1.8.1 1.9 ⽬录 前⾔ FFmpeg概览 FFmpeg相关 FFmpeg安装 ⾳频处理 提取⾳频⽚段 视频处理 视频属性 获取 调整 尺⼨调整 动图gif 视频转动图 动图转视频 ⽔印 去除⽔印 提取⾳频 字幕处理 背景知识 字幕分类 字幕格式 编辑字幕 Aegisub 提取字幕 转换字幕 嵌⼊字幕 指定字幕位置 指定字幕⽂字属性 等⼯具；再介 绍如何安装ffmpeg；如何⽤ffmpeg处理⾳频，⽐如从⾳频中提取某段⾳频 ⽚段；以及各种视频处理，包括视频属性的获取和调整，包括调整视频宽 ⾼尺⼨⼤⼩；以及动图gif处理，包括视频转动图、动图转视频；以及⽔印 处理，包括去除视频⽔印；从视频中提取完整⾳频和⾳频⽚段；字幕相关 处理，包括字幕的背景知识，包括软字幕和硬字幕、常⻅字幕格式ass和 srt；以及如何⽤Aegi -i input.mp4 -vf "delogo=x=324:y=28:w=140:h=53" -c:a copy input_removedWatermarked.mp4 从视频中提取⾳频并分割成多个⾳频⽚段 前提： ⾸先要有字幕⽂件：可以指定多个时间段 对于每个时间段，⽤ffmpeg提取指定时间段的⾳频 ffmpeg -i input.mp4 -ss 00:00:11.270 -to

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。”

1991年8月，Linus Benedict Torvalds，这位芬兰赫尔辛基大学计算机科学专业的 一个大二学生，开始研究 Minix 。 4 自由软件运动、开源和 Linux 目录 Lucid Lynx 图 I.1 Linus Benedict Torvalds 小提示 Minix 是一个开源的类 Unix 操作系统，是 Andrew S. Tanenbaum 教授为了便于 教授操作系统的内部流程而开发的。 Augustin、Eric S. Raymond 和 Bruce Perens 等正式开始了开放源码运动。他们以各自卓越的专业基础极大地推动了这项运 动的发展。 6 关于 Ubuntu 目录 Lucid Lynx 图 I.2 开 放 源 码 运 动 的 发 起 者 开 放 源 码 运 动 和 1990 年 代 末 的 互 联 网 的 兴 起 一 起 造 就 了 Linux 的 流 行 ， 随 后 出 现 了 很 这个词来自非洲，意思是“人道待人”，或者“群在故我在”。 Ubuntu 的历史可以追溯到 2004年04月， Mark Shuttleworth 组织了一个开源开 发者小组，旨在创造一个新的 Linux 操作系统。 图 I.3 Mark Shuttleworth GNOME 桌面环境、强大的 Debian、基于时间制定的周期性发布规则，以及 对 自 由 软 件 的 极 大 热 情 ， 成 为 这 个 小 组 工 作

Master1 Broker Master2 Broker Slave1 Broker Slave2 Producer集群 Consumer集群 图表 5-2RocketMQ 网络部署图 RocketMQ 网络部署特点  Name Server 是一个几乎无状态节点，可集群部署，节点乀间无任何信息同步。  Broker 部署相对复杂，Broker 分为 Master MEMORY JAVA HEAP DISK Producer Consumer1 Consumer2 Consumer3 ⑤ ④ ⑦ ⑥ ⑧ ③ ② ① 图表 7-7 消息在系统中流转图 (1). Producer 収送消息，消息从 socket 迕入 java 堆。 (2). Producer 収送消息，消息从 java 堆转入 PAGACACHE，物理内存。 (3). Consumer 下达一个重定吐挃 令，令 Consumer 从 Slave 拉叏数据，返样正常的収消息不正常消费的 Consumer 都丌会因为消息堆积叐影响，因为 系统将堆积场景不非堆积场景分割在了两个丌同的节点处理。返里会产生另一个问题，Slave 会丌会写性能下降， 答案是否定的。因为 Slave 的消息写入只追求吞吏量，丌追求实时性，只要整体的吞吏量高就可以，而 Slave 每次

对数据进行诊断、预测、关联、聚类分析，常用于问题 定位、需求预测、推荐系统、异常检测等。 对数据进行分类、社交网络分析或时序模式挖掘，常用 于客户细分、信用评分、社交媒体营销、股价预测等。 将数据转化为统计图、热力图、网络关系图、词云、树形 图等，用于揭示数据中蕴含的模式、趋势、异常和洞见。 本质：以多agent实现从数据采集到可视全流程 模型特点 Claude 3.5 sonnet  平衡性能：在模型大小和 5均能基于分析结果提供多种可视化图表绘制方案，但都需要依靠运行 Python代码才能完成绘图任务，部分代码会出现错误 Open AI o3mini 能够直接调用DALLE，根据分析结果和任务需求高效绘制各类可视化图 表，部分较为复杂的图表可能出现数据错误或无法生成的情况。 Claude 3.5 sonnet 暂时不能直接绘制出可视图表，需要将绘图 代码复制到本地运行。 Kimi k1.5 结合数据样本和分析结果，提供多种可视化 船票等级的票价分布） DeepSeek R1 能够结合数据样本和分析结果，提供多种可 视化图表绘制方案，但暂时不能直接绘制出 可视图表，需要将对应的绘图代码复制到本 地运行制作图表。  柱状图（生还者和遇难者的比例、按船舱等级分类的生还情况） 结论 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 DeepSeek

messageQueueList [userId%messageQueueList.size()] 2.3 分布式事物消息 先引入官方文档图： 分布式事物是基于二阶段提交的 1) 一阶段，向 broker 发送一条 prepared 的消息，返回消息的 offset 即消息地址 commitLog 中消息偏移量。Prepared 消息动作 序列图 1. 向 broker 发送长轮询请求 2. Broker 接收长轮询请求 3. Consumer 接收 broker 响应 长轮询活动图： 一张图画不下，再来一张 四：push

console.log( regex.test(string4) ); // true 其中 / 和 . 需要转义。虽然匹配了要求的情况，但也匹配 "2016-06/12" 这样的数据。 假设我们想要求分割符前后一致怎么办？此时需要使用反向引用： var regex = /\d{4}(-|\/|\.)\d{2}\1\d{2}/; var string1 = "2017-06-12"; var string2

console.log( regex.test(string4) ); // true 其中 / 和 . 需要转义。虽然匹配了要求的情况，但也匹配 "2016-06/12" 这样的数据。 假设我们想要求分割符前后一致怎么办？此时需要使用反向引用： var regex = /\d{4}(-|\/|\.)\d{2}\1\d{2}/; var string1 = "2017-06-12"; var string2