基础设施的共同探索，彰显了中国开发者在全球高性能分析生态中的工程深度与协作广度。

夯实底座，突破能力边界
会议伊始，Velox 项目联合发起人 Pedro 发表开幕致辞。他回顾了 Velox 开源项目的发展历程，从项目启动、开源发布到建立技术治理结构，展示了 Axiom 架构、GPU 支持、PyVelox 等关键进展，强调了社区协作与工程严谨性是项目持续演进的核心动力。他特别提到，Velox 已建立了正式的技术治理机制，并迎来来自 IBM、Intel、NVIDIA、Microsoft 等多家企业的新增维护者，标志着项目正迈向更加开放和可持续的阶段。

在明确了社区与架构演进的总体方向后，大会议题迅速深入到如何利用 Velox 构建高性能计算引擎的具体实践中。阿里云 EMR Serverless Spark 技术负责人周克勇系统阐述了“可组合性”在数据计算领域的实践。他详细解析了阿里云如何深度集成并贡献于 Apache Celeborn、Paimon、Velox 及 Gluten 等开源组件，通过模块化组装构建出高性能湖仓一体引擎。他指出，基于该架构，阿里云 EMR Serverless Spark 成功创造了 TPC-DS 100TB 规模性能测试的世界新纪录，实现性能翻倍与性价比大幅提升。

接着，Meta 软件工程师 Masha Basmanova 阐述了现有查询引擎在跨语言通信、优化器能力与开发体验上面临的挑战，并介绍了基于 C++ 的统一前端框架 Axiom。该框架将 SQL 解析、逻辑优化与物理执行融为一体，通过内置的强大优化器与 Velox 运行时无缝对接，能够实现更高效、可扩展的查询处理。演讲最后，她积极展示了 Axiom 的开源路线图，并欢迎全球开发者加入，共同推动该项目的演进。

强大的执行框架，最终需要服务于极具挑战性的数据场景，特别是爆发式增长的 AI 数据。Meta 软件工程师孟晓烜则在之后的演讲中，深入阐述了应对AI训练数据规模激增与成本挑战的解决方案。他重点介绍了 Meta 如何通过数据归一化技术剥离重复特征，并构建可索引的序列存储系统。依托 Velox 技术栈，团队在训练数据的加载、生成与探索三大环节实现了端到端优化，显著提升了处理效率与资源利用率。

在 Meta 多位工程师从框架演进、可组合架构、数据标准化等角度深入分享后，蚂蚁集团高级技术专家黄叶伟也从企业落地实践层面分享了基于 Velox 的 Spark 加速实践。他重点介绍了基于 Gluten 与 Velox 构建的向量化引擎如何通过任务级 Fallback、Spill 优化、Shuffle 优化等关键技术，在混合部署场景下显著提升 Spark 性能与稳定性。他表示，该方案目前已实现日均数十万任务覆盖，平均节省资源超30%，并将在算子优化与架构扩展方面持续演进。

作为连接 Spark 生态与原生加速的关键中间层，Apache Gluten 的进展同样备受关注。来自 IBM 的莫芮与周渊聚焦 Apache Gluten与 Velox 的深度集成，阐述了其如何在大数据分析中驱动创新。他们介绍，Gluten 在保持对 Spark/Flink 作业透明加速能力的同时，正逐步增强对多后端引擎和复杂业务场景的适配能力。目前，该方案已在 Pinterest、顺丰科技及多个内部集群完成规模化验证，有效支撑了从日志分析到物流调度等多样化负载的性能提升与成本优化。

随着向量化加速在通用场景日趋成熟，针对特定存储格式的深度优化成为新的效能突破口。腾讯大数据开发工程师陈锦海分享了微信基于 Velox 加速 lceberg 湖仓分析的优化与实践，重点介绍了原生分桶方案。据他介绍，该方案通过动态识别表元信息自动设置分区数，能有效缓解 AQE 引发的写入倾斜，结合空闲资源灰度发布策略，可保障大规模作业的稳定上线。

扎根场景，释放协同效能
午餐后的议程更加聚焦 Velox 在真实业务中的集成深度与生产韧性，回应了开发者们对兼容性、稳定性与端到端效能等规模化落地的核心关切。
小米计算平台计算引擎负责人王胜杰分享了公司在 Spark 向量化升级中的规模化落地经验。面对业务迁移中的兼容性与稳定性挑战，他表示，小米通过自动兼容校验、双跑结果比对及内存异常感知的三级资源升级机制，已成功推动向量化改造在数十万作业中平稳落地。

面对海量数据挑战，全球科技公司也在探索相似的演进路径。Meta 软件工程经理 Stanley Yao 在演讲中分享了公司基于 Velox 推进 Spark 向量化改造的整体策略。他表示，团队通过从定制化方案到开源架构的持续演进，已实现关键业务管线向 Gluten（Flare）的平稳迁移，并获得显著的效率提升。未来，Meta 计划进一步扩大该架构的应用规模。

在 CPU 向量化趋于普及的同时，利用异构硬件挖掘更高性能成为新的前沿。IBM 研究院资深软件工程师 Zoltán Arnold Nagy 展示了基于 Velox 与 Presto 的 GPU 加速数据处理方案。他介绍道，Velox 通过与 cuDF 集成，可在 GPU 上高效执行算⼦，并针对多 GPU 分布式场景优化通信与数据交换。此外，为突破 I/O 瓶颈，团队正在探索结合 GPUDirect 存储与缓存层的加速策略。

对性能与稳定性的追求，也驱动着查询引擎架构本身的融合与创新。Meta 软件工程师谭家梁与大家分享了 Native Presto-on-Spark 的规模化应用。该架构以 Presto 查询优化、Spark 资源调度与容错机制以及 Velox 原生向量化执行为核心，实现了性能与可靠性的显著提升。他表示，目前该方案已在生产环境中取得成效，并将在未来持续推进全栈原生化演进。

对于国内庞大的云上业务，Velox 同样在支撑着关键数据服务平台。 阿里云高级工程师王彬与范阿冬系统介绍了Velox在阿里云日志服务中的深度集成与应用。他们指出，基于 Velox 构建的高性能查询引擎，通过混合执行、表达式下推、自动增量物化视图及免 Schema 分析等核心技术，可显著提升平台在处理海量实时数据时的查询效率与资源利用率。他们还强调，该架构不仅为日志分析、智能运维等场景提供了稳定支撑，也为面向 AI 的云原生数据平台演进奠定了坚实基础。

除了通用的日志与湖仓分析，Velox 也在向更垂直的时序数据场景渗透。腾讯高级工程师李兆龙分享了基于 Velox 构建云原生时序数据库的落地经验。他表示，通过在 Velox 中实现时序数据去重优化与存储写入增强，系统在应对高频写入与实时查询场景时，可显著提升吞吐效率与响应性能。目前该方案已有效支持物联网、实时监控等业务场景，未来还将进一步完善缓存与压缩机制，持续优化时序数据处理的整体效能。

IBM 软件工程师刘平接着分享了 Velox 在 Iceberg 数据写入能力上的突破性进展。他表示，目前 Velox 对 Iceberg 的支持以读取为主，其写入功能的完善将填补该方向的关键能力空白，为基于 Presto 与 Spark 的数据湖架构提供更统一、高效的数据摄入层。这一进展也标志着 Velox 正从查询加速向数据全链路处理拓展。

接着，来自阿里云的毕岩与周滔分享了 Velox 与 Apache Paimon 深度集成的解决方案，为提升引擎与存储的协同效率提供了另一种集成思路。在他们看来，现有方案存在表类型支持受限、缺乏可移植性等瓶颈， 但可以建立 C++ 原生 Paimon 库，通过其统一的数据协议与插件化设计，使 Paimon 能够被 Velox、StarRocks 等多种计算引擎直接高效调用，从而提升数据读写性能，并为湖仓格式的跨引擎协同提供新的基础支撑。

在批处理场景之外，流计算框架的向量化也正成为新的热点。蚂蚁集团技术专家刘勇介绍了基于 Velox 为 Flink 构建的统一向量化执行引擎 Flex。他表示，Flink 作为流批一体架构的核心，其原生向量化能力的补足至关重要。Flex 通过将 Velox 的高性能算子能力引入 Flink，同时结合自动化验证、可视化计划与精细化回退机制，现已实现了作业性能的显著提升，并支撑多条核心业务链路平稳运行。

随着 Velox 赋能的应用场景日益广泛和复杂，确保其在不同引擎和版本间的整体质量与可靠性变得至关重要。Meta 软件工程师 Eric Liu 阐述了在 AI 数据基础架构下，保障 Velox 多引擎版本可靠性的系统化方法。他指出，面对不同引擎与存储格式交织带来的复杂性，关键在于建立跨引擎测试框架与合成数据工厂。这一实践能有效提前发现全栈潜在问题，从而确保底层变更在大规模生产环境中的稳定与高效。

针对向量化引擎中窗口运算符内存溢出的典型难题，来自英特尔的贾柯分享了她的见解。她认为，通过为 Velox 引入流式窗口处理机制，可使计算随数据到达逐步执行并即时释放内存，从而从架构层面化解多数场景下的内存风险，显著提升复杂查询的稳定性。

最后，小红书 Native Engine 团队技术负责人魏秀利也分享了向量化引擎在公司业务中规模化落地的经验。据他介绍，通过将写入异步化并构建原生 Avro 读取能力，小红书在不增加业务复杂度的前提下，成功缓解了端到端延迟，印证了“执行与存储协同优化”在湖仓场景中的关键价值。

从底层执行引擎的持续创新，到日志分析、湖仓写入、流批融合等复杂场景的稳定运行，在本届 VeloxCon China 上，我们看到 Velox 的技术价值已在真实业务中不断被验证和拓展。同时我们也很高兴看到中国开发者成为这一进程的重要推动者。期待未来有更多志同道合者加入 Velox 开源社区，共建高性能分析基础设施。weibo.com/ttarticle/p/show?id=2309405290444279382147 weibo.com/ttarticle/p/show?id=2309405290444732366863 weibo.com/ttarticle/p/show?id=2309405290445097271533 weibo.com/ttarticle/p/show?id=2309405290445638336736 weibo.com/ttarticle/p/show?id=2309405290446007173241 weibo.com/ttarticle/p/show?id=2309405290446380728330 weibo.com/ttarticle/p/show?id=2309405290446749564933 weibo.com/ttarticle/p/show?id=2309405290447177646313 weibo.com/ttarticle/p/show?id=2309405290447731294276

Photoshop（简称PS）是Adobe公司开发的专业图像编辑软件，它的主要功能是进行数字图像处理、照片修饰、图形设计和创意合成。如果你需要进行照片后期处理、平面设计、网页设计、数字绘画或任何与图像相关的工作，那Photoshop绝对是你必须掌握的专业工具。

Photoshop提供了全面的图像编辑工具和强大的创意功能，让用户能够实现从简单的照片调整到复杂的视觉特效的各种需求。软件支持图层、蒙版、滤镜、调整图层等核心概念，这些功能组合使用可以创造出无限可能的视觉效果。无论是专业设计师、摄影师、艺术家，还是普通用户，Photoshop都能提供相应的工具和解决方案。

Photoshop在创意产业中占据主导地位，广泛应用于广告设计、出版印刷、影视后期、游戏美术、UI设计等领域。软件的学习资源丰富，有大量的教程、插件和社区支持。

PS下载

Photoshop安装包下载地址（Windows+MacOS 安装包，另含多套 PS 使用教程，全是干货）：
https://pan.quark.cn/s/be38afdc9026
https://pan.xunlei.com/s/VOq4vUVV5p5m-HXpN_DjKYjWA1?pwd=ussx#

PS安装

Photoshop的安装过程非常简单，全程只需要傻瓜式操作，下面我详细说明一下安装步骤，我安装的是 Photoshop 2025：
1）下载  Photoshop 2025.rar 压缩包文件，解压后得到下图的文件夹：

2）找到 Set-up.exe 可执行程序，双击启动安装。

3） 选择安装位置，默认安装路径通常是"C:\Program Files\Adobe"。如果你想安装到其他磁盘，可以点击文件夹按钮自定义安装路径。建议安装到非系统盘，比如D盘，以避免占用系统盘空间。

4）等待安装完成，当提示"Photoshop 2025 已经成功安装"时，表示安装完成。你可以点击"启动"按钮立即启动Photoshop，或者稍后从开始菜单或桌面快捷方式启动。

PS基础使用

安装完成后第一次启动Photoshop，你会看到主界面包含菜单栏、选项栏、工具栏、面板和工作区等部分。

1）基本操作

要开始工作，首先需要创建新文档或打开现有图像。在"文件"菜单中选择"新建"可以创建空白画布，设置尺寸、分辨率、颜色模式等参数。选择"打开"可以导入各种格式的图像文件，如JPEG、PNG、TIFF、RAW等。

Photoshop的核心概念是图层。每个图层可以包含不同的图像元素，图层之间可以独立编辑而互不影响。图层面板显示了所有图层的堆叠顺序，你可以通过拖动调整图层顺序，通过眼睛图标控制图层可见性。

2）主要工具

工具栏包含了Photoshop的所有主要工具，按功能分组：

• 选择工具：矩形选框、椭圆选框、套索工具、快速选择工具、魔棒工具等，用于选择图像中的特定区域。
• 裁剪和切片工具：裁剪工具、切片工具等，用于调整画布大小和分割图像。
• 修饰工具：修复画笔、仿制图章、橡皮擦、模糊工具等，用于修复照片缺陷和进行局部调整。
• 绘画工具：画笔工具、铅笔工具、渐变工具等，用于绘制和填充颜色。
• 文字工具：横排文字、直排文字等，用于添加和编辑文本。

• 形状工具：矩形工具、椭圆工具、多边形工具等，用于创建矢量形状。

  3）调整功能

  Photoshop提供了多种图像调整功能，可以通过"图像"菜单或调整图层应用：

• 色阶和曲线：调整图像的整体色调和对比度。
• 色相/饱和度：调整图像的颜色属性。
• 色彩平衡：调整图像的颜色平衡。
• 亮度/对比度：调整图像的明暗和对比。

这些调整可以创建为调整图层，这样调整效果是非破坏性的，可以随时修改或删除。

对于新手用户，建议先从简单的照片调整开始练习，如裁剪、亮度调整、颜色校正等，Photoshop提供了丰富的学习资源。

PS常见使用问题

Photoshop运行缓慢或卡顿怎么办？这个问题通常与硬件配置或软件设置有关。首先检查电脑是否满足Photoshop的最低系统要求，特别是内存和显卡。在Photoshop的"首选项"中，可以调整性能设置：增加内存使用量，设置合适的暂存盘（建议使用SSD），启用图形处理器加速。关闭不必要的面板和文档，减少同时打开的文件数量。定期清理Photoshop的缓存文件和历史记录。

Photoshop无法打开某些图像文件怎么办？首先确认文件格式是否受支持，Photoshop支持大多数常见图像格式。如果文件损坏，尝试使用其他软件打开或修复。检查文件扩展名是否正确，有时文件可能被错误命名。对于RAW格式照片，确保安装了最新的Camera Raw插件。某些特殊编码的文件可能需要额外的解码器或插件。

Photoshop的工具或功能无法使用怎么办？首先检查当前工作模式，某些工具在特定模式下不可用。检查图层状态，某些操作需要选择正确的图层或创建选区。查看工具选项栏的设置，某些工具可能有特殊限制或模式。如果问题涉及特定功能，检查是否安装了必要的插件或扩展。尝试重置Photoshop首选项：在启动时按住Alt+Ctrl+Shift（Windows）或Option+Command+Shift（macOS）。

Photoshop的字体显示不正常怎么办？首先检查字体是否已正确安装在系统中。在Photoshop的"文字"菜单中，可以查看可用字体列表。如果字体显示为灰色或缺失，可能需要重新安装字体。某些字体可能有特殊授权限制，只能在特定应用程序中使用。检查字符编码设置，特别是处理多语言文本时。还可以尝试清除字体缓存：在Creative Cloud应用程序中修复Photoshop安装。

PS下载安装教程总结

Photoshop作为行业标准的图像编辑软件，在数字创意领域发挥着不可替代的作用。通过系统学习Photoshop的使用方法，用户可以实现从基础照片调整到复杂视觉创作的各种需求。

对于摄影师，Photoshop提供了专业的照片后期处理工具，可以提升图像质量、修复缺陷、创造艺术效果。对于设计师，软件的图层、蒙版、矢量工具支持复杂的设计项目和创意表达。对于艺术家，数字绘画和合成功能开启了新的创作可能性。对于普通用户，基础编辑功能可以满足日常的图像处理需求。

掌握Photoshop的使用技巧需要时间和实践，但投入是值得的。一个熟练的Photoshop用户可以在更短的时间内完成更高质量的工作，实现更复杂的创意构想。无论是职业发展还是个人兴趣，Photoshop技能都能带来显著的价值和满足感。

本文图文并茂记录购买Vultr供应商的VPS，通过shell脚本的方式，快速部署一个属于自己的VPN，从而实现逛GitHub自由...

1. 什么是VPS？和现在的云服务器的区别

VPS就是Virtual Private Server，虚拟专用服务器

• 对比于现在的火山引擎、腾讯云、阿里云等云服务器而言，VPS可以理解为迷你版的云服务器
• 依托于服务器虚拟化技术，可以把一个配置高的服务器，虚拟切割成好几台配置低的服务器 比如16核32G的可以切成两台8核16G，这样就可以卖给两个用户，减少资源闲置多挣米
• 但是对比云服务器和VPS，前者可以智能灵活调度（成百上千台服务器组成的服务器资源池子） 而VPS就是一台物理服务器的切割，相当于我们租赁了一个小单间
• 所以，云服务器挂了，智能调度会立刻新启用一台虚拟服务器，备份并重新启动相关服务 但是，VPS要是挂了，因为是小单间模式嘛，高可用是无法做到位的
• 所以，学习Linux、搭个小网站、个人VPN购买便宜的VPS就够用了
• 不过公司业务、需要高可用、随时要扩容，就得选真正的云服务器了

无论VPS还是云服务器，都是物理意义上的服务器上的一部分，不存在两个物理服务器各出一半

2. 买VPS服务器做相应配置

VPS服务器供应商不少，不赘述，笔者买的是Vultr，还不错

官网：https://www.vultr.com/zh/

至于购买步骤流程，可以参考这个文章：https://zhuanlan.zhihu.com/p/701057606

建议，提前准备好一个VISA信用卡哦

服务器配置如下图参考

第一步——选配置

第二步——选择操作系统（防火墙规则【相当于云服务器的安全组概念】）

第三步——创建实例，等待一会

第四步——有了自己的公网ip了，可以ssh链接了

第五步——防火墙组设置

使用udp搭配443端口（要放开哦，要不然无法连接VPN服务）

3. 执行一键部署VPN脚本

部署脚本是setup-hysteria.sh这个文件，名字无所谓，主要是内容如下：

PASSWORD="password123" 是示例，实际上可以设置复杂一些，在搭配fail2ban这样可以保证服务器安全不被爆破

#!/bin/bash
set -e

# 注意，要赋予此脚本执行权限：chmod +x setup-hysteria.sh
# 然后在执行：./setup-hysteria.sh

# ==================== 配置变量（按需修改） ====================
PASSWORD="password123"
LISTEN_PORT="443"
MASQUERADE_URL="https://www.bing.com"
CERT_DAYS="365"
HY_VERSION="v2.8.1"
# ============================================================

RED='\033[0;31m'
GREEN='\033[0;32m'
YELLOW='\033[1;33m'
NC='\033[0m'

echo -e "${GREEN}========================================${NC}"
echo -e "${GREEN}   Hysteria ${HY_VERSION} VPN 服务器安装   ${NC}"
echo -e "${GREEN}          Ubuntu 22.04 专用           ${NC}"
echo -e "${GREEN}========================================${NC}"

if [[ $EUID -ne 0 ]]; then
    echo -e "${RED}错误：请使用 root 用户执行此脚本 (sudo ./script.sh)${NC}"
    exit 1
fi

echo -e "${YELLOW}[1/7] 更新系统并安装依赖...${NC}"
apt update -qq
apt install -y -qq wget curl openssl ufw

echo -e "${YELLOW}[2/7] 创建目录结构...${NC}"
mkdir -p /etc/hysteria /etc/ssl/hysteria

echo -e "${YELLOW}[3/7] 生成 SSL 证书（有效期${CERT_DAYS}天）...${NC}"
openssl req -x509 -newkey rsa:4096 -nodes \
    -keyout /etc/ssl/hysteria/key.pem \
    -out /etc/ssl/hysteria/cert.pem \
    -days ${CERT_DAYS} \
    -subj "/CN=www.bing.com"

chmod 644 /etc/ssl/hysteria/key.pem
chmod 644 /etc/ssl/hysteria/cert.pem
echo -e "${GREEN}✓ 证书权限已设置为 644${NC}"

echo -e "${YELLOW}[4/7] 创建配置文件 /etc/hysteria/config.yaml ...${NC}"
cat > /etc/hysteria/config.yaml << YAML
listen: :${LISTEN_PORT}

tls:
  cert: /etc/ssl/hysteria/cert.pem
  key: /etc/ssl/hysteria/key.pem

auth:
  type: password
  password: ${PASSWORD}

masquerade:
  type: proxy
  proxy:
    url: ${MASQUERADE_URL}
    rewriteHost: true

quic:
  initStreamReceiveWindow: 8388608
  maxStreamReceiveWindow: 8388608
  initConnReceiveWindow: 20971520
  maxConnReceiveWindow: 20971520
YAML

echo -e "${YELLOW}[5/7] 使用官方脚本安装 Hysteria ${HY_VERSION} ...${NC}"
bash <(curl -fsSL https://get.hy2.sh/) --version ${HY_VERSION}

echo -e "${YELLOW}[6/7] 配置防火墙 (ufw)...${NC}"
ufw allow ${LISTEN_PORT}/udp
echo -e "${GREEN}已允许 UDP ${LISTEN_PORT} 端口${NC}"

echo -e "${YELLOW}[7/7] 重启 Hysteria 服务并应用配置...${NC}"
systemctl stop hysteria-server || true
systemctl start hysteria-server
systemctl enable hysteria-server
sleep 3

if systemctl is-active --quiet hysteria-server; then
    SERVER_IP=$(curl -s ifconfig.me)
    echo -e "\n${GREEN}========================================${NC}"
    echo -e "${GREEN}✓ Hysteria 部署成功！${NC}"
    echo -e "${GREEN}========================================${NC}"
    echo -e "${YELLOW}服务状态：${NC}$(systemctl status hysteria-server --no-pager | grep "Active:")"
    echo -e "${YELLOW}端口监听：${NC}"
    ss -tulnp | grep ":${LISTEN_PORT}" | grep -v grep || echo "  等待端口监听..."
    echo ""
    echo -e "${GREEN}客户端连接信息：${NC}"
    echo -e "  服务器地址：${SERVER_IP}:${LISTEN_PORT}"
    echo -e "  密码：${PASSWORD}"
    echo -e "  协议：Hysteria ${HY_VERSION}"
    echo ""
    echo -e "${YELLOW}常用管理命令：${NC}"
    echo -e "  查看状态: systemctl status hysteria-server"
    echo -e "  查看日志: journalctl -u hysteria-server -f"
    echo -e "  重启服务: systemctl restart hysteria-server"
    echo -e "  停止服务: systemctl stop hysteria-server"
else
    echo -e "${RED}服务启动失败！查看错误日志：${NC}"
    journalctl -u hysteria-server -n 20 --no-pager
    exit 1
fi

然后，把这个·setup-hysteria.sh·脚本丢到服务器上（ssh链接）比如笔者是放在var目录下的

root@vultr:/var# ls
backups  crash  local  log   opt  setup-hysteria.sh  spool
cache    lib    lock   mail  run  snap               tmp

然后 chmod +x setup-hysteria.sh 给权限，再 ./setup-hysteria.sh 就可以一键部署好vpn服务了

如下日志图：

查看服务状态也是在运行的

root@vultr:/var# systemctl status hysteria-server
● hysteria-server.service - Hysteria Server Service (config.yaml)
     Loaded: loaded (/etc/systemd/system/hysteria-server.service; enabled; vendor preset: enabled)
     Active: active (running) since Tue 2026-04-21 14:17:33 UTC; 2min 34s ago
   Main PID: 8156 (hysteria)
      Tasks: 7 (limit: 1001)
     Memory: 5.9M
        CPU: 57ms
     CGroup: /system.slice/hysteria-server.service
             └─8156 /usr/local/bin/hysteria server --config /etc/hysteria/config.yaml

Apr 21 14:17:33 vultr systemd[1]: Started Hysteria Server Service (config.yaml).
Apr 21 14:17:33 vultr hysteria[8156]: 2026-04-21T14:17:33Z        INFO        server mode
Apr 21 14:17:33 vultr hysteria[8156]: 2026-04-21T14:17:33Z        INFO        server up and running        {"listen": ":443"}
root@vultr:/var#

至此，我们的VPS服务器上的VPN服务就部署好了，接下来，我们在自己的本机电脑上，使用一些客户端工具，就可以使用VPN服务了

3. 使用clash-verge-rev进行订阅VPN服务（通过配置文件的方式）

首先安装clash-verge-rev，这个软件客户端：https://github.com/clash-verge-rev/clash-verge-rev

如下图：

然后准备一个conf.yaml文件，内容如下：

• 注意：server: 64.176.80.218 就是 VPS服务器的ip
• password: "password123" 也就是服务器的VPN的密码
• 等，不赘述
• 和 ！！！setup-hysteria.sh 这个文件里面配置信息要对上！！！
• rule-providers也可以根据个人情况，适当修改

# ========== 代理节点配置 ==========
proxies:
  - name: "VPS-Hysteria2"
    type: hysteria2
    server: 64.176.80.218
    port: 443
    password: "password123"
    sni: www.bing.com
    skip-cert-verify: true
    # 以下为可选优化参数
    up: "100 Mbps"
    down: "500 Mbps"

# ========== 规则集配置（可选，用于增强分流）==========
rule-providers:
  reject:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/reject.txt"
    path: ./ruleset/reject.yaml
    interval: 86400

  icloud:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/icloud.txt"
    path: ./ruleset/icloud.yaml
    interval: 86400

  apple:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/apple.txt"
    path: ./ruleset/apple.yaml
    interval: 86400

  google:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/google.txt"
    path: ./ruleset/google.yaml
    interval: 86400

  proxy:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/proxy.txt"
    path: ./ruleset/proxy.yaml
    interval: 86400

  direct:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/direct.txt"
    path: ./ruleset/direct.yaml
    interval: 86400

  gfw:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/gfw.txt"
    path: ./ruleset/gfw.yaml
    interval: 86400

  tld-not-cn:
    type: http
    behavior: domain
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/tld-not-cn.txt"
    path: ./ruleset/tld-not-cn.yaml
    interval: 86400

  telegramcidr:
    type: http
    behavior: ipcidr
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/telegramcidr.txt"
    path: ./ruleset/telegramcidr.yaml
    interval: 86400

  cncidr:
    type: http
    behavior: ipcidr
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/cncidr.txt"
    path: ./ruleset/cncidr.yaml
    interval: 86400

  lancidr:
    type: http
    behavior: ipcidr
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/lancidr.txt"
    path: ./ruleset/lancidr.yaml
    interval: 86400

  applications:
    type: http
    behavior: classical
    url: "https://cdn.jsdelivr.net/gh/Loyalsoldier/clash-rules@release/applications.txt"
    path: ./ruleset/applications.yaml
    interval: 86400

# ========== 代理组配置 ==========
proxy-groups:
  - name: "🚀 节点选择"
    type: select
    proxies:
      - "VPS-Hysteria2"
      - "DIRECT"

  - name: "🎬 流媒体"
    type: select
    proxies:
      - "VPS-Hysteria2"
      - "DIRECT"

  - name: "🤖 AI服务"
    type: select
    proxies:
      - "VPS-Hysteria2"
      - "DIRECT"

# ========== 规则配置 ==========
rules:
  # ===== 1. 规则集分流（如果不想用可以删除本块）=====
  - RULE-SET,applications,DIRECT
  - RULE-SET,icloud,DIRECT
  - RULE-SET,apple,DIRECT
  - RULE-SET,google,🚀 节点选择
  - RULE-SET,proxy,🚀 节点选择
  - RULE-SET,direct,DIRECT
  - RULE-SET,lancidr,DIRECT
  - RULE-SET,cncidr,DIRECT
  - RULE-SET,telegramcidr,🚀 节点选择

  # ===== 2. 国内网站强制直连 =====
  # 通用规则
  - DOMAIN-SUFFIX,cn,DIRECT
  - GEOIP,CN,DIRECT,no-resolve
  - GEOSITE,CN,DIRECT

  # 常见国内网站关键词
  - DOMAIN-KEYWORD,baidu,DIRECT
  - DOMAIN-KEYWORD,taobao,DIRECT
  - DOMAIN-KEYWORD,alipay,DIRECT
  - DOMAIN-KEYWORD,qq,DIRECT
  - DOMAIN-KEYWORD,weixin,DIRECT
  - DOMAIN-KEYWORD,bilibili,DIRECT
  - DOMAIN-KEYWORD,bytedance,DIRECT
  - DOMAIN-KEYWORD,zhihu,DIRECT
  - DOMAIN-KEYWORD,jd,DIRECT
  - DOMAIN-KEYWORD,meituan,DIRECT
  - DOMAIN-KEYWORD,douyin,DIRECT
  - DOMAIN-KEYWORD,pinduoduo,DIRECT

  # 局域网与保留地址
  #- IP-CIDR,192.168.0.0/16,DIRECT,no-resolve
  #- IP-CIDR,10.0.0.0/8,DIRECT,no-resolve
  #- IP-CIDR,172.16.0.0/12,DIRECT,no-resolve
  #- IP-CIDR,127.0.0.0/8,DIRECT,no-resolve
  #- IP-CIDR,100.64.0.0/10,DIRECT,no-resolve
  #- IP-CIDR,17.0.0.0/8,DIRECT,no-resolve

  # ===== 3. AI 服务走代理 =====
  # OpenAI
  - DOMAIN-KEYWORD,openai,🤖 AI服务
  - DOMAIN-SUFFIX,openai.com,🤖 AI服务
  - DOMAIN-SUFFIX,chatgpt.com,🤖 AI服务
  - DOMAIN-SUFFIX,ai.com,🤖 AI服务
  - DOMAIN-SUFFIX,oaistatic.com,🤖 AI服务
  - DOMAIN-SUFFIX,oaiusercontent.com,🤖 AI服务
  - DOMAIN-KEYWORD,chatgpt,🤖 AI服务

  # Anthropic (Claude)
  - DOMAIN-SUFFIX,anthropic.com,🤖 AI服务
  - DOMAIN-SUFFIX,claude.ai,🤖 AI服务

  # Google (Gemini/Bard/DeepMind)
  - DOMAIN-SUFFIX,gemini.google.com,🤖 AI服务
  - DOMAIN-SUFFIX,bard.google.com,🤖 AI服务
  - DOMAIN-SUFFIX,deepmind.google,🤖 AI服务
  - DOMAIN-SUFFIX,deepmind.com,🤖 AI服务
  - DOMAIN-SUFFIX,ai.google.dev,🤖 AI服务
  - DOMAIN-SUFFIX,generativeai.google,🤖 AI服务
  - DOMAIN-SUFFIX,proactivebackend-pa.googleapis.com,🤖 AI服务
  - DOMAIN-KEYWORD,generativelanguage,🤖 AI服务

  # Meta (Llama)
  - DOMAIN-SUFFIX,meta.ai,🤖 AI服务
  - DOMAIN-SUFFIX,llama.com,🤖 AI服务
  - DOMAIN-SUFFIX,llama.meta.com,🤖 AI服务

  # 其他海外AI服务
  - DOMAIN-SUFFIX,perplexity.ai,🤖 AI服务
  - DOMAIN-SUFFIX,pplx.ai,🤖 AI服务
  - DOMAIN-KEYWORD,perplexity,🤖 AI服务
  - DOMAIN-SUFFIX,x.ai,🤖 AI服务
  - DOMAIN-KEYWORD,grok,🤖 AI服务
  - DOMAIN-SUFFIX,poe.com,🤖 AI服务
  - DOMAIN-SUFFIX,you.com,🤖 AI服务

  # Hugging Face (AI模型社区)
  - DOMAIN-SUFFIX,huggingface.co,🤖 AI服务
  - DOMAIN-SUFFIX,hf.co,🤖 AI服务

  # 平台/聚合类AI服务
  - DOMAIN-SUFFIX,openrouter.ai,🤖 AI服务
  - DOMAIN-SUFFIX,together.ai,🤖 AI服务

  # Cursor AI 编辑器
  - DOMAIN-SUFFIX,cursor.com,🤖 AI服务
  - DOMAIN-SUFFIX,cursor.sh,🤖 AI服务
  - DOMAIN-SUFFIX,cursor-cdn.com,🤖 AI服务
  - DOMAIN-SUFFIX,workos.com,🤖 AI服务
  - DOMAIN-SUFFIX,challenges.cloudflare.com,🤖 AI服务

  # Amazon Kiro / Amazon AI 服务
  - DOMAIN-SUFFIX,kiro.dev,🤖 AI服务
  - DOMAIN-SUFFIX,amazonkiro.com,🤖 AI服务
  - DOMAIN-KEYWORD,kiro,🤖 AI服务
  - DOMAIN-SUFFIX,aws.amazon.com,🤖 AI服务
  - DOMAIN-SUFFIX,amazonaws.com,🤖 AI服务
  - DOMAIN-SUFFIX,bedrock.aws,🤖 AI服务
  - DOMAIN-KEYWORD,amazonbedrock,🤖 AI服务
  - DOMAIN-SUFFIX,q.aws.amazon.com,🤖 AI服务
  - DOMAIN-SUFFIX,codecatalyst.aws,🤖 AI服务
  - DOMAIN-SUFFIX,sagemaker.aws,🤖 AI服务

  # 国内AI服务 (默认直连，如需走代理请取消注释并修改策略)
  # - DOMAIN-SUFFIX,deepseek.com,DIRECT
  # - DOMAIN-SUFFIX,yiyan.baidu.com,DIRECT
  # - DOMAIN-SUFFIX,tongyi.aliyun.com,DIRECT
  # - DOMAIN-SUFFIX,doubao.com,DIRECT
  # - DOMAIN-SUFFIX,chatglm.cn,DIRECT
  # - DOMAIN-SUFFIX,xinghuo.xfyun.cn,DIRECT
  # - DOMAIN-SUFFIX,kimi.moonshot.cn,DIRECT
  # - DOMAIN-SUFFIX,yuanbao.tencent.com,DIRECT

  # ===== 4. 流媒体走代理 =====
  - DOMAIN-KEYWORD,youtube,🎬 流媒体
  - DOMAIN-KEYWORD,netflix,🎬 流媒体
  - DOMAIN-KEYWORD,disney,🎬 流媒体
  - DOMAIN-KEYWORD,hbo,🎬 流媒体
  - DOMAIN-KEYWORD,hulu,🎬 流媒体
  - DOMAIN-KEYWORD,spotify,🎬 流媒体
  - DOMAIN-KEYWORD,twitch,🎬 流媒体
  - DOMAIN-SUFFIX,googlevideo.com,🎬 流媒体
  - DOMAIN-SUFFIX,ytimg.com,🎬 流媒体
  - DOMAIN-SUFFIX,ggpht.com,🎬 流媒体
  - DOMAIN-SUFFIX,fastly.com,🎬 流媒体

  # ===== 5. 其他常用国外服务走代理 =====
  - DOMAIN-KEYWORD,github,🚀 节点选择
  - DOMAIN-SUFFIX,github.com,🚀 节点选择
  - DOMAIN-SUFFIX,github.io,🚀 节点选择
  - DOMAIN-SUFFIX,githubassets.com,🚀 节点选择
  - DOMAIN-SUFFIX,githubusercontent.com,🚀 节点选择
  - DOMAIN-KEYWORD,google,🚀 节点选择
  - DOMAIN-KEYWORD,twitter,🚀 节点选择
  - DOMAIN-KEYWORD,facebook,🚀 节点选择
  - DOMAIN-KEYWORD,instagram,🚀 节点选择
  - DOMAIN-KEYWORD,reddit,🚀 节点选择
  - DOMAIN-KEYWORD,telegram,🚀 节点选择
  - DOMAIN-KEYWORD,whatsapp,🚀 节点选择
  - DOMAIN-KEYWORD,zoom,🚀 节点选择
  - DOMAIN-KEYWORD,slack,🚀 节点选择
  - DOMAIN-KEYWORD,notion,🚀 节点选择

  # ===== 6. 最终兜底规则 =====
  # 所有未被上述规则匹配的流量，默认走代理节点
  - MATCH,🚀 节点选择

然后，在clash的订阅这里，新建、Local、随便起个名字，再上传刚刚准备好的订阅conf.yaml配置文件

然后，点击上图的保存按钮，再右键使用之，就订阅好了

而后开启代理

在clash里面也能看到我们的ip已经变成了新加坡了

至此，VPN搞定完毕，就可以正常访问github，用谷歌搜索学习代码知识啦

2025 年 12 月 13 日，VeloxCon China 2025 在北京成功举办。作为 Velox 项目首次在中国举办的线下技术大会，汇聚了来自Meta、IBM、蚂蚁集团、阿里云、腾讯、小米、小红书等企业的数十位核心贡献者与一线工程师。

大会通过 18 场演讲将 Velox 置于真实业务场景之中，系统展示了其在架构演进、AI 数据处理、湖仓加速、流批融合等方向的最新实践。这些分享不仅直面性能、稳定性与兼容性等落地挑战，也反应了开发者社区对构建可靠、可扩展、可协同的数据基础设施的共同探索，彰显了中国开发者在全球高性能分析生态中的工程深度与协作广度。

夯实底座，突破能力边界
会议伊始，Velox 项目联合发起人 Pedro 发表开幕致辞。他回顾了 Velox 开源项目的发展历程，从项目启动、开源发布到建立技术治理结构，展示了 Axiom 架构、GPU 支持、PyVelox 等关键进展，强调了社区协作与工程严谨性是项目持续演进的核心动力。他特别提到，Velox 已建立了正式的技术治理机制，并迎来来自 IBM、Intel、NVIDIA、Microsoft 等多家企业的新增维护者，标志着项目正迈向更加开放和可持续的阶段。

在明确了社区与架构演进的总体方向后，大会议题迅速深入到如何利用 Velox 构建高性能计算引擎的具体实践中。阿里云 EMR Serverless Spark 技术负责人周克勇系统阐述了“可组合性”在数据计算领域的实践。他详细解析了阿里云如何深度集成并贡献于 Apache Celeborn、Paimon、Velox 及 Gluten 等开源组件，通过模块化组装构建出高性能湖仓一体引擎。他指出，基于该架构，阿里云 EMR Serverless Spark 成功创造了 TPC-DS 100TB 规模性能测试的世界新纪录，实现性能翻倍与性价比大幅提升。

接着，Meta 软件工程师 Masha Basmanova 阐述了现有查询引擎在跨语言通信、优化器能力与开发体验上面临的挑战，并介绍了基于 C++ 的统一前端框架 Axiom。该框架将 SQL 解析、逻辑优化与物理执行融为一体，通过内置的强大优化器与 Velox 运行时无缝对接，能够实现更高效、可扩展的查询处理。演讲最后，她积极展示了 Axiom 的开源路线图，并欢迎全球开发者加入，共同推动该项目的演进。

强大的执行框架，最终需要服务于极具挑战性的数据场景，特别是爆发式增长的 AI 数据。Meta 软件工程师孟晓烜则在之后的演讲中，深入阐述了应对AI训练数据规模激增与成本挑战的解决方案。他重点介绍了 Meta 如何通过数据归一化技术剥离重复特征，并构建可索引的序列存储系统。依托 Velox 技术栈，团队在训练数据的加载、生成与探索三大环节实现了端到端优化，显著提升了处理效率与资源利用率。

在 Meta 多位工程师从框架演进、可组合架构、数据标准化等角度深入分享后，蚂蚁集团高级技术专家黄叶伟也从企业落地实践层面分享了基于 Velox 的 Spark 加速实践。他重点介绍了基于 Gluten 与 Velox 构建的向量化引擎如何通过任务级 Fallback、Spill 优化、Shuffle 优化等关键技术，在混合部署场景下显著提升 Spark 性能与稳定性。他表示，该方案目前已实现日均数十万任务覆盖，平均节省资源超30%，并将在算子优化与架构扩展方面持续演进。

作为连接 Spark 生态与原生加速的关键中间层，Apache Gluten 的进展同样备受关注。来自 IBM 的莫芮与周渊聚焦 Apache Gluten与 Velox 的深度集成，阐述了其如何在大数据分析中驱动创新。他们介绍，Gluten 在保持对 Spark/Flink 作业透明加速能力的同时，正逐步增强对多后端引擎和复杂业务场景的适配能力。目前，该方案已在 Pinterest、顺丰科技及多个内部集群完成规模化验证，有效支撑了从日志分析到物流调度等多样化负载的性能提升与成本优化。

随着向量化加速在通用场景日趋成熟，针对特定存储格式的深度优化成为新的效能突破口。腾讯大数据开发工程师陈锦海分享了微信基于 Velox 加速 lceberg 湖仓分析的优化与实践，重点介绍了原生分桶方案。据他介绍，该方案通过动态识别表元信息自动设置分区数，能有效缓解 AQE 引发的写入倾斜，结合空闲资源灰度发布策略，可保障大规模作业的稳定上线。

扎根场景，释放协同效能
午餐后的议程更加聚焦 Velox 在真实业务中的集成深度与生产韧性，回应了开发者们对兼容性、稳定性与端到端效能等规模化落地的核心关切。
小米计算平台计算引擎负责人王胜杰分享了公司在 Spark 向量化升级中的规模化落地经验。面对业务迁移中的兼容性与稳定性挑战，他表示，小米通过自动兼容校验、双跑结果比对及内存异常感知的三级资源升级机制，已成功推动向量化改造在数十万作业中平稳落地。

面对海量数据挑战，全球科技公司也在探索相似的演进路径。Meta 软件工程经理 Stanley Yao 在演讲中分享了公司基于 Velox 推进 Spark 向量化改造的整体策略。他表示，团队通过从定制化方案到开源架构的持续演进，已实现关键业务管线向 Gluten（Flare）的平稳迁移，并获得显著的效率提升。未来，Meta 计划进一步扩大该架构的应用规模。

在 CPU 向量化趋于普及的同时，利用异构硬件挖掘更高性能成为新的前沿。IBM 研究院资深软件工程师 Zoltán Arnold Nagy 展示了基于 Velox 与 Presto 的 GPU 加速数据处理方案。他介绍道，Velox 通过与 cuDF 集成，可在 GPU 上高效执行算⼦，并针对多 GPU 分布式场景优化通信与数据交换。此外，为突破 I/O 瓶颈，团队正在探索结合 GPUDirect 存储与缓存层的加速策略。

对性能与稳定性的追求，也驱动着查询引擎架构本身的融合与创新。Meta 软件工程师谭家梁与大家分享了 Native Presto-on-Spark 的规模化应用。该架构以 Presto 查询优化、Spark 资源调度与容错机制以及 Velox 原生向量化执行为核心，实现了性能与可靠性的显著提升。他表示，目前该方案已在生产环境中取得成效，并将在未来持续推进全栈原生化演进。

对于国内庞大的云上业务，Velox 同样在支撑着关键数据服务平台。 阿里云高级工程师王彬与范阿冬系统介绍了Velox在阿里云日志服务中的深度集成与应用。他们指出，基于 Velox 构建的高性能查询引擎，通过混合执行、表达式下推、自动增量物化视图及免 Schema 分析等核心技术，可显著提升平台在处理海量实时数据时的查询效率与资源利用率。他们还强调，该架构不仅为日志分析、智能运维等场景提供了稳定支撑，也为面向 AI 的云原生数据平台演进奠定了坚实基础。

除了通用的日志与湖仓分析，Velox 也在向更垂直的时序数据场景渗透。腾讯高级工程师李兆龙分享了基于 Velox 构建云原生时序数据库的落地经验。他表示，通过在 Velox 中实现时序数据去重优化与存储写入增强，系统在应对高频写入与实时查询场景时，可显著提升吞吐效率与响应性能。目前该方案已有效支持物联网、实时监控等业务场景，未来还将进一步完善缓存与压缩机制，持续优化时序数据处理的整体效能。

IBM 软件工程师刘平接着分享了 Velox 在 Iceberg 数据写入能力上的突破性进展。他表示，目前 Velox 对 Iceberg 的支持以读取为主，其写入功能的完善将填补该方向的关键能力空白，为基于 Presto 与 Spark 的数据湖架构提供更统一、高效的数据摄入层。这一进展也标志着 Velox 正从查询加速向数据全链路处理拓展。

接着，来自阿里云的毕岩与周滔分享了 Velox 与 Apache Paimon 深度集成的解决方案，为提升引擎与存储的协同效率提供了另一种集成思路。在他们看来，现有方案存在表类型支持受限、缺乏可移植性等瓶颈， 但可以建立 C++ 原生 Paimon 库，通过其统一的数据协议与插件化设计，使 Paimon 能够被 Velox、StarRocks 等多种计算引擎直接高效调用，从而提升数据读写性能，并为湖仓格式的跨引擎协同提供新的基础支撑。

在批处理场景之外，流计算框架的向量化也正成为新的热点。蚂蚁集团技术专家刘勇介绍了基于 Velox 为 Flink 构建的统一向量化执行引擎 Flex。他表示，Flink 作为流批一体架构的核心，其原生向量化能力的补足至关重要。Flex 通过将 Velox 的高性能算子能力引入 Flink，同时结合自动化验证、可视化计划与精细化回退机制，现已实现了作业性能的显著提升，并支撑多条核心业务链路平稳运行。

随着 Velox 赋能的应用场景日益广泛和复杂，确保其在不同引擎和版本间的整体质量与可靠性变得至关重要。Meta 软件工程师 Eric Liu 阐述了在 AI 数据基础架构下，保障 Velox 多引擎版本可靠性的系统化方法。他指出，面对不同引擎与存储格式交织带来的复杂性，关键在于建立跨引擎测试框架与合成数据工厂。这一实践能有效提前发现全栈潜在问题，从而确保底层变更在大规模生产环境中的稳定与高效。

针对向量化引擎中窗口运算符内存溢出的典型难题，来自英特尔的贾柯分享了她的见解。她认为，通过为 Velox 引入流式窗口处理机制，可使计算随数据到达逐步执行并即时释放内存，从而从架构层面化解多数场景下的内存风险，显著提升复杂查询的稳定性。

最后，小红书 Native Engine 团队技术负责人魏秀利也分享了向量化引擎在公司业务中规模化落地的经验。据他介绍，通过将写入异步化并构建原生 Avro 读取能力，小红书在不增加业务复杂度的前提下，成功缓解了端到端延迟，印证了“执行与存储协同优化”在湖仓场景中的关键价值。

从底层执行引擎的持续创新，到日志分析、湖仓写入、流批融合等复杂场景的稳定运行，在本届 VeloxCon China 上，我们看到 Velox 的技术价值已在真实业务中不断被验证和拓展。同时我们也很高兴看到中国开发者成为这一进程的重要推动者。期待未来有更多志同道合者加入 Velox 开源社区，共建高性能分析基础设施。weibo.com/ttarticle/p/show?id=2309405290320475848730 weibo.com/ttarticle/p/show?id=2309405290320828432386 weibo.com/ttarticle/p/show?id=2309405290321235017780 weibo.com/ttarticle/p/show?id=2309405290427158233202 weibo.com/ttarticle/p/show?id=2309405290427510292586 weibo.com/ttarticle/p/show?id=2309405290427867070839 weibo.com/ttarticle/p/show?id=2309405290428219129971 weibo.com/ttarticle/p/show?id=2309405290428571451429 weibo.com/ttarticle/p/show?id=2309405290429099933759

随着工业4.0与智能制造的深入推进，设备维护模式正经历从传统的事后维修与预防性维护向预测性维护的范式转移。本文阐述万界星空AI驱动预测性维护的技术原理、架构体系及实施路径，通过多源数据融合与深度学习算法，解决传统维护模式中成本高、效率低、响应滞后的痛点，为企业构建可量化、可落地的设备健康管理体系提供理论依据与实践指导。
传统维护模式的局限性与挑战
在当前的工业制造场景中，设备的高可用性是保障产能与交付的核心。然而，传统维护策略普遍面临“三缺”困境：缺数据、缺预判、缺效率。

事后维修模式依赖于设备功能失效后的被动响应。据行业统计，非计划停机造成的生产损失往往是常规维护成本的数倍，且突发故障常引发连锁反应，导致核心部件不可逆损坏。预防性维护虽引入了周期性干预机制，但基于固定时间表的维护策略忽视了设备实际工况（如负载、环境、磨损速率）的差异性，导致“过度维护”造成的资源浪费与“维护不足”引发的漏检风险并存。

预测性维护的技术解构：数据驱动的科学范式
预测性维护并非基于经验的模糊预测，而是建立在严密的数学逻辑与工程实践基础上的科学体系。其核心在于利用物理感知与数字算法的深度融合，实现设备全生命周期的状态感知与趋势预判。

多维感知与数据治理
高精度预测的前提是全维度的状态感知。系统通过部署工业物联网传感器，采集振动、温度、电流、压力等关键物理量。其中，高频振动数据（采样率可达10kHz以上）能够捕捉轴承、齿轮等旋转部件的早期微弱故障特征。同时，系统需融合环境数据（温湿度、粉尘）、工艺参数（转速、负载）及历史运维记录，构建多源异构数据湖，为算法模型提供高质量的训练样本。

算法模型与特征工程
预测性维护的“大脑”由多层次算法构成：
信号处理层： 利用快速傅里叶变换、小波变换等技术，将时域信号转换为频域特征，精准提取故障特征频率。
机器学习层： 采用随机森林、支持向量机等算法，对已知故障模式进行分类识别；利用孤立森林等无监督学习算法进行异常检测，识别未知故障。
深度学习层： 运用长短期记忆网络、卷积神经网络等模型处理时序数据，捕捉设备性能退化的长期依赖关系，实现剩余使用寿命的精准预测，误差可控制在15%以内。

实施路径：从单点突破到体系化闭环
企业落地预测性维护需遵循“评估-建设-建模-验证-推广-管理”的六步法，确保技术投入转化为实际生产力。

现状评估与优先级划分
依据设备关键度（故障对生产的影响）、维修复杂度及数据基础，建立设备分级矩阵。优先选择高价值、高故障率的瓶颈设备（如关键机床、风机）作为切入点。

数据底座建设
构建“端-边-云”协同的基础设施。边缘计算节点负责高频数据的实时清洗与初步推理，降低云端传输延迟；云端平台负责海量数据存储、模型训练与全局管理。

场景化建模与验证
采用“小步快跑”策略，选取典型设备进行试点。通过历史故障数据回溯训练，设定故障预警准确率、提前期等关键指标，验证模型在实际工况下的鲁棒性。

管理体系重构
技术落地必须伴随管理流程的变革。建立“预警-派单-维修-反馈”的闭环工作流，将预测结果直接转化为可执行的工单，并纳入绩效考核，实现从“人找故障”到“故障找人”的转变。

价值验证与行业实践
实证数据显示，成熟的预测性维护体系可显著优化运营指标。在某汽车零部件制造案例中，通过部署振动监测与LSTM寿命预测模型，企业实现了非计划停机时间减少65%，设备综合效率提升17%，年均维护成本降低近40%。在钢铁行业，针对高炉风机的预测性维护系统通过融合工艺与振动数据，实现了连续两年无非计划停机，避免了数亿元的潜在停产损失。

结语
AI驱动的预测性维护是工业设备管理从经验主义向数据主义转型的必然产物。它摒弃了“黑箱”式的玄学猜测，代之以透明、可解释、可验证的技术路径。对于制造企业而言，构建这一体系不仅是技术升级，更是重塑核心竞争力的战略选择。

担心网站被劫持、用户数据泄露？
你只差这一步：部署SSL证书，开启HTTPS加密

随着网络安全形势日益严峻，主流浏览器对非HTTPS网站开始显示“不安全”警告。如果你的网站还在使用HTTP，不仅影响用户体验，更可能错失大量商机。

第一步：选择合适的CA机构和SSL证书

升级第一步，打开JoySSL官网，注册时填写注册码230970，获取大额优惠。

升级的第二步，是申请一张SSL证书。根据你的网站类型和验证需求，可以选择：

• DV证书（域名验证型） ：适合个人博客、中小型展示站，验证快、价格低
• OV证书（组织验证型） ：适合企业官网、电商平台，验证企业身份，显示企业信息
• EV证书（扩展验证型） ：适合金融、支付类网站，地址栏直接显示企业名称，信任度最高

第二步：生成CSR并提交申请

在服务器上生成CSR（证书签名请求）文件，其中包含网站域名和公司信息。将CSR提交给我们，验证通过后即可下载证书文件。不同服务器环境（如Nginx、Apache、IIS、Tomcat等）生成CSR的方式略有差异，但核心步骤一致。

第三步：安装配置SSL证书

下载证书后，根据你的服务器类型进行部署。以常见的Nginx为例，你需要将证书文件和私钥文件放置在指定目录，并在站点配置中开启443端口监听，指定证书路径。Apache则需加载SSL模块并配置虚拟主机。其他服务器环境也有对应的图形化或命令行配置方式。

第四步：设置301重定向

为了将所有HTTP流量自动跳转到HTTPS，需要在网站配置中加入重定向规则。无论是通过Nginx的rewrite指令，还是Apache的.htaccess文件，都可以实现永久重定向（301），确保用户访问旧链接时无缝切换至加密版本，同时避免重复内容影响SEO。

第五步：更新资源链接并配置HSTS

将网页内所有引用的图片、CSS、JS等资源的链接改为HTTPS或协议相对路径（即“//域名/资源”形式），否则浏览器会因混合内容而阻止加载。同时强烈建议开启HSTS（HTTP严格传输安全），该机制会通知浏览器在未来一段时间内强制使用HTTPS访问你的网站，彻底杜绝降级攻击。

第六步：测试验证

部署完成后，可以使用SSL Labs在线工具检测配置是否正确，重点关注证书链完整性、协议支持及加密套件强度，力争达到A+评分。此外，别忘了更新搜索引擎资源平台（如百度搜索资源平台、Google Search Console）中的网站地址，并提交新的HTTPS站点地图，以加速搜索引擎对新协议的收录。

针对卤制品行业“一锅一卤”、依赖人工经验、保质期短且食品安全要求极高的特点，一套成熟的MES（制造执行系统）解决方案不仅仅是软件的安装，更是对生产流程的标准化重塑。
**一、核心痛点与解决思路

二、MES解决方案的四大核心功能模块**
1、生产计划与智能排程 (APS)
卤制品通常具有“短保、多SKU、多门店”的特点，排程极-其复杂。
以销定产： 系统对接前端销售（ERP/POS）和门店订单，自动生成生产需求。
智能排产： 综合考虑卤锅产能、人员班次、原料库存，自动生成最优生产计划。例如，系统能根据订单优先级，自动安排“急单”插队，并动态调整后续生产任务。
2、生产过程精细化管控
这是MES在卤制品行业最关键的环节，重点在于将“经验”转化为“数据”。
配方与投料管理：

防错机制： 系统下发电子配方（BOM），工人通过智能终端扫描原料条码投料，系统自动校验重量和种类，防止错投、漏投。
添-加剂管控： 对食盐、防腐剂等关键添-加剂进行精准称重记录，确保符合食品安全法规。

工艺参数监控 (IoT集成)：

自动采集： 通过物联网网关连接卤煮锅、腌制机等设备，实时采集温度、压力、时间、搅拌频率等数据。
电子SOP： 工位屏幕显示标准作业程序，指导工人操作。若卤制温度偏离设定值（如设定100℃，实际95℃），系统自动报警甚至停机，确保每一锅卤味风味一致。

3、全流程质量追溯 (一物一码)
建立“正向可追踪，反向可溯源”的体系，是应对食安检查的刚需。
赋码关联： 在包装环节，利用视觉识别和机械手技术，建立“袋码-箱码-托盘码”的关联关系。
秒级追溯：

反向查询： 输入成品批次，可查原料来源（哪批鸭脖、哪批香料）、生产班组、卤制参数、质检报告。
正向追踪： 若原料出现问题，可瞬间锁定受影响的成品批次及发往的门店，实现精准召回，将损失降至最低。

4、仓储物流与冷链协同
卤制品对新鲜度要求极高，MES需与WMS（仓储管理系统）和TMS（运输管理系统）无缝集成。
效期管理： 严格执行“先进先出”，临期产品自动预警。
冷链监控： 虽然主要在TMS中实现，但MES需记录成品出库时的温度状态。结合绝味等企业的实践，系统需确保从工厂到门店的“24小时鲜达”承诺，实时监控车厢温湿度，异常即报警。

三、万界星空科技AI赋能的MES系统
1、智能动态排程： 系统接收订单后，AI算法会综合考虑设备产能、人员配置、物料库存等多种因素，自动生成最优生产计划。当遇到紧急插单或设备故障等突发情况时，系统能实时动态调整排程，确保订单按时交付，最大化设备利用率。
生产执行透明化： 生产任务可实时下发至工人的移动终端，管理者能随时追踪生产进度。通过实时数据看板，生产现场的进度、设备状态和质量数据一目了然，实现了生产过程的透明化管理。
2、精-准质量控制与工艺管理
AI技术将质量控制从“事-后检验”前移至“事-前预防”和“事-中控制”，确保产品口味与质量的稳定。
AI视觉检测： 利用高分辨率工业相机和深度学习算法，对生产线上的产品进行毫秒级扫描，精准识别包装缺陷、异物、颜色不均等问题，其效率和准确性远超人工目检。
智能工艺控制： 在卤制、腌制等关键工序，AI模型可以根据原料（如肉类）的批次特性（如含水量），自动计算并设定最佳的工艺参数（如卤制时间、温度、加水量），确保每批次产品口味一致。
预测性质量分析： AI模型整合生产、设备、环境等多源数据，提前预测质量风险。例如，分析出特定批次原料结合车间温湿度变化可能导致的产品质构偏差，从而提前预警并建议调整工艺。
3、设备预测性维护与能耗优化
通过AI对设备数据的深度分析，可以实现从被动维修到主动维护的转变，并有效控制能源成本。
预测性维护： AI模型通过分析MES采集的设备振动、温度等实时数据，能够预测设备可能出现的故障，并提前生成维护工单，有效避免了非计划性停机，保障生产连续性。
能耗智能管控： AI模型分析设备能耗与生产负荷、工艺参数之间的关联，找到能耗与效率的最佳平衡点。例如，自动优化卤制设备的温度、风机转速等，在保证产品质量的前提下，可实现5%-15%的能耗降低。
4、全链路追溯与供应链协同
AI与MES的结合，构建了从原料到成品的“一物一码”全链条追溯体系，极大提升了食品安全保障和供应链效率。
精-准追溯： 系统支持从成品到原料的反向追溯和从原料到成品的正向追溯。
供应链优化： AI通过分析历史销售数据、季节性趋势等外部因素，精准预测市场需求，帮助企业优化生产计划和库存水平，有效减少因过度生产或产品变质造成的浪费。
一物一码应用： 为每件产品赋予唯一的追溯码，消费者扫码即可查看产品的“身-份-证”，包括产地、检测报告、生产及运输温控曲线等信息，增强了品牌信任度。

在卤制品行业，AI与制造执行系统（MES）的深度融合正推动着生产管理从“经验驱动”向“数据智能驱动”的变革。这种结合不仅解决了传统生产中的效率、质量和追溯难题，更以前所未有的精度保障了食品安全与产品一致性。

好多朋友找到我说，大霖，我找到靠谱的接口了，但是怎么接入啊？有没有现成的代码？能不能给个教程？

害，这有啥难的，今天我就给你们整个保姆级的实战教程，3 分钟就能搞定，代码我都给你们写好了，复制过去就能用，看完你就能自己把 GPT-Image-2 接入到你的项目里。

我们就用速创 API 来做演示，毕竟这个是我自己在用的，靠谱，而且接入贼简单。

第一步：注册账号，拿到 API Key
首先，你得先去速创 API 官网注册个账号，这个很简单，用手机号或者邮箱就能注册，30 秒就能搞定。

注册完登录之后，去控制台的密钥管理里，就能拿到你的 API Key 了，这个就是你调用接口的凭证，别泄露给别人就行。

第二步：了解接口参数

速创的接口很简单，两个核心接口，一个是提交生成任务的，一个是查询任务结果的，我把接口文档给你们放这了，你们可以看下：

提交生图任务接口
这个接口是 POST 请求，用来提交你的生图需求，参数很简单：

prompt：就是你的提示词，必填，你要生成什么图，就写这
size：图片的尺寸，可选，默认 auto，支持 1:1、3:2 这些
urls：参考图的 URL，可选，如果你要以图生图的话，就填这个
查询任务结果接口
因为生图是异步的，所以提交任务之后，你需要用这个接口去查结果，参数就一个任务 ID，提交任务的时候会返回给你。

第三步：复制代码，直接运行
好了，接下来就是代码了，我给你们写了 Python 的示例，直接复制就能用，把你的 API Key 填进去就行。

import requests
import json
import time

替换成你自己的API Key

API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

速创API的基础地址

BASE_URL = "https://api.wuyinkeji.com/api/async"

1. 提交生图任务

def submit_task(prompt):

url = f"{BASE_URL}/image_gpt"
headers = {
    "Authorization": API_KEY,
    "Content-Type": "application/json"
}
payload = {
    "prompt": prompt,
    "size": "auto"
}

response = requests.post(url, headers=headers, json=payload)
if response.status_code == 200:
    data = response.json()
    return data.get("id") # 返回任务ID
else:
    print(f"提交失败: {response.text}")
    return None

2. 查询任务结果

def get_result(task_id):

url = f"{BASE_URL}/detail"
params = {
    "key": API_KEY,
    "id": task_id
}

response = requests.get(url, params=params)
if response.status_code == 200:
    data = response.json()
    # 0是处理中，1是成功，2是失败
    if data.get("code") == 1:
        return data.get("data")
    elif data.get("code") == 2:
        print(f"任务失败: {data.get('msg')}")
        return None
    else:
        return None
else:
    print(f"查询失败: {response.text}")
    return None

主流程

if name == "__main__":

prompt = "一只可爱的布偶猫，穿着宇航服，漂浮在绚烂的银河中，照片级真实感，4K高清细节"

print("提交生图任务...")
task_id = submit_task(prompt)
if not task_id:
    exit()

print(f"任务提交成功，任务ID: {task_id}，等待结果...")
# 轮询查询结果
while True:
    result = get_result(task_id)
    if result is not None:
        print(f"生成成功！图片URL: {result}")
        break
    elif result is None and get_result is not None:
        # 失败了就退出
        break
    else:
        print("任务处理中，等待2秒...")
        time.sleep(2)

就这么简单！你把这个代码复制过去，把你的 API Key 填进去，直接运行就能用了。

而且你不用担心，就算任务失败了，钱也会自动退给你，不会扣你的钱，你放心调试就行。

对了，这个接口是没有并发限制的，如果你要批量生成图，直接开多线程或者异步调用就行，不用担心限流，随便你怎么造，都没问题。

我自己用这个接口做了个小工具，批量生成电商的主图，一次跑几百个任务，都没出问题，稳的很。

如果你也想试试，赶紧去速创 API 官网注册个账号，把代码拿去跑一下，几分钟就能体验到 GPT-Image-2 的强大了，反正失败了也不扣钱，试试也不吃亏。

有啥问题的话，评论区留言就行，我看到了会回你。

JimuReport AI专题研究 | 2026-04-13 发布，AI 助手 + Claude Code Skills 双管齐下

划重点：现在可以一句话生成大屏了

JimuReport 积木报表旗下 JimuBI 大屏 v2.3.2 上线了两种 AI 生成方式：

• 方式一：在 Claude Code 里一句话生成整块大屏（新增 jimubi-bigscreen / jimubi-dashboard 两个 Skill）
• 方式二：在大屏设计器里对话生成组件、改配置（编辑器内置 AI 助手）

把"大屏制作"从"拖控件 + 调 JSON + 改配色"的体力活，变成了"描述 + AI 生成 + AI 迭代"的对话式协作。

方式一：Claude Code 里一句话生成大屏（0 → 1）

Step 1：装 Skill

Skills 仓库地址：https://github.com/jeecgboot/skills

按场景挑对应技能：

• jimubi-bigscreen — 全屏数据可视化大屏（展厅、监控室、会议汇报）
• jimubi-dashboard — 栅格布局数据仪表盘（业务日常查看、筛选钻取）

Step 2：一句话描述需求

在 Claude Code 对话框里直接说：

• "做一个 1920×1080 的销售监控大屏，左上角 KPI，中间地图，右侧排行榜"
• "做一个展厅用的数字孪生大屏，带 3D 效果和左右两侧实时数据流"
• "做一个运营看板，KPI 四张卡片，下面是趋势线和环比柱形图"
• "做一个销售 CRM 仪表盘，顶部按团队筛选，中间订单漏斗，底部客户分布"

Skill 首次运行会提示你提供后台 API 地址和 Token：

随后进入自动生成过程——选布局、选组件、配数据源、调用 JimuBI 大屏 API 落库：

生成效果——真的相当惊艳：

打开设计器，大屏立刻就绪。还想继续调？交给方式二的 AI 助手。

方式二：设计器里对话改大屏（1 → 10）

大屏编辑器里内置了 AI 助手，直接在编辑器内对话修改：

• 生成组件："左上角加一个销售额 KPI，主色深蓝，带百分比环比"
• 修改配置："把这张环形图改成柱状图，X 轴换月份"
• 批量样式 / 换主题："所有图表字体加大两号、整块大屏换成科技蓝"

AI 一句话修改组件的配置项：

过去要懂 ECharts 配置项才能精细调样式——tooltip、series、axisLabel 成百上千的参数。现在一句自然语言全部搞定。

• 对新手：这是"能做出来"的关键
• 对老手：这是"做得快"的工具

集成方式：改一行版本号

SpringBoot 3：

<dependency>
    <groupId>org.jeecgframework.jimureport</groupId>
    <artifactId>jimubi-spring-boot3-starter</artifactId>
    <version>2.3.2</version>
</dependency>

SpringBoot 2：

<dependency>
    <groupId>org.jeecgframework.jimureport</groupId>
    <artifactId>jimubi-spring-boot-starter</artifactId>
    <version>2.3.2</version>
</dependency>

总结

JimuBI 大屏 v2.3.2 核心做了一件事：用 AI 接管"大屏制作"的整个生命周期。 Skills 管生成，AI 助手管迭代，人只负责打磨。

如果你的团队正在被"做大屏排期两周、改样式还要再两天"卡脖子——这是一个"今天升级，下周效率翻倍"的版本。

本文为 JimuReport AI 专题研究系列文章。

<!-- 发布设置：置顶=是, 推荐=是, 发布时删除第一行大标题 -->

在使用代理IP进行网络请求时，底层依赖的协议决定了数据传输的方式、安全性和适用场景。不同的协议有不同的特点和限制。

本文将从技术角度介绍三种最常见的代理协议：HTTP、HTTPS 和 SOCKS5，并对比它们的差异，帮助开发者根据实际需求选择合适的协议。
运行环境

一、HTTP 代理

1.1 基本概念
HTTP 代理是最早也是最常见的代理协议之一，专门用于处理 HTTP 协议格式的请求。
工作原理：

• 客户端向代理服务器发送标准的 HTTP 请求
• 代理服务器解析请求后转发给目标服务器
• 目标服务器的响应原路返回
  1.2 代码示例

import requests

# HTTP 代理配置
proxies = {
    'http': 'http://proxy.example.com:8080',
    'https': 'http://proxy.example.com:8080'
}

response = requests.get('http://httpbin.org/ip', proxies=proxies)
print(response.text)

1.3 特点

1.4 适用场景

• 公开网页数据采集
• API 接口调用

• 无需加密的测试环境

  二、HTTPS 代理

  2.1 基本概念
  HTTPS 代理本质上是 HTTP 代理配合 SSL/TLS 加密层，通过 CONNECT 方法建立隧道传输加密数据。
  工作原理：

• 客户端向代理发送 CONNECT 请求
• 代理与目标服务器建立 TCP 连接
• 代理返回 200 Connection Established
• 客户端与目标服务器进行 TLS 握手
• 加密数据传输
  2.2 代码示例

import requests

# HTTPS 代理配置（与 HTTP 代理配置方式相同）
proxies = {
    'http': 'http://proxy.example.com:8080',
    'https': 'http://proxy.example.com:8080'
}

response = requests.get('https://httpbin.org/ip', proxies=proxies)
print(response.text)

2.3 CONNECT 方法示例

CONNECT httpbin.org:443 HTTP/1.1
Host: httpbin.org:443
Proxy-Connection: Keep-Alive

HTTP/1.1 200 Connection Established

2.4 特点

2.5 适用场景

• 需要登录的网站访问
• 敏感数据传输

• 现代 Web 应用（绝大多数网站已强制 HTTPS）

  三、SOCKS5 代理

  3.1 基本概念
  SOCKS（Socket Secure）协议工作在会话层，比 HTTP 代理更底层。SOCKS5 是其最新版本，支持 TCP 和 UDP 代理。
  握手流程：

• 客户端发送认证方法协商请求
• 服务器回复选定的认证方法
• 根据方法完成认证（可选）
• 客户端发送目标地址和端口
• 服务器建立连接并回复结果

3.2 代码示例
需要安装 PySocks：
pip install PySocks

import requests

# SOCKS5 代理配置
proxies = {
    'http': 'socks5://user:pass@proxy.example.com:1080',
    'https': 'socks5://user:pass@proxy.example.com:1080'
}

response = requests.get('https://httpbin.org/ip', proxies=proxies)
print(response.text)

3.3 使用 socket 层面连接

import socks
import socket

socks.set_default_proxy(socks.SOCKS5, "proxy.example.com", 1080)
socket.socket = socks.socksocket

import urllib.request
response = urllib.request.urlopen('https://httpbin.org/ip')
print(response.read().decode())

3.4 特点

3.5 适用场景

• 代理非 HTTP 流量（FTP、SMTP、SSH）
• 在线游戏、VoIP
• DNS 查询（UDP）
• 配合代理工具（ProxyChains、Clash）

四、如何选择合适的协议？

def choose_protocol(need_encryption: bool, is_web: bool, need_udp: bool):
    if need_udp:
        return "SOCKS5（UDP 场景）"
    if need_encryption:
        return "HTTPS（加密需求）"
    if is_web:
        return "HTTP（公开网页）"
    return "SOCKS5（通用场景）"

# 示例
print(choose_protocol(need_encryption=True, is_web=True, need_udp=False))
# 输出：HTTPS（加密需求）