· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 919 10.1.1 TiDB 集群问题导图· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 如果你之前已经生成过密码，可以直接使用原密码，或点击 Reset Password 重新生成密码。 5. 启动 MySQL Workbench，并点击 MySQL Connections 标题旁边的 +。 图 1: MySQL Workbench: add new connection 6. 在 Setup New Connection 对话框中，配置以下连接参数： • Connection Name：为该连接指定一个有意义的名称。 in Vault，输入 TiDB Serverless 集群的密码，然后点击 OK 保存 密码。 203 图 2: MySQL Workbench: store the password of TiDB Serverless in keychain 下图显示了连接参数的示例： 图 3: MySQL Workbench: configure connection settings for TiDB

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 984 10.1.1 TiDB 集群问题导图· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 如果你之前已经生成过密码，可以直接使用原密码，或点击 Reset Password 重新生成密码。 5. 启动 MySQL Workbench，并点击 MySQL Connections 标题旁边的 +。 图 1: MySQL Workbench: add new connection 6. 在 Setup New Connection 对话框中，配置以下连接参数： • Connection Name：为该连接指定一个有意义的名称。 Vault，输入 TiDB Cloud Serverless 集群的密码，然后点击 OK 保存密码。 219 图 2: MySQL Workbench: store the password of TiDB Cloud Serverless in keychain 下图显示了连接参数的示例： 图 3: MySQL Workbench: configure connection settings for

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 1238 10.1.1 TiDB 集群问题导图· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 如果你之前已经生成过密码，可以直接使用原密码，或点击 Reset Password 重新生成密码。 5. 启动 MySQL Workbench，并点击 MySQL Connections 标题旁边的 +。 222 图 1: MySQL Workbench: add new connection 6. 在 Setup New Connection 对话框中，配置以下连接参数： • Connection Name：为该连接指定一个有意义的名称。 Vault，输入 TiDB Cloud Serverless 集群的密码，然后点击 OK 保存密码。 223 图 2: MySQL Workbench: store the password of TiDB Cloud Serverless in keychain 下图显示了连接参数的示例： 图 3: MySQL Workbench: configure connection settings for

通过层次结构图或思维导图展示分解后的各部分及其关系。 5. 结合各部分的结果，撰写一段总结性内容，确保整体连贯。 �实战技巧： • 任务分解 • 结果整合 • 问题定义 • 信息收集 • 分析综合 • 结论形成 1. 明确这个问题的核心要点，然后系统地收集相关信息进行分 析。 2. 列出与主题相关的所有关键概念和理论，并进行系统梳理。 3. 使用逻辑框架图展示信息收集、分析和结论的过程。 明确总体 目标 识别主要 任务 细化子任 务 定义微任 务 设计对应 提示语 建立任务 间联系 加入反馈 调整机制 SPECTRA任务分解模型 • Segmentation（分割）：将大任务分为独立但相关的 部分 • Prioritization（优先级）：确定子任务的重要性和执行 顺序 • Elaboration（细化）：深入探讨每个子任务的细节 • Conne ystematic Partitioning for Enhanced Cognitive Task Resolution in AI）： �基于SPECTRA模型的提示语链设技巧： 1. 分割提示：“将[总任务描述]分解为3—5个主要组成部分，确保每个 部分都是相对独立但与整体目标相关的。” 2. 优先级提示： “对上述分解的任务进行优先级排序，考虑它们对总 体目标的重要性和逻辑顺序。”

通过层次结构图或思维导图展示分解后的各部分及其关系。 5. 结合各部分的结果，撰写一段总结性内容，确保整体连贯。 �实战技巧： • 任务分解 • 结果整合 • 问题定义 • 信息收集 • 分析综合 • 结论形成 1. 明确这个问题的核心要点，然后系统地收集相关信息进行分 析。 2. 列出与主题相关的所有关键概念和理论，并进行系统梳理。 3. 使用逻辑框架图展示信息收集、分析和结论的过程。 明确总体 目标 识别主要 任务 细化子任 务 定义微任 务 设计对应 提示语 建立任务 间联系 加入反馈 调整机制 SPECTRA任务分解模型 • Segmentation（分割）：将大任务分为独立但相关的 部分 • Prioritization（优先级）：确定子任务的重要性和执行 顺序 • Elaboration（细化）：深入探讨每个子任务的细节 • Conne ystematic Partitioning for Enhanced Cognitive Task Resolution in AI）： �基于SPECTRA模型的提示语链设技巧： 1. 分割提示：“将[总任务描述]分解为3—5个主要组成部分，确保每个 部分都是相对独立但与整体目标相关的。” 2. 优先级提示： “对上述分解的任务进行优先级排序，考虑它们对总 体目标的重要性和逻辑顺序。”

Permission 字符串通配符权限 规则：“资源标识符：操作：对象实例 ID” 即对哪个资源的哪个实例可以进行什么操作。 其默认支持通配符权限字符串，“:”表示资源/操作/实例的分割；“,”表示操作的分割； “*”表示任意资源/操作/实例。 1、单个资源单个权限 用户拥有资源“system:user”的“update”权限。 2、单个资源多个权限 ini 配置文件 BitAndWildPermissionResolver 及 BitPermission BitPermission 用于实现位移方式的权限，如规则是： 权限字符串格式：+资源字符串+权限位+实例 ID；以+开头 中间通过+分割；权限：0 表示 所有权限；1 新增（二进制：0001）、2 修改（二进制：0010）、4 删除（二进制：0100）、 8 查看（二进制：1000）；如 +user+10 表示对资源 user 拥有修改/查看权限。 setter 注入 默认需要使用 Base64 进行编码，也可以使用 0x 十六进制。 Array/Set/List setter 注入 多个之间通过“，”分割。 Map setter 注入 即格式是：map=key：value，key：value，可以注入常量及引用值，常量的话都看作字符串 （即使有泛型也不会自动造型）。 实例化/注入顺序

无商业限制的基座的可能性也很高。小应 用开发商很可能很容易获得一个低成本 serving 的“量化小基座”。 “7B”是一个 magic number！无论是 RAG 里的向量表征模型，还是文生图、文本识别 （OCR）、语音合成（TTS）、人脸识别等等垂直领域，一个 1B~7B 的小模型已经可以满足很 多生产、应用需要，并且效果也在逐步推高【8，9，10】。这些模型，作为智能体的“三头六臂”， 确实好用，包括新推出的“光标位置预测” 功能。 但是 AI 编程发展没有那么快，在国内生成代码采纳率还比较低，根据《2024 软件研发应 用大模型国内现状调研报告》，多数团队在 10-40%之间，如图 1 所示。 图 1 大模型（LLM）在编程上的应用及其生成代码的采纳率 在 2024 年，我们还看到了“AI 程序员”Devin 的诞生，Devin 能够独立完成复杂的编码和 调试任务、自主查找和修复代码库中的错误，构建和部署应用程序。在 编程工作，如论文 Flows:Building Blocks of Reasoning and Collaborating AI 所描述的（图 2 所示），构成一个复合竞争性编 码流程，研发人员更多是提需求，由 LLM 和智能体实现自主编程的过程。 图 2 由 LLM 和智能体实现自主编程的过程 随着大模型技术的迅速发展，在今年，我们明显能感到，AI 已从单一的辅助工具，逐渐演 变为软件开发人员不可或缺的助手或伙伴。

在栈上。右侧则是堆 上存放内容的内存部分。 s1 name value ptr len 5 capacity 5 indexvalue 0 h 1 e 2 l 3 l 4 o 图 4-1：将值 "hello" 绑定给 s1 的 String 在内存中的表现形式 长度表示 String 的内容当前使用了多少字节的内存。容量是 String 从分配器总共获取了多少 字节的内存。 ptr len 5 capacity 5 indexvalue 0 h 1 e 2 l 3 l 4 o s2 name value ptr len 5 capacity 5 图 4-2：变量 s2 的内存表现，它有一份 s1 指针、长度和容量的拷贝 这个表现形式看起来并不像图 4-3 中的那样，如果 Rust 也拷贝了堆上的数据，那么内存看起 来就是这样的。如果 Rust 5 capacity 5 indexvalue 0 h 1 e 2 l 3 l 4 o 图 4-3：另一个 s2 = s1 时可能的内存表现，如果 Rust 同时也拷贝了堆上的数据的话 之前我们提到过当变量离开作用域后，Rust 自动调用 drop 函数并清理变量的堆内存。不过图 4-2 展示了两个数据指针指向了同一位置。这就有了一个问题：当 s2 和 s1 离开作用域，它们 都会尝试释放相同的内存。这是一个叫做

艺、 到解放生产力的工业产品、再到宇宙运行的科学规律，几乎每一件平凡或令人惊叹的事物背后，都隐藏着精 妙的算法思想。 同样，数据结构无处不在：大到社会网络，小到地铁线路，许多系统都可以建模为“图”；大到一个国家，小 到一个家庭，社会的主要组织形式呈现出“树”的特征；冬天的衣服就像“栈”，最先穿上的最后才能脱下； 羽毛球筒则如同“队列”，一端放入、另一端取出；字典就像一个“哈希表”，能够快速查找目标词条。 . . . . . . . . . . . . . . . . . 184 第 9 章 图 186 9.1 图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 9.2 图的基础操作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191 9.3 图的遍历 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 9.4 小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

艺、 到解放生产力的工业产品、再到宇宙运行的科学规律，几乎每一件平凡或令人惊叹的事物背后，都隐藏着精 妙的算法思想。 同样，数据结构无处不在：大到社会网络，小到地铁线路，许多系统都可以建模为“图”；大到一个国家，小 到一个家庭，社会的主要组织形式呈现出“树”的特征；冬天的衣服就像“栈”，最先穿上的最后才能脱下； 羽毛球筒则如同“队列”，一端放入、另一端取出；字典就像一个“哈希表”，能够快速查找目标词条。 . . . . . . . . . . . . . . . . . 185 第 9 章 图 186 9.1 图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 9.2 图的基础操作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191 9.3 图的遍历 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 9.4 小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .