经常看到的 Ubuntu 16.04 或者 18.04 都是 Ubuntu 长期支持版本
A Long Term Support release or LTS release, means that Ubuntu will support the version for five years.
如果要从 16.04 升级到 18.04 包括两个部分，一是将当前安装的程序及 lib 升级到 18.04 兼容的版本，另外一个就是将系统升级到 18.04.
sudo apt update && sudo apt upgrade
s
Read more ...
前两天重启服务器之后发现 fail2ban 启动失败，出现如下错误：
/etc/init.d/fail2ban restart
[....] Restarting fail2ban (via systemctl): fail2ban.service
Job for fail2ban.service failed because the control process exited with error code. See "systemctl status fail2ban.service" and "journalctl -xe" for detai
Read more ...
Python 中的 with 语法经常被用来在管理资源的访问和清理中，常见的场景有文件的使用和关闭，锁的获取和释放等等。
with open("file.txt") as file:
data = file.read()
with 语法特别容易联想起 Java 中的 try-with-resources AutoCloseable，同样实现资源的自动释放。
基本格式
从基本使用开始了解 with，with 的结构如下：
with context_expression [as target(s)]:
content
With 工作原
Read more ...
最近在整理以前的草稿箱，翻到了这篇建于 2019 年的关于“唯一 ID 生成器”的笔记。当时似乎正在为一个分布式系统设计主键生成策略。既然翻出来了，就趁着这个机会，结合这几年在分布式领域的经验，把这个话题完善一下。
在单体架构中，我们习惯使用数据库的自增 ID（Auto Increment）作为主键，简单且性能不错。但在分布式系统或微服务架构下，分库分表之后，自增 ID 就捉襟见肘了。我们需要一个能够在分布式环境下生成全局唯一、趋势有序、且高性能的 ID 生成方案。
常见方案对比
在确定最终方案之前，通常会考察以下几种常见的替代方案：
1. UU
Read more ...
CPU 调频模块主要分为三块：
CPUFreq 核心模块，核心模块主要是公共的 API 和逻辑
CPUFreq 驱动，处理和平台相关的逻辑，设置 CPU 频率和电压
CPUFreq governor，频率控制器，CPU 调频的策略，CPU 在什么负载，什么场景下使用多少频率
最后第三部分 governor 也是本文重点。传统的 CPU governor 选择，以 Performance 和 Powersave 举例，就是一个让 CPU 跑在最高频率，一个让 CPU 跑在最低频率，所有动作都在初始化时设置。
调频器策略
OnDeman
Read more ...
Meta Muse 使用教程：上手设置、提示词技巧与实用案例
上一篇 Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent 把 [[Muse]] 是什么、怎么注册、额度怎么算都整理了一遍，但是留了一个结尾：注册完之后到底该让它干什么。Muse 上线这几周，我查阅了一些测评体验，整理了 X 和 Threads 上用户晒出来的用法，发现大家的使用路径其实很像：从提醒和文件这类零风险的任务开始，确认它靠谱之后再慢慢接入邮箱、日历，最后才让它碰钱。这篇就按这个顺序来整理，从界面和设置讲起，再到具体的案例和踩过的坑。
Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent
2026 年 9 月 8 日，[[Meta]] 发布了个人 AI Agent [[Muse]]，宣传语只有一句：「它去做，而不是告诉你怎么做」。用 [[ChatGPT]] 或 [[Claude]] 时，我们得到的往往是一份说明书，真正动手的部分，打开网页、填表单、下单付款，还得自己来。Muse 想把这一段也接过去：你交给它的不是一个问题，而是一件事，它会自己打开浏览器一步步做完，需要你拍板时再回来问你。这是 Meta 迄今为止在消费级 AI 上下的最大一笔注，两周后的 Connect 2026 大会几乎整场都围绕它展开。
Jev：不聊天只做判断的 System One 决策模型
过去一两年，大模型的发展方向几乎都是更长的思考链、更大的上下文、更强的 Agent 能力。但在日常写代码和搭建自动化流程的过程中，我发现很多地方用到大模型，其实只是为了让它做一个简单的判断，却要付出几秒钟的等待和解析 JSON 的麻烦。TypeSafe AI 发布的 Jev 走了一条相反的路：不聊天、不写代码，只做快速的判断。
Executor：多 Agents 和外部世界之间的统一代理层
同时使用 Claude Code，Codex，Pi，OpenClaw 等等 Agent 工具时有一个非常尴尬的状况，就是不同的 Agent 工具维护了不同的配置格式，如果要配置 MCP server 就需要分别到不同的配置文件中定义，相同的配置散落在系统的各个角落中。同一份 API Key 也需要重复粘贴到不同的配置中，更麻烦的是如果一旦有更新或者 API Key 变动就需要重复修改多个地方，我之前还调查过如何[[跨平台管理 MCP]]，主要的思路还是通过脚本和同步来对齐配置，但本质上还是在管理多个副本，直到我看到了 Executor 这个项目。