最近浏览网页，发现一个产品经理写的笔记，其中一个副业日记有点打动我，一个幽默，乐观的产品经理副业失败日记。
没有歌颂苦难，只有对失败的无限调侃！幽默风趣！记录一下，分享给大家。

之前写过一篇如何监控 kafka 消费 Lag 情况，五年前写的，在 google 上访问量很大，最近正好需要再写这个功能，就查看了最新 API，发现从2.5.0版本后新增了listOffsets方法，让计算 Lag 更简单方便和安全,代码量有质的下降，因为舍弃一些功能，代码精简的了很多。

实践

这里我用最新版做演示，在 pom 文件中增加依赖

1
2
3
4
5

<dependency>
	<groupId>org.apache.kafka</groupId>
	<artifactId>kafka-clients</artifactId>
	<version>3.7.1</version>
</dependency>

首先初始化 AdminClient

1
2
3

Properties config = new Properties();
config.put(AdminClientConfig.BOOTSTRAP_SERVERS_CONFIG, hosts);
AdminClient adminClient = AdminClient.create(config);

然后根据 topic 和 groupId 计算 Lag,这种方案要比之前方式优雅了很多。

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，开源项目（软件）介绍。内容主题可能有极大的个人喜好偏向，努力做个输出的人，爱我所爱，想我所想，写我所写。

思考

身边不时传来裁员的声音，经济环境感觉是持续下降，不止是在国内，美国也是。作为程序员，我们能怎么创收呢？

曾经想多很多次，也做过一些实践，最近看到的两个文章，给我添加了新的思路，虽然同样是很难。我想分享出来给大家看看，也许能启发你呢。

一个是接单互助群，类似于猪八戒，更小的猪八戒。通过整合市场需求和程序员兼职愿景，搞个小规模的，还是可以赚一些钱的。曾经我也做过，只是接单量太小，未来还是可以继续尝试的。两种赚钱模式，一种是入群会费，一种是比例抽成费。
赚想赚钱的人的钱是最容易得，网店，自媒体，AI 等等，这也就是为什么每个风口都是卖课。卖课很好的诠释了赚想赚钱的人的钱是最容易成功的

一个是一对一咨询，打造个人品牌后，一个变现的很好途径和方式，在国外比较常见。我这里想说的不是贬义，确实看到一些人在付费咨询后获得自己想要的，不论是解惑，职业生涯的规划等等。出售自己的时间，了解不同的人，收获不同。

如下是我针对自己副业总结的思维图，有些是构想，有些已经实践，分享出来，希望对你有帮助，也欢迎有想法的找我私聊。声明我目前没有咨询和接单群，不排除未来我会这么做。

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，开源项目（软件）介绍。内容主题可能有极大的个人喜好偏向，努力做个输出的人，爱我所爱，想我所想，写我所写。

趣闻

在 Chrome 浏览器可以获取机器 cpu,gpu，硬盘等信息。原因是 Chromium 内置了一个系统级插件。
这个插件允许 *.google.com 网站获取宿主机 CPU 等信息。

随便打开一个 *.google.com console 里面输入：

1
2
3

chrome.runtime.sendMessage('nkeimhogjdpnpccoofpliimaahmaaome',
{method: 'cpu.getInfo'},
response => console.table(response));

同样在 edge 中测试也可以，通过查看源码还能做更多的事。

前段时间看到一个币圈的新闻，cookie 被浏览器插件劫持，导致账户财务损失惨重，提醒大家要关注插件权限，不要随意安装不知名插件。

推荐文章

从 API 到 Agent：万字长文洞悉 LangChain 工程化设计

从 API 到 Agent：万字长文洞悉 LangChain 工程化设计

本文作者试着从工程角度去理解 LangChain 的设计和使用。大家可以将此文档作为 LangChain 的“10 分钟快速上手”手册，希望帮助需要的同学实现 AI 工程的 Bootstrap。

最近读了两篇文章，一篇是《带你详细了解架构设计》，一篇是《如何成为架构师？》，写的很好，也很认同，推荐有时间的多读几篇原文，本文是对这两篇文章的理解和自己的经验总结。

文章有很多概念，读起来会让人回到中学读书时代，在中学阶段，学生会通过教科书、课堂讲解等方式了解基本概念和定义，比如数学中的几何形状、物理中的力学规律等。

知识学习的套路是建立在掌握基础概念的基础上，通过理论学习与实践相结合、持续练习和复习、拓展知识面和深入学习，以及持续学习和更新来不断提升自己的学习能力和技能水平。

在 IT 技术学习中对于打工人来说有点繁文缛节，太正版，不接地气，顾弄玄虚。我以前这么认为的，不过最近认知升级，有这么一些变化：《能文能武李延年》为什么拍的好，因为它讲明白一件事，我们为什么要打仗，我们要学习架构，是不是应该搞懂为什么需要架构，架构是什么，再扩延一下，5W2H，理论作为指导，和实践相结合，才能一直打胜仗。

说了一堆废话，想说明白自己的一个理解，概念和定义是理论，可以用来指导我们的实践。

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，开源项目（软件）介绍。内容主题可能有极大的个人喜好偏向，努力做个输出的人，爱我所爱，想我所想，写我所写。

笔记

埃隆·马斯克传读书笔记之五步工作法

1. 质疑每项要求，提出任何一项要求时，都应该附上提出这一要求的人。永远不要接受一项来自某个部门的要求，比如来自“法务部门”或者“安全部门”的要求。你必须知道提出这项要求的人的名字，接下来你应该质疑它，不管这个人有多聪明，聪明人提出的要求才是最危险的，因为人们不太可能质疑他们。这件事要一直做下去，即便这项要求来自我马斯克本人，质疑后，大家就要改进要求，让它变得不那么愚蠢。
2. 删除要求当中所有你能删除的部分和流程，虽然你可能还得把它们加回来。事实上，你如果最后加回来的部分还不到删除部分的 10%，那就说明你删减得还不够。
3. 简化和优化，这应该放在第 2 步之后，因为人们常犯的错误就是简化和优化一个原本不应该存在的部分或者流程。
4. 加快周转时间，每个流程都可以加快，但只有遵循了前三个步骤之后才能这么做，在特斯拉工厂，我错误地把很多精力花在加快生产流程上，后来我才意识到有些流程原本就应该被拿掉。
5. 自动化，在内华达工厂和弗里蒙特工厂犯下的一个大错就是我一开始试图将每个步骤进行自动化改造，我们本应该先质疑所有要求，删除不必要的部分和流程，把问题筛出来、处理掉，然后再推进自动化

推荐文章

1. 写给 5 年前端妹子的三万字脚手架教程

作者循环渐进讲解了如何从零到一写一个前端脚手架，语言幽默风趣，读完确实收益匪浅。 读完以后，你会学到：

• 如何搭建一个脚手架的工程
• 如何开发和调试一个脚手架
• 脚手架中如何接收和处理命令参数
• 脚手架中如何和用户交互
• 脚手架中如何拷贝一个文件夹或文件
• 脚手架中如何动态生成一个文件
• 脚手架中如何处理路径问题
• 脚手架中如何自动安装模板所需依赖

2. 零基础大模型微调及部署指南

文章关注最实用的技术，忽略相关背景及周边技术介绍，比如高效微调只介绍 LoRA，包含如下内容：

• 模型训练的基础知识
• 理解训练中的重要参数
• 构造训练数据的方法
• 如何计算训练所需的硬件资源
• 高性能推理和部署

airflow 的入门经验

安装 airflow

升级 docker 与 docker-compose 版本

Install Docker Compose v2.14.0 or newer on your workstation.

这里记录一下我在 ubuntu 里升级方法。
首先升级相应的 docker 版本

1
2

apt-get update
apt upgrade docker-ce

由于 ubuntu 镜像源较旧，无法更新到最新版 docker-compose，接下来手动升级 docker-compose。
在手动升级之前，要确保 docker-ce 支持的最高 docker-compose版本。

手动在https://github.com/docker/compose/releases下载 docker-compose 安装包。

首先找到 docker-compose 地址

1
2

root@lab:/# which docker-compose
/usr/bin/docker-compose

用下载的文件替换如上文件即可。

杜架的记录与分享(004 期)

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，开源项目（软件）介绍。内容主题可能有极大的个人喜好偏向，努力做个输出的人，爱我所爱，想我所想，写我所写。

从 004 开始，源于最早的《杜架的技术月刊》只写了 3 期，由于懒惰就没继续写了，现在想想月刊和周刊都有心理负担，索性想写就写，名称也改为《杜架的记录与分享》，就当记录与思考有价值信息的笔记吧

思考

我认为最有价值的 AI 大模型应用

一个是胃之书 AI，大语言模型 AI 饮食记录员，拍张照片就可以分析食物背后的故事，这个应用我是没有想到的，以此发散思维，LLM 也可以应用在个人记账的场景中。

另一个是可辅助盲人「看见世界」，借助 LLM,TTS 等技术可以让盲人看见世界。

之所以说这两个有价值，和烂大街的 AI 应用相比，确实是我没想到的。

本文案例为 sql server,其他数据源切换为相应的驱动即可。

依赖

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

<dependency>
            <groupId>com.baomidou</groupId>
            <artifactId>mybatis-plus-boot-starter</artifactId>
            <version>3.5.5</version>
            <exclusions>
                <exclusion>
                    <groupId>com.github.jsqlparser</groupId>
                    <artifactId>jsqlparser</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>com.baomidou</groupId>
            <artifactId>dynamic-datasource-spring-boot-starter</artifactId>
            <version>4.3.0</version>
        </dependency>
        <dependency>
            <groupId>com.microsoft.sqlserver</groupId>
            <artifactId>mssql-jdbc</artifactId>
            <scope>runtime</scope>
        </dependency>

配置

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# mybatis
mybatis-plus:
  mapper-locations: classpath:/mapper/*.xml

spring.datasource:
  dynamic:
    primary: db1
    datasource:
      db1:
        url: jdbc:sqlserver://****;
        username: ****
        password: ****
      db2:
        url: jdbc:sqlserver://****;
        username: ****
        password: ****

代码

xml 文件省略，保持和 mybatis 一样即可，代码使用上只用在 Mapper 或者 DAO 文件上使用@DS声明即可。

1
2
3
4
5
6

@Mapper
@DS("db2")
public interface BehaviorEmailDao extends BaseMapper<BehaviorEmail> {

    Set<String> getSendRecordByDate(@Param("lastDate") String lastDate);
}

默认主库为 db1,因此操作 db1 的接口可不用声明。

构建环境

CUDA 版本

经过测试，Llama-3 只有在 CUDA 新版下才可以运行，CUDA Version: 12.4 验证通过。

代理

在公司内网环境，往往需要代理才能下载模型文件。我这里使用 session 模式下全局。
~/.bash.rc

1
2

export HTTP_PROXY="http://*.*.*.*:*"
export HTTPS_PROXY="http://*.*.*.*:*"

安装依赖

1
2
3
4
5

pip install fastapi==0.110.2
pip install uvicorn==0.29.0
pip install requests==2.31.0
pip install transformers==4.40.0
pip install accelerate==0.29.3

Meta-Llama-3-8B-Instruct vs Meta-Llama-3-8B

llama3-8B 是基本模型，基本上只完成输入提示，但 llama3-8B Instruct 针对指令跟随和多轮对话模板进行了微调，用于助理完成作为聊天响应。

如果你的特定目的是为了聊天完成，那么指令是最好的选择，否则如果它是为了简单的输入完成，那么基本模型就可以了