编辑
2026-10-24
实用工具
0

Java 项目 VS Code / Qoder 插件配置指南

适用场景:Spring Boot 多模块项目、基于 Git worktree 的多分支并行开发 核心原则:Pack 装一次到位,子扩展不重复安装;通用效率插件按需取舍;插件不在多,在闭环。


一、核心套件(2 个 Pack 即完整)

插件说明
Extension Pack for Java微软官方 Java 套件,装它等于安装齐下表中的 6 个 Java 成员
Spring Boot Extension PackSpring 官方套件,装它等于安装齐下表中的 3 个 Spring 成员

装完这两个包后,Java 编写、调试、测试、构建和 Spring 配置提示的完整流程即可打通,不需要再逐个挑选组件。


二、包内成员(已被包含,不要单独再装)

Java 成员

插件作用
Language Support for Java(TM) by Red HatJDT LS 语言服务器:补全、跳转、重构、语法与编译诊断
Debugger for Java断点调试、启动配置、变量查看、单步与热替换
Test Runner for JavaJUnit / TestNG 用例运行与调试
Maven for Java执行 goal、跑生命周期、生成工程原型
Gradle for JavaGradle 任务视图与构建执行,替代命令行 ./gradlew
Project Manager for Java项目结构与依赖视图、classpath 管理、导出 jar

Spring 成员

插件作用
Spring Boot Toolsapplication.yml/properties 补全校验、Bean 与配置项跳转、运行时信息
Spring Boot Dashboard本地应用一键启停、查看端点与运行状态
Spring Initializr Java Support向导式生成新的 Spring Boot 工程

编辑
2026-10-24
实用工具
0

DeepSeek Harness(dsh)安装与使用指南

本文基于官方仓库 tag dsh-v0.1.7-rc.2 的 README、CLI 说明、模型配置、网络代理与安全文档整理,并补充 CC Switch 的协作方案。 整理时间:2026-10-23。DSH 仍处于开发者预览阶段,官方明确会有破坏兼容性的变更;执行前请以 dsh --help、dsh web --help 和官方文档为准。


1. 简介

DeepSeek Harness(命令名 dsh)是 DeepSeek AI 开源的 agent harness(智能体框架),采用「一切皆插件」的架构,由 Cordis 驱动。模型、工具、技能、会话、沙箱、存储等能力都通过插件组合,无需改框架源码即可替换或扩展。

它能做什么:

  • 读取和编辑工作区文件、运行命令;
  • 委派子任务、维护计划;
  • 按权限策略在执行敏感操作前请求审批;
  • 以 Web UI、无头(headless)、SDK、ACP 等多种形态运行。
编辑
2026-11-19
学习记录
0

Spring Boot 4 编译 GraalVM Native Image:Docker 构建实录

把一个 Spring Boot 4 + Spring AI 的 RAG 服务编译成了原生可执行文件,装进 Docker 镜像。镜像 131MB,空库启动 0.5 秒,挂着 48MB 向量库启动 3.1 秒。

整个过程不顺利:失效的镜像源、GraalVM Feature 报错、反射元数据缺失,三个坑各挡了一次路。这篇把环境准备、构建命令和每个坑的修法都记下来,命令全部实测过。

编辑
2026-11-19
实用工具
0

零基础微调 Laya:一份 CSV 加一条命令,训出你自己的决策模型

本文假设你完全没接触过大模型训练。读完并照做,你能用自己的业务数据训出一个专属的 Laya 模型并验证效果。全部步骤来自 Laya 官方文档(docs/finetune.md)与官方源码 (laya/train.py),每一步都有可复制的命令和验证方法。 本文只讲微调与使用微调产物;如何在 Java/Spring Boot 中集成 laya-java (对象池、REST 接口等)见姊妹篇《别再拿大模型做工单分类了》,此处不重复。 官方项目:github.com/NandhaKishorM/laya(Apache-2.0)。

一、5 分钟背景:Laya 是什么,微调是什么

Laya 是一个"做判断题"的小模型。 它不聊天、不写文章,你给它一段文本和几个问题, 它一次性回答三类判断:

  • choice:多选一。"这条工单归哪个部门?" → billing(附每个选项的概率)
  • score:打等级分。"有多紧急?" → 在 [不急, 尽快, 十万火急] 里给期望分
  • noul:判真假。"客户是否威胁退订?" → 0.87(命题成立的概率)

它出厂就带通用判断能力(叫"零样本"),但在你的具体业务上往往不够准。 微调(fine-tune)就是拿你自己标注过的几百到几千条数据,继续训练这个模型, 让它学会你业务里的判断标准。 类比:出厂模型是刚毕业的大学生,微调是入职培训。

三个提前说清的边界,避免走弯路:

  1. 微调 ≠ 从零训练。你不需要训一个全新模型(官方也不提供从零预训练的工具), 只是在官方发布的模型基础上继续训练,一张普通 GPU 甚至你的 MacBook 就够。
  2. 官方有开箱即用的微调命令 laya-train,一条命令完成:读数据 → 训练 → 校准置信度 → 保存模型。不需要你写训练代码。
  3. 训练在 Python 侧做。微调产物是一个标准 checkpoint 目录,Python 直接加载即用; 已有 laya-java 服务的,导出 ONNX 后改两个配置路径就能换上新模型(第八节)。

官方给的效果参照(typed-decisions 基准,2000 道判断题):出厂模型准确率 0.362 (接近瞎猜的 0.318),微调后 0.766。微调是这个模型价值的大头。

编辑
2026-11-19
实用工具
0

别再拿大模型做工单分类了:33ms 出结果的 Laya,以及如何在 Spring Boot 里本地跑起来

一次前向传播,同时回答"这单归哪个部门、有多急、客户是不是要跑路"三个问题,带校准概率, 不生成一个 token。本文介绍 Laya 这个开源决策引擎,并给出 laya-java 在 Spring Boot 中的 完整落地方案——含对象池并发处理,所有代码对照上游源码核实过。

一、一个熟悉的场景

假设你在维护一个客服工单系统,需求很朴素:每条工单进来,判断归属部门、紧急程度、 客户流失风险,然后路由给对应队列。

2026 年的默认解法是调 LLM:写一段 prompt,让模型输出 JSON,解析、校验、重试。 能跑,但你很快会撞上三堵墙:

  1. 延迟。自回归生成几十个 token,哪怕流式输出,一次分类也要几百毫秒到几秒。 工单高峰每秒几百条,LLM 网关先排队。
  2. 成本。分类是个"判断题",你却按"作文题"付费——输入输出 token 双向计费, 一天几十万条工单,账单比模型本身聪明。
  3. 不确定性。JSON 偶尔格式崩坏、选项偶尔 hallucinate 出一个不存在的部门、 置信度全靠模型自报(而它普遍过自信)。你被迫写一堆防御性解析代码。

问题的本质是:分类不需要生成能力。你不需要模型"写"出答案,只需要它在固定选项上 给出一个概率分布。这正是 Laya 的切入点。

二、Laya 是什么

Laya(Apache-2.0,35k+ star)把自己定位为 非自回归的 System 1 决策引擎——借用卡尼曼的术语:不做慢思考的推理链, 只做快思考的直觉判断。

技术上它是一个双向编码器(ModernBERT / mmBERT 家族,150M~421M 参数)加一个类型化决策头, 对任意文本 + 一组问题定义,单次前向传播输出三类答案:

类型语义输出
choice多选一选中的标签 + 每个选项的概率
score等级打分各等级的期望分 + 概率分布
noul是/否判断命题成立的概率

官方口径:english checkpoint 在 T4 上单次决策约 33ms(multilingual 的 T4 参考值为 32.8ms/问题)。同一个 state 的多个问题合并成一个 batch 编码—— 三个问题不是三次调用,是一次前向里的三行。

2.1 它解决什么

  • 工单/邮件分流:部门归属、优先级、是否需要人工
  • 意图识别:对话系统的入口路由,几十上百个 intent 标签
  • 内容审核:违规判断 + 置信度门控,低置信自动转人工
  • Agent 工具路由:LangChain/CrewAI 里"该调哪个工具"的判断层
  • 结构化字段抽取:JSON Schema 里的 enum/boolean/有界数值字段,直接映射成三类问题

一句话:所有"从固定选项里挑一个/打个分/判个真假"的场景,它都比生成式 LLM 便宜、快、稳。