标签

Python

用 AlloyDB AI、Gemini 与 RUM 补上 PostgreSQL 中日韩全文检索的分词缺口

来源: cloud.google.com 48
PostgreSQL 全文检索擅长处理由空格分隔的文本,但面对中文、日文、韩文等连续书写语言时,默认解析器可能把整句话当成一个词元。AlloyDB AI 提供了一条数据库内解决路径:先用 Gemini 做上下文相关的分词,再用 和 RUM 建立全文索引,并可进一步叠加 ScaNN 向量检索,形成一条 SQL 内的混合搜索链路。 PostgreSQL 需...

写好 CLAUDE.md:让 Claude Code 掌握项目命令与 Python 约定

来源: realpython.com 45
Claude Code 能读取代码,却不一定知道团队使用 还是 Poetry、测试命令是否需要额外参数,也无法凭空判断哪些目录禁止修改。 的作用,就是把这些仓库之外的隐性知识变成明确、可执行的协作说明。 一份有效的文件不需要很长。关键是分清全局、项目和本地三类信息,并写下能够直接验证的命令与约束。 可以把 CLAUDE.md 信息拆成三个作用域: 全局...

公开 Cloud Run 服务如何从一个输入漏洞演变为云项目失陷

来源: cloud.google.com 52
公开的无服务器服务并不天然不安全,但它把自研代码、第三方依赖、运行时身份和云 API 放在了同一条攻击链上。一次目录遍历或命令注入,可能不只暴露容器内的文件,还会让攻击者借助服务账号权限访问 Secret Manager、Cloud Storage,甚至控制整个 Google Cloud 项目。 真正有效的防护不能只依赖修复某一行代码。团队需要同时约束...

把 Python 项目规则写进 CLAUDE.md:从全局偏好到本地环境

来源: realpython.com 59
Claude Code 能读取代码,却不会天然知道团队习惯用 还是 、测试入口是 还是包装脚本,也无法猜出哪些生成目录不能修改。 的作用,就是把这些需要反复说明的命令、约束和约定放进持久上下文。真正需要设计的不是“写多少”,而是“哪条规则应该放在哪一层”。 可以把 CLAUDE.md 的内容分成全局、项目和本地三层: 层级 适合保存 不适合保存 全局 ...

把 Claude 跑进企业生产环境:Google Cloud 上的端点、安全与成本设计

来源: cloud.google.com 35
把大模型接入原型只需要一次 API 调用,但把它稳定地服务给全球用户,还要处理算力调度、尾延迟、区域故障、数据驻留、访问控制和成本波动。Claude 在 Google Cloud Agent Platform 上以托管模型服务提供,把这些问题纳入企业已经使用的 IAM、VPC Service Controls、Cloud Logging 和 Cloud...

Python Mixin 实战:复用行为,而不是制造继承迷宫

来源: realpython.com 44
Mixin 是一种通过继承复用小块行为的 Python 类。它通常不负责独立实例化,也不定义对象的核心身份,而是给现有类型补充序列化、日志、缓存或权限检查等能力。 Mixin 写起来并不复杂,真正需要谨慎处理的是职责边界、多重继承的方法解析顺序(MRO),以及 的协作规则。把这些约束处理好,Mixin 可以减少重复代码;处理不好,它很快就会变成难以追踪...

Python Mixin 实战:与抽象基类的边界、MRO 与常见陷阱

来源: realpython.com 53
Mixin 是一种小而专注的类:它不负责定义完整对象,而是向其他类补充一项可复用能力。日志记录、字典序列化、权限检查和时间戳格式化,都可能适合用 Mixin 实现。 真正容易出错的地方,不是写出一个 Mixin,而是判断什么时候该用它、它与抽象基类有什么区别,以及多重继承时 究竟会调用谁。 Mixin 和抽象基类都可能出现在继承列表里,但两者承担的职责...

DjangoCon US 2026 讲者阵容公布:如何规划一场高回报的技术大会

来源: djangoproject.com 50
DjangoCon US 2026 已公布讲者阵容,大会将于 8 月 24 日至 28 日在芝加哥举行。议题覆盖 Web 开发、API、部署、安全、测试、AI 以及 Django 生态的未来,讲者则来自贡献者、维护者、教育工作者和社区成员。完整日程尚未发布,但现在已经可以开始制定参会策略,而不是等到现场才临时挑选议题。 面对几十场技术分享,按标题逐个收...

用 LangGraph 构建有状态 Python 智能体:共享状态、循环与多角色协作

来源: realpython.com 39
普通的 LLM 调用通常是一条直线:输入提示词,等待模型返回结果,然后结束。但研究、审核、工具调用和多智能体协作往往不是线性流程。任务可能需要反复修改,也可能根据中间结果切换执行路径,还要在多次调用之间保存进度。LangGraph 的核心价值,就是把这类工作流表达成一张包含状态、节点、边和循环的图。 在 LangGraph 中,可以把一次智能体运行理解...