Rust 在嵌入式领域越来越受关注。零成本抽象、内存安全和没有运行时开销使它天然适合资源受限的环境。最近用 Rust 在 STM32 上点了个灯，记录一下 no_std 环境的基本概念和开发流程。

RAG（Retrieval-Augmented Generation）是当前大模型落地最实用的方案之一——不用微调、不用海量 GPU，就能让模型基于你自己的文档回答问题。本文记录从零搭建一个本地 RAG 知识库问答系统的完整过程，所有组件都可以在本地运行，不依赖任何云端 API。

做量化策略绕不开高频数据。日线级别的回测能验证大方向，但一旦涉及执行层面——滑点估算、VWAP/TWAP 拆单、微观结构分析——就必须把颗粒度压到 Tick 级别。本文整理了我在处理 Level2 行情时踩过的坑和一些实用技巧。

Go 的数据库访问一直在两个极端之间摇摆：database/sql 太原始（手写 SQL + 手动 Scan），GORM 太魔法（运行时反射、隐式行为多）。sqlc 走了一条不同的路：你写 SQL，它生成类型安全的 Go 代码。SQL 优先，编译时校验，零反射。

大模型会"说"但不会"做"——它能生成文本但无法查数据库、调 API、执行代码。AI Agent 就是给大模型加上手脚：让它能推理（Reasoning）、行动（Acting）、观察结果（Observation），形成闭环。本文从 ReAct 框架讲起，用 LangChain 实现一个能调用工具的 Agent。

Rust 的异步生态有个独特之处：语言只提供 async/await 语法和 Future trait，运行时（runtime）由第三方库实现。tokio、async-std、smol 是三个主要选择，设计哲学差异很大。这篇文章从 API、性能、生态三个维度做对比，帮你决定该用哪个。

网格交易是最经典的量化策略之一，核心逻辑简单到一句话就能说清：在价格区间内等距挂单，跌了买、涨了卖。它天然适合震荡行情，不需要预测方向。这篇文章从原理到实现，用 Python 写一个完整的网格交易模拟器并进行回测。

随着商城系统功能越来越多，单体架构的问题开始暴露：部署慢、模块耦合严重、一个服务出问题整个系统受影响。这篇介绍将商城系统从单体拆分为微服务的完整方案，包括服务划分策略、通信方案选择、服务发现、配置中心、链路追踪和网关的搭建。

Tauri 2.0 正式版终于发布了。从 beta 一路跟过来，2.0 的变化相当大：新的权限系统、重写的 IPC 安全模型、移动端支持。这篇文章梳理核心变更，并从零搭建一个系统信息查看工具来感受 2.0 的开发体验。

大模型能力强但通用——想让它在特定领域（医疗问答、代码生成、客服对话）表现更好，微调是最直接的手段。全参数微调成本过高，LoRA 和 QLoRA 的出现让普通 GPU 也能跑微调。本文从原理到代码，完整走一遍用 PEFT 微调 Qwen 模型的流程。