：一个教育项目，基于磁盘的日志结构化哈希表存储，教你如何在 Go 中构建持久键值存储。

：一个教育项目，基于磁盘的日志结构化哈希表存储，教你如何在 Go 中构建持久键值存储。 CaskDB 是基于Riak 的 bitcask 论文的基于磁盘的、嵌入式的、持久的键值存储，用 Go 编写。它更侧重于教育能力，而不是在生产中使用它。文件格式独立于平台、机器和编程语言。比如说，从 macOS 上的 Go 创建的数据库文件应该与 Windows 上的 Rust 兼容。 这个项目旨在帮助任何人，甚至是数据库初学者，在几个小时内建立一个持久的数据库。没有外部依赖；只有 Go 标准库就足够了。

美光发布 HSE 3.0 开源存储引擎

美光发布 HSE 3.0 开源存储引擎 2020 年初，美光的软件工程师宣布了一款专为 SSD 和持久内存设计的开源存储引擎 HSE，这是一款快速键值存储数据库。去年 HSE 2.0 首次亮相，不再依赖于对 Linux 内核的修改，改为完全基于用户空间的解决方案。 本周，美光发布了 ，带来了更多功能改进。 HSE 3.0 改进了数据管理，提高了各种重要工作负载的性能。此外，HSE 3.0 引擎围绕具有单调递增键（例如时间序列数据）的工作负载、多客户端工作负载、将压缩和未压缩值存储在一起的能力以及其他性能方面的改进等进行了性能优化。 Java 语言绑定现已可用于 HSE 3.0 API，Python 绑定也已更新以适应上述 API 更改。 美光表示，HSE 是一种专为 SSD 和持久内存设计的快速嵌入式键值存储。HSE 通过跨 DRAM 和多类固态存储协调数据放置来优化性能和耐久性。HSE 是为数据库、软件定义存储 (SDS)、高性能计算 (HPC)、物联网 (IoT) 和机器学习 (ML) 提供动力的理想选择。 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

LLMFlows 是一个框架，用于构建简单、明确和透明的 LLM（大语言模型）应用程序，如聊天机器人、问答系统和代理。

LLMFlows 是一个框架，用于构建简单、明确和透明的 LLM（大语言模型）应用程序，如聊天机器人、问答系统和代理。 LLMFlows 的核心是提供一套简约的抽象，让你可以利用 LLM 和向量存储，构建结构良好、清晰明了的应用程序，这些应用程序没有隐藏的提示或 LLM 调用。LLM Flows 可确保每个组件完全透明，从而使监控、维护和调试变得简单。 | #框架

多人游戏引擎，基于WebAssembly、Rust和WebGPU运行时，用于构建高性能的和3D应用

多人游戏引擎，基于WebAssembly、Rust和WebGPU运行时，用于构建高性能的多人游戏和3D应用 1.无缝联网。Ambient既是你的服务器又是你的客户端。你所需要做的就是建立你的服务器和/或客户端逻辑：运行时为你处理数据的同步。 2.隔离性。你为Ambient构建的项目通过WebAssembly的力量在隔离状态下执行因此，如果有什么东西崩溃了，它不会使你的整个程序崩溃。这也意味着你可以安全地运行不受信任的代码。 3.面向数据的设计。Ambient的核心数据模型是一个实体组件系统，每个WASM模块都可以操作。 4.多语言：你将能够用任何能够编译成WebAssembly的语言来构建Ambient模块。目前，Rust是唯一支持的语言，但我们正在努力扩展到其他语言。 5.单一可执行文件。Ambient是一个单一的可执行文件，可以在Windows、Mac和Linux上运行。它可以作为一个服务器或客户端。 6.互操作性。Ambient允许你定义自定义组件和 "概念"（组件的集合）。只要你的Ambient项目使用相同的组件和概念，它们就能共享数据和互操作，即使它们彼此不认识。 7.资产管道和流。Ambient有一个资产管道，能够编译多种资产格式，包括.glb和.fbx。这些资产总是通过网络进行流式传输，因此你的客户在加入时将会收到他们需要的一切。 8.强大的渲染器。环境渲染器是由GPU驱动的，删减和细节级别的切换都完全由GPU处理。默认情况下，它使用PBR。它还支持级联阴影贴图和实例化所有可以被实例化的东西。 ||

教你从零开始构建类似 ChatGPT 的大语言模型。

教你从零开始构建类似 ChatGPT 的大语言模型。 在 GitHub 上发现一本《Build a Large Language Model (From Scratch)》书籍。 作者将带你从头开始构建一个类似 GPT 语言模型，这过程让你了解如何创建、训练和微调大型语言模型 (LLMs)！ 书籍主要分为 8 大章节，如下： 第 1 章：了解大语言模型（LLM）解析 第 2 章：介绍文本数据处理技巧 第 3 章：通过编程实现注意力机制（Attention Mechanisms） 第 4 章：从零开始实现类似 GPT 模型 第 5 章：对未标注数据进行预训练 第 6 章：针对文本分类的模型微调 第 7 章：结合人类反馈进行模型微调 第 8 章：在实践中使用大语言模型 书籍前两章内容已出，剩下的会逐步放出。 |

一个动画图解、能运行、可提问的数据结构与算法快速入门教程

一个动画图解、能运行、可提问的数据结构与算法快速入门教程 主要内容包括： 复杂度分析：数据结构与算法的评价维度、算法效率的评估方法。时间复杂度、空间复杂度，包括推算方法、常见类型、示例等。 数据结构：常见基本数据类型，数据在内存中的存储形式、数据结构的分类方法。涉及数组、链表、栈、队列、散列表、树、堆、图等数据结构，内容包括定义、优缺点、常用操作、常见类型、典型应用、实现方法等。 算法：查找算法、排序算法、搜索与回溯、动态规划、分治算法等，内容涵盖定义、应用场景、优缺点、时空效率、实现方法、示例题目等。 本项目旨在打造一本开源免费、新手友好的数据结构与算法入门教程。 全书采用动画图解，内容清晰易懂、学习曲线平滑，引导初学者探索数据结构与算法的“知识地图”； 源代码可一键运行，帮助读者在实践练习中提升编程技能，了解算法工作原理和数据结构底层实现； 鼓励读者互助学习，提问与评论通常可在两日内得到回复； ||| #电子书