Agent Bucket 正式上线！Agent 时代的新型存储桶

7-9 人以群分 (25 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/99688626 7-9 人以群分 (25 分) 社交网络中我们给每个人定义了一个“活跃度”

【笔记】Operator课程(7-9)

Indexer缓存k8s资源对象，并提供便捷的方式查询。例如获取某个namespace下的所有资源

Agent Bucket 上手实测：把基层执法材料搬进智能体桶

Agent Bucket 的口号是「给 AI Agent 用的存储桶」。我第一眼琢磨的不是「给智能体用」这层，而是它能不能先当我的材料中转站。带着这个念头报了体验官。 创建智能体桶时第一次提示「SMH 服务角色未授权」，点跳转去 CAM 页面点「同意授权」，回到创建页提交就通过了。唯一要留神的是第 3 步。提示写得清楚，点一下就过，没埋坑。桶名是系统自动生成的。 从打开控制台到建好桶，前后十来分钟，实名认证占了两分钟。二、空间：一个桶管多类材料，这个设计对上了智能体桶下面用「空间」做逻辑分区，配额默认不限制，第一层目录就是空间本身。 建议在桶概览页加一个「上传文件」直达按钮。2. 空间没有别名入口的前置引导。建空间时只有一个敏感内容检测开关，空间名自动生成。我想改成「报告底稿」这种可读名，得建完再改。 桶名 smh2u8gmc7k9qtws-1495619876，成都地域，创建于 2026-09-25，实测 3 个空间、10 个文件、总存储 326 B。

7-9 最长对称子串

本文链接：https://blog.csdn.net/shiliang97/article/details/96307903 7-9 最长对称子串 对给定的字符串，本题要求你输出最长对称子串的长度。

7-9 JAVA-水仙花数

水仙花数是指一个N位正整数（7≥N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 要求编写程序，计算所有N位水仙花数。

【未完成】7-9 目录树 (30 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/102727548 7-9 目录树 (30 分) 在ZIP归档文件中，保留着所有压缩文件和目录的相对路径和名称

机器学习入门 7-9 人脸识别与特征脸

本系列是《玩转机器学习教程》一个整理的视频笔记。本章的最后一个小节介绍PCA在人脸识别领域的一个特殊的应用，也就是所谓的特征脸。本小节会介绍什么是特征脸，并通过可视化的方式直观的感受特征脸。

桶排序

桶排序 (Bucket sort)或所谓的箱排序，是一个排序算法，工作的原理是将数组分到有限数量的桶子里。 每个桶子再个别排序（有可能再使用别的排序算法或是以递归方式继续使用桶排序进行排序） 思想： 设待排序序列的元素取值范围为0到m，则我们新建一个大小为m+1的临时数组并把初始值都设为0，遍历待排序序列

桶排序

每个桶子再个别排序（有可能再使用别的排序算法或是以递回方式继续使用桶排序进行排序）。桶排序是鸽巢排序的一种归纳结果。当要被排序的阵列内的数值是均匀分配的时候，桶排序使用线性时间（Θ（n））。 总共有100个桶。然后对A[1..n]从头到尾扫描一遍，把每个A[i]放入对应的桶B[j]中。 然后再对这100个桶中每个桶里的数字排序，这时可用冒泡，选择，乃至快排，一般来说任何排序法都可以。 最后依次输出每个桶里面的数字，且每个桶中的数字从小到大输出，这样就得到所有数字排好序的一个序列了。          假设有n个数字，有m个桶，如果数字是平均分布的，则每个桶里面平均有n/m个数字。 因为输入数均匀分布在[0，1)上，所以一般不会有很多数落在一个桶中的情况。为得到结果，先对各个桶中的数进行排序，然后按次序把各桶中的元素列出来即可。 当然桶排序的空间复杂度为O(N+M)，如果输入数据非常庞大，而桶的数量也非常多，则空间代价无疑是昂贵的。此外，桶排序是稳定的。

桶排序

简介   桶排序是将待排序序列分到有限数量的桶中，然后对每一个桶分别进行排序。 桶排序的前提假设为被排序序列的关键字数值符合均匀分布，此时桶排序的平均时间复杂度为 ，最坏时间复杂度为 其中 为桶的数量。当桶数量 时，此时桶排序的复杂度为线性复杂度 。   桶排序是非原址的，其稳定性取决于内层排序的稳定性。一般采用稳定的插入排序作为内层排序算法，此时桶排序是稳定的。 2. 思想 桶排序的主要思想是对待排序序列的关键字数值进行分块，每一块对应一个桶，然后对每个桶使用插入排序（或其他排序算法）进行排序，最后将所有桶中的元素串联起来即得到有序序列。 3. 实现 3.1 伪代码 BucketSort(A, mx, n) { // mx 为最大数值，n 为桶数量 // 定义 n 个桶 define bucket[n] // 计算分块的块大小

# 桶排序

# 桶排序 # 原理 求出无序集合的最大值与最小值（这里的最小值指存在负数的情况），创建对应的数组长度 length=max+1 这里要处理一下负数 if min<0: length+=abs(min) 该length就是桶数组的长度，并创建这个桶数组将所有值初始化为0 然后遍历无须数组，修改桶中元素的个数（桶数组所以对应的值就是无需数组中相同值的个数） 最后只需要将桶数组中值大于 minItem>item): minItem=item # 最小值，最大值 print("min:{0}\tmax:{1}".format(minItem,maxItem)) # 创建桶数组 minItem<0): length+=abs(minItem) bigArr=[0]*length for item in inputArr: bigArr[item]+=1 # 将桶中的数据放到对应的有序数组上

桶排序

桶排序        桶排序的思想是若待排序的记录的关键字在一个明显有限范围内(整型)时，可设计有限个有序桶，每个桶装入一个值（当然也可以装入若干个值），顺序输出各桶的值，将得到有序的序列。

桶排序

桶排序是一种排序的思想，其实现包括计数排序和基数排序两种，冒泡排序、选择排序、插入排序、归并排序、快速排序和堆排序都是基于比较的排序，而桶排序提出了一种新的思路，即基于数据状态的排序。 1. 桶排序的思想 (1) 得到无序数组的取值范围 ? (2) 根据取值范围"创建"对应数量的"桶" ? (3) 遍历数组，把每个元素放到对应的"桶"中 ? (4) 按照顺序遍历桶中的每个元素，依次放到数组中，即可完成数组的排序。 "桶"是一种容器，这个容器可以用多种数据结构实现，包括数组、队列或者栈。 2. ，总的来说为O(n) 稳定性：桶排序是否稳定取决于"桶"用什么数据结构实现，如果是队列，那么可以保证相同的元素"取出去"后的相对位置与"放进来"之前是相同的，即排序是稳定的，而如果用栈来实现"桶"，则排序一定是不稳定的 ，因为桶排序可以做到稳定，所以桶排序是稳定的排序算法 3.

桶排序

# LeetCode-桶排序 桶排序算法回顾 示例1 输入: nums = [4,0,1,2,0,5] 输出: [0,0,1,2,4,5] # 解题思路 桶排序(Bucket Sort)的原理很简单 在桶排序时，创建容量为MAX的桶数组r，并将桶数组元素都初始化为0；将容量为MAX的桶数组中的每一个单元都看作一个"桶"。 在排序时，逐个遍历数组a，将数组a的值，作为"桶数组r"的下标。 ，在计数排序中，每个桶只存储相同的元素 而桶排序中每个桶存储一定范围的元素，通过映射函数，将待排序数组中的元素存储到各个对应的桶中 之后对每个桶中的元素进行排序 最后将非空桶中的元素逐个放入原序列中 桶排序需要尽量保证元素分散均匀 ，否则当所有数据集中在同一个桶中时，桶排序就会失效 桶排序的稳定性取决于桶内部使用的排序算法 # Java代码2 import java.util.ArrayList; import java.util.Collections 主要步骤有： N次循环，将每个元素装入对应的桶中 M次循环，对每个桶中的数据进行排序(平均每个桶有N/M个元素) 一般使用较为快速的排序算法，时间复杂度为O(nlogn)，实际的桶排序过程是以链表形式插入的

限速之令牌桶和漏桶算法

对于限速来说，最常用的两个算法是：令牌桶算法和漏桶算法，下面我们便来看下它们是怎么回事。 一、令牌桶： 令牌桶这种控制机制基于令牌桶中是否存在令牌来指示什么时候可以发送流量。 如果令牌桶中存在令牌，则允许发送流量；而如果令牌桶中不存在令牌，则不允许发送流量。因此，如果突发门限被合理地配置并且令牌桶中有足够的令牌，那么流量就可以以峰值速率发送。 令牌桶的工作过程： 1.令牌根据时间匀速的产生令牌数量，这里假设是r，存入到令牌桶中. 2.令牌桶在初始化的时候，会分配一定数量的令牌数capicity。 当前时间t内可以消费的令牌数量为： 当前令牌桶剩余的令牌数(这里最大是capicity) + r*t 二、漏桶 漏桶可以看作是一个带有常量服务时间的单服务器队列，如果漏桶（包缓存）溢出，那么数据包会被丢弃 在“令牌桶算法”中，只要令牌桶中存在令牌，那么就允许突发地传输数据直到达到用户配置的门限，因此它适合于具有突发特性的流量。

《代码整洁之道》笔记（7-9章节）

多个条件分支记录错误信息，可以封装进一个方法，在记录异常信息的地方抛出异常，并给出相应信息。在该方法外部捕获，记录异常信息。异常处理和正常业务流程隔离。

接口限流算法：漏桶算法&令牌桶算法

以此释放服务器资源以保证核心任务的正常运行 限流：限流的目的是通过对并发访问/请求进行限速，或者对一个时间窗口内的请求进行限速来保护系统，一旦达到限制速率则可以拒绝服务、排队或等待、降级等处理 限流算法 常用的限流算法有令牌桶和和漏桶 漏桶算法 把请求比作是水，水来了都先放进桶里，并以限定的速度出水，当水来得过猛而出水不够快时就会导致水直接溢出，即拒绝服务。 ? 这时候漏桶算法可能就不合适了，令牌桶算法更为适合。 令牌桶算法的原理是系统以恒定的速率产生令牌，然后把令牌放到令牌桶中，令牌桶有一个容量，当令牌桶满了的时候，再向其中放令牌，那么多余的令牌会被丢弃；当想要处理一个请求的时候，需要从令牌桶中取出一个令牌，如果此时令牌桶中没有令牌 令牌桶算法VS漏桶算法 漏桶 漏桶的出水速度是恒定的，那么意味着如果瞬时大流量的话，将有大部分请求被丢弃掉（也就是所谓的溢出）。 令牌桶 生成令牌的速度是恒定的，而请求去拿令牌是没有速度限制的。

常用限流策略——漏桶与令牌桶介绍

漏桶法的关键点在于漏桶始终按照固定的速率运行，但是它并不能很好的处理有大量突发请求的场景，毕竟在某些场景下我们可能需要提高系统的处理效率，而不是一味的按照固定速率处理请求。 关于漏桶的实现，uber团队有一个开源的github.com/uber-go/ratelimit库。 这个库的使用方法比较简单，Take() 方法会返回漏桶下一次滴水的时间。 令牌桶其实和漏桶的原理类似，令牌桶按固定的速率往桶里放入令牌，并且只要能从桶里取出令牌就能通过，令牌桶支持突发流量的快速处理。 对于从桶里取不到令牌的场景，我们可以选择等待也可以直接拒绝并返回。 对于令牌桶的Go语言实现，大家可以参照github.com/juju/ratelimit库。 这个库支持多种令牌桶模式，并且使用起来也比较简单。

如何实现漏桶算法与令牌桶算法

目前常见的算法是漏桶算法和令牌算法。 令牌桶算法。相比漏桶算法而言区别在于，令牌桶是会去匀速的生成令牌，拿到令牌才能够进行处理，类似于匀速往桶里放令牌。 漏桶算法是：生产者消费者模型，生产者往木桶里生产数据，消费者按照预先定义的速度去消费数据。 应用场景： 漏桶算法：必须读写分离的情况下，限制读取的速度。 ，确认没有超过桶的最大的容量 private Monitor offerMonitor=new Monitor(); //从桶里消费数据时，桶里必须存在数据 private Monitor 相比漏桶算法而言区别在于，令牌桶是会去匀速的生成令牌，拿到令牌才能够进行处理，类似于匀速往桶里放令牌 * 漏桶算法是：生产者消费者模型，生产者往木桶里生产数据，消费者按照定义的速度去消费数据 * * 应用场景 ： * 漏桶算法：必须读写分流的情况下，限制读取的速度 * 令牌桶算法：必须读写分离的情况下，限制写的速率或者小米手机饥饿营销的场景 只卖1分种抢购1000 * * 实现的方法都是一样。