git clone –depth 1 是浅克隆（shallow clone），只拉取最近一次提交的历史记录，而不是整个仓库的完整历史。

主要好处：

下载速度快，节省带宽和磁盘空间
适合只想获取最新代码、不关心历史记录的场景
比如一个有几千次提交的大仓库，完整克隆可能要几百 MB，用 –depth 1 可能只需要几十 MB。

常见用法：

只拉最新一次提交

git clone –depth 1 https://github.com/user/repo.git

拉最近 10 次提交

git clone –depth 10 https://github.com/user/repo.git
缺点是你看不到完整的 commit 历史，也没法切换到旧的分支或标签。如果后续需要完整历史，可以用 git fetch –unshallow 补全。

1. 卫浴能买九牧不要买四季沐歌，毕竟不是做一条产品线起家的。四季沐歌虽然听着耳熟，但是最早是做太阳能的。
2. 厨房的电闸要多留一些冗余，16A不太够用，烧水壶+冰箱+油烟机+饭锅 就小3000W了，如果再有电锅啥的可能直接跳闸。
3. 三个连排的插座额定功率也是10A，所以也没有那么方便，大用电器容器超。

还在为记不住 Elasticsearch DSL 语法发愁？match 和 term 傻傻分不清？聚合查询写半天还报错？

今天教你用 MCP（Model Context Protocol）封装 Easysearch，让 AI 帮你操作集群。从此告别 DSL，用自然语言就能完成搜索、写入、聚合统计！

效果演示

先看看最终效果。以下是我和 Kiro 的真实对话记录：

我：集群健康吗？

Kiro：

1
2
3
4
5
6
7

{
  "cluster_name": "infinilabs",
  "status": "green",
  "number_of_nodes": 1,
  "active_shards": 2,
  "active_shards_percent_as_number": 100.0
}

🟢 集群很健康！状态 green，1 个节点，2 个活跃分片，100% 健康。

十年的黑苹果玩家终于入手了Apple silicon，且不说买了半年之后就被新产品的pro背刺的感受。这次我们只聊由于性能问题被耽误的这一年。

新电子产品的第一年都很稳，各种满核心编译Java都没有问题。不知道是系统更新还是厂家为了迭代产品，基本都是快过保的时候出问题。

去年冬天突然遇到死机黑屏问题，Typora文档写一半黑屏了，长按电源键无法开机，来回折腾要半个小时以上。去天才吧维修，说硬件测试没问题（其实就是快捷键）， 千篇一律的官僚主义（记住这个词后面要考）拒绝返厂，然后拒绝我的各种专业建议，给我的建议就是备份重装，但是，崩溃依然继续。 于是求助群友，我竟然不是个例。

半年后，继续找他们掰扯，理由是过了一段时间无法证明我说的重装系统不能复现问题。给的方案还是重装。继续拒绝返厂检测。

在 AI Agent 开发过程中，快速迭代和即时反馈至关重要。Amazon Bedrock AgentCore 提供了完整的本地开发支持，让开发者能够在本地环境中构建、测试和调试 Agent，然后无缝部署到云端。

本文将带您从零开始，在本地搭建 AgentCore 开发环境，并通过详细的代码解析，帮助您深入理解每一个技术细节。

Amazon Bedrock AgentCore 简介

Amazon Bedrock AgentCore 是一套专为 AI Agent 设计的企业级基础设施服务。它解决了 Agent 从原型到生产过程中的核心挑战：

• AgentCore Runtime：无服务器运行时环境，支持最长 8 小时的任务执行和 100MB 的请求负载
• AgentCore Memory：提供短期和长期记忆管理，支持跨会话的上下文保持
• AgentCore Gateway：统一的工具网关，支持 MCP 协议的工具发现和调用
• AgentCore Identity：安全的身份认证和授权管理

本地开发的优势在于：开发者可以在熟悉的环境中快速验证想法，无需等待云端部署，同时保持与生产环境一致的代码结构。

Milvus 作为全球最受欢迎的开源向量数据库，GitHub Star 数已突破 4 万。

向量数据库已经成为 AI 应用的核心基础设施。RAG 需要它存储知识库，Agent 需要它实现记忆，推荐系统需要它计算相似度，多模态搜索需要它做特征检索。从实验室到生产环境，向量检索已经是 AI 应用的标配能力。

但从入门到真正用好 Milvus，这条路并不短。

分布式架构需要理解——Proxy、Coord、Node 各司其职，一条查询请求在系统内部如何流转？Schema 怎么设计、Chunk 策略怎么选、混合搜索怎么配？与 LangChain、LangGraph 怎么集成？生产环境更是另一个战场——内存优化、写入调优、慢查询排查，每一个都是实打实的工程问题。

为了系统性地解决这些问题，我们整理了这份 《Milvus Workshop：从入门到应用》。

这份教程已经在多场线下 Workshop 中经过验证，帮助数百位开发者快速上手 Milvus。现在，我们上线了网页版——打开浏览器就能学，手机、平板、电脑无缝切换。

折腾网络这件事，有时候比修电脑还玄学。

前几天测试家里的网络，顺手重置了一下路由器。结果没想到，懒猫微服的 Wi-Fi 设置也跟着丢了。

打开网络设置一看，满屏都是邻居家的热点，就是没有我自己的。

你有一个现成的 Flask API，想部署到 AWS Lambda 享受 Serverless 的好处，但又不想改代码？AWS Lambda Web Adapter 可以帮你实现。

本文将手把手教你如何使用 Docker + Gunicorn + Lambda Web Adapter，将 Flask 应用部署到 Lambda，并通过 API Gateway 对外提供服务。

为什么选择这个方案？

传统方式部署 Flask 到 Lambda 需要使用 Mangum、aws-wsgi 等第三方库，需要修改代码添加 handler。而 Lambda Web Adapter 是 AWS 官方方案，有以下优势：

• 零代码改动：Flask 代码完全不用改
• 生产级配置：可以使用 Gunicorn 作为 WSGI 服务器
• 本地开发友好：同一个 Docker 镜像本地和 Lambda 都能跑
• 框架无关：Flask、Django、FastAPI 都支持

架构概览

1
2
3
4
5

客户端 → API Gateway → Lambda (Docker 容器)
                            ↓
                    Lambda Web Adapter
                            ↓
                    Gunicorn + Flask

Lambda Web Adapter 作为 Lambda Extension 运行，负责将 API Gateway 事件转换为标准 HTTP 请求，Flask 应用完全感知不到自己运行在 Lambda 上。

准备工作

确保你已安装：

• Docker
• AWS CLI（已配置凭证）
• Python 3.11+

第一步：创建 Flask 应用

创建项目目录和文件：

1

mkdir flask-lambda && cd flask-lambda

app.py - 一个简单的 Flask API：

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

from flask import Flask, jsonify, request

app = Flask(__name__)

@app.route('/')
def health():
    return jsonify(status='healthy')

@app.route('/api/hello')
def hello():
    name = request.args.get('name', 'World')
    return jsonify(message=f'Hello, {name}!')

@app.route('/api/echo', methods=['POST'])
def echo():
    data = request.get_json()
    return jsonify(received=data)

requirements.txt：

1
2

flask==3.0.0
gunicorn==21.2.0

第二步：配置 Gunicorn

gunicorn.conf.py - 针对 Lambda 优化的配置：

1
2
3
4
5
6
7
8

bind = '0.0.0.0:8080'
workers = 1        # Lambda 单实例，1 个 worker 足够
threads = 4        # 多线程处理并发
timeout = 30
keepalive = 2
accesslog = '-'    # 输出到 stdout，方便 CloudWatch 收集
errorlog = '-'
loglevel = 'info'

第三步：编写 Dockerfile

Dockerfile：

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

FROM python:3.11-slim

# 添加 Lambda Web Adapter
COPY --from=public.ecr.aws/awsguru/aws-lambda-adapter:0.9.1 /lambda-adapter /opt/extensions/lambda-adapter

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8080

CMD ["gunicorn", "-c", "gunicorn.conf.py", "app:app"]

核心就是这一行 COPY --from=...，它从 AWS 公共 ECR 仓库拉取 Lambda Web Adapter 二进制文件，放到 /opt/extensions/ 目录。Lambda 启动时会自动加载这个 Extension。

第四步：本地测试

构建前先登录 ECR Public：

1
2

aws ecr-public get-login-password --region us-east-1 | \
  docker login --username AWS --password-stdin public.ecr.aws

构建并运行：

1
2

docker build --platform linux/amd64 -t flask-lambda .
docker run -p 8080:8080 flask-lambda

测试：

1
2
3
4
5
6
7
8
9
10

curl http://localhost:8080/
# {"status":"healthy"}

curl "http://localhost:8080/api/hello?name=Lambda"
# {"message":"Hello, Lambda!"}

curl -X POST http://localhost:8080/api/echo \
  -H "Content-Type: application/json" \
  -d '{"msg":"hello"}'
# {"received":{"msg":"hello"}}

本地没问题，接下来部署到 AWS。

第五步：推送镜像到 ECR

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

# 设置变量
AWS_REGION="ap-northeast-1"
AWS_ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
ECR_REPO="flask-lambda"

# 创建 ECR 仓库
aws ecr create-repository --repository-name $ECR_REPO --region $AWS_REGION

# 登录 ECR
aws ecr get-login-password --region $AWS_REGION | \
  docker login --username AWS --password-stdin \
  $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com

# 打标签并推送
docker tag flask-lambda:latest \
  $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest

docker push $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest

第六步：创建 Lambda 函数

首先创建 IAM 角色：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 创建信任策略
cat > trust-policy.json << 'EOF'
{
  "Version": "2012-10-17",
  "Statement": [{
    "Effect": "Allow",
    "Principal": {"Service": "lambda.amazonaws.com"},
    "Action": "sts:AssumeRole"
  }]
}
EOF

# 创建角色并附加权限
aws iam create-role \
  --role-name flask-lambda-role \
  --assume-role-policy-document file://trust-policy.json

aws iam attach-role-policy \
  --role-name flask-lambda-role \
  --policy-arn arn:aws:iam::aws:policy/service-role/AWSLambdaBasicExecutionRole

sleep 10  # 等待角色生效

创建 Lambda 函数：

1
2
3
4
5
6
7
8

aws lambda create-function \
  --function-name flask-api \
  --package-type Image \
  --code ImageUri=$AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest \
  --role arn:aws:iam::$AWS_ACCOUNT_ID:role/flask-lambda-role \
  --timeout 30 \
  --memory-size 512 \
  --region $AWS_REGION

第七步：配置 API Gateway

打开 API Gateway 控制台，创建 REST API：

1. 点击「创建 API」→ 选择「REST API」→「构建」
2. 输入 API 名称，如 flask-api
3. 创建资源：
   • 点击「创建资源」
   • 勾选「代理资源」
   • 资源路径填 {proxy+}
   • 点击「创建资源」
4. 设置集成：
   • 集成类型选「Lambda 函数」
   • 勾选「Lambda 代理集成」
   • 选择你的 Lambda 函数 flask-api
5. 同样为根路径 / 创建 ANY 方法，集成到同一个 Lambda
6. 点击「部署 API」，阶段名填 v1

部署完成后，你会得到一个调用 URL，类似：

1

https://xxxxxx.execute-api.ap-northeast-1.amazonaws.com/v1

第八步：测试 API

1
2
3
4
5
6
7

API_URL="https://xxxxxx.execute-api.ap-northeast-1.amazonaws.com/v1"

curl $API_URL/
# {"status":"healthy"}

curl "$API_URL/api/hello?name=Serverless"
# {"message":"Hello, Serverless!"}

🎉 大功告成！你的 Flask API 已经运行在 Lambda 上了。

进阶：IAM 认证

如果你的 API 需要认证，可以在 API Gateway 中启用 IAM 认证。调用时需要对请求进行 SigV4 签名：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import boto3
from botocore.auth import SigV4Auth
from botocore.awsrequest import AWSRequest
import requests

def signed_request(method, url, data=None, headers=None):
    session = boto3.Session()
    credentials = session.get_credentials()
    
    headers = headers or {}
    request = AWSRequest(method=method, url=url, data=data, headers=headers)
    # 注意：API Gateway 用 execute-api，Function URL 用 lambda
    SigV4Auth(credentials, "execute-api", "ap-northeast-1").add_auth(request)
    
    return requests.request(
        method=method,
        url=url,
        headers=dict(request.headers),
        data=data
    )

resp = signed_request("GET", f"{API_URL}/api/hello")
print(resp.json())

更新部署

代码更新后，只需重新构建镜像并更新 Lambda：

1
2
3
4
5
6
7

docker build --platform linux/amd64 -t flask-lambda .
docker tag flask-lambda:latest $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest
docker push $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest

aws lambda update-function-code \
  --function-name flask-api \
  --image-uri $AWS_ACCOUNT_ID.dkr.ecr.$AWS_REGION.amazonaws.com/$ECR_REPO:latest

冷启动优化

首次请求可能需要 1-2 秒（冷启动），可以通过以下方式优化：

1. 启用 Provisioned Concurrency：预热实例，消除冷启动
2. 减小镜像体积：使用 slim 基础镜像，减少依赖
3. 启用异步初始化：设置环境变量 AWS_LWA_ASYNC_INIT=true

总结

使用 Lambda Web Adapter，你可以：

• 保持 Flask 代码不变
• 使用熟悉的 Gunicorn 生产配置
• 同一镜像本地和云端都能运行
• 享受 Serverless 的弹性伸缩和按需付费

参考资料

• AWS Lambda Web Adapter GitHub
• Lambda 容器镜像支持
• API Gateway Lambda 代理集成

拿到一台新的 NAS，大家往往第一件事不是装 Docker、也不是跑容器，而是——把原先公有云上的数据，迁回到自己的私有空间里。

这是“云端回家”的第一步。对很多人来说，NAS 不仅是一个硬盘，更是重新掌握数据主权的起点。

这篇文章就以最常见的百度网盘为例，演示如何将文件迁移到懒猫网盘中。
我们会介绍两种方式：

1. 使用自带的百度网盘 NAS 版本套件（最直接）；
2. 使用SMB 网络共享挂载的方式实现中转下载（更灵活）。

一、为什么迁移？

很多人习惯把资料放在百度网盘、腾讯微云、甚至 iCloud 上，但这些服务有一个共同点：你的数据都在别人的服务器上。
无论是隐私、速度，还是访问的自由度，都无法与自建 NAS 相比。

而懒猫网盘正好提供了一个简洁稳定的私有云方案：支持 SMB、WebDAV、HTTP 访问，同时能在内网高速读写，甚至还能开放公网远程访问。

因此，拿到 NAS 后，把百度网盘里的资料迁移过来，就成了多数用户的首要任务。

江湖上有句话——“能被自己掌控的数据，才算真正的安全”。
很多人买了摄像头，却不知录像都在谁手里。

我倒宁可折腾一点，也要让录像回到自己掌管的地盘里。

毕竟人在江湖漂，出门在外，男孩子也得懂得保护好自己。

所以这次，我干脆把家里的摄像头，直接接入了懒猫微服。从此录像不走云，不怕会员断。

——这是懒猫微服的又一次实战升级。

为什么要接入懒猫微服