字数:
678
·
阅读:
4 分钟
·
访问:
-
本文记录一个桌面应用音乐模块接入 DLNA 的完整过程:从协议认知、架构设计,到 Go 侧 SSDP / SOAP 实现、局域网音频转发改造、Wails 绑定与 Vue 前端接入,以及一路踩过的坑。
最终效果:在播放器条点一下投屏按钮,自动发现家里的小爱音箱,一键推送当前曲目;播放、暂停、音量、进度都从桌面遥控;切歌自动跟过去,本地音频自动暂停,不会两边同时出声。
一、先搞清楚:DLNA 到底是怎么"投"的 很多人第一次做投屏会直觉地以为"我的程序把音频流推给音箱"。DLNA 里恰好相反:
音箱主动来拉一个 URL,你的程序只负责发控制指令。
这一条认知是整个实现的分水岭。它决定了两件事:
你必须给音箱一个它能访问到的网络地址,而不是程序自己能访问的 127.0.0.1; 你不需要实现推流和转码,只需要一个能返回音频字节的 HTTP 端点。 涉及的三个角色:
角色 协议中的名字 本文中的对应 控制点 Control Point 桌面客户端(Vue 前端 + Go 后端) 渲染设备 MediaRenderer 小爱音箱 待播放内容 Media URL 本机音频转发端点 /stream/{trackID} 两个关键服务:
AVTransport:负责"播什么"和播放状态——推送地址、播放/暂停/停止、跳转进度、读状态; RenderingControl:负责渲染参数——主要是音量。 动手前要确认的前提 小爱音箱 App 中打开「DLNA 音乐播放」开关(小米 AI 音箱、小爱音箱、Pro、Art、HD 等型号支持); 音箱和电脑在同一局域网,路由器没开 AP 隔离; Windows 防火墙允许该应用通过(SSDP 响应的 UDP 入站 + 音频端点的 TCP 入站),首次运行会弹窗,别手滑点"取消"。 二、整体架构:控制链路与音频链路分离 flowchart LR subgraph 桌面客户端 UI["Vue 播放器条 / Pinia store"] GW["Wails 绑定层"] DLNA["DLNA 控制器<br/>SSDP 发现 + SOAP 遥控"] PROXY["本地音频转发服务 :随机端口<br/>监听所有网卡"] end SPEAKER["小爱音箱<br/>MediaRenderer"] UI -->|"Wails binding"| GW GW --> DLNA DLNA -->|"SOAP / HTTP<br/>SetAVTransportURI, Play.字数:
1795
·
阅读:
9 分钟
·
访问:
-
官网:https://www.tasteskill.dev/ GitHub:https://github.com/Leonxlnx/taste-skill 协议:MIT 开源
用 Cursor、Claude Code、Codex 写前端,你一定见过这些"AI 味":紫色渐变背景、三张一模一样的居中功能卡片、满屏的"Scroll to explore"、假装高级的 v1.4.2 · Build 0048 页脚……每个 AI 生成的页面看起来都像同一个模板的变体。
Taste Skill 就是专门治这个病的:一套开源的 SKILL.md 规则文件,让你的 AI 编码代理在动手写 UI 之前,先读一遍"设计品味"的规则。官网的口号是 Less slop, designs pop(少一点糊弄,多一点惊艳)。
本文分三部分:
Taste Skill 是什么、有哪些技能 怎么安装、怎么用(含两个官方提示词模板) 12 个场景示例:官网、技术产品、商业、电商、管理后台、作品集、App、品牌、改版等 一、Taste Skill 是什么 1.1 一句话介绍 Taste Skill 是一组 SKILL.md 文件。你把它装进项目,AI 代理在生成界面前会自动读取它,里面写着关于字体、间距、色彩、布局、动效的硬性规则,以及一长串"禁止这样做"的清单。
它不是组件库,也不是 CSS 框架,而是给 AI 的设计规范。
1.2 支持哪些工具 只要工具能读 SKILL.md,就能用。官网列出的有:
Cursor、Claude Code、Codex、Antigravity、Gemini CLI、AI Studio、v0、Lovable、OpenCode、OpenClaw、Windsurf、Copilot。
1.3 13 个技能一览 官网把它们分成四类,一次安装全部拿到,按需启用:
类别 技能 作用 核心 taste-skill(安装名 design-taste-frontend,v2 默认) 读需求、推断设计方向、避免模板化,带严格的"发布前检查" taste-skill-v1 旧版,只在 v2 搞坏了你的流程时用 gpt-tasteskill 针对 GPT / Codex 的更严格版本,布局变化和动效更强 工作流 redesign-skill 给已有项目做视觉审计和改版 image-to-code-skill 先生成设计参考图,研究后再按图实现 output-skill 反偷懒:禁止占位符、跳过章节、半成品输出 stitch-skill 兼容 Google Stitch,可导出 DESIGN.字数:
1095
·
阅读:
6 分钟
·
访问:
-
版本说明:Loki 3.x 迭代较快,尤其是 Helm Chart 的部署模式和实验性组件(如 Bloom)。本文以 3.x 为准,落地前请对照官方文档核对 values 字段。
采集器说明:Promtail 已进入 EOL,官方推荐迁移到 Grafana Alloy,本文采集端统一使用 Alloy。
一、Loki 是什么 Loki 是 Grafana Labs 开源的水平可扩展、多租户的日志聚合系统,口号是 “Like Prometheus, but for logs”。
和 Elasticsearch 的核心区别:
Loki Elasticsearch 索引内容 只索引标签(元数据) 对日志全文建倒排索引 存储成本 低(压缩块存对象存储) 高(索引体积常与原文相当) 查询方式 标签筛选 + 分布式 grep(LogQL) 全文检索 DSL 运维复杂度 较低 较高 适合场景 运维排障、应用日志、与 Metrics/Trace 联动 复杂全文检索、日志分析 因此 Loki 的使用关键在于:标签设计要克制,正文靠 LogQL 过滤。
二、整体架构与数据流 应用日志 → 采集器(Alloy / Promtail / Fluent Bit …) │ HTTP push ▼ ┌─ Distributor ─┐ 写路径 │ (校验/分片) │ └──────┬────────┘ ▼ 一致性哈希环 + 副本 Ingester ×N (内存 + WAL → 压缩成 chunk) │ flush ▼ 对象存储(chunks) + TSDB 索引 Grafana ──► Query Frontend ──► Query Scheduler ──► Querier ×N 读路径 (拆分/缓存) (队列) ├─ 查 Ingester(近期数据) └─ 查对象存储(历史数据,经 Index Gateway) 写路径:采集器推送 → Distributor 校验并按 stream 哈希 → 写入多个 Ingester(默认 3 副本)→ Ingester 在内存中攒 chunk 并写 WAL → 满足大小/时间条件后刷到对象存储。字数:
931
·
阅读:
5 分钟
·
访问:
-
基于仓库 hashicorp/golang-lru(v2 主分支,commit 235099c)源码分析。 数据截至 2026-10:5.1k+ Stars / 540+ Forks / 被 93,000+ 仓库依赖,MPL-2.0 许可证。
一、它是什么 golang-lru 是 HashiCorp 开源的 Go 语言 LRU 缓存库,源自 Brad Fitzpatrick 的 groupcache 中的 LRU 实现。它表面上看只是"一个哈希表加一个双向链表",但被 Consul、Nomad、Vault 以及 GitHub 上九万多个仓库依赖,成为 Go 生态事实意义上的标准 LRU 实现。
它提供了四种缓存:
缓存 包 算法 特点 lru.Cache 主模块 标准 LRU 简单、够用、开销最低 lru.TwoQueueCache 主模块 2Q 抗突发扫描,约 2x 开销 arc.ARCCache 独立模块 arc/v2 ARC 自适应免调参,IBM 专利 expirable.LRU 主模块 LRU + TTL 支持过期时间 一个看似简单的库,把这四种变体都实现了,而且代码总量不过三千行——这本身就值得拆开看看。
二、仓库结构:三层加一个例外 golang-lru/ ├── lru.字数:
252
·
阅读:
2 分钟
·
访问:
-
一套面向 AI Agent 的营销技能集 marketingskills,覆盖 CRO、文案、SEO、投放、邮件、定价……我把它部署进了 WorkBuddy,从此让 AI 帮我做增长。
这是什么? 最近在 GitHub 上刷到一个很有意思的项目:coreyhaines31/marketingskills(当前版本 v2.11.26)。
它本质上是一套 Skills(技能)——也就是给 AI Agent 看的「专项工作手册」。每个技能都是一个 SKILL.md 文件,里面写好了某一个营销场景的方法论、检查清单和工作流。当你在对话里提到相关任务,Agent 就能自动识别并加载对应的技能,按专业框架来干活。
换句话说:它不是某个具体的 App,而是一摞「营销专家的操作手册」。装上之后,你的 AI 助手就相当于同时雇了 50 个营销领域的顾问。
都有哪 50 个技能? 我把它们按用途分了个类,方便检索:
🎯 转化与增长 cro(转化率优化)、signup(注册流程)、onboarding(新用户激活)、popups(弹窗)、paywalls(付费墙)、churn-prevention(流失预警)、ab-testing(A/B 测试)
✍️ 内容与文案 copywriting(文案)、copy-editing(文案润色)、content-strategy(内容策略)、emails(邮件序列)、sms(短信)、social(社媒)
📣 投放与获客 ads(广告投放)、ad-creative(广告创意)、cold-email(冷邮件)、directory-submissions(目录提交)、programmatic-seo(程序化 SEO)、launch(发布策划)
📊 分析与调研 analytics(数据分析)、attribution(归因)、customer-research(用户调研)、competitor-profiling(竞品画像)、marketing-plan(营销计划)
🔧 其他细分 pricing(定价)、seo-audit(SEO 审计)、schema(结构化数据)、ai-seo(AI 搜索优化)、lead-magnets(诱饵内容)、influencer-marketing、community-marketing、referrals(推荐计划)、revops、sales-enablement…… 等等。
完整 50 个,这里就不一一展开了。
怎么部署到 WorkBuddy? 官方推荐用 npx skills add,但在 WorkBuddy 里,我们走的是用户级技能目录这条路——一次安装,所有项目对话都能用。
# 1. 克隆仓库到临时目录 git clone --depth 1 https://github.字数:
381
·
阅读:
2 分钟
·
访问:
-
环境:CentOS 虚拟机(VMware,网卡 ens33),静态 IP 192.168.9.20/24,网关 192.168.9.1。 现象:ping aliyun.com 卡住没有任何输出。
文末"修复"部分是根据排查证据得出的结论,我没看到你执行后的结果,发布前建议先在自己机器上验证一遍。
一、第一反应:是不是 DNS 的问题? 先看 /etc/resolv.conf:
nameserver 114.114.114.114 nameserver 8.8.8.8 DNS 配置没毛病。ping aliyun.com 卡住,没有显示 PING aliyun.com (x.x.x.x) 这一行,说明域名解析都没成功。但这时还不能下结论,因为"DNS 不通"和"网络不通"表现一模一样。
关键技巧:绕开域名,直接 ping IP。
ping -c 3 114.114.114.114 结果 3 个包全丢,100% packet loss。问题不在 DNS,是整台机器没有通到外网。
二、检查本机网络 ip addr nmcli device status 结果:
ens33 状态 UP,IP 是 192.168.9.20/24 NetworkManager 里显示 connected 本机网卡没问题。接着 ping 网关 192.168.9.1,一开始不通,问题缩小到本机到网关这一段。
三、用 ARP 看二层:发现 IP 冲突 ip neigh show arping -I ens33 -c 3 192.字数:
491
·
阅读:
3 分钟
·
访问:
-
1. 优化 C 盘:从"爆红警告"到"绿色健康" 把 C 盘从红色警告清到绿色健康,思路其实很简单:先诊断空间去哪了,把常用文件夹搬出去、精简 AppData、处理系统级大文件,再重点清理缓存和临时文件,最后开启存储感知让系统以后自动清理。
用到的软件:
SpaceSniffer:磁盘空间可视化分析 — https://github.com/redtrillix/SpaceSniffer WindowsClear:AppData 清理工具 — https://github.com/tanaer/WindowsClear WindowsCleaner:系统缓存 / 临时文件清理工具 — https://github.com/darkmatter2048/WindowsCleaner 2. 诊断:先看清空间去哪了 优化的第一步不是上手就删,而是先搞清楚 C 盘的空间到底被什么占用了。
用 SpaceSniffer(https://github.com/redtrillix/SpaceSniffer)扫描 C 盘,一张可视化的图就能直观看到哪些文件夹、哪些文件占用最大,后面所有的清理动作都基于这张图来做,避免盲删。
3. 转移常用文件夹(新手友好,见效最快) 把系统自带的用户文件夹搬出 C 盘,操作简单、风险低,是最适合新手的一步:
桌面 文档 下载 图片 / 视频 / 音乐 做法:在 D 盘(或其他非系统盘)新建一个文件夹(例如 D:\windata),把上述文件夹逐一迁移过去。
注意:浏览器的下载路径需要单独在浏览器设置里改一下,系统文件夹迁移并不会自动同步浏览器的默认下载位置。
4. 优化 AppData 目录(头号空间杀手) AppData 位于 C:/Users/用户名/AppData,是吃光 C 盘空间的头号元凶。它其实分成三个子目录,各自角色不同,清理前最好先分清楚。
推荐工具:WindowsClear(https://github.com/tanaer/WindowsClear),可以辅助分析和清理 AppData 目录。
4.1. AppData 三兄弟 文件夹 是否漫游 体积 重要性 建议 Roaming 随账户漫游 ★☆☆ 通常较小 ★★★ 高 不轻易删 Local 仅留本机 ★★★ 最大 ★★☆ 中 分类清理 LocalLow 仅留本机,低权限沙盒 ★☆☆ 一般最小 ★★☆ 中 忽略 Roaming:设计初衷是"人到哪,配置到哪",在域环境或多设备漫游账户下会跟着账户同步。存的是设置类、轻量类数据:浏览器书签/扩展配置、微信·QQ 部分数据、Office 自定义模板、各类程序的 ini/json 配置。体积不大,但删除容易丢设置,要谨慎。 Local:不参与漫游,只留在当前电脑,是空间占用的重灾区——浏览器缓存、IDE 索引缓存(VSCode/JetBrains)、Windows/Office 更新缓存、云盘客户端缓存、游戏资源包全堆在这。问题在于它混杂了"能删的缓存"和"不能删的数据"(有些程序把数据库、存档也放在这里),不能一刀切清空。 LocalLow:专供"低完整性级别"的沙盒进程使用。最典型的是 Unity 引擎游戏,默认存档路径几乎都在这里;此外还有浏览器受保护模式数据。体积一般不大,但可能藏着重要的游戏存档,删除前务必确认。 4.字数:
93
·
阅读:
1 分钟
·
访问:
-
日常使用 Windows 时,少数几个真正好用的软件,就能显著提升工作效率。下面整理了一组我认为值得安装的实用工具,覆盖卸载、磁盘分析、截图、搜索、影音、杀毒、压缩和密码管理等常见场景。
1. Geek Uninstaller:干净卸载,清理残留 如果你经常安装和卸载软件,Geek Uninstaller 会非常实用。
文件大小:7.18MB 如何安装:绿色 适合场景:卸载软件时清理残留文件和注册表项 优点:比系统自带卸载更彻底,界面简洁 官网:https://geekuninstaller.com/ 对于长期使用电脑的人来说,很多软件卸载后仍会留下垃圾文件,这个工具能帮你把“残留”清理得更干净。
2. WizTree:磁盘空间分析,找大文件更快 WizTree 是一款极其高效的磁盘空间分析工具。
文件大小:4.6MB 如何安装:安装 适合场景:快速找出占用空间最大的文件和目录 优点:扫描速度非常快,界面直观 官网:https://diskanalyzer.com/ 备选地址:https://github.com/Ayx03/WizTree/releases 如果你的电脑硬盘越来越满,先用 WizTree 看看哪些文件最占地方,往往能省下不少时间。
3. Snipaste:截图与贴图,简单好用 Snipaste 非常适合做屏幕截图、标注和贴图。
文件大小:46MB 如何安装:绿色 适合场景:记录问题、做教程截图、标记重点内容 优点:截图速度快,支持贴在屏幕上随时查看 官网:https://zh.snipaste.com/ 对于写文章、做教程、汇报内容的人来说,这个工具非常顺手。
4. Listary:文件搜索和快速启动,效率利器 Listary 可以把文件搜索和程序启动体验提升到一个新的层次。
大小:12.3MB 如何安装:安装 适合场景:快速定位文件、文件夹、应用程序 优点:搜索速度快,操作非常流畅 官网:https://www.listary.com/ 如果你常常在文件系统里来回找文件,Listary 会让你的操作更轻松。
5. PotPlayer:影音播放,兼容性强 PotPlayer 是一款非常受欢迎的本地视频播放器。
大小:54.6MB 如何安装:安装 适合场景:播放电影、电视剧、各种格式视频及3D眼镜 优点:文字字幕、兼容性强,支持丰富的播放设置 官网:https://potplayer.tv/ 即使你已经有其他播放器,PotPlayer 也值得备用,尤其是遇到特殊格式时。
6. 火绒:杀毒与安全防护 火绒安全软件以轻量、简洁著称,适合大多数普通用户。
大小:65MB 如何安装:安装 适合场景:日常杀毒、防护和系统清理 优点:占用资源低,操作简单 官网:https://www.huorong.cn/ 如果你不想安装一套过于复杂的安全软件,火绒是一个不错的选择。字数:
586
·
阅读:
3 分钟
·
访问:
-
1. 什么是 llama.cpp https://github.com/ggml-org/llama.cpp 始于2023年的llama.cpp 是一个用 C/C++ 从零实现的 LLM 推理引擎,最初由 Georgi Gerganov 为了在 MacBook 上跑 LLaMA 而写,现在已经发展成支持几乎所有主流开源模型架构的通用推理框架。核心特点是零依赖、极致优化、跨平台——CPU、CUDA、Metal、Vulkan、ROCm 都能跑,甚至能在树莓派上跑。
核心组件:
llama.cpp 本体:推理引擎和 C API llama-server:内置的 HTTP server,提供 OpenAI 兼容和原生 API 量化格式 GGUF:自家的模型格式,支持 Q4_K_M、IQ2_M、IQ3_XXS 这些你已经在用的量化方案 提供丰富的工具:llama / llama-serve / llama-cli / llama-bench 命令行推理和性能测试工具 2. 安装 llama.cpp 2.1. 一键安装 https://llama.app/ 打开命令行,输入:irm https://llama.app/install.ps1 | iex
打开命令行方式:Win+ R,输入:powershell 或 wt
2.2. 手动安装 打开:https://github.com/ggml-org/llama.cpp/releases 下载最新的推理工具
我的显卡是:NVIDIA 4060Ti 16GB
首先查看显卡的CUDA版本,我的显卡是CUDA 12.2 使用命令:nvidia-smi 查看显卡信息
我的操作系统是:Windows 64位 下载:https://github.com/ggml-org/llama.cpp/releases/download/b10082/llama-b10082-bin-win-cuda-12.4-x64.zip 加速库:https://github.com/ggml-org/llama.cpp/releases/download/b10082/cudart-llama-bin-win-cuda-12.4-x64.zip llama-b10082-bin-win-cuda-12.字数:
933
·
阅读:
5 分钟
·
访问:
-
1. 快速导航 本文分为两个部分:
第一部分:泛域名证书(*.example.com)的完整申请流程,适合需要一张证书覆盖所有子域名的场景 第二部分:单个域名证书的申请方法,对比 DNS-01 和 HTTP-01 两种验证方式的选择指南 为什么选 acme.sh? CentOS 7 已 EOL,certbot 依赖繁重,acme.sh 是纯 shell 实现,零依赖、轻量、支持所有主流 DNS 服务商的 API 自动化。
2. 第一部分:泛域名证书申请与自动续期 2.1. 场景说明 适用于这类情况:
一个根域名(如 example.com)底下有多个子域名(zipic.example.com、api.example.com 等) 不想给每个子域名单独申请一张证书 希望一张泛域名证书 *.example.com 搞定所有现有和未来的子域名 需要证书到期后完全自动续期,不需要人工干预 2.2. 第一步:安装 acme.sh curl https://get.acme.sh | sh -s email=your@email.com source ~/.bashrc acme.sh --set-default-ca --server letsencrypt 最后一行很关键——acme.sh 新版本默认 CA 是 ZeroSSL,手动切回 Let’s Encrypt,避免后面验证流程对不上。
2.3. 第二步:泛域名证书为什么必须用 DNS 验证 泛域名(*.example.com)只能用 DNS-01 方式验证,无法用 HTTP-01。原因很简单:HTTP-01 验证的是某一个具体子域名指向的服务器上有没有放对应文件,但泛域名涵盖的是无限多个子域名,CA 没法用 HTTP 方式逐一验证,只能让你在 DNS 里加一条 TXT 记录证明你对整个域名拥有控制权。