1. 全文搜索选型

1.1 全文搜索

• Elasticsearch https://github.com/elastic/elasticsearch 72.1K

• Meilisearch https://github.com/meilisearch/meilisearch 49.9K (选用)

• typesense https://github.com/typesense/typesense 22.5K

• sonice https://github.com/valeriansaliou/sonic 20.6K

• zincsearch https://github.com/zincsearch/zincsearch 17.3K (备选)

• Bleve https://github.com/blevesearch/bleve 10.3K

1.2 向量搜索（语义搜索）

• Qdrant https://github.com/qdrant/qdrant 22.7k

• Weaviate https://github.com/weaviate/weaviate?tab=readme-ov-file 12.9K

1.3 结论 （meilisearch）

• 如果需要全面的搜索功能且有运维能力：Elasticsearch
• 如果需要简单部署的全文搜索：Meilisearch
• 如果需要最高性能和专注的向量搜索：Qdrant 或 Weaviate
• 如果已有 PostgreSQL：考虑 pgvector 扩展
• 如果希望纯 Go 实现且内嵌：Bleve

1. 软路由

我用的是 网件的 R6220路由器，可以刷老毛子和openwrt 固件。

1.1 刷机步骤

• 准备工作：1个 U 盘，1根网线，1个路由器。
• 先刷 breed
• 再刷固件

1. 下载安装

1.1 安装 ollama

• mac 直接下载 dmg

• 打开浏览器 http://127.0.0.1:11434

1. 大模型基础

1.1 LLM 核心概念

LLM（Large Language Model，大语言模型）是基于 Transformer 架构 的深度学习模型，参数规模通常达百亿至万亿级别。其核心能力源于自注意力机制（Self-Attention），能够捕捉文本中的长距离依赖关系。

LLM 的训练遵循「预训练 + 微调」范式：

代表模型演进：GPT-3 → ChatGPT（GPT-3.5 + RLHF） → GPT-4 → GPT-4o（原生多模态）

1. AI 发展路径概览

%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#4F46E5', 'primaryTextColor': '#000', 'primaryBorderColor': '#3730A3', 'lineColor': '#6366F1', 'secondaryColor': '#10B981', 'tertiaryColor': '#F59E0B'}}}%%
flowchart TD
    subgraph L1["基础层"]
        A["语言模型<br/>Language Models"]
        B["理解能力<br/>Understanding"]
        C["上下文处理<br/>Context"]
    end

    subgraph L2["中级层"]
        D["条件数据生成<br/>Conditional Generation"]
        E["推理与问题解决<br/>Reasoning"]
        F["创造力<br/>Creativity"]
    end

    subgraph L3["高级层"]
        G["AI Agents<br/>代理工作流"]
        H["类人交互<br/>Human-Like Interaction"]
    end

    subgraph L4["终极目标"]
        I["AGI<br/>通用人工智能"]
    end

    A --> D
    B --> E
    C --> F
    D --> G
    E --> G
    F --> H
    G --> I
    H --> I

    classDef foundation fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef intermediate fill:#10B981,stroke:#059669,color:#fff
    classDef advanced fill:#F59E0B,stroke:#D97706,color:#000
    classDef ultimate fill:#EF4444,stroke:#DC2626,color:#fff

    class A,B,C foundation
    class D,E,F intermediate
    class G,H advanced
    class I ultimate

1. 基础

1.1 RAG 为什么出现

大模型问题：

• 幻觉问题，基于概率
• 数据新鲜度
• 数据安全

最近发现不少程序员转行大模型开发，直接去学 pytorch、transformer, 从底层开始学，其实大可不必。你用了那么多年 MYSQL 也没见你想去重新开发一个数据库，怎么突然就想去开发一个新模型了。

如果你想弄个 Deepseek，需要先评估自己的学历背景、学术背景，能不能加入国内这几家大模型开发团队，或者退一步也是做模型微调，但是不用 Github 开源的微调工具，自己有学术成果，设计新的微调方法，这条路几乎不适合半道转行的应用开发程序员。

1. Client 端

在作为客户端发送请求时，超时控制主要分两个层面：高层级的 http.Client 超时 和 低层级的 http.Transport 精细化控制。在大多数情况下，设置 http.Client.Timeout 就足够了，它可以有效地防止整个请求过程的无限期等待。

1.1 http.Client.Timeout

最简单，但有时太粗暴。这是最常用的设置，它控制包括连接、重定向（Redirects）以及读取响应体在内的整个请求生命周期的最大时长。

1
2
3
4
5

c := &http.Client{
    Timeout: 10 * time.Second,
}
resp, err := c.Get("http://example.com")

• 涵盖范围：Dial（拨号） -> TLS Handshake（握手） -> Request Headers/Body Send -> Response Headers Read -> Response Body Read。
• 优点：简单，能防止请求无限挂起。缺点：对于需要处理长流（Streaming）响应的请求（如下载大文件），这个超时如果不小心设置短了，连接会在中途被截断。
• 如果整个过程的累计时间超过 Timeout，请求会被强制取消，并返回 net/http: request canceled (Client.Timeout exceeded) 错误。

1. 使用

1.1 破解

1

curl -fsSL https://raw.githubusercontent.com/spicetify/cli/main/install.sh | sh

有了购物车之后，搜索 AD，屏蔽广告

1. 数据分析

1.1 均值还是90分位数

看均值的场景:

1. 数据分布较为正态或对称时
2. 数据波动不大,没有明显的异常值
3. 需要了解整体水平或趋势
4. 样本量较大且分布均匀

看90分位数的场景:

1. 数据分布倾斜时
2. 需要排除异常值影响时
3. 长尾分布（少数爆款视频点击量高，大量普通视频点击量低）