在上一篇中，我们确定了“进程级沙箱”的路线。但摆在面前的第一个技术难题是：如何在 Python 进程启动的那一刻，强行插入我们的安全代码？ 我们需要在用户代码执行之前，完成 Chroot 和 Seccomp 的设置。如果等到用户代码开始跑了再限制，黄花菜都凉了。 尝试一：直接修改解释器源码？ 最硬核的办法是下载 CPython 源码，在 main 函数里加几行代码，重新编译一个 safe-python。 但这太蠢了。 1. 维护噩梦：每次 Python 发新版，我们都得重新打补丁、编译。 2. 不通用：那 Node.js 怎么办？Java 怎么办？难道都要改源码？ 我们需要一种非侵入式的方案。 尝试二：LD_PRELOAD？ Linux 有个黑魔法叫…
做 LLM Agent 开发时，Code Interpreter 是个绕不开的功能。让 AI 写代码容易，但让它安全地运行代码，却是个棘手的工程问题。 在设计 go-sandbox 之初，我们面临的最大抉择就是：到底是用 Docker，还是自己造轮子？ Docker 的诱惑与代价 最开始，我们自然而然地想到了 Docker。它成熟、安全、隔离性好。我们尝试为每个代码执行请求启动一个容器： docker run --rm -it python:3.10 python -c "print('hello')" 但在高并发测试中，问题很快暴露了： 1. 慢：即使是热启动，容器的创建和销毁也需要几百毫秒。对于用户来说，…
摘要：手持 X99 平台和一张只有 2GB 显存的 GTX 960，还能玩转 Docker 和 AI 吗？本文详细对比了 Docker Desktop 与 WSL Native 两种部署方案，并深入讲解了最令人头秃的网络代理配置、数据迁移。 X99 平台凭借多核心优势，至今仍是很多开发者的主力机。但当你想在 Windows 上通过 Docker 运行 AI 模型时，往往会面临选择困难症：是装简单易用的 Docker Desktop，还是追求极致性能的 WSL 原生命令行？ 本文记录了在 Windows (X99) + GTX 960 (2GB) 环境下的完整折腾记录。 第一部分：路线选择——你属于哪一派？ 在…
X99 平台（Xeon E5 v3/v4）凭借极其廉价的服务器拆机配件（如 E5-2696 v3 和 DDR3 ECC 内存），成为了很多技术爱好者和“垃圾佬”组建高性价比工作站的首选。 最近我在折腾一台配置为 E5 CPU + 64GB DDR3 内存 + X99-DM3 主板 + GTX 960 的机器时，经历了一系列从系统卡顿排查，到 WSL2 AI 环境搭建，再到显卡升级选型的过程。本文将详细记录这些坑点，特别是关于Tesla 计算卡与 GeForce 游戏卡的区别，以及一线主板与国产“寨板”的差异，希望能帮到同样在使用 X99 平台的朋友。 第一部分：性能排查——大内存为什么还卡？ 1. 误区：…
你是否遇到过这样的情况：在 AWS 上配置了一个 EventBridge Scheduler 来定时运行 Lambda（例如每天定时关闭开发环境的 EC2），调度器状态显示“Enabled”，时间到了却什么都没发生？ Lambda 控制台没有报错，CloudWatch 甚至没有生成日志流。一切看起来都配置得天衣无缝，但就是不工作。 本文将复盘一次真实的排查过程，带你找出那个导致任务“静默失败”的隐蔽杀手——IAM 策略中的地区（Region）错配。 问题现象 在本次案例中，我们的目标是：每天晚上自动触发一个名为 StopEC2ByTag 的 Lambda 函数。 环境配置如下： * Region: ap-southeast-1 (新加坡) * Service: Amazon EventBridge Scheduler -> AWS Lambda * Status: Scheduler 显示…
一、 协议层对抗：当 HTTP head不再管用 长期以来，Python 的 Requests 库统治了爬虫领域。对于简单的任务，它依然有效。但在面对 Cloudflare 等现代防火墙时，开发者常会遇到一个困惑：“明明复制了浏览器所有的 Header，为什么还是被拦截？” 答案往往不在应用层（HTTP），而在传输层（TLS）。 1. TLS 指纹 当爬虫发起 HTTPS 请求时，在发送 HTTP 头之前，必须先完成 TLS 握手。在 ClientHello 数据包中，客户端会发送加密套件列表、TLS 版本、压缩算法以及一系列扩展字段。 * 真实浏览器（如 Chrome、Safari）和编程语言库（如 Python urllib3、…
在前几篇文章中，我们搭建起了 RAG 的骨架：选好了向量数据库（Milvus），配置了强大的语义模型（BGE），甚至解决了时间衰减的问题。 现在，你的 RAG 系统已经能跑通了。但在实际测试中，你可能会撞上一堵无形的墙： * 场景 A： 你问“公司迟到怎么罚款？”，系统搜到了“罚款 50 元”的片段，但 LLM 答错了。因为那个片段太短，丢掉了前面关键的主语——“连续三次迟到者”。 * 场景 B： 用户问“怎么治那个一直在嗓子眼里的病？”，系统搜不到任何结果。因为数据库里的文档写的是专业的“慢性咽炎临床治疗方案”。 这标志着我们进入了 RAG 开发的深水区——检索质量优化（Retrieval Quality Optimization）。 不仅仅是“搜得快”，更要“搜得准”且“读得懂”…
在构建 RAG系统时，我们经常会遇到这样一个尴尬的场景： 用户问：“最新的 iPhone 摄像头参数怎么样？” 你的 RAG 系统兴致勃勃地从数据库里找出了 iPhone 11 的评测文章，因为那篇文章写得非常详尽，和问题的语义相似度（Semantic Similarity）极高。而关于 iPhone 12 的介绍可能比较简短，导致向量距离稍远，被排在了后面。 这就是向量检索的“时效性盲区”。 在 HNSW 或 IVF 这样的向量索引眼里，只有空间距离，没有时间概念。数据一旦写入，它在向量空间的位置就是永恒的。但在新闻、金融或日志分析等场景中，“新”往往比“准”更重要。 那么，在使用 Milvus 或 Faiss 时，我们如何引入时间衰减（Time Decay）…