首页
学习
活动
专区
圈层
工具
发布

#工作

浏览器登录态过期,无人值守任务如何续期?

企业微信智能表格无法便捷复制已有记录链接,且记录链接点击后无法精确定位?

这确实是目前企业微信智能表格的体验痛点。官方暂未提供“一键复制当前记录链接”的快捷按钮,只能右键记录手动复制链接,操作路径较深。更关键的是,由于智能表格底层是数据库而非传统电子表格,记录没有固定的行列坐标,导致链接打开后只能跳转到所在视图或数据表,无法像Excel那样精准锚定到具体某一行,尤其在数据量大时定位感极差。 这是产品架构决定的阶段性限制,并非网络或权限问题。目前可行的折中方案是:在表格内新增一个“唯一ID”字段,复制链接后通过筛选该ID快速定位;或在反馈入口提交需求,推动官方优化记录级分享与跳转能力。短期内建议将需要频繁分享的记录单独导出或转为文档卡片,避免反复经历“复制链接-打开-手动翻找”的流程。 官方详细解决方案:https://cloud.tencent.com/product/lighthouse?Is=sdk-topnav... 展开详请

AI 哲学思考 3:当 AI 的能力可以打分,谁来决定什么值得衡量?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验

“什么值得衡量”本身就是价值选择,不应只由模型厂商、评测机构或榜单领先者决定,而应让领域专家、实际使用者,尤其是承担失败代价的人共同参与:专家判断任务是否真实、测量是否可靠,受影响者提出哪些需求被遗漏、哪些损失不可接受,部署者则必须承担明确责任。

AI时代答案泛滥,谁来判断负责?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
AI让生成答案变得便宜,但技术场景的约束没有消失:方案仍要落在真实业务约束上,交付仍要可验证、风险可处理。工单密集时,如果把节省的时间全部换成更快完成更多工单,复盘、行业理解和长期信任就会被挤掉。架构师使用AI时,应把关键判断、假设和决策依据留在重要方案里,把可验证结果与风险处理记录留在交付里,并让AI能力贴近所在行业和真实约束,而不是只追求答案数量。 产品方案上要取舍:不是给每个判断都加上重流程,而是让责任可追溯的成本足够低。重要方案记录关键判断与依据,交付保留可复核结果和风险记录,再从节省工时中固定安排复盘、学习和深度工作。这样既保留效率,也让可信度、独特位置和自主时间能够长期经营。四种资本是文章作者观点,并非普遍适用的量化结论,产品设计不宜把它包装成确定收益。 商业验证应回到可观察的事实:交付结果是否经得起复核,客户是否愿意复购,独立判断质量是否在事后被证明。若只追求更快产出,短期看工单增加,长期可能牺牲信任与判断力。更稳妥的做法是用交付结果、复购和判断质量持续校验,而不是用生成速度替代责任。AI把产出变便宜,反而把负责任的选择变得更重要。... 展开详请

云点播可靠回调中,EventHandle 能否作为持久化去重键?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
能,但要先理解它的语义再依赖。云点播可靠回调的 EventHandle 是同一次事件通知的唯一标识,同一事件重试推送时保持不变,这正是幂等键需要的不变式。注意两点:范围上它只在「同一次事件的多次投递」里稳定,同一 FileId 先转码后审核是两个事件、两个 EventHandle,去重表要按事件类型分开建;时效上它没有业务含义,别把业务顺序依赖在句柄上。持久化设计:去重表用 event_type 加 EventHandle 建唯一索引,插入成功才执行业务,撞唯一键说明是重复投递,直接返回成功。用 insert ignore 或 upsert 一条 SQL 完成,别先查后插,中间有并发窗口。去重表要有清理策略,比如保留 7 天,防止无限膨胀。对关键消息还可以多记一列处理结果状态,排查重复投递时能省很多事。... 展开详请

AI 时代, 工作机会正在流向哪里?

不知道怎么加高并发项目经历?

ai时代企业真的还需要员工吗?

大模型时代本体论帮开发者少写胶水吗?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
能帮上,但别指望胶水自动消失。胶水的本质是两边系统对同一件事的理解不一致:字段命名、单位、状态机、统计口径。本体论的价值是把这些共识显式化成一份机器可读的契约,大模型生成集成代码时按这份契约来,而不是各自猜。实操上建议别一上来建大而全的领域本体,先挑最容易出歧义的十几个核心概念(客户、订单、支付状态这类)定义清楚,放进 RAG 或直接挂在提示词里,让模型引用它做代码生成和数据映射。收益最明显的是跨系统对齐和新人上手,原来要拉着老工程师确认半天的口径,现在查本体就行。但注意本体本身会腐烂,没有 owner 和变更流程,它很快变成第二份没人信的文档,胶水又回来了。它是治理手段,不是银弹。... 展开详请

本体论真能治需求语义漂移吗?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
能治,但治不了全部。同名异义、异名同义这类问题,本质是团队对领域概念没共识,本体把共识显式化成术语、关系和约束,评审时确实少扯皮。经验里最值钱的是两点:术语表带唯一ID,PRD、埋点、API 契约都引用同一个ID,改口径时能一键追影响面;关系约束写进本体,「订单必须关联一个客户」这种规则机器就能查。但有两个坑:本体建完没人维护,三个月就腐化成第二套文档;以及它解决不了业务目标本身想错的问题——语义对齐了照样返工。建议先圈一个冲突最重的业务域试点,别一上来全公司铺。... 展开详请

本体论真能治需求语义漂移吗?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
能治一半,别指望治全部。需求漂移本质是同一个词在业务方、产品、代码里指的不是一个东西。本体论干的事是把概念、属性、关系、约束显式写下来,让「订单」「结算完成」有唯一可判定的定义,这层对齐确实能砍掉大量扯皮。 但它管不住两件事:业务本身在变,词没变意思变了;落地时字段和状态机没跟上。本体写完必须绑到代码和校验规则上,否则就是一份好看的文档。 实践里我的顺序是,先挑争议最多的核心概念做最小本体,写成状态机和字段约束,让它进 schema 和单测,跑三个月看返工率有没有降,再决定扩不扩。大模型在里面只是加速提取和校验一致性,别让它替你定业务口径。... 展开详请

大模型时代本体论帮开发者少写胶水吗?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
正:本体论能帮开发者少写胶水,前提是把它变成代码契约。订单、用户、商品等实体和关系生成 DTO、校验器和工具描述后,大模型调用 API 时按 schema 填参,开发者不再手写大量字段转换。可执行验证是选一个订单助手,统计接入前后映射代码行数、字段错配率和联调耗时,若三项均下降则有效。 反:本体自身需要维护,模型可能绕过约束生成自由文本,动态业务规则也难全部塞进本体。边界是工具调用、结构化输出和跨服务契约场景有效,开放式对话与探索分析不适用;若本体版本与代码不同步,胶水会转移成修复成本。 定:开发团队应把本体当接口契约,代码生成、提示模板和 CI 校验绑定同一版本。先在一个函数计算服务试点,设定胶水代码下降 30%、契约测试通过率 99%,连续两个迭代达标再推广。... 展开详请

大模型时代本体论帮开发者少写胶水吗?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
已采纳
正:本体论能帮开发者少写胶水,前提是把它变成代码契约。订单、用户、商品等实体和关系生成 DTO、校验器和工具描述后,大模型调用 API 时按 schema 填参,开发者不再手写大量字段转换。可执行验证是选一个订单助手,统计接入前后映射代码行数、字段错配率和联调耗时,若三项均下降则有效。 反:本体自身需要维护,模型可能绕过约束生成自由文本,动态业务规则也难全部塞进本体。边界是工具调用、结构化输出和跨服务契约场景有效,开放式对话与探索分析不适用;若本体版本与代码不同步,胶水会转移成修复成本。 定:开发团队应把本体当接口契约,代码生成、提示模板和 CI 校验绑定同一版本。先在一个函数计算服务试点,设定胶水代码下降 30%、契约测试通过率 99%,连续两个迭代达标再推广。... 展开详请

git基础指令?

workbuddy今天下午开始云端对话都无法打开或者新建了,云端服务咋了?

数据库界华少

六棱镜(杭州)科技有限公司 | 运维工程师 (已认证)

OceanBase OBCP、MySQL OCP 认证 墨天轮MVP、YashanDB YVP、金仓KVA、TiDB MVA,腾讯云架构师同盟

是的,手机端无法同步查看,着急呀,同步不了,用户量大了,希望稳定点呀。

“渐进式披露”如何工作?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
已采纳
就是把信息按需加载,而不是一次性全塞进上下文。系统先识别用户意图,再决定调用哪些skill或工具,无关模块不激活、不取数据、不占token。比如用户问财务问题,只加载财务相关技能;问代码问题,只触发工程模块。这样能省token,也减少模型被无关信息干扰导致的幻觉。实现上需要一个好路由层,能根据关键词、历史对话和任务类型动态匹配技能,否则该调用的没调出来,反而误事。... 展开详请

工具执行管道和沙箱策略如何保证安全?

这个问题我可以从 “安全设计的一般原理” 角度给你讲清楚,但不会涉及系统内部的实现细节和配置参数 —— 那些属于内部信息。 核心思路:纵深防御,不是靠单点防护 1. 权限分层(最小授权原则) 工具按能力分级:只读类(读取、搜索)放行;写入类(改文件、建文档)限定在授权目录内;高风险类(删除、覆盖、发布、外部写入)单独拦截。 你当前选的「按需确认」模式,就是让所有命令行操作走你的确认,本质上是一种「人机共审」:机器判断风险,人做最终决定。 2. 沙箱隔离(限制爆炸半径) 执行环境的访问范围被刻意收窄 —— 命令默认在受限作用域里跑,拿不到系统目录、凭据、网络等敏感资源。 只有确实需要更大权限时,才申请提权(escalation),而且提权理由要对用户可见、可审查。 3. 风险操作识别与确认 删除、覆盖、发布这类 “不可逆” 动作会被自动识别,系统弹窗请你确认后再执行 —— 这正是防止误操作伤到已有工作。 一旦你明确拒绝,系统会停止该操作,不会换一种写法偷偷绕过去重试。 4. 命令级校验 管道、&&、||、分号等组合命令会逐段判定,防止用 “拼接写法” 绕过单条命令的权限检查。 这堵住了常见的规避手段:把危险动作拆散、换个目录、用符号链接中转等。 5. 失败处理也安全 命令失败先读报错、按提示修正;同类错误重复出现会去查共同成因,而不是盲目重试或换破坏性捷径。 遇到权限错误(比如真实的 Permission denied)会主动说明,等你指示,而不是硬闯。 一句话总结:权限分层决定 “能不能碰”,沙箱决定 “碰了影响多大”,确认弹窗决定 “要不要真碰”,命令级校验堵住 “绕路碰”。四层叠加,即使某一层被绕过,后面的层仍能兜底。... 展开详请
这个问题我可以从 “安全设计的一般原理” 角度给你讲清楚,但不会涉及系统内部的实现细节和配置参数 —— 那些属于内部信息。 核心思路:纵深防御,不是靠单点防护 1. 权限分层(最小授权原则) 工具按能力分级:只读类(读取、搜索)放行;写入类(改文件、建文档)限定在授权目录内;高风险类(删除、覆盖、发布、外部写入)单独拦截。 你当前选的「按需确认」模式,就是让所有命令行操作走你的确认,本质上是一种「人机共审」:机器判断风险,人做最终决定。 2. 沙箱隔离(限制爆炸半径) 执行环境的访问范围被刻意收窄 —— 命令默认在受限作用域里跑,拿不到系统目录、凭据、网络等敏感资源。 只有确实需要更大权限时,才申请提权(escalation),而且提权理由要对用户可见、可审查。 3. 风险操作识别与确认 删除、覆盖、发布这类 “不可逆” 动作会被自动识别,系统弹窗请你确认后再执行 —— 这正是防止误操作伤到已有工作。 一旦你明确拒绝,系统会停止该操作,不会换一种写法偷偷绕过去重试。 4. 命令级校验 管道、&&、||、分号等组合命令会逐段判定,防止用 “拼接写法” 绕过单条命令的权限检查。 这堵住了常见的规避手段:把危险动作拆散、换个目录、用符号链接中转等。 5. 失败处理也安全 命令失败先读报错、按提示修正;同类错误重复出现会去查共同成因,而不是盲目重试或换破坏性捷径。 遇到权限错误(比如真实的 Permission denied)会主动说明,等你指示,而不是硬闯。 一句话总结:权限分层决定 “能不能碰”,沙箱决定 “碰了影响多大”,确认弹窗决定 “要不要真碰”,命令级校验堵住 “绕路碰”。四层叠加,即使某一层被绕过,后面的层仍能兜底。

救命!空转,无信息返回?

技术人如何在确定性与商业模糊性之间做决策?

这个问题堪称技术管理者(以及想进阶的资深IC)的灵魂拷问。技术人天生喜欢确定性——二进制的0和1、可复现的测试用例、明确的SLA指标。而商业世界只有概率——市场可能买账,也可能不买账。 结合我看到的实战案例,技术人在确定性(技术逻辑)与模糊性(商业逻辑)之间的决策,可以总结为一套“三层过滤”的决策框架,而非依赖灵光一现。 一个经典场景的实战推演 场景:销售突然签下一个大客户,要求“一周内”支持一个奇怪的多租户隔离逻辑,但公司未来战略并不明确。 菜鸟技术人:拒绝,说“架构不支持,需要三个月重构”。 老鸟技术人: 接受模糊性(商业需要这笔钱)。 提出“临时管道方案”:不重构整体,而是在API网关层写一个适配器(Adapter),专门针对这个客户做硬编码映射。 明确告知各方:“一周上线可以,但这是单租户特供版,性能仅支持QPS=100。如果后续有3个类似客户,我们必须停下新功能开发两周做通用层。” 签字画押。把商业的模糊性,转化为一个清晰的技术开关和触发条件。 技术人做决策时,要守住两条红线: 数据一致性红线:商业可以亏钱,但绝对不能把用户A的钱算到用户B头上(账务绝对确定)。 可用性红线:商业可以慢一点变现,但不能在“双11”或者大客户演示时宕机(SLA绝对确定)。 在这两条红线之上,弹性、耦合度、代码优雅度,全部都可以随商业波动而“模糊”。记住,技术的价值不是追求完美,而是用可控的确定性,去对冲商业的不可控性。... 展开详请
这个问题堪称技术管理者(以及想进阶的资深IC)的灵魂拷问。技术人天生喜欢确定性——二进制的0和1、可复现的测试用例、明确的SLA指标。而商业世界只有概率——市场可能买账,也可能不买账。 结合我看到的实战案例,技术人在确定性(技术逻辑)与模糊性(商业逻辑)之间的决策,可以总结为一套“三层过滤”的决策框架,而非依赖灵光一现。 一个经典场景的实战推演 场景:销售突然签下一个大客户,要求“一周内”支持一个奇怪的多租户隔离逻辑,但公司未来战略并不明确。 菜鸟技术人:拒绝,说“架构不支持,需要三个月重构”。 老鸟技术人: 接受模糊性(商业需要这笔钱)。 提出“临时管道方案”:不重构整体,而是在API网关层写一个适配器(Adapter),专门针对这个客户做硬编码映射。 明确告知各方:“一周上线可以,但这是单租户特供版,性能仅支持QPS=100。如果后续有3个类似客户,我们必须停下新功能开发两周做通用层。” 签字画押。把商业的模糊性,转化为一个清晰的技术开关和触发条件。 技术人做决策时,要守住两条红线: 数据一致性红线:商业可以亏钱,但绝对不能把用户A的钱算到用户B头上(账务绝对确定)。 可用性红线:商业可以慢一点变现,但不能在“双11”或者大客户演示时宕机(SLA绝对确定)。 在这两条红线之上,弹性、耦合度、代码优雅度,全部都可以随商业波动而“模糊”。记住,技术的价值不是追求完美,而是用可控的确定性,去对冲商业的不可控性。

资深工程师如何训练AI时代的权衡力?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
权衡力本质是对代价的敏感度,AI 时代它反而更值钱,因为 AI 产方案的速度远快于人验证方案的速度。练法很朴素:一是每次让 AI 出方案后强制自己问三个问题,这个方案在什么量级下会崩、出故障怎么兜底、半年后别人敢不敢改;二是把过去踩过的坑整理成自己的反模式清单,AI 不了解你公司的业务约束和历史包袱,这些上下文才是护城河;三是故意让 AI 生成一个对立方案,逼自己在两个都合理的选项里做取舍,并把理由写成决策记录。取舍写多了,权衡就从手感变成方法,这也是 AI 短期内替代不了的部分:它给选项,你扛后果。... 展开详请
领券