- 综合排序
- 最热优先
- 最新优先
- 来自专栏编程技术分享
Vue 轻量级后台管理系统基础模板
拦截器 实现了ajax请求前展示loading 请求结束关闭loading 注意 源码可见 并且添加了必要的注释 可以自行更改 Index组件一般情况下只需要传数据就行 其他不用关注 市面上有大量的vue后台管理系统模板
1.9K40发布于 2020-09-28 - </> )}Electron ArcoDesign+Zustand中后台管理系统框架模板升级款vite8+vue3.5+arcoDesign网页端webOS桌面框架自研Vite8+NaiveUI+Vue3+Echarts后台管理系统全新研发 -osadmin手机版后台管理系统 最新研发uniapp+vue3仿微信app聊天模板 基于uni-app+vue3实战短视频+聊天+直播app商城来自专栏h5
Electron-React19-WinChat聊天系统|react+electron客户端聊天程序Exe
经过了整整两周的高强度研发，最新原创力作electron41+react19全家桶构建轻量级桌面电脑版聊天系统项目，正式完结啦！ , ...args)) }, // 浏览器打开链接 openExternal: (url) => ipcRenderer.send('open-external', url) })Electron handleWinClose}>}
更轻量级的 V8 引擎
在 2018 年末，为了大幅减少 V8 的内存使用量，我们启动了一个名为 V8 Lite 的项目。 但是在进行这项工作的过程中，我们意识到为Lite 模式所做的许多内存优化都可以转移到常规 V8 中，从而使 V8 的所有用户受益。 Lite 模式 为了优化 V8 的内存使用，我们首先需要了解 V8 如何使用内存以及哪些对象类型在 V8 堆中占了很大的比例。 我们用了 V8 的内存可视化【https://v8.dev/blog/optimizing-v8-memory#memory-visualization】工具来跟踪许多典型网页的堆内容的构成。 ? 通过配置现有的 V8 设置，可以对精简模式进行许多更改，例如禁用 V8 的 TurboFan 优化编译器。但是其他的优化还需要对 V8 进行更多的修改。
Coravel ： .NET 轻量级任务调度与后台任务处理
Coravel 是一个专为 .NET 应用设计的轻量级后台任务框架，无需复杂配置即可实现任务调度、队列处理、缓存管理、事件广播等功能。 执行任务时间：{DateTime.Now}"); await Task.CompletedTask; } } 注册服务和调度器： // Program.cs (.NET 6/7/8) ） 队列处理器 public class MyQueuedJob { public async Task DoWork() { Console.WriteLine($"后台任务开始 {DateTime.Now}"); await Task.Delay(1000); Console.WriteLine($"后台任务结束 {DateTime.Now}"
Centos8 Django挂载后台运行
先创建start.sh和stop.sh两个文件（在manage.py同级目录下创建文件）
轻量级Nuget - BaGet k8s部署
介绍 BaGet是一个轻量级的包管理服务。 16807551935" selfLink: /api/v1/namespaces/default/persistentvolumeclaims/baget uid: fbf18d16-d8e1 StatefulSet metadata: creationTimestamp: "2021-04-22T13:49:37Z" generation: 2 labels: k8s-app serviceName: "" template: metadata: creationTimestamp: null labels: k8s-app 80-tcp nodePort: 30020 port: 80 protocol: TCP targetPort: 80 selector: k8s-app
FastAPI后台开发基础（8）：Cookie的使用
向客户端设置一个名为 test_cookie_user_id 的 cookie，并返回当前的时间戳。
又一款超轻量级 NPS 内网穿透自带后台设置界面
本站免费分享了自建的FRP内网穿透，对于小白来说客户端配置比较繁琐，今天带给大家是一款轻量级、功能强大的内网穿透代理服务器。
YoloV8改进策略：轻量级Slim Neck打造极致的YoloV8
使用轻量级卷积方法 GSConv 来代替 SC。其计算成本约为 SC 的60%~70%，但其对模型学习能力的贡献与后者不相上下。 如果用来改进YoloV8会怎么样呢？ Yolov8官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs p3 230 105 0.99 1 0.995 0.801 p8 c_ = int(c2 * 0.5) # hidden channels self.gsb = GSBottleneckC(c_, c_, 1, 1) 测试结果 YOLOv8l
Core + Vue 后台管理基础框架8——Swagger文档
作为前后端分离的项目，或者说但凡涉及到对外服务的后端，一个自描述，跟代码实时同步的文档是极其重要的。说到这儿，想起了几年前在XX速运，每天写完代码，还要给APP团队更新文档的惨痛经历。给人家普及swagger，说不习惯，就要手写的Word文档。
轻量级 k8s 应用日志收集方案 loki
微服务早已是一个过时的热词，同时，容器 和 k8s 的出现让它更一步成为了一种时尚。同样会带来很多附赠的问题，日志收集就是其中一个比较重要的问题。 在实践了多个方案之后，我终于能在今天写出我个人认为我最喜欢的一个方案了 loki 我的需求 技术上没有银弹，需要根据实际需求来选择方案，那么我的需求是这样的，你可以做个比较： 当前所有的应用是部署在 k8s 这是我当前使用过一段时间之后，最终认可的一个方案：https://github.com/grafana/loki 其实在使用 FIC 的时候我就犹豫过当时要不要使用 loki 犹豫当时的公司内部没有大力推 k8s PS: 需要注意的是，你的应用日志需要输出到 stdout 中 这里有关 k8s 日志收集方案不做过多讨论，因为网上的方案大多三种，一种 stdout，一种挂 sidecar，一种用 DaemonSet 通过设定annotations只收集固定 pod 的日志：https://blog.csdn.net/kozazyh/article/details/102881301 （个人认为没有必要，这样对于 k8s
k8s+jenkins自动部署前后台
这里记录如何通过 jenkins 打包发布 springboot 后台应用至 K8s 集群和 jenkins 打包发布 vue 前端应用至 K8s 集群，个人编写只供参考! # 1.jenkins打包发布springboot后台应用至K8s集群 整体思路： Jenkins 通过SVN拉取远端源码 springboot后台应用打包zip 把应用后台包解压，并通过Dockerfile 更改后的yml文件，直接拉取harbor仓库新镜像完成更新 # 2.jenkins打包发布vue前端应用至K8s集群 整体思路 目前k8s集群中前端考虑更新频率高，所以未使用打入完整html的nginx Publish Over SSH，Subversion... # 4.前端打包发布步骤 从SVN获取最新代码 执行vue打包命令，生成dist包 将打好的包推送到ssh远程服务器并执行更新脚本 # 5.后台打包发布步骤 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 后台 #!
【k8s】轻量级搭建k8s集群的工具Kind(1)
/kind https://kind.sigs.k8s.io/dl/v0.10.0/kind-linux-amd64 chmod +x ./kind 查看一下 kind 的 help 文档。 ➜ k8s . /www.docker.com/increase-rate-limit 这个倒是不陌生了，就是 docker hub 给你请求做的限制，运营过镜像仓库的人都懂，每个人都去拉，很容易拉爆，尤其是现在 k8s
轻量级脚手架，后台权限管理系统
实话实说，我之前一直不愿意做这种后台权限管理系统，总觉得就是些业务逻辑，没啥意思，早烂大街了，面试官肯定看不上 最近才正式拜读了 RuoYi 这个大名鼎鼎的脚手架，惊呼牛逼！ 无论是代码、文档、还是社区都实在是太完善了，而且想要接入自己的项目做个后台管理系统的话也特别方便。
electron41 x react19桌面端聊天应用解决方案
^2.66.16状态管理：zustand^5.0.14打包管理：electron-builder^26.15.3前端构建工具：vite^8.2.0样式处理：sass^1.102.0基于最新版跨平台框架electron 流式AI系统Vite8.0+Vue3.5+Arco深度对接DeepSeek网页版AI智能助手uni-app+mphtml快速集成DeepSeek-V4智能ai应用2026原创自研React19+Vite8+ ArcoDesign+Zustand中后台管理系统框架模板升级款vite8+vue3.5+arcoDesign网页端webOS桌面框架自研Vite8+NaiveUI+Vue3+Echarts后台管理系统全新研发 仿写抖音app原创自研Flutter3.41+Dio+WindowManager打造桌面版AI问答系统Flutter3.41实战AI：从零到一构建app版流式ai系统Electron41 + Vite8打造流式输出客户端 -osadmin手机版后台管理系统 最新研发uniapp+vue3仿微信app聊天模板 基于uni-app+vue3实战短视频+聊天+直播app商城
前端HTML空格与后台PHP utf-8空格
今天在处理html input输入框时，发现一个问题： 在用户名输入框中输入admin "'p（中间是一个空格），点保存后台提示数据保存成功，按理应该是未修改，通过chrome调试工具发现传给后台的数据却是这样的 =edit 也就是浏览器把空格转成了【%C2%A0】，数据库和前台显示都正常且有一个空格，可是拿出来比较，它们完全不相等 ，通过搜索得知： 前端空格： 传到后台的是 UTF-8空格：C2 A0 即ASCII 194 + 160 所以在后台拿到urser数据后进行空格转换，即可正常保存数据 $data['user'] = str_replace(chr(194).chr (160), ' ', $user); // utf-8空格 参考： https://en.wikipedia.org/wiki/Non-breaking_space https://www.cnblogs.com
8 款好用的 React Admin 管理后台模板推荐
全文 2110 字阅读时间约 7 分钟常业务开发中，除了核心产品相关的工作之外，很大一部分工作量便是 Admin 管理后台的开发。 那么对于企业来说，一款能够快速上手并开发 Admin 管理后台的工具就显得尤为重要了。这篇文章中，码匠将向您介绍 8 款基于 React 的 Admin 后台模版，并针对不同使用场景提出建议。 图片本文提到的 React Admin 管理后台模板价格几乎都超过了 20 美元（一个 9 美元的除外）。 虽然 Material Dashboard React 付费版中有 200 个 UI 组件和 8 个应用程序模版，但其免费版本仍提供有 30 个 UI 组件和 7 个样本应用程序，相信应付日常需求完全没问题 Wieldy 是本文唯一提供 10 种不同布局选项的 React Admin 管理后台模板。
vite8-admin网页版后台模板|vue3.5+pinia3+arco轻盈中后台管理系统
vite8-admin网页版后台系统正式发布到我的原创作品集，欢迎下载使用。 title)}}</template> </a-breadcrumb-item> </a-breadcrumb>
自研Vite8+NaiveUI+Vue3+Echarts后台管理系统
经过一周高强度研发vite8.0+vue3+pinia3+naive-ui+echarts实战一款轻量级中后台管理系统解决方案。 推荐几个最新实战项目案例Flutter3.41构建高性能App聊天界面对话+气泡+朋友圈Flutter3.41实战AI：从零到一构建app版流式ai系统Electron41 + Vite8打造流式输出客户端 打字会话最新实战Vite7.3+Tauri2.10深度集成DeepSeek桌面端AI智能助手electron38-vite7-vue3os电脑端os管理系统最新版electron38-vite7-admin电脑端中后台管理系统 Vite7+Pinia3+ElementPlus客户端聊天程序基于tauri2.8+vite7+vue3+element-plus仿QQ/微信聊天应用tauri2.9-vite7-vue3admin客户端后台系统管理 Exe模板最新原创uniapp-vue3-osadmin手机版后台管理系统最新研发uniapp+vue3仿微信app聊天模板基于uni-app+vue3实战短视频+聊天+直播app商城
YoloV8改进策略：RepViT改进YoloV8，轻量级的Block助力YoloV8实现更好的移动性
摘要 RepViT 是一种轻量级的深度学习模型，专为移动设备设计。 RepViT 通过将CNN和ViT结合，形成了一个既具备CNN局部感知能力，又具备ViT全局抽象能力的轻量级模型。这使得RepViT在保持较高性能的同时，又能够适应移动设备的计算和内存资源限制。 Yolov8官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs 0.831 Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image 改进一 测试结果 YOLOv8l inference, 0.0ms loss, 0.5ms postprocess per image Results saved to runs\detect\train15 改进二 测试结果 YOLOv8l
