时代抛弃你，连句招呼都不会打

"时代抛弃你，甚至连句招呼都不会打"，成立差不多23年，承载无数人青春回忆的社区就这样悄无声息的落幕了。在那个没有微博抖音的年代，天涯可谓是神一般的存在，当时还没有网络实名制，因此内容包罗万象五花八门，各路大神层出不穷，这里有：盗走麻花腾qq的黑客大神、高深莫测的民生探讨、波诡云谲的国际形势分析、最前沿最野的明星八卦、惊悚刺激的怪力乱神、脑洞大开的奇人异事 等等，让人眼花缭乱。甚至还有教你在家里养一只活生生的灵宠(见下文玄学类) 

今年4月初，天涯官微发布公告，因技术升级和数据重构，暂时无法访问。可直到现在，网站还是打不开。虽然后来，官微略带戏谑和无奈地表示：“我会回来的”。但其糟糕的财务状况预示着，这次很可能真是，咫尺天涯，永不再见了。 

神奇的天涯

当时还在读大一时候就接触到了 天涯，还记得特别喜欢逛的板块是 "莲蓬鬼话"、"天涯国际"。莲蓬鬼话老用户都知道，主要是一些真真假假的怪力乱神的惊险刺激的事情，比如 有名的双鱼玉佩，还有一些擦边的玩意，比如《风雪漫千山人之大欲》，懂得都懂，这些都在 pdf里面自取😁；天涯国际主要是各路大佬分析国际局势，每每看完总有种感觉 "原来在下一盘大棋"，还有各种人生经验 比如kk大神对房产的预测，现在看到貌似还是挺准的。还有教你在家里养一只活生生的灵宠，神奇吧。 总共200+篇，这里先做下简单介绍

关注公众号，回复 「天涯」 海量社区经典文章双手奉上，感受一下昔日论坛的繁华

历史人文类

功底深厚，博古通今，引人入胜，实打实的的拓宽的你的知识面

• (长篇)女性秘史◆那些风华绝代、风情万种的女人，为你打开女人的所有秘密.pdf
• 办公室实用暴力美学——用《资治通鉴》的智慧打造职场金饭碗.pdf
• 《二战秘史》——纵论二战全史——邀你一起与真相贴身肉搏.pdf
• 不被理解的mzd（密码是123）.zip
• 地缘看世界——欧洲部分-温骏轩.pdf
• 宝钗比黛玉大八岁！重解红楼全部诗词！血泪文字逐段解释！所有谜团完整公开！.pdf
• 现代金融经济的眼重看历史-谁是谁非任评说.pdf
• 蒋介石为什么失掉大陆：1945——1949-flp713.pdf

人生箴言类

开挂一般的人生，有的应该是体制内大佬闲来灌水，那时上网还无需实名

• 职业如何规划？大城市，小城市，如何抉择？我来说说我的个人经历和思考-鸟树下睡懒觉的猪.pdf
• kk所有内容合集（506页）.pdf
• 一个潜水多年的体制内的生意人来实际谈谈老百姓该怎么办？.pdf
• 三年挣850万，你也可以复制！现在新书已出版，书名《我把一切告诉你》.pdf
• 互联网“裁员”大潮将起：离开的不只是马云 可能还有你.pdf
• 大鹏金翅明王合集.pdf
• 解密社会中升官发财的经济学规律-屠龙有术.pdf

房产金融

上帝视角，感觉有的可能是参与制定的人

• 从身边最简单的经济现象判断房价走势-招招是道.pdf
• 大道至简，金融战并不复杂。道理和在县城开一个赌场一样。容我慢慢道来-战略定力.pdf
• 沉浮房产十余载，谈房市心得.pdf
• 现代金融的本质以及房价-curgdbd.pdf
• 对当前房地产形势的判断和对一些现象的解释-loujinjing.pdf
• 中国VS美国：决定世界命运的博弈 -不要二分法 .pdf
• 大江论经济-大江宁静.pdf
• 形势转变中，未来哪些行业有前景.pdf
• 把握经济大势和个人财运必须读懂钱-现代金钱的魔幻之力.pdf
• 烽烟四起，中美对决.pdf
• 赚未来十年的钱-王海滨.pdf
• 一个炒房人的终极预测——调控将撤底失败.pdf

故事连载小说类

小说爱好者的天堂，精彩绝伦不容错过

• 人之大欲，那些房中术-风雪漫千山.pdf
• 冒死记录中国神秘事件（真全本）.pdf 五星推荐非常精彩
• 六相十年浩劫中的灵异往事，颍水尸媾，太湖獭淫，开封鬼谷，山东杀坑-御风楼主人.pdf
• 《内参记者》一名“非传统”记者颠覆你三观的采访实录-有骨难画.pdf
• 中国式骗局大全-我是骗子他祖宗.pdf
• 我是一名警察，说说我多年来破案遇到的灵异事件.pdf
• 一个十年检察官所经历的无数奇葩案件.pdf
• 宜昌鬼事 （三峡地区巫鬼轶事记录整理）.pdf
• 南韩往事——华人黑帮回忆录.pdf
• 惊悚灵异《青囊尸衣》（斑竹推荐）-鲁班尺.pdf
• 李幺傻江湖故事之《戚绝书》（那些湮没在岁月深处的江湖往事）-我是骗子他祖宗.pdf
• 闲来8一下自己幽暗的成长经历-风雪漫千山.pdf
• 阴阳眼（1976年江汉轶事）.pdf
• 民调局异闻录-儿东水寿.pdf
• 我当道士那些年.pdf
• 目睹殡仪馆之奇闻怪事.pdf

玄学类

怪力乱神，玄之又玄，虽然已经要求建国后不许成精了

• 请块所谓的“开光”玉，不如养活的灵宠！.pdf
• 写在脸上的风水-禅海商道.pdf
• 谶纬、民谣、推背图-大江宁静.pdf
• 拨开迷雾看未来.pdf
• 改过命的玄教弟子帮你断别你的网名吉凶-大雨小水.pdf

天涯的败落

内容社区赚钱，首先还是得有人气，这是互联网商业模式的基础。天涯在PC互联网时代，依靠第一节说的几点因素，持续快速的吸引到用户，互联网热潮，吸引了大量的资本进入，作为有超高流量的天涯社区，自然也获得了资本的青睐。营收这块，主要分为两个部分：网络广告营销业务和互联网增值业务收入。广告的话，最大的广告主是百度，百度在2015年前5个月为天涯社区贡献了476万元，占总收入的比重达11.24%；百度在2014年为天涯社区贡献收入1328万元，占比12.76%。广告收入严重依赖于流量，天涯为了获得广告营收，大幅在社区内植入广告位，影响了用户体验，很有竭泽而渔的感觉。 但是在进入移动互联网时代没跟上时代步伐， 

2010年底，智能手机的出货量开始超过PC，另外，移动互联网走的是深度垂直创新，天涯还是大而全的综合社区模式，加上运营也不是很高明，一两个没工资的版主，肯定打不过别人公司化的运作，可以看到在细分领域被逐步蚕食：

• 新闻娱乐，被**「微博、抖音」**抢走；
• 职场天地，被**「Boss直聘」**抢走；
• 跳蚤市场，被**「闲鱼、转转」**抢走；
• 音乐交友，被**「网易云、qq音乐」**抢走；
• 女性兴趣，被**「小红书」**抢走，等等

强如百度在移动互联网没占到优势，一直蛰伏到现在，在BAT中名存实亡，何况天涯，所以也能理解吧。"海内存知己，天涯若比邻"，来到2023年，恐怕只剩物是人非，变成一个被遗忘的角落，一段被尘封的回忆罢了，期待天涯能够度过难关再度重来吧。

我们总会在各种地方看到零拷贝，那零拷贝到底是个什么东西。

接下来，让我们来理一理啊。

拷贝说的是计算机里的 I/O 操作，也就是数据的读写操作。计算机可是一个复杂的家伙，包括软件和硬件两大部分，软件主要指操作系统、驱动程序和应用程序。硬件那就多了，CPU、内存、硬盘等等一大堆东西。

这么复杂的设备要进行读写操作，其中繁琐和复杂程度可想而知。

传统I/O的读写过程

如果要了解零拷贝，那就必须要知道一般情况下，计算机是如何读写数据的，我把这种情况称为传统 I/O。

数据读写的发起者是计算机中的应用程序，比如我们常用的浏览器、办公软件、音视频软件等。

而数据的来源呢，一般是硬盘、外部存储设备或者是网络套接字（也就是网络上的数据通过网口+网卡的处理）。

过程本来是很复杂的，所以大学课程里要通过《操作系统》、《计算机组成原理》来专门讲计算机的软硬件。

简化版读操作流程

那么细的没办法讲来，所以，我们把这个读写过程简化一下，忽略大多数细节，只讲流程。

上图是应用程序进行一次读操作的过程。

1. 应用程序先发起读操作，准备读取数据了；
2. 内核将数据从硬盘或外部存储读取到内核缓冲区；
3. 内核将数据从内核缓冲区拷贝到用户缓冲区；
4. 应用程序读取用户缓冲区的数据进行处理加工；

详细的读写操作流程

下面是一个更详细的 I/O 读写过程。这个图可好用极了，我会借助这个图来厘清 I/O 操作的一些基础但非常重要的概念。

先看一下这个图，上面红粉色部分是读操作，下面蓝色部分是写操作。

如果一下子看着有点儿迷糊的话，没关系，看看下面几个概念就清楚了。

应用程序

就是安装在操作系统上的各种应用。

系统内核

系统内核是一些列计算机的核心资源的集合，不仅包括CPU、总线这些硬件设备，也包括进程管理、文件管理、内存管理、设备驱动、系统调用等一些列功能。

外部存储

外部存储就是指硬盘、U盘等外部存储介质。

内核态

• 内核态是操作系统内核运行的模式，当操作系统内核执行特权指令时，处于内核态。
• 在内核态下，操作系统内核拥有最高权限，可以访问计算机的所有硬件资源和敏感数据，执行特权指令，控制系统的整体运行。
• 内核态提供了操作系统管理和控制计算机硬件的能力，它负责处理系统调用、中断、硬件异常等核心任务。

用户态

这里的用户可以理解为应用程序，这个用户是对于计算机的内核而言的，对于内核来说，系统上的各种应用程序会发出指令来调用内核的资源，这时候，应用程序就是内核的用户。

• 用户态是应用程序运行的模式，当应用程序执行普通的指令时，处于用户态。
• 在用户态下，应用程序只能访问自己的内存空间和受限的硬件资源，无法直接访问操作系统的敏感数据或控制计算机的硬件设备。
• 用户态提供了一种安全的运行环境，确保应用程序之间相互隔离，防止恶意程序对系统造成影响。

模式切换

计算机为了安全性考虑，区分了内核态和用户态，应用程序不能直接调用内核资源，必须要切换到内核态之后，让内核来调用，内核调用完资源，再返回给应用程序，这个时候，系统在切换会用户态，应用程序在用户态下才能处理数据。

上述过程其实一次读和一次写都分别发生了两次模式切换。

内核缓冲区

内核缓冲区指内存中专门用来给内核直接使用的内存空间。可以把它理解为应用程序和外部存储进行数据交互的一个中间介质。

应用程序想要读外部数据，要从这里读。应用程序想要写入外部存储，要通过内核缓冲区。

用户缓冲区

用户缓冲区可以理解为应用程序可以直接读写的内存空间。因为应用程序没法直接到内核读写数据， 所以应用程序想要处理数据，必须先通过用户缓冲区。

磁盘缓冲区

磁盘缓冲区是计算机内存中用于暂存从磁盘读取的数据或将数据写入磁盘之前的临时存储区域。它是一种优化磁盘 I/O 操作的机制，通过利用内存的快速访问速度，减少对慢速磁盘的频繁访问，提高数据读取和写入的性能和效率。

PageCache

• PageCache 是 Linux 内核对文件系统进行缓存的一种机制。它使用空闲内存来缓存从文件系统读取的数据块，加速文件的读取和写入操作。
• 当应用程序或进程读取文件时，数据会首先从文件系统读取到 PageCache 中。如果之后再次读取相同的数据，就可以直接从 PageCache 中获取，避免了再次访问文件系统。
• 同样，当应用程序或进程将数据写入文件时，数据会先暂存到 PageCache 中，然后由 Linux 内核异步地将数据写入磁盘，从而提高写入操作的效率。

再说数据读写操作流程

上面弄明白了这几个概念后，再回过头看一下那个流程图，是不是就清楚多了。

读操作

1. 首先应用程序向内核发起读请求，这时候进行一次模式切换了，从用户态切换到内核态；
2. 内核向外部存储或网络套接字发起读操作；
3. 将数据写入磁盘缓冲区；
4. 系统内核将数据从磁盘缓冲区拷贝到内核缓冲区，顺便再将一份（或者一部分）拷贝到 PageCache；
5. 内核将数据拷贝到用户缓冲区，供应用程序处理。此时又进行一次模态切换，从内核态切换回用户态；

写操作

1. 应用程序向内核发起写请求，这时候进行一次模式切换了，从用户态切换到内核态；
2. 内核将要写入的数据从用户缓冲区拷贝到 PageCache，同时将数据拷贝到内核缓冲区；
3. 然后内核将数据写入到磁盘缓冲区，从而写入磁盘，或者直接写入网络套接字。

瓶颈在哪里

但是传统I/O有它的瓶颈，这才是零拷贝技术出现的缘由。瓶颈是啥呢，当然是性能问题，太慢了。尤其是在高并发场景下，I/O性能经常会卡脖子。

那是什么地方耗时了呢？

数据拷贝

在传统 I/O 中，数据的传输通常涉及多次数据拷贝。数据需要从应用程序的用户缓冲区复制到内核缓冲区，然后再从内核缓冲区复制到设备或网络缓冲区。这些数据拷贝过程导致了多次内存访问和数据复制，消耗了大量的 CPU 时间和内存带宽。

用户态和内核态的切换

由于数据要经过内核缓冲区，导致数据在用户态和内核态之间来回切换，切换过程中会有上下文的切换，如此一来，大大增加了处理数据的复杂性和时间开销。

每一次操作耗费的时间虽然很小，但是当并发量高了以后，积少成多，也是不小的开销。所以要提高性能、减少开销就要从以上两个问题下手了。

这时候，零拷贝技术就出来解决问题了。

什么是零拷贝

问题出来数据拷贝和模态切换上。

但既然是 I/O 操作，不可能没有数据拷贝的，只能减少拷贝的次数，还有就是尽量将数据存储在离应用程序（用户缓冲区）更近的地方。

而区分用户态和内核态有其他更重要的原因，不可能单纯为了 I/O 效率就改变这种设计吧。那也只能尽量减少切换的次数。

零拷贝的理想状态就是操作数据不用拷贝，但是显示情况下并不一定真的就是一次复制操作都没有，而是尽量减少拷贝操作的次数。

要实现零拷贝，应该从下面这三个方面入手：

1. 尽量减少数据在各个存储区域的复制操作，例如从磁盘缓冲区到内核缓冲区等；
2. 尽量减少用户态和内核态的切换次数及上下文切换；
3. 使用一些优化手段，例如对需要操作的数据先缓存起来，内核中的 PageCache 就是这个作用；

实现零拷贝方案

直接内存访问（DMA）

DMA 是一种硬件特性，允许外设（如网络适配器、磁盘控制器等）直接访问系统内存，而无需通过 CPU 的介入。在数据传输时，DMA 可以直接将数据从内存传输到外设，或者从外设传输数据到内存，避免了数据在用户态和内核态之间的多次拷贝。

如上图所示，内核将数据读取的大部分数据读取操作都交个了 DMA 控制器，而空出来的资源就可以去处理其他的任务了。

sendfile

一些操作系统（例如 Linux）提供了特殊的系统调用，如 sendfile，在网络传输文件时实现零拷贝。通过 sendfile，应用程序可以直接将文件数据从文件系统传输到网络套接字或者目标文件，而无需经过用户缓冲区和内核缓冲区。

如果不用sendfile，如果将A文件写入B文件。

1. 需要先将A文件的数据拷贝到内核缓冲区，再从内核缓冲区拷贝到用户缓冲区；


2. 然后内核再将用户缓冲区的数据拷贝到内核缓冲区，之后才能写入到B文件；

而用了sendfile，用户缓冲区和内核缓冲区的拷贝都不用了，节省了一大部分的开销。

共享内存

使用共享内存技术，应用程序和内核可以共享同一块内存区域，避免在用户态和内核态之间进行数据拷贝。应用程序可以直接将数据写入共享内存，然后内核可以直接从共享内存中读取数据进行传输，或者反之。

通过共享一块儿内存区域，实现数据的共享。就像程序中的引用对象一样，实际上就是一个指针、一个地址。

内存映射文件（Memory-mapped Files）

内存映射文件直接将磁盘文件映射到应用程序的地址空间，使得应用程序可以直接在内存中读取和写入文件数据，这样一来，对映射内容的修改就是直接的反应到实际的文件中。

当文件数据需要传输时，内核可以直接从内存映射区域读取数据进行传输，避免了数据在用户态和内核态之间的额外拷贝。

虽然看上去感觉和共享内存没什么差别，但是两者的实现方式完全不同，一个是共享地址，一个是映射文件内容。

Java 实现零拷贝的方式

Java 标准的 IO 库是没有零拷贝方式的实现的，标准IO就相当于上面所说的传统模式。只是在 Java 推出的 NIO 中，才包含了一套新的 I/O 类，如 ByteBuffer 和 Channel，它们可以在一定程度上实现零拷贝。

ByteBuffer：可以直接操作字节数据，避免了数据在用户态和内核态之间的复制。

Channel：支持直接将数据从文件通道或网络通道传输到另一个通道，实现文件和网络的零拷贝传输。

借助这两种对象，结合 NIO 中的API，我们就能在 Java 中实现零拷贝了。

首先我们先用传统 IO 写一个方法，用来和后面的 NIO 作对比，这个程序的目的很简单，就是将一个100M左右的PDF文件从一个目录拷贝到另一个目录。

public static void ioCopy() {

  try {

    File sourceFile = new File(SOURCE_FILE_PATH);

    File targetFile = new File(TARGET_FILE_PATH);

    try (FileInputStream fis = new FileInputStream(sourceFile);

         FileOutputStream fos = new FileOutputStream(targetFile)) {

      byte[] buffer = new byte[1024];

      int bytesRead;

      while ((bytesRead = fis.read(buffer)) != -1) {

        fos.write(buffer, 0, bytesRead);

      }

    }

    System.out.println("传输 " + formatFileSize(sourceFile.length()) + " 字节到目标文件");

  } catch (IOException e) {

    e.printStackTrace();

  }

}

下面是这个拷贝程序的执行结果，109.92M，耗时1.29秒。

传输 109.92 M 字节到目标文件
耗时: 1.290 秒

FileChannel.transferTo() 和 transferFrom()

FileChannel 是一个用于文件读写、映射和操作的通道，同时它在并发环境下是线程安全的，基于 FileInputStream、FileOutputStream 或者 RandomAccessFile 的 getChannel() 方法可以创建并打开一个文件通道。FileChannel 定义了 transferFrom() 和 transferTo() 两个抽象方法，它通过在通道和通道之间建立连接实现数据传输的。

这两个方法首选用 sendfile 方式，只要当前操作系统支持，就用 sendfile，例如Linux或MacOS。如果系统不支持，例如windows，则采用内存映射文件的方式实现。

transferTo()

下面是一个 transferTo 的例子，仍然是拷贝那个100M左右的 PDF，我的系统是 MacOS。

public static void nioTransferTo() {

  try {

    File sourceFile = new File(SOURCE_FILE_PATH);

    File targetFile = new File(TARGET_FILE_PATH);

    try (FileChannel sourceChannel = new RandomAccessFile(sourceFile, "r").getChannel();

         FileChannel targetChannel = new RandomAccessFile(targetFile, "rw").getChannel()) {

      long transferredBytes = sourceChannel.transferTo(0, sourceChannel.size(), targetChannel);



      System.out.println("传输 " + formatFileSize(transferredBytes) + " 字节到目标文件");

    }

  } catch (IOException e) {

    e.printStackTrace();

  }

}

只耗时0.536秒，快了一倍。

传输 109.92 M 字节到目标文件
耗时: 0.536 秒

transferFrom()

下面是一个 transferFrom 的例子，仍然是拷贝那个100M左右的 PDF，我的系统是 MacOS。

public static void nioTransferFrom() {

  try {

    File sourceFile = new File(SOURCE_FILE_PATH);

    File targetFile = new File(TARGET_FILE_PATH);



    try (FileChannel sourceChannel = new RandomAccessFile(sourceFile, "r").getChannel();

         FileChannel targetChannel = new RandomAccessFile(targetFile, "rw").getChannel()) {

      long transferredBytes = targetChannel.transferFrom(sourceChannel, 0, sourceChannel.size());

      System.out.println("传输 " + formatFileSize(transferredBytes) + " 字节到目标文件");

    }

  } catch (IOException e) {

    e.printStackTrace();

  }

}

执行时间：

传输 109.92 M 字节到目标文件
耗时: 0.603 秒

Memory-Mapped Files

Java 的 NIO 也支持内存映射文件（Memory-mapped Files），通过 FileChannel.map() 实现。

下面是一个 FileChannel.map()的例子，仍然是拷贝那个100M左右的 PDF，我的系统是 MacOS。

    public static void nioMap(){

        try {

            File sourceFile = new File(SOURCE_FILE_PATH);

            File targetFile = new File(TARGET_FILE_PATH);



            try (FileChannel sourceChannel = new RandomAccessFile(sourceFile, "r").getChannel();

                 FileChannel targetChannel = new RandomAccessFile(targetFile, "rw").getChannel()) {

                long fileSize = sourceChannel.size();

                MappedByteBuffer buffer = sourceChannel.map(FileChannel.MapMode.READ_ONLY, 0, fileSize);

                targetChannel.write(buffer);

                System.out.println("传输 " + formatFileSize(fileSize) + " 字节到目标文件");

            }

        } catch (IOException e) {

            e.printStackTrace();

        }

    }

执行时间：

传输 109.92 M 字节到目标文件
耗时: 0.663 秒

推荐阅读

我的第一个 Chrome 插件上线了，欢迎试用！

前端同事最讨厌的后端行为，看看你中了没有

RPC框架的核心到底是什么

AI 正在变革软件工程：开发工具 2.0 时代

生成式 AI 的爆发已经开始改变了很多行业的工作方式，但对于软件工程来说，转型才刚刚开始。

从 Copilot 说起

Github Copilot 的成功引发了一场 AI 编程工具的浪潮，《Research: quantifying GitHub Copilot’s impact on developer productivity and happiness》这份报告研究了 Copilot 对开发者效率和幸福感的提升，如下

• 使用 GitHub Copilot 的开发人员比不使用 GitHub Copilot 的开发人员完成任务的速度快 55%
• 使用 GitHub Copilot 的小组完成任务的比例为 78%，而没有使用 Copilot 的小组为 70%
• 88% 的使用者认为自己生产力提高了
• 96% 的使用者认为自己处理重复性的工作更快了
• 88% 的使用者认为自己可以更加专注于更喜欢的工作上了
• …

原文地址：github.blog/2022-09-07-…

从数据上来看，Copilot 已经是非常成功了，我们会认为这已经是一个大的变革，但是当我们把眼光放到整个软件工程行业的时候，才发现 Copilot 可能只是 AI 改变软件工程师工作方式的开端。

我曾经写了一篇 Copilot 的体验文章，有兴趣可以看看 # 与 AI 结对编程，好搭档 Copilot

开发工具 2.0 与现状

红衫资本在《Developer Tools 2.0》中定义了”开发工具 2.0“ ：通过 AI 改变软件创造方式的工具。

还整理了一张图用以展示现有的开发工具在不同的软件研发阶段的应用。

这图本质上是一个表格，每一行从左到右代表了软件在当前市场的占用水平，分为

• Incumbents：当前主流使用的标准工具
• Challengers：挑战者，一些加入了 AI 特性的创新型工具
• Dev Tools 2.0：通过 AI 改变软件创造方式的工具

列的话从上到下代表了软件开发的各个阶段，或者说生命周期，分别为

• Deployment：部署阶段，包括 CI/CD、云、监控等
• Implementation：实现阶段，包括 code review 工具、文档工具、代码编写维护工具等
• Setup：配置阶段，包括 IDE、终端、ISSUE 记录工具等

接下来我们从上往下来分析。

Deployment 所属区域中，软件还是集中在 Incumbents（主流） 和 Challengers（挑战者） 中，这里可以看到很多熟悉的产品，比如 Datadog、Grafana、Aws、Jenkins 等。

但 Deployment 目前还没有 Dev Tools 2.0 的工具

在 Implementation 中，目前已有很多 Dev Tools 2.0 了，比如 AI code review 工具 Codeball、DEBUG 和对话工具 ChatGPT、AI 文档工具 Mintlify、以及 AI 代码补全工具 Copilot 和 Tabnine。

注意看细分的 write docs（文档编写） 和 write & maintain code （代码编写维护）中，在主流中这些都是人力维护，这说明当前的软件工程已经处于一个分水岭了：从人工到 AI。

对比 Deployment 的话，Implementation 的 2.0 工具可谓是百花齐放。

最后就是 Setup 了，目前只有 Cursor （一款集成了 ChatGPT 4 的代码编辑器）被完全定义为 Dev Tools 2.0

这里比较意外的是 warp 和 fig 居然没有被定义为 2.0 工具，因为我前段时间刚试用了 warp 终端，有兴趣的可以看看我发的视频。

其实回顾一下红衫资本对 Dev Tools 2.0 的定义就能理解了：通过 AI 改变软件创造方式的工具。

warp 和 fig 只是带了 AI 的特性，还没有改变软件的创造规则，所以就被列入了 challenger 里。

从目前世面上的工具来看，AI 已经有了巨大的机会改变软件工程，并且这是一个关于“谁”，而不是“是与否”的问题。

开发工具 2.0 的共同点

再再再次啰嗦一下红衫资本对 Dev Tools 2.0 的定义：通过 AI 改变软件创造方式的工具。

我考察了 5 个图中被归类为 2.0 的软件，看看它们是如何改变软件的创作方式的

首先是 Cursor，我们可以用自然语言来写新的代码、维护既有代码，从这点来看它是超越了 Copilot （这不是指下一代 Copilot X ）。

然后是 Codeball，它主要是用 AI 来自动执行 code review，它可以为每一个 PR 进行评分（检查代码规范、Bug 等）并自动合并，大量节省功能特性因 PR 被 Block 的时间，而且用机器代替人做检查也能避免 Review 成为形式主义的流程。

ChatGPT 此处就不做演示了，直接看一下 Grit 吧。虽然下面展示的动图只是将代码片段的优化，但 Grit 给自己的定位是通过 AI 自动化完成整个项目的代码迁移和升级，比如从 JavaScript 到 TypeScript、自动处理技术债等

最后就是 Adrenaline 了，它是一个 AI Debuger（调试器？），我输入了一段会导致 NullPointerException 的代码，但是因为服务器请求的数量太多无法运行。所以我直接在对话框里问了一句：Is there anything wrong with this code?（这段代码有问题吗？）。Adrenaline 不仅回答了会出问题，还详细分析了这段代码的功能

再来对比一下这几个场景下传统的处理方式

基于以上工具的特点，我们也可以畅想一下 Deployment 2.0 工具的特点

1. 首先肯定是通过自然语言进行交互，比如：帮我在阿里云上部署一下 xxx 项目；也可以说帮我创建一个项目，这项目叫熔岩巨兽，需要使用到 mysql、redis，需要一个公网域名等…
2. 然后是能够自动分析并配置项目的依赖，比如：部署 xxx 项目需要 mysql 数据库、redis 缓存
3. 如果能够为我使用最优（成本、性能等多方面）的解决方案更好

其实随着云平台的成熟、容器化的普及，我相信这样的 Deployment 2.0 工具肯定不会太遥远。

事实上在写这篇文章的时候我就发现了 Github 上的一个项目叫 Aquarium，它已经初步基于 AI 的能力实现了部署，它给 AI 输入了以下的前提提示：

你现在控制着一个Ubuntu Linux服务器。你的目标是运行一个Minecraft服务器。不要回答任何批判、问题或解释。你会发出命令，我会回应当前的终端输出。 回答一个要给服务器的Linux命令。

然后向 AI 输入要执行的部署，比如：”Your goal is to run a minecraft server“。

接着 AI 就会不断的输出命令，Aquarium 负责在程序执行命令并将执行结果返回给 AI,，不断重复这个过程直到部署结束。

对开发者的影响

作为一名软件开发者，我们经常会自嘲为 CV 工程师，CV 代表了 ctrl + c 和 ctral + v ，即复制粘贴工程师。

这是因为大多数的代码都是通过搜索引擎查询获得，开发者可以直接复制、粘贴、运行，如果运行失败就把错误信息放进搜索引擎再次搜索，接着又复制、粘贴、运行……

但基于开发工具 2.0，这个流程就产生了变化：搜索、寻找答案、检查答案的过程变成了询问、检查答案，直接省去了最费时间的寻找答案的过程。

还有就是开发模式的改变，以前是理解上游的需求并手写代码，而现在是理解上游的需求并用自然语言描述需求，由 AI 写代码。

也就是说在代码上的关注会降低，需要将更多的注意力集中在需求上

也许你发现了，其实可以直接从产品到 AI，因为程序员极有可能是在重复的描述产品需求。

这个问题其实可以更大胆一点假设：如果 AI 可以根据输入直接获得期望的输出，那么老板可以直接对接 AI 了，80% 的业务人员都不需要。

既然已经谈到了对”人“的影响，那不如就接着说两点吧

• 这些工具会让高级开发者的技能经验价值打折扣，高级和初级的编码能力会趋于拟合，因为每个人都拥有一个收集了全人类知识集的 AI 助手
• 会编程的人多了，但是适合以编程为工作的人少了

很多开发者对此产生焦虑，其实也不必，因为这是时代的趋势，淹没的也不止你一个，浪潮之下顺势而为指不定也是一个机遇。

如果光看软件工具 2.0，它给软件工程带来的是一次转型，是一次人效的变革，目前来看还没有达到对软件工程的颠覆，那什么时候会被颠覆呢？

有一天有一个这样的游戏出现了，每个人在里面都是独一无二的，系统会为每个人的每个行为动态生成接下来的剧情走向，也就是说这个游戏的代码是在动态生成，并且是为每一个人动态生成。这个游戏的内存、存储空间等硬件条件也是动态在增加。 这就是地球 Online

短期来看，AI 还不会代替程序员，但会替代不会用 AI 的程序员。

AI 正在吞噬软件

最后就用两位大佬的话来结束本文吧。

原 Netscape（网景公司）创始人 Marc Andreessen 说过一句经典的话：软件正在吞噬世界。

人工智能领域知名科学家 Andrej Karpathy 在 2017 年为上面的话做了补充：软件（1.0）正在吞噬世界，现在人工智能（软件2.0）正在吞噬软件

Software (1.0) is eating the world, and now AI (Software 2.0) is eating software.

所以，你准备好了吗?

参考

写在前面

在之前的文章中推荐过一款你写注释，它就能帮你写代码的插件copilot。

copilot写代码的能力没得说，但是呢copilot试用没几天之后就收费了。

按理说这么好用，又可以提高效率的工具，收点费也理所当然

但是秉承白嫖一时爽，一直白嫖一直爽的原则（主要是我穷穷穷），又发现了一款可以平替的插件CodeGeex。

一、CodeGeex简介

① 来自官方的介绍

CodeGeeX is a powerful intelligent programming assistant based on LLMs. It provides functions such as code generation/completion, comment generation, code translation, and AI-based chat, helping developers significantly improve their work efficiency. CodeGeeX supports multiple programming languages.

翻译过来大概是

CodeGeeX是一个功能强大的基于llm的智能编程助手。它提供了代码生成/完成、注释生成、代码翻译和基于ai的聊天等功能，帮助开发人员显著提高工作效率。CodeGeeX支持多种编程语言。

② GitHub地址：

github.com/THUDM/CodeG…

目前在GitHub上 2.6k star 最近更新是2周前

③ 下载量

• vscode 目前已有129k下载量
• idea 目前已有58.7k 下载量

二、插件安装

① vscode

②idea

注： idea低版本的搜不到这个插件，小编用的是2023.01 这个版本的

安装完成后，注册一个账号即可使用

三、帮你写代码

四、帮你添加注释

有时候，我们拿到同事没有写注释的代码，或者翻看一周前自己写的代码时。

这写得啥，完全看不懂啊，这时候就可以依靠它来帮我们的代码添加注释了

操作方法：

① 选中需要添加注释的代码

② 鼠标右键选择Add Comment

③ 选择中文或者英文

这是没加注释的代码

public class test02 {

    public static void main(String[] args) {

        int count=0;

        for(int i=101;i<200;i+=2) {

            boolean flag=true;

            for(int j=2;j<=Math.sqrt(i);j++) {

                if(i%j==0) {

                    flag=false;

                    break;

                }

            }

            if(flag==true) {

                count++;

                System.out.println(i);

            }

        }

        System.out.println(count);

    }

}

这是CodeGeex帮加上的注释

public class test02 {

    //主方法，用于执行循环

    public static void main(String[] args) {

        //定义一个变量count，初始值为0

        int count=0;

        //循环，每次循环，计算101到200之间的值，并判断是否是因子

        for(int i=101;i<200;i+=2) {

            //定义一个变量flag，初始值为true

            boolean flag=true;

            //循环，每次循环，计算i的值，并判断是否是因子

            for(int j=2;j<=Math.sqrt(i);j++) {

                //如果i的值不是因子，则flag设置为false，并跳出循环

                if(i%j==0) {

                    flag=false;

                    break;

                }

            }

            //如果flag为true，则count加1，并打印出i的值

            if(flag==true) {

                count++;

                System.out.println(i);

            }

        }

        //打印出count的值

        System.out.println(count);

    }

}

基本上每一行都加上了注释，这还怕看不懂别人写的代码

五、帮你翻译成其他语言

除了上面功能外，CodeGeeX 还可以将一种语言的代码转换成其他语言的代码

操作方法：

① 选中需要转换的代码

② 鼠标右键选择Translation mode

③ 在弹出的侧边栏中选择需要转换成的语言，例如C++、 C#、Javascript 、java、Go、Python、C 等等

④ 选择转换按钮进行转换

六 小结

试用了一下，CodeGeeX 还是可以基本可以满足需求的，日常开发中提高效率是没得说了

作为我这样的穷逼，完全可以用来平替copilot，能白嫖一天是一天~

也不用当心哪天不能用了，等用不了了再找其他的呗

本期内容到此就结束了

希望对你有所帮助，我们下期再见~ (●'◡'●)

最近，“上云探索实验室”活动 正在如火如荼进行，亚马逊云、“大厂”背景加持，来看看它们有什么新鲜技术/产品？

本篇带来对 shouAmazon SageMaker 的认识~

闻名不如一见

首先，开宗明义，shouAmazon SageMaker 是什么？

从官网我们可以了解到：Amazon SageMaker 是一项帮助开发人员快速构建、训练和部署机器学习 (ML) 模型的托管服务。

其实，类比于：就像咱们开发人员经常把代码部署 Github Page 上，自动构建、运行我们的代码服务。

当下，我们可以把 AIGC 领域火爆的模型共享平台 —— Hugging Face 中的模型放到 Amazon SageMaker 中去部署运行、进行微调等~

如果你还不了解 HuggingFace？那抓紧快上车！

就这张小黄脸，目前已经估值 20 亿美元，它拥有 30K+ 的模型，5K+ 的数据集，以及各式各样的 Demo，用于构建、训练最先进的 NLP （自然语言处理）模型。

是的，如果你：

1、不想关心硬件、软件和基础架构等方面的问题

2、想简化操作机器学习模型的开发流程

3、想灵活选择使用自己的算法和框架以满足不同业务需求

就可以 把目光投向 Amazon SageMaker，用它的云服务来部署你想要用的 HuggingFace 模型等~

百思不如一试

Amazon SageMaker 可以全流程的帮助我们构建机器学习模型，这样真的会省下很多心力（少掉几根头发）~

具体实践中，我们知道在数据预处理过程中，在训练模型之前，需要做一系列操作，比如：缺失值处理、数据归一化和特征选择等，Amazon SageMaker 提供了很好的预处理和转换数据的工具，助力快速完成这些工作。

在模型选择环节，Amazon SageMaker 提供多种内置的机器学习算法和框架，你可以根据数据集和任务类型选择合适的模型。

还有，提高模型性能是我们需要特别关注的，Amazon SageMaker 让你可以指定调优的目标和约束条件，系统会自动搜索最优的参数组合，这就很智能、很舒服。

模型训练完后，Amazon SageMaker 也自带易用的模型部署和监控功能；

一整套下来，训练模型感觉就像呼吸一样自然~

官网教程写的很清晰，还有很多视频讲解：# Amazon SageMaker - 入门手册

这里不赘述，仅看实战中代码表示，感受一二：

如何在Amazon SageMaker 上部署Hugging Face 模型？

1、首先，在 Amazon SageMaker 中创建一个 Notebook 实例。可以使用以下代码在 Amazon SageMaker 中创建 Notebook 实例：

import sagemaker from sagemaker

import get_execution_role



role = get_execution_role()



sess = sagemaker.Session()



# 创建 Notebook 实例

notebook_instance_name = 'YOUR_NOTEBOOK_INSTANCE_NAME'

instance_type = 'ml.t2.medium'

sagemaker_session = sagemaker.Session()

sagemaker_session.create_notebook_instance(notebook_instance_name=notebook_instance_name,instance_type=instance_type,role=role)

       

2、其次，下载 Hugging Face 模型，你可以使用以下代码下载 Hugging Face 模型：

!pip install transformers



from transformers import AutoTokenizer, AutoModelForSequenceClassification



# 下载 Hugging Face 模型

model_name = "distilbert-base-uncased-finetuned-sst-2-english"

tokenizer = AutoTokenizer.from_pretrained(model_name)

model = AutoModelForSequenceClassification.from_pretrained(model_name)

3、创建一个推理规范，以指定部署的模型。可以参照以下代码创建推理规范：

from sagemaker.predictor import Predictor

from sagemaker.serializers import JSONSerializer

from sagemaker.deserializers import JSONDeserializer

from sagemaker.tensorflow.serving import Model



# 创建推理规范

class HuggingFacePredictor(Predictor):

    def __init__(self, endpoint_name, sagemaker_session):

        super().__init__(endpoint_name, sagemaker_session, serializer=JSONSerializer(),

                         deserializer=JSONDeserializer())



model_name = "huggingface"

model_data = "s3://YOUR_S3_BUCKET/YOUR_MODEL.tar.gz"

entry_point = "inference.py"

instance_type = "ml.m5.xlarge"

role = sagemaker.get_execution_role()



model = Model(model_data=model_data,

              image_uri="763104351884.dkr.ecr.us-east-1.amazonaws.com/huggingface-pytorch-inference:1.6.0-transformers4.0.0",

              role=role,

              predictor_cls=HuggingFacePredictor,

              entry_point=entry_point)



predictor = model.deploy(initial_instance_count=1, instance_type=instance_type)

4、测试部署模型

data = {"text": "I love using Amazon SageMaker!"}

response = predictor.predict(data)



print(response)

过程就是，创建 NoteBook => 下模型 => 指定模型、设定推理脚本 => 测试部署，足够简洁~

人人都能上云，人人都能训练机器模型~

不知道大家发现没有，其实现在的编程开发都逐渐在“云”化，不仅是机器学习，普通开发也是；类似低代码平台，开发不再是一点点复制代码、拼凑代码、修改代码，更多是通过自动化平台“点点点”就能构建自己想要的服务了！拥抱“云”平台，省心又省力，也在拥抱未来~

防守不如亮剑

目前市面上同类型的产品也有一些，比如：

1、Google Cloud AI Platform：Google提供的全托管的机器学习平台，可以帮助用户构建、训练和部署机器学习模型。

2、Microsoft Azure Machine Learning：微软提供的一款全托管的机器学习平台，可以帮助用户构建、训练和部署机器学习模型。

3、IBM Watson Studio：IBM提供的一款机器学习工具和服务平台，可以帮助用户构建、训练和部署机器学习模型。此外它还提供了数据可视化、模型解释和协作等功能。

它们与Amazon SageMaker 类似，具有全托管和自动化的特点，同时提供了多种算法和框架供用户选择。但尺有所长、寸有所短，咱们不妨用表格来一眼对比它们各自的优缺点：

可以看到，Amazon SageMaker 的配置更简单；

至于谈到：“需掌握 AWS 服务”，其实它也好上手，类比于阿里云，AWS 是亚马逊云服务，全球顶流、百万客户、加速敏捷，即使不用来开发机器模型，也建议体验、上手其它云服务产品~具体参见aws.amazon.com

活动福利环节

刚好，最近正在进行“上云探索实验室”活动；6月27-28日亚马逊云科技中国峰会上海现场，展区5楼【开发者会客厅】有互动活动：

现场为开发者提供了部分 Amazon codewhisperer 账号，开发者可以到现场直接进行代码体验，参与体验问卷回复可获得社区定制周边礼品一份。

同时开发者也可于现场进行专业版账号注册，完成注册即可获得定制周边礼品一份或免费 Serverlesspresso 咖啡券一张。

欢迎大家注册~~

话不多少，先冲为敬~

你是否想要使用强大的（被削后大嘘）New Bing？

你是否已经获得了New Bing的使用资格？

你是否在访问www.bing.com/new时提示页面不存在？

你是否在访问www.bing.com时总是重定向到cn.bing.com而使用不了New Bing?

New Bing的使用本来就不需要依赖科学上网，看完下面的教程，不论你卡在哪一步，你都可以成功使用New Bing。

3.13更新

根据大量评论反馈，微软似乎已经让本文中的方法：“修改请求头X-Forwarded-For来伪装请求地址”的方法失效了。现在微软已经可以检测到请求的源IP了，使用科学上网（代理）的方法依然可用，使用前需清空cookie，否则还是国内特供版Bing。没有办法科学上网的朋友，目前暂时帮不上忙了，如果未来有新方法，我仍然会更新在文档中。

一、加入New Bing的候选名单

现在的情况是：访问 http://www.bing.com/new，会自动跳转到cn.bing.com
如果你是Chrome或者Edge浏览器（下面以Edge举例，Chrome也同理）可以通过以下扩展的方式，修改请求Header来防止被重定向。 

打开浏览器的扩展，找到 管理扩展 按钮，在打开的页面左侧找到 获取 Microsoft Edge 扩展 并打开。
搜索 ModHeader ，安装下面这个扩展。

接着在已有扩展中，找到这个扩展并点击打开。 

打开扩展后就会弹出下面这个弹窗，点击 FILTER，选择 Request URL filter （在Chrome中是 URL filter）

填写下面三个内容（分别是：X-Forwarded-For、8.8.8.8、.*://www.bing.com/.*）并确保都勾选。 

设置好后，再次访问 http://www.bing.com/new ，登录自己的微软账号，点击加入候选名单即可。

静静等待Microsoft Bing发来的 “你已中奖”的邮件，或者你微软的邮箱不是你常用的邮箱，时不时重新访问一下 http://www.bing.com/new 也可以看到你是否已经 “中奖”。

2023.3.6更新

在这里，可能会有一些朋友遇到重定向次数过多，请清除Cookie的问题，地址栏会有很多相同的zh-CN“后缀”，可以尝试以下方法：

1. 点击Request URL filters一行的右方加号，并添加一个 .*://cn.bing.com/.* 。这时候Request URL filters中，同时存在两个筛选规则，包括www与cn两个
2. 清除bing相关网站的cookie。在设置->cookie与网站权限->管理和删除cookie->查看所有网站cookie->右上方搜索bing，然后删除所有相关的条目
3. 如果还有登录账号时遇到类似的问题。可以先按上一步Cookie，然后关闭扩展，在cn.bing.com中登录账号，再开启扩展访问正常版本试试。

二、下载Edge Dev 目前普通版Edge也可以了

获得资格后，首先需要解决的问题应该是下载Edge的DEV版本，在除了dev版本的Edge以外的任何浏览器中，均不能使用带有 Chat 功能的 New Bing。

通过下面这个链接，下载dev版本的Edge
http://www.microsoft.com/en-us/edge

不要直接点页面中大大的下载按钮（那个是普通版），找到下面这个部分并打开我框住的链接。 

在打开的页面也不要直接下载，往下找到下面这个图片的部分：

确保Edge图标上有 DEV 字样，点击右侧的下载适合自己电脑的版本（macOS、Windows、Linux）

三、访问New Bing

在你走完上面的流程后，访问 http://www.bing.com 即可看到上面的导航栏有Chat字样。

点击后，开始你的New Bing使用之旅吧。 

四、手机访问New Bing

现在（更新时间2023.2.28）微软已经将New Bing带上了手机。

现在有了更方面的访问途径，使用手机的Bing App使用New Bing的Chat功能。
但国内的应用商城应该是名叫“微软必应”的阉割版，我这里找到了微软官方的下载地址：Microsoft Bing

不过我并不是通过这种方式下载的APP，我在谷歌的应用商城下载的Bing APP，如果上述官网的地址下载的APP在账号已拥有测试资格的情况下仍没有Chat功能，请自行尝试谷歌商店下载。

五、结语

有问题可以评论中询问我，请确保你清楚地描述出你遇到的问题和尝试过的方法。New Bing、ChatGPT还有本文的作者我，都需要你具备基本的提问题的能力。我有看到部分评论（CSDN）的朋友仅简单问了一句话，我根本无从得知你的问题的现状，自然也无法解决你的问题。请你清楚地思考完下面几个问题：

1. 你进行到哪一步卡住了？
2. 你尝试了哪些方法？
3. 你是否完整阅读了本文？

如果你的问题描述不清楚，恕我拒不回答。

另外如果有帮到你成功访问到New Bing，还请不要吝啬你的点赞和收藏 ^_^

前言

我们在开发的过程中经常会遇到以下的一些场景：

• 当我们在 dev 分支开发时，可能需要临时切换到 master 拉分支修复线上 bug 或者修改其他分支代码，此时对于 dev 分支的修改，最常见的处理方式是将代码提交到远程后再切到对应的分支进行开发，但是如果 dev 分支的修改不足以进行一次 commit（功能开发不完整、还有 bug 未解决等各种原因），或者觉得提交代码的步骤过多，此时 dev 的修改就不好处理

• 在开发阶段可能某个分支需要修改特定的配置文件才能运行，而其他分支不需要，那么当我们在这个分支和其他分支来回切换的时候，就需要反复的修改、回滚对应的配置文件，这种操作也是比较低效且麻烦的

而我们通过 Git 提供的 stash 存储操作，可以将当前分支的修改或者开发常用的配置文件存储至暂存区并生成一条存储记录，在需要使用时通过存储记录的索引直接取出，无需额外提交或单独保存，可以有效的解决以上的问题

Git stash 使用流程

1. 存储修改：我们可以使用 git stash 对 dev 的修改进行存储，存储修改后会生成一条存储记录

2. 查看存储记录：通过 git stash list 查看存储记录列表，存储记录的格式为：

stash@{索引值}：WIP on [分支名]: [最近的一次 commitId + 提交信息]

3. 多次存储记录相同：如果多次存储修改的过程中没有进行过 commit 提交，存储记录除了 索引值 之外将会完全相同，此时我们就无法快速辨识存储记录对应的修改内容

4. 存储记录标识

为了解决存储记录无法辨识问题，存储修改时可以用 git stash -m '标识内容' 对存储记录进行标识

此时我们再查看存储记录列表，就可以看到存储记录的标识，此时存储记录的格式为：

stash@{索引值}：on [分支名]: [标识内容]

5. 恢复存储：当我们在其他分支完成开发再回到 dev 分支时，就可以通过 git stash apply index 将指定的存储记录恢复至工作区，index 是存储记录的索引，未指定则恢复第一条存储记录

6. 删除存储

对于不再需要的存储记录，可以通过 git stash drop index 删除指定的存储记录，此时我们执行 git stash drop 删除第一条记录后再使用 git stash list 查看存储记录就已经少了一条了

如果所有的存储记录都不需要，可以使用 git stash clear 清除所有存储记录

Git Stash 命令

查看存储记录

查看存储记录列表

git stash list

查看 最近一次 存储记录的具体修改内容，即修改了哪些文件

git stash show

查看 指定索引 存储记录的具体修改内容

git stash show index

git stash show stash@{index}

存储修改

直接存储修改

git stash

存储修改，并添加备注

git stash -m '备注内容'

恢复存储记录

恢复存储记录的修改内容

恢复 最近一次 的存储记录

git stash apply

恢复 指定索引 的存储记录

git stash apply index

git stash apply stash@{index}

删除存储记录

对不需要的存储记录进行删除，可以删除部分或全部

• 删除 最近一次 的存储记录

git stash drop

• 删除 指定索引 的存储记录

git stash drop index

git stash drop stash@{index}

• 删除所有的暂存修改

git stash clear

恢复并删除存储记录

恢复存储记录的同时删除对应的存储记录

• 恢复并删除 最近一次 的存储记录

git stash pop

• 恢复并删除 指定索引 的存储记录

git stash pop index

git stash pop stash@{index}

Documatic

http://www.documatic.com/

Documatic 是一个高效的搜索引擎工具,旨在帮助开发人员轻松搜索他们的代码库以查找特定的代码片段,函数,方法和其他相关信息。这个工具旨在为开发人员节省宝贵的时间并增加生产力,可以在几秒钟内快速提供准确和相关的搜索结果。Documatic 是一个代码搜索工具,具有自然语言查询功能,可以简化新手和专家开发人员的代码库搜索。输入查询后,Documatic 会快速从代码库中获取相关的代码块,使您更容易找到所需的信息。 

Transform.tools

transform.tools/

Transform.tools 是一个网站,可以转换大多数内容,如 HTML 到 JSX,JavaScript 到 JSON,CSS 到 JS 对象等等。当我需要转换任何内容时,它真的节省了我的时间。 

Convertio

convertio.co/

Convertio - 在线轻松转换文件。超过 309 种不同的文档,图像,电子表格,电子书,档案,演示文稿,音频和视频格式。比如 PNG 到 JPEG,SVG 到 PNG,PNG 到 ICO 等等。 

Removebg

http://www.remove.bg/

Removebg 是一个令人惊叹的工具,可以轻松地删除任何图像的背景。RemoveBG 可以立即检测图像的主题并删除背景,留下透明的 PNG 图像,您可以轻松地在项目中使用。无论您是否从事平面设计,图片编辑或涉及图像的任何其他项目,我使用过这个工具太多次,我甚至不记得了。

Imglarger

imglarger.com/

Imglarger 允许您将图像放大高达 800%,并增强照片而不损失质量,这对摄影师和图像处理者特别有用。它是一个一体化的 AI 工具包,可以增强和放大图像。增加图像分辨率而不损失质量。

Code Beautify

codebeautify.org/

Code Beautify 是一个在线代码美化和格式化工具,允许您美化源代码。除了此功能外,它还支持一些转换器,如图像到 base64,不仅如此,它还有如下图像所示的大量功能:

Vercel

vercel.com/

Vercel 是前端开发人员的平台,为创新者提供构建即时 Web 应用程序所需的速度和可靠性。它是一个云平台,自动化开发和部署流程来构建无服务器 Web 应用程序。它提供诸如无服务器功能,静态站点托管,持续部署,自定义域名和 SSL 以及团队协作等功能。它有免费层和付费计划以获得更高级功能,并被许多流行的网站和 Web 应用程序使用。

前言

微信接入ChatGPT机器人还是挺有必要的，不用被墙，可以直接问它问题，还可以接入微信群等一些实用的功能。

注意：微信接入ChatGPT机器人Bot，微信账号极其容易被封，请谨慎接入

注意：微信接入ChatGPT机器人Bot，微信账号极其容易被封，请谨慎接入

注意：微信接入ChatGPT机器人Bot，微信账号极其容易被封，请谨慎接入

首先你需要一个 OpenAI 的账号并且创建一个可用的 api key，这里不做过多介绍，有任何问题可以加博客首页公告处微信群进行沟通。

相关的聊天机器人Bot GitHub上有非常多的项目，不仅支持接入ChatGPT，还支持接入MJ画图等一些其他功能。

本篇介绍两个项目（我用的第一个 chatgpt-on-wechat 项目）：

• github.com/zhayujie/ch…
• github.com/shfshanyue/…

chatgpt-on-wechat 项目最新版支持如下功能：

• 多端部署： 有多种部署方式可选择且功能完备，目前已支持个人微信，微信公众号和企业微信应用等部署方式
• 基础对话： 私聊及群聊的消息智能回复，支持多轮会话上下文记忆，支持 GPT-3，GPT-3.5，GPT-4模型
• 语音识别： 可识别语音消息，通过文字或语音回复，支持 azure, baidu, google, openai等多种语音模型
• 图片生成： 支持图片生成 和 图生图（如照片修复），可选择 Dell-E, stable diffusion, replicate模型
• 丰富插件： 支持个性化插件扩展，已实现多角色切换、文字冒险、敏感词过滤、聊天记录总结等插件
• Tool工具： 与操作系统和互联网交互，支持最新信息搜索、数学计算、天气和资讯查询、网页总结，基于 chatgpt-tool-hub 实现

支持 Linux、MacOS、Windows 系统（可在Linux服务器上长期运行)，同时需安装 Python。

建议Python版本在 3.7.1~3.9.X 之间，推荐3.8版本，3.10及以上版本在 MacOS 可用，其他系统上不确定能否正常运行。

注意：Docker 或 Railway 部署无需安装python环境和下载源码

Windows、Linux、Mac本地部署

本地部署请参考官方文档，按照文档一步一步操作即可。

注意要安装相对应的环境，例如 Node、Python等，这里不做过多介绍，建议大家用 Docker 方式安装，无需关心环境问题，一个命令直接部署。

环境变量

# config.json文件内容示例

{

  "open_ai_api_key": "YOUR API KEY",                          # 填入上面创建的 OpenAI API KEY

  "model": "gpt-3.5-turbo",                                   # 模型名称。当use_azure_chatgpt为true时，其名称为Azure上model deployment名称

  "proxy": "127.0.0.1:7890",                                  # 代理客户端的ip和端口

  "single_chat_prefix": ["bot", "@bot"],                      # 私聊时文本需要包含该前缀才能触发机器人回复

  "single_chat_reply_prefix": "[bot] ",                       # 私聊时自动回复的前缀，用于区分真人

  "group_chat_prefix": ["@bot"],                              # 群聊时包含该前缀则会触发机器人回复

  "group_name_white_list": ["ChatGPT测试群", "ChatGPT测试群2"], # 开启自动回复的群名称列表

  "group_chat_in_one_session": ["ChatGPT测试群"],              # 支持会话上下文共享的群名称  

  "image_create_prefix": ["画", "看", "找"],                   # 开启图片回复的前缀

  "conversation_max_tokens": 1000,                            # 支持上下文记忆的最多字符数

  "speech_recognition": false,                                # 是否开启语音识别

  "group_speech_recognition": false,                          # 是否开启群组语音识别

  "use_azure_chatgpt": false,                                 # 是否使用Azure ChatGPT service代替openai ChatGPT service. 当设置为true时需要设置 open_ai_api_base，如 https://xxx.openai.azure.com/

  "azure_deployment_id": "",                                  # 采用Azure ChatGPT时，模型部署名称

  "character_desc": "你是ChatGPT, 一个由OpenAI训练的大型语言模型, 你旨在回答并解决人们的任何问题，并且可以使用多种语言与人交流。",  # 人格描述

  # 订阅消息，公众号和企业微信channel中请填写，当被订阅时会自动回复，可使用特殊占位符。目前支持的占位符有{trigger_prefix}，在程序中它会自动替换成bot的触发词。

  "subscribe_msg": "感谢您的关注！\n这里是ChatGPT，可以自由对话。\n支持语音对话。\n支持图片输出，画字开头的消息将按要求创作图片。\n支持角色扮演和文字冒险等丰富插件。\n输入{trigger_prefix}#help 查看详细指令。"

}

配置说明：

1.个人聊天

• 机器人回复的内容会以 "[bot] " 作为前缀， 以区分真人，对应的配置项为 single_chat_reply_prefix (如果不需要前缀可以填写 "single_chat_reply_prefix": "")

2.群组聊天

• 默认只要被人 @ 就会触发机器人自动回复；另外群聊天中只要检测到以 "@bot" 开头的内容，同样会自动回复（方便自己触发），这对应配置项 group_chat_prefix
• 可选配置: group_name_keyword_white_list配置项支持模糊匹配群名称，group_chat_keyword配置项则支持模糊匹配群消息内容，用法与上述两个配置项相同。（Contributed by evolay)
• group_chat_in_one_session：使群聊共享一个会话上下文，配置 ["ALL_GROUP"] 则作用于所有群聊

3.语音识别

• 添加 "group_speech_recognition": true 将开启群组语音识别，默认使用openai的whisper模型识别为文字，同时以文字回复，参数仅支持群聊 (会匹配group_chat_prefix和group_chat_keyword, 支持语音触发画图)；
• 添加 "voice_reply_voice": true 将开启语音回复语音（同时作用于私聊和群聊），但是需要配置对应语音合成平台的key，由于itchat协议的限制，只能发送语音mp3文件，若使用wechaty则回复的是微信语音。

4.其他配置

• temperature,frequency_penalty,presence_penalty: Chat API接口参数，详情参考OpenAI官方文档。
• proxy：由于目前 openai 接口国内无法访问，需配置代理客户端的地址，详情参考 #351
• 对于图像生成，在满足个人或群组触发条件外，还需要额外的关键词前缀来触发，对应配置 image_create_prefix
• 关于OpenAI对话及图片接口的参数配置（内容自由度、回复字数限制、图片大小等），可以参考 对话接口 和 图像接口 文档，在config.py中检查哪些参数在本项目中是可配置的。
• conversation_max_tokens：表示能够记忆的上下文最大字数（一问一答为一组对话，如果累积的对话字数超出限制，就会优先移除最早的一组对话）
• rate_limit_chatgpt，rate_limit_dalle：每分钟最高问答速率、画图速率，超速后排队按序处理。
• clear_memory_commands: 对话内指令，主动清空前文记忆，字符串数组可自定义指令别名。
• hot_reload: 程序退出后，暂存微信扫码状态，默认关闭。
• character_desc 配置中保存着你对机器人说的一段话，他会记住这段话并作为他的设定，你可以为他定制任何人格 (关于会话上下文的更多内容参考该 issue)
• subscribe_msg：订阅消息，公众号和企业微信channel中请填写，当被订阅时会自动回复， 可使用特殊占位符。目前支持的占位符有{trigger_prefix}，在程序中它会自动替换成bot的触发词。

本说明文档可能会未及时更新，当前所有可选的配置项均在该config.py中列出。

Railway部署

Railway 每月提供5刀和最多500小时的免费额度，目前大部分账号已无法免费部署

1. 进入 Railway
2. 点击 Deploy Now 按钮。
3. 设置环境变量来重载程序运行的参数，例如open_ai_api_key, character_desc。

Docker方式搭建

如果想一直跑起来这个项目，建议在自己服务器上搭建，如果在自己本地电脑上搭建，电脑关机后就用不了啦，下面演示的是在我服务器上搭建，和在本地搭建步骤是一样的。

环境准备

1. 域名、服务器购买
2. 服务器环境搭建，需要系统安装docker、docker-compose
3. docker、docker-compose安装：blog.fanjunyang.zone/archives/de…

创建相关目录

我自己放在服务器中 /root/docker_data/wechat_bot 文件夹下面

mkdir -p /root/docker_data/wechat_bot

cd /root/docker_data/wechat_bot

创建yml文件

在/root/docker_data/wechat_bot文件夹下面新建docker-compose.yml文件如下：

version: '2.0'

services:

  chatgpt-on-wechat:

    image: zhayujie/chatgpt-on-wechat

    container_name: chatgpt-on-wechat

    security_opt:

      - seccomp:unconfined

    environment:

      OPEN_AI_API_KEY: 'YOUR API KEY'

      MODEL: 'gpt-3.5-turbo'

      PROXY: ''

      SINGLE_CHAT_PREFIX: '["bot", "@bot"]'

      SINGLE_CHAT_REPLY_PREFIX: '"[bot] "'

      GROUP_CHAT_PREFIX: '["@bot"]'

      GROUP_NAME_WHITE_LIST: '["ChatGPT测试群", "ChatGPT测试群2"]'

      IMAGE_CREATE_PREFIX: '["画", "看", "找"]'

      CONVERSATION_MAX_TOKENS: 1000

      SPEECH_RECOGNITION: 'False'

      CHARACTER_DESC: '你是ChatGPT, 一个由OpenAI训练的大型语言模型, 你旨在回答并解决人们的任何问题，并且可以使用多种语言与人交流。'

      EXPIRES_IN_SECONDS: 3600

      USE_LINKAI: 'False'

      LINKAI_API_KEY: ''

      LINKAI_APP_CODE: ''

运行yml文件

进入/root/docker_data/wechat_bot文件夹下面，运行命令：docker-compose up -d

或者在任意文件夹下面，运行命令：docker-compose -f /root/docker_data/wechat_bot/docker-compose.yml up -d

然后服务就跑起来了，运行 sudo docker ps 能查看到 NAMES 为 chatgpt-on-wechat 的容器即表示运行成功。

使用

运行以下命令可查看容器运行日志，微信扫描日志中的二维码登录后即可使用：

sudo docker logs -f chatgpt-on-wechat

插件使用：

如果需要在docker容器中修改插件配置，可通过挂载的方式完成，将 插件配置文件 重命名为 config.json，放置于 docker-compose.yml 相同目录下，并在 docker-compose.yml 中的 chatgpt-on-wechat 部分下添加 volumes 映射:

volumes:

  - ./config.json:/app/plugins/config.json

我这个人体质很奇怪，总能遇到一些奇怪的事。

• 比如六年前半夜打车回家，差点被出租车司机拉到深山老林。
• 比如两年前去福州出差，差点永远回不了家。
• 比如十点从实验室下班，被人半路拦住。
• 比如这次，被人冒充 （在我心里这事和前几件同样恶劣）

不过幸好每次都是化险为夷，所以我顺顺利利活到现在。

事情起因是这样的：

去年朋友B突然告诉我：发现了你的闲鱼账号。

我：我没有闲鱼啊？

他给我截图，那个人卖掘金的周边，名字叫LolitaAnn。

因为我遇到太多离谱的事，再加上看的一堆被冒充的新闻，所以我第一反应是：这人也在冒充我。

当时朋友F 说我太敏感了，他觉得只是巧合。

但我觉得不是巧合，因为LolitaAnn是我自己造的词。

把我的沸点搬到小红书

又是某一天， 朋友H告诉我：你的小红书上热门了。

我：？我没有小红书啊？

然后他们给我看，有个人的小红书完全照搬我的沸点。

为此我又下载小红书和他对线。起初正常交涉，但是让他删掉，他直接不回复我了，最后还是投诉他，被小红书官方删掉的。

现在想了想，ip一样，极有可能是一个人干的。

闲鱼再次被挖出来

今年，有人在掘金群里说我卖周边。

我跑到那个群解释，说我被人冒充了。

群友很热心，都去举报那个人的昵称。昵称被举报下去了。

但是几天之后：

看到有人提醒我，它名字又改回来了。

当时以为是热心群友，后来知道就是它冒充我，现在回想起来一阵恶寒。

把名字改回去之后还在群里跟炫耀一样，心里想着：我改回来了，你们不知道是我吧。

冒充我的人被揪出来了

2.28的时候， 朋友C突然给我发了一段聊天记录。

是它在群里说 它的咸鱼什么掘金周边都有。结果打开一看，闲鱼是我的名字和头像。

事情到今天终于知道是谁冒充我了。

虽然Smile只是它的微信小号之一，都没实名认证。但是我还是知道了一些强哥的信息。

发现是谁冒充我，我第一反应必然是喷一顿。

刚在群里被我骂完，它脑子也不太好使，马上跑去改了自己掘金和闲鱼的名字。这不就是自爆了？ 证明咸鱼和掘金都是他的号。

奔跑姐妹兄弟（原名一只小小黄鸭） ←点击链接即可鞭尸。

牵扯出一堆小号

本来我以为事情已经结束了，我就去群里吐槽他。结果一堆认识他的掘友们给我说它还有别的掘金号。因为它和不同掘友用不同掘金号认识的。所以掘友们给我提供了一堆。我就挨个搜。

直到我看到了这两条：

因为我搜欢乐马出来上万个同名账号， 再加上他说自己有脚本，当时我以为都是他的小号。

后来掘友们提醒我，欢乐马是微信默认生成的，所以有一堆欢乐马，不一定是他的小号。

但是我确信他有很多小号，比如：

比如咸鱼卖了六七个掘金鼠标垫，卖了掘金的国行switch……

• 你们有没有想过为什么fixbug不许助攻了？

• 你们有没有想过为什么矿石贬值了，兑换商店越来越贵了？

• 你们有没有想过为什么掘金活动必得奖励越来越少了？

有这种操作在，普通用户根本没办法玩吧。

所以最后，我就把这个事交给官方了。

处理结果

所幸官方很给力，都处理了，感谢各位官方大大。

本次事件，共涉及主要近期活跃UserID 4个，相关小号570个。 

我再叨叨几句

• 卖周边可以， 你别冒充别人卖吧，又不是见不得光，做你自己不丢人。

• 开小号可以，你别一开开一堆，逼得普通玩家拿不到福利吧。

• 先成人后成才，不指望能为国家做多大贡献，起码别做蛀虫吧。

• 又不是没生活，专注点自己的东西，别老偷别人沸点。

• 我以后改名了嗷。叫Ann的八百万个，别碰瓷你爹了。

本文分享 LangChain 框架中一个引人入胜的概念 Prompt Templates。如果热衷于语言模型并且热爱 Python，那么将会大饱口福。

深入了解 LangChain 的世界，这个框架在我作为开发者的旅程中改变了游戏规则。

LangChain 是一个框架，它一直是我作为开发者旅途中的规则改变者。 LangChain 是一个独特的工具，它利用大语言模型（LLMs）的力量为各种使用案例构建应用程序。Harrison Chase 的这个创意于 2022 年 10 月作为开源项目首次亮相。从那时起，它就成为 GitHub 宇宙中一颗闪亮的明星，拥有高达 42,000 颗星，并有超过 800 名开发者的贡献。

LangChain 就像一位大师，指挥着 OpenAI 和 HuggingFace Hub 等 LLM 模型以及 Google、Wikipedia、Notion 和 Wolfram 等外部资源的管弦乐队。它提供了一组抽象（链和代理）和工具（提示模板、内存、文档加载器、输出解析器），充当文本输入和输出之间的桥梁。这些模型和组件链接到管道链中，这让开发人员能够轻而易举地快速构建健壮的应用程序原型。本质上，LangChain 是 LLM 交响乐的指挥家。

LangChain 的真正优势在于它的七个关键模块：

1. 模型：这些是构成应用程序主干的封闭或开源 LLM
2. 提示：这些是接受用户输入和输出解析器的模板，这些解析器格式化 LLM 模型的输出。
3. 索引：该模块准备和构建数据，以便 LLM 模型可以有效地与它们交互。
4. 记忆：这为链或代理提供了短期和长期记忆的能力，使它们能够记住以前与用户的交互。
5. 链：这是一种在单个管道（或“链”）中组合多个组件或其他链的方法。
6. 代理人：根据输入决定使用可用工具/数据采取的行动方案。
7. 回调：这些是在 LLM 运行期间的特定点触发以执行的函数。

GitHub：python.langchain.com/

什么是提示模板？

在语言模型的世界中，提示是一段文本，指示模型生成特定类型的响应。顾名思义，提示模板是生成此类提示的可重复方法。它本质上是一个文本字符串，可以接收来自最终用户的一组参数并相应地生成提示。

提示模板可以包含语言模型的说明、一组用于指导模型响应的少量示例以及模型的问题。下面是一个简单的例子：

from langchain import PromptTemplate



template = """

I want you to act as a naming consultant for new companies.

What is a good name for a company that makes {product}?

"""



prompt = PromptTemplate(

 input_variables=["product"],

 template=template,

)



prompt.format(product="colorful socks")

在此示例中，提示模板要求语言模型为生产特定产品的公司建议名称。product 是一个变量，可以替换为任何产品名称。

创建提示模板

在 LangChain 中创建提示模板非常简单。可以使用该类创建简单的硬编码提示 PromptTemplate。这些模板可以采用任意数量的输入变量，并且可以格式化以生成提示。以下是如何创建一个没有输入变量、一个输入变量和多个输入变量的提示模板：

from langchain import PromptTemplate



# No Input Variable 无输入变量

no_input_prompt = PromptTemplate(input_variables=[], template="Tell me a joke.")

print(no_input_prompt.format())  



# One Input Variable 一个输入变量

one_input_prompt = PromptTemplate(input_variables=["adjective"], template="Tell me a {adjective} joke.")

print(one_input_prompt.format(adjective="funny"))  



# Multiple Input Variables 多个输入变量

multiple_input_prompt = PromptTemplate(

 input_variables=["adjective", "content"], 

 template="Tell me a {adjective} joke about {content}."

)

print(multiple_input_prompt.format(adjective="funny", content="chickens"))  

总结

总之，LangChain 中的提示模板是为语言模型生成动态提示的强大工具。它们提供了对提示的灵活性和控制，能够有效地指导模型的响应。无论是为特定任务创建语言模型还是探索语言模型的功能，提示模板都可以改变游戏规则。

明敏 发自 凹非寺 量子位 | 公众号 QbitAI

AI孙燕姿这么快翻唱了这么多首歌，到底是咋实现的？

关键在于一个开源项目。

最近，这波AI翻唱趋势大火，不仅是AI孙燕姿唱的歌越来越多，AI歌手的范围也在扩大，就连制作教程都层出不穷了。

而如果在各大教程中溜达一圈后就会发现，其中的关键秘诀，还是要靠一个名为so-vits-svc的开源项目。

它提供了一种音色替换的办法，项目在今年3月发布。

贡献成员应该大部分都来自国内，其中贡献量最高的还是一位玩明日方舟的广西老表。

如今，项目已经停止更新了，但是星标数量还在蹭蹭上涨，目前已经到了8.4k。

所以它到底实现了哪些技术能引爆这波趋势？

一起来看。

多亏了一个开源项目

这个项目名叫SoftVC VITS Singing Voice Conversion（歌声转换）。

它提供了一种音色转换算法，采用SoftVC内容编码器提取源音频语音特征，然后将矢量直接输入VITS，中间不转换成文本，从而保留了音高和语调。

此外，还将声码器改为NSF HiFiGAN，可以解决声音中断的问题。

具体分为以下几步：

• 预训练模型
• 准备数据集
• 预处理
• 训练
• 推理

其中，预训练模型这步是关键之一，因为项目本身不提供任何音色的音频训练模型，所以如果你想要做一个新的AI歌手出来，需要自己训练模型。

而预训练模型的第一步，是准备干声，也就是无音乐的纯人声。

很多博主使用的工具都是UVR_v5.5.0。

推特博主@歸藏介绍说，在处理前最好把声音格式转成WAV格式，因为So-VITS-SVC 4.0只认这个格式，方便后面处理。

想要效果好一些，需要处理两次背景音，每次的设置不同，能最大限度提高干声质量。

得到处理好的音频后，需要进行一些预处理操作。

比如音频太长容易爆显存，需要对音频切片，推荐5-15秒或者再长一点也OK。

然后要重新采样到44100Hz和单声道，并自动将数据集划分为训练集和验证集，生成配置文件。再生成Hubert和f0。

接下来就能开始训练和推理了。

具体的步骤可以移步GitHub项目页查看（指路文末）。

值得一提的是，这个项目在今年3月上线，目前贡献者有25位。从贡献用户的简介来看，很多应该都来自国内。

据说项目刚上线时也有不少漏洞并且需要编程，但是后面几乎每一天都有人在更新和修补，现在的使用门槛已经降低了不少。

目前项目已经停止更新了，但还是有一些开发者创建了新的分支，比如有人做出了支持实时转换的客户端。

项目贡献量最多的一位开发者是Miuzarte，从简介地址判断应该来自广西。

随着想要上手使用的人越来越多，也有不少博主推出了上手难度更低、更详细的食用指南。

歸藏推荐的方法是使用整合包来推理（使用模型）和训练，还有B站的Jack-Cui展示了Windows下的步骤指南（http://www.bilibili.com/read/cv2237…

需要注意的是，模型训练对显卡要求还是比较高的，显存小于6G容易出现各类问题。

Jack-Cui建议使用N卡，他用RTX 2060 S，训练自己的模型大概用了14个小时。

训练数据也同样关键，越多高质量音频，就意味着最后效果可以越好。

还是会担心版权问题

值得一提的是，在so-vits-svc的项目主页上，着重强调了版权问题。

警告：请自行解决数据集的授权问题。因使用未经授权的数据集进行培训而产生的任何问题及其一切后果，由您自行承担责任。存储库及其维护者、svc开发团队，与生成结果无关!

这和AI画画爆火时有点相似。

因为AI生成内容的最初数据取材于人类作品，在版权方面的争论不绝于耳。

而且随着AI作品盛行，已经有版权方出手下架平台上的视频了。

据了解，一首AI合成的《Heart on My Sleeve》在油管和Tik Tok上爆火，它合成了Drake和Weekend演唱的版本。

但随后，Drake和Weekend的唱片公司环球音乐将这个视频从平台上下架了，并在声明里向潜在的仿冒者发问，“是要站在艺术家、粉丝和人类创造性表达的一边，还是站在Deepfake、欺诈和拒付艺术家赔偿的一边？”

此外，歌手Drake也在ins上对AI合成翻唱歌曲表达了不满。

而另一边，也有人选择拥抱这项技术。

加拿大歌手Grimes表示，她愿意让别人使用自己的声音合成歌曲，但是要给她一半版权费。

GitHub地址：

github.com/svc-develop…

参考链接：

[1]mp.weixin.qq.com/s/bXD1u6ysY…

[2]http://www.vulture.com/article/ai-…

— 完 —

大家好，我是 Zhero！

作为程序员，在我们的日常工作中，会花费大量时间在编码和阅读代码上。为了减轻眼睛的疲劳并提高工作效率，选择一个优秀的代码编辑器主题非常重要。今天我向大家推荐一款备受欢迎的 JetBrains IDE 主题插件 - Dracula。它采用深色调和高对比度的设计风格，成为黑暗系编程主题的杰出代表。Dracula 主题的界面清晰简洁，代码高亮显示明确鲜明，使得代码结构更加清晰易读。使用 Dracula 主题不仅能减少眼睛的疲劳，还能让我们更专注于代码的编写和理解。如果你正在寻找一个优秀的代码编辑器主题，不妨给 Dracula 一试，相信它会给你带来全新的编程体验。

来源

Dracula 主题源自于一种热门的色彩风格，也被称为“Dracula”。它最初由 Zeno Rocha 在 TextMate 编辑器上设计和实现。随着其受欢迎程度的不断增加，Dracula Color Scheme 成为一个跨平台的开源项目，并得到了许多编辑器和 IDE 的支持。

JetBrains 公司注意到了 Dracula 这种深色调和高对比度的设计，并将其引入了他们的 IDE 产品线。现在，IntelliJ IDEA、PyCharm、WebStorm 等 JetBrains 的 IDE 都提供了官方支持的 Dracula 主题插件。这款黑暗炫彩的主题受到了广大程序员的喜爱，成为了他们工作中常用的选择之一。无论是在日常编码还是阅读代码时，Dracula 主题都能为程序员带来舒适的使用体验。

设计风格

Dracula 主题的设计具有以下魅力：

1. 高对比度的前景和背景： Dracula 主题使用高对比度的前景和背景色，使得代码内容的层次分明，易于阅读和理解。
2. 强调重要内容的语法高亮： Dracula 主题使用明亮的绿色进行语法高亮，能够清晰地强调代码中的重要部分，帮助程序员更好地理解代码逻辑。
3. FLAT 扁平化设计风格： Dracula 主题采用简洁大方的 FLAT 扁平化设计风格，界面整洁清晰，让代码更加突出。
4. 黑客文化与美学融合： Dracula 主题融合了黑客文化中的深色基调和对于对比度和视觉冲击的美学追求。它既展现了黑客式的科技感，又兼具艺术家般的美学气质。

通过这些设计特征，Dracula 主题确保了代码的可读性，提供了令人愉悦的编程体验，并为开发者们带来了独特的视觉享受。

优点

Dracula 主题在技术上具有以下优势：

• 明暗分明的前景和背景： Dracula 主题使用明暗分明的前景和背景色，使得代码的视觉层次感强，识别度高，提高了代码的可读性和理解效率。
• 温暖色菜单栏和标识色边框： Dracula 主题在菜单栏和标识色边框上采用温暖色，增加了页面元素的识别度，帮助用户更好地找到所需功能。
• 强调重要内容的明亮色彩： Dracula 主题使用明亮的色彩来突出重要的内容，提高了可关注点的辨识度，使开发者能够更快速地定位和理解关键代码部分。
• 条件颜色支持： Dracula 主题提供了适应不同环境光照条件的条件颜色支持，确保在不同的工作环境中都能有良好的显示效果。

Dracula 主题带来的用户体验提升包括：

• 提高代码可读性和理解效率： 明暗分明的视觉层次感和明亮色彩的使用使得代码更易于阅读和理解，提高了开发者的工作效率。
• 丰富的语法色彩增强趣味性： Dracula 主题提供丰富的语法色彩，使得编程过程更具趣味性和乐趣，激发开发者的工作热情。
• 酷炫的外观满足个性化追求： Dracula 主题具有独特的外观设计，满足技术宅对个性化的追求，让开发环境更具魅力和个性。
• 对色弱用户友好： Dracula 主题经过精心设计，在保证美观的同时也考虑到了色弱用户的需求，不会造成视觉障碍。

正因为这些优势，Dracula 主题备受码农的青睐。它极大地提升了 JetBrains IDE 的美观性和可用性，无论是初学者还是老手，都能够享受到 Dracula 主题带来的舒适的用户体验。

支持产品

到目前为止，Dracula 主题已经广泛支持341+款应用程序，涵盖了各个平台和工具。除了 JetBrains IDE，Dracula 还适用于许多其他知名的应用程序，其中包括但不限于以下几个：

• Notepad++： Dracula 主题为 Notepad++ 提供了独特的外观，使得文本编辑器更加美观和舒适。
• iTerm： Dracula 主题为 iTerm 终端应用程序带来了独特的配色方案，提升了终端界面的可视性和使用体验。
• Visual Studio Code： Dracula 主题为 Visual Studio Code 提供了一套酷炫且易于辨识的代码颜色方案，让开发者能够更好地编写和调试代码。
• Vim： Dracula 主题为 Vim 编辑器提供了一种简洁而又优雅的配色方案，使得代码在终端中的显示更加清晰明了。
• Terminal.app： Dracula 主题为 macOS 上的 Terminal.app 终端应用程序提供了一种时尚和易于识别的配色方案，提升了终端的可用性和美观性。
• Zsh： Dracula 主题兼容 Zsh 终端的配色方案，使得命令行界面更加美观和个性化。

这些应用程序只是 Dracula 主题所支持的众多应用程序中的一部分，它们的加入使得 Dracula 主题在各个平台和工具上都能够提供一致的视觉体验，满足开发者对于美观和可用性的追求。

查看更多支持产品：

draculatheme.com

使用

下面我用 IDEA 实例给大家展示一下如何使用吧！

1. 前往插件市场，搜索Dracula，点击安装

2. 前往 Preferences > Appearance & Behavior > Appearance，从下拉菜单中选择Dracula

3. 前往 Preferences > Editor > Color Scheme，从下拉菜单中选择Dracula

通过上述步骤，您可以启用Dracula主题啦！

总结

Dracula 主题为 JetBrains IDE 带来了卓越的高对比度黑暗风格，本文我为大家介绍一下它的优点。如果你还没有尝试过这款插件，快去试试吧！