开场：告别内网穿透的“开盲盒”体验 在多设备办公和 HomeLab 运维中，远程访问内网资源一直是个痛点： frp / 端口映射：家宽没有公网 IP，或者公网 IP 隔三差五变动，还要针对每个端口配置穿透规则。 ZeroTier / Tailscale：虽然方便，但依赖第三方中央控制平面，国内网络偶发打洞失败或握手延迟飙升。 传统 OpenVPN / IPsec：配置繁琐、代码庞大，在笔记本睡眠唤醒或 Wi-Fi 切换后重连极慢。 WireGuard 的出现彻底解决了这些问题： 代码精简：仅约 4,000 行核心代码，直接集成进 Linux 内核，吞吐量接近线速。 现代密码学：基于 Noise 协议框架与 Curve25519、ChaCha20-Poly1305，没有臃肿的握手协商。 极简身份机制：每个节点一对公私钥，无状态（Stateless）UDP 通信，原生支持移动漫游（Roaming）。 本文将从零开始，手把手记录一套完整的 Ubuntu 云端中继 + 家庭设备 + macOS 终端极客接入 的生产级配置方案，并深度复盘在 macOS 上实现系统级 LaunchDaemon 开机常驻与事件驱动自愈重连的实战经验。 1. 架构设计与网络规划 WireGuard 在协议层没有严格的“客户端”与“服务端”之分，所有节点都是平等的 Peer。但在实际拓扑中，我们通常将拥有固定公网 IP 的云服务器作为汇聚与中继节点。 拓扑规划 ┌───────────────────────────────┐ │ Ubuntu 云服务器 (Node A) │ │ 公网 IP: 198.51.100.1 │ │ 虚拟 IP: 10.100.0.1/24 │ └──────────────┬────────────────┘ │ WireGuard UDP :51820 ┌────────────┴────────────┐ │ │ ┌────────┴────────┐ ┌────────┴────────┐ │ 家庭 NAS / PC │ │ MacBook 笔记本 │ │ (Node B) │ │ (Node C) │ │ 虚拟 IP: │ │ 虚拟 IP: │ │ 10.100.0.2/24 │ │ 10.100.0.3/24 │ └─────────────────┘ └─────────────────┘ 节点分配表 节点 角色 真实网络 虚拟 IP (wg0) 监听端口 / 对端 Node A 云端中继网关 拥有固定公网 IP 10.100.0.1/24 监听 51820 (UDP) Node B 家庭服务器（Ubuntu 24 Server） 家庭宽带内网 (NAT) 10.100.0.2/24 对端指向 Node A Node C macOS 办公本 移动办公 / Wi-Fi (NAT) 10.100.0.3/24 对端指向 Node A 网段选择提示：虚拟子网建议使用 10.100.0.0/24 等不常用网段，避免与家庭路由器默认的 192.168.1.0/24 发生网段冲突。 ...

背景 办身份证、社保卡、护照、港澳通行证、驾照，都需要证件照和回执。线下照相馆收 ¥10~20，线上小程序也差不多。 其实只要两步： 拍照：微信搜「智绘免费证件照制作」小程序，手机拍就行 回执：上 rzzx.com.cn「证件数码相片质量检测中心」，官方渠道只要 ¥1.5 但很多同学拍出来的照片背景杂乱（白墙有阴影、灰底、杂色），不符合要求。下面这个工具可以直接在浏览器里完成 AI 自动抠图 + 换纯白/蓝/红底色，全程本地处理，照片不出浏览器。 证件照要求速查 背景必须纯白、红或蓝色（严禁灰色背景） 禁止翻拍纸质照片（尤其翻拍身份证） 禁止模糊、水印、变形 禁止 AI 生成的证件照（但抠图换底色属于正常修图，没问题） 头顶与照片上边距要有一定距离 在线工具 直接在下面操作，上传照片 → 选规格 → 选底色 → 生成下载： 📷 AI 证件照生成工具 纯本地计算 · 零上传 · 杂色背景换纯白/证件蓝/红 1. 上传自拍照（支持拍照或相册选择） 2. 证件照尺寸规格 标准 1 寸 (25mm × 35mm / 295×413 px) 标准 2 寸 (35mm × 49mm / 413×579 px) 大 1 寸 / 护照 / 签证 (33mm × 48mm) 保持原图比例 (仅换底色) 3. 选择底色 开始生成证件照 ...

为什么三个生态面对同一个"版本冲突"问题，给出了截然相反的答案？ 那个让我加班到凌晨三点的依赖冲突 去年一个周五晚上，生产环境突然爆出 NoSuchMethodError。排查了两个小时，最终发现是一个同事在公共模块里升级了 Guava，而另一个模块还在用旧版 API。Maven 的"就近原则"在本地构建时选了新版，到了 fat jar 打包时又选了旧版——同一个项目，两种行为，取决于你从哪个子模块触发构建。 那天晚上我一边修 bug 一边想：为什么 Go 的项目从来没遇到过这种事？为什么前端项目几百个 node_modules 嵌套也没炸？ 答案藏在三个生态对同一个问题的不同哲学选择里。 三种哲学：强约束、隔离共存与极简主义 Maven 的"大一统"：宁可痛苦，不要歧义 Maven 的核心信条是一个项目里，同一个库只能有一个版本。 这听起来很武断，但背后有深刻的理由。Java 运行在 JVM 上，类加载器的行为决定了：如果同一个类（全限定名相同）被两个不同版本的 jar 同时加载，轻则方法签名不匹配抛 NoSuchMethodError，重则序列化反序列化直接炸掉。这不是"可能出问题"，而是"一定会出问题"。 所以 Maven 选择了最暴力的策略——Dependency Mediation（依赖裁决）： <!-- Maven 的冲突裁决逻辑（简化版） --> <!-- 1. 路径最短优先 --> <!-- 2. 路径相同时，pom.xml 中先声明的赢 --> <!-- 3. 你可以在 dependencyManagement 里强行指定 --> <dependencyManagement> <dependencies> <dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>33.0.0-jre</version> <!-- 我说用哪个就用哪个 --> </dependency> </dependencies> </dependencyManagement> 这种策略的代价是升级是一场战争。你不能只升级直接依赖，还必须处理所有传递依赖的兼容性。大厂的 Java 项目每年花大量时间在"依赖版本升级周"上，这不是笑话，是真实的企业级成本。 ...

核心理念：零依赖、极速加载、纯原生实现暗黑科技风动效。 🎬 完整动效 Demo（复刻官方风格）：https://fxio.site/harness-demo/ 在线体验（可直接交互） 下面的 iframe 内嵌了完整 Demo 页面 —— 粒子网络背景、3D 旋转线框环面、鼠标跟随发光卡片、SVG 数据流、终端复制、滚动渐显全部可用。点击右上角链接可在新窗口打开。 在新窗口打开完整 Demo ↗ 效果拆解 本 Demo 包含四个核心动效组件： 鼠标跟随发光卡片 (Glow Cards) — 鼠标移动时卡片产生跟随光晕 SVG 节点数据管道流动 (Flowing Lines) — 模拟数据在节点间流动 极简终端代码框 — 暗黑风格的命令行展示 滚动平滑渐显 (Scroll Reveal) — 基于 IntersectionObserver 的懒加载动画 01. 鼠标跟随发光卡片 Everything is a plugin 基于 Cordis 插件系统架构，模型、工具、Skills、Session 均为可解耦插拔组件。 Every run is traceable 所有上下文与工具调用均重现于 Session 日志中，支持 fork, search 与 replay。 ...

Windows 10 精简版就像一辆拆掉安全气囊的赛车：跑得快，但一撞就出事。Office 部署就是那根容易断的安全带——你得自己把它装回去。 开场：我帮朋友装 Office，装出了连环崩溃 上周一个朋友甩给我一台「优化版」Windows 10，说系统启动只要 8 秒，桌面干净得能照镜子。 然后他说：「帮我装个 Office。」 我满口答应，打开 Office 安装包，进度条走到一半—— 蓝屏。 重启再试，进度条又卡在 60%，报了个 0x4004F00C，搜了半天发现是激活服务被砍了。 第三遍，安装是成功了，打开 Word 弹窗报错，说缺组件。 这时候我意识到：Windows 10 精简版装 Office，不是「下载 → 下一步 → 完成」这么简单。 你得知道系统被砍掉了什么、Office 需要什么、以及怎么把缺的东西补回来。 Windows 10 精简版到底砍掉了什么 「精简版」不是一个标准概念，各种第三方精简方案砍的东西各不相同。但根据我踩过的坑，以下几样东西是 Office 最怕被砍的： Windows Update 服务：Office Click-to-Run 依赖它来检查和安装更新。服务被禁用或删除后，Office 可能装不上或装完无法更新。 .NET Framework 运行时：Office 安装程序和部分组件依赖 .NET 4.x，精简版经常把它精简掉。 Visual C++ 运行时库：Office 的很多底层组件依赖 VC++ Redistributable，缺了它会报各种 DLL 错误。 系统证书和信任链：激活和更新需要联网验证，如果证书被清理或 hosts 文件被改，激活会失败。 Windows Installer 服务：部分 Office 组件安装依赖 MSI，服务被禁用会导致安装卡死。 建议： 安装 Office 前，先检查这些服务是否正常运行： ...

摘要：前几天做了 Awesome Mac 检索页，这次轮到 Windows 了。基于 GitHub 上的 0PandaDEV/awesome-windows（2.7k star）清单，生成了一个面向开发者的单页检索站：361 款软件、36 个分类，IDE / 终端 / 命令行 / 版本控制等 12 个开发者分类置顶，还有一键「💻 开发者必备」筛选。在线地址：fxio.site/p/awesome-windows.html 和 Mac 版的区别：主题面向开发者 Windows 软件清单里混着大量普通用户工具，而开发者找东西时只关心那一小撮：编辑器、终端、包管理、调试器、容器工具。所以这一版做了两处针对性设计： 开发者分类置顶：IDE 集成开发环境、文本编辑器、终端、命令行工具、版本控制、开发者工具、API 开发、数据库客户端、本地 AI、网络工具、代理与 VPN、虚拟化——这 12 个分类排在筛选栏最前面 「💻 开发者必备」一键筛选：点一下只看开发相关工具，其它分类全部隐藏 其余能力和 Mac 版一致：Fuse.js 模糊全文搜索、关键词高亮、开源/推荐/付费标签过滤、分页、/ 键聚焦搜索框。 数据源说明 原始的 Awesome-Windows/Awesome 仓库已经 404，目前社区维护最活跃的是 0PandaDEV/awesome-windows（2.7k star），条目质量有门槛——维护者明确拒绝凑数工具，清单比较精。 维度 数据 软件总数 361 款 分类数 36 个 开发者分类 12 个（置顶 + 一键筛选） 最大分类 系统工具 32、效率工具 24、安全 17 自动更新 和 Mac 版一样挂了每周定时任务（周一 09:30）：拉取上游最新代码 → 重新解析生成页面 → 上传预览服务器，新增软件一周内自动收录。 ...

摘要：GitHub 上的 jaywcjlove/awesome-mac 是最大的 macOS 软件清单之一，但 1000+ 条目堆在一个 Markdown 里，找东西全靠肉眼滚。我做了一个单页检索版：把整份清单解析成结构化数据，支持即时搜索、分类筛选、标签过滤，收录 1110 款软件、24 个分类，并且每周自动跟随上游更新。在线地址：fxio.site/p/awesome-mac.html 为什么不直接看 GitHub 仓库？ awesome-mac 仓库很好，但它本质上是一份超长 Markdown： 1100+ 款软件按目录顺序排列，找一个「录屏工具」要滚很久 没有搜索框，浏览器 Ctrl+F 只能匹配文字，匹配不到分类语义 无法按「免费 / 开源 / App Store」快速过滤 检索页把 README 解析成 JSON，前端纯静态渲染，解决了这三个问题。 功能一览 功能 说明 🔍 即时搜索 按名称、描述、分类模糊匹配，命中关键词高亮 📂 分类筛选 24 个分类：开发者工具、设计和产品、AI 工具、音视频、阅读写作等 🏷️ 标签过滤 开源 / 免费 / App Store / 原生，一键筛选 📦 GitHub 直达 开源项目卡片直接带 GitHub 链接 🔗 点击即开 点卡片直接打开软件官网 整页是单个 HTML 文件（约 334KB），数据全部内嵌，无后端依赖，离线也能用。 数据规模（2026-08-05） 1110 款软件，24 个分类 前三大类：其它实用工具 307、开发者工具 202、设计和产品 126 AI 工具分类已有 39 款，是最近增长最快的分类 自动更新 本地配了一个每周定时任务：拉取 awesome-mac 最新代码 → 重新解析生成页面 → 上传到预览服务器。上游新增软件一周内自动收录。 ...

Presto 与 Doris 企业应用场景研究：一个「借灶炒菜」，一个「自建中央厨房」 同为 OLAP 赛道的明星项目，Presto 和 Doris 却代表了两种截然不同的企业数据架构路线。本文从真实企业场景出发，拆解两者的架构基因、适用边界与组合打法，给选型一个不模棱两可的答案。 一、先说结论：它们根本不是同一类物种 很多企业选型时的第一个错误，是把 Presto 和 Doris 放进同一张跑分表里比快慢。这就像拿「外卖平台」和「自建中央厨房」比出餐速度——它们解决的不是同一个问题。 一句话定性： Presto（含 Trino）是「查询引擎」：自己不存数据，靠 Connector 对接 Hive/S3/MySQL 等存储，强项是跨源联邦与即席分析。借灶炒菜，灶台是别人的。 Doris 是「实时数仓」：自带存储引擎（列存 + 索引），数据要导进来，换来的是高并发、低延迟、可更新的全套数仓能力。自建中央厨房，从采购到出餐全包。 这个「存不存数据」的分野，决定了后面所有场景的适配差异。 二、架构基因对照 维度 Presto/Trino Apache Doris 定位 联邦查询引擎（计算层） MPP 实时分析型数据库（存算一体，3.0 起支持存算分离模式） 数据形态 不存数据，Connector 现拉 数据导入自有存储（列存 + 排序键 + 倒排索引） 执行模型 内存流水线，失败整体重跑 MPP + Pipeline 向量化执行，支持落盘容错 写入能力 基本只读（INSERT 有限） 支持实时更新（Unique Key）、流批一体导入（Kafka/Flink/Routine Load） 并发能力 中低并发大查询 高并发短查询友好（数千 QPS 点查场景可扛） 生态协议 ANSI SQL + JDBC/BI 全兼容 MySQL 协议兼容，BI 工具直连 运维形态 无状态计算集群 + 外部存储 有状态集群，3.0 存算分离模式后亦云原生化 注意 Doris 3.0 这个变量：它也支持了存算分离（数据放对象存储、计算节点弹性伸缩、缓存加速），还强化了湖仓一体能力（直接查 Hudi/Iceberg/Paimon）。也就是说，Doris 正在往 Presto 的领地伸手——但底色依然是「有存储、有索引、可更新」的数仓。 ...

平衡的艺术：从美食风味到分布式数据库架构设计 世上没有单项满分的系统，也没有包揽百味的菜肴。无论是在厨房还是在机房，「平衡」永远是衡量顶尖水平的核心标准——区别只在于，厨师的取舍写在菜单上，架构师的取舍写进事故复盘里。 一、评委那句「味道不平衡」，和 CTO 那句「架构不对」是同一句话 看过美食竞技节目的人都熟悉这个场面：选手端上一道堆满昂贵食材的大菜，评委尝了一口，摇头：「技术没问题，但味道不平衡。」 选手往往不服：我用了最好的食材啊。 评委的反问一针见血：好食材的堆砌，什么时候等于好菜了？ 做了这么多年数据架构，我发现自己给系统做评审时，嘴里冒出来的话和美食评委几乎一字不差。团队兴冲冲地演示：「我们上了 Kafka、Flink、Spark、Hive、Presto、ClickHouse、Redis、Elasticsearch……全套大数据组件！」我尝了一口，摇头：技术选型都没问题，但这个架构不平衡。 烹饪与数据库架构设计，本质上是同一件事：在有限的约束条件下（预算、时间、物理定律），用一堆各有脾气的原料，为一群口味明确的食客，端出一道协调的菜。 约束永远存在。厨师逃不开「酸甜咸辣鲜」五味相生相克的化学规律，架构师逃不开 CAP 定理和物理硬件的性能边界。真正的功夫，不在于手里有多少好东西，而在于敢不敢为了整体的平衡，放弃局部的炫技。 下面，我们拿 PrestoDB 当主菜，一道道拆开看。 二、风味与性能：用咸提鲜，用酸解腻，用「放弃」换速度 厨房里的相生相克 中餐调味有句老话：「咸为骨，酸为魂。」做红烧肉，最后那一点点盐不是为了让菜变咸，而是把肉的鲜味「托」出来；做糖醋排骨，酸的作用不是刺激，而是解掉糖和油脂的腻。每一种味道的出场，都是为了成全另一种味道——这就是风味平衡的本质：没有一种味道是为自己而存在的。 机房里的 CAP 与 PACELC 分布式系统有个对应物。入门先学 CAP：一致性、可用性、分区容忍性三选二。但实战中更有用的是它的延伸——PACELC：即便没有分区（Partition），系统也必须在延迟（Latency）和一致性（Consistency）之间二选一。 翻译成人话：**天下没有又绝对一致、又绝对快的数据访问，正如没有又极酸又极甜还不腻的酱汁。**你总得决定，这一勺下去，主味是什么。 Presto 的调味方案 2012 年 Facebook 造 Presto 时，面对的食材是 Hive/MapReduce：每个计算阶段的中间结果必须落盘存档，任何机器挂了都能从磁盘恢复重来。这份容错像一大勺盐——在批处理的场景里它是骨架，必不可少；但在交互式查询里，它把「快」这个主味彻底压死了。 Presto 的做法是果断减盐：放弃 Task 级中间落盘与断点重试，换上全内存流水线——数据以「页」为单位在算子间直接流动，全程不落盘。代价写得明明白白：一个 Worker 挂掉，查询失败只能整体重跑。 顶级厨师知道哪一勺盐该省，顶级架构师知道哪一份容错该扔。Presto 省下的是落盘开销，托出来的是秒级响应的「鲜」。 这笔账 Presto 算得很清楚：交互式查询天然短平快，为 99% 的短查询付 100% 的容错成本，就像给每道快炒都上高汤慢煨的功夫——感动了自己，腻死了食客。 三、食材与模块：和牛配松露，为什么反而是灾难 昂贵食材的无脑堆砌 美食圈有个经典反面教材：和牛 + 松露 + 鱼子酱，三样顶配堆在一个盘子里。结果呢？和牛的脂香被松露的霸道盖住，鱼子酱的咸鲜又和前两者打架——三种顶级食材互相拆台，最后谁也没赢。 **好菜的秘诀从来不是食材多贵，而是互补与留白。**一碗开水白菜，汤是扫过三遍的清汤，菜是只取菜心的嫩叶，没有任何昂贵成分，却成了国宴名菜——因为它知道该放什么，更知道该留白什么。 大数据组件的「和牛松露综合征」 这个病症在机房里一样流行。我见过太多这样的架构：为了「先进」，给每个环节都上顶配——数据要实时入湖、计算要流批一体、查询要即席秒回、还要顺手上个向量检索。组件之间互相打架：实时管道抢占批处理资源，分析引擎和业务库抢 I/O，最后整个系统像那盘堆料大菜，每个组件单拎出来都很强，合在一起谁都不舒服。 Presto 是这道题的反向满分答案：它干脆不吃食材这碗饭。 作为查询引擎，Presto 做了一个当年看起来很「怂」的决定——自己不存任何数据。没有专用存储格式，没有私有数据布局，通过 Connector 插件对接外部存储：Hive/HDFS、S3、MySQL、Kafka、Cassandra……想吃哪块地里的菜，装个对应的插头就行。 精简的计算层 + 多变的存储层，像清汤配菜心：计算只管把味道吊出来，数据的风味保留在原产地。 ...

从 Hive 到 Presto：一个「快」字背后，是三次豪赌式的设计取舍 2012 年，Facebook 的工程师们受够了「跑个查询去喝杯咖啡」的日子。Presto 的诞生不是又一个 SQL 引擎的堆料，而是一连串清醒的放弃。本文用「舍与得」的视角，拆开 Presto 三项核心架构决策——以及它们各自的账单。 引言：大数据时代的「等待焦虑」 先讲一个老故事。 2012 年前后，任何在 Facebook 规模的数据仓库上工作过的人，都熟悉这种体验：你写了一段 SQL，想看看昨天某个功能的用户留存。提交给 Hive，底层翻译成 MapReduce，然后—— 等。 第一个 Map 阶段读数据、算完、写磁盘；第二个 Reduce 阶段再读磁盘、算完、再写磁盘；三五个阶段下来，一个「简单的问题」要等十分钟到一小时。磁盘 I/O 像一道钝刀子，把「交互式分析」切成了「批处理作业」。工程师们甚至形成了独特的应对文化：提交查询，然后去开会、喝咖啡、改别的 bug——因为等待是确定会发生的。 问题出在哪？不是 Hadoop 不行，而是 MapReduce 的设计目标本来就不是交互式查询。它为容错而生：每个阶段的中间结果必须落盘，任何一台机器挂了，从磁盘上的中间结果重跑就行。这份「保险」在批处理场景物有所值，但对「我想马上知道答案」的分析师来说，是在为用不到的容错付全价。 Presto 的研发初衷就一句话：为交互式 SQL 查询专门造一台引擎，PB 级数据，秒级响应。 注意「专门」这个词。Presto 没有试图做一个「又能批处理、又能交互、又能点查」的全能选手——它从一开始就决定，为了快，该扔的就扔。下面是三次关键的「舍」。 取舍一：内存流水线——扔掉容错，换速度 舍：Task 级中间落盘与断点重试 MapReduce 的哲学是「每一步都存档」。Presto 反其道而行：查询被切成多个 Stage，Stage 内的算子组成流水线（Pipeline），数据以「页」（Page）为单位在算子间流动，全程驻留内存，中间结果不落盘。 伪代码对比一下两种执行模型： # MapReduce 式：每个阶段落盘存档 for stage in stages: results = stage.run(input) write_to_disk(results) # ← 每一步都付磁盘 I/O 的钱 checkpoint(results) # ← 为容错买单 # 下一阶段再 read_from_disk() # Presto 式：内存流水线 pipeline = build_pipeline(scan, filter, agg, ...) for page in source_pages: # 一页一页流过去 yield pipeline.process(page) # 算子间直接传递，不落地 差别有多直观？MapReduce 的一次「阶段交接」= 一次序列化 + 一次磁盘写 + 一次磁盘读 + 一次反序列化。Presto 的阶段交接 = 一次内存中的数据页传递。磁盘 I/O 从执行路径里被整个删掉了，这正是秒级响应的物理基础。 ...