@bthulu 你自己不去看看 java 的新题案和 解决策略比如 graalvm ， 你机器上没有 jvm 可以跑 java ， 是吧。
jvm 设计之初就是为了充分利用服务器内存，甚至是多占用一些内存 来做 gc 。

要对比 docker 那也是对比虚拟机像 kvm 、vmware 的方案。
你什么都不懂就开始胡乱 at 人吧。

微服务不等于云原生， 微服务本身拆分和规划本身就不只是技术，还是团队管理问题。国内不少公司还停留在管理不善的问题阶段。

多数人对 devops 并不理解吧，k8s 就是单体部署也没有什么问题。 国内和国外所了解的都不是一回事

国外是谷歌新出的论文"towards modern development of cloud application"和 service weaver 对 微服务 发出新的构想。

文章认为，微服务将逻辑边界（如何编写代码）与 物理边界（如何部署代码）混为一谈。提出的方案是将应用程序构建为逻辑整体， 但将其交给自动化运行时， 后者根据应用程序所需内容和可用内容来决定在哪里运行工作负载。

bitvise ssh

python 本身优化就是挺垃圾的， 才会导致不同的写法性能差距比较大。

真正研究 python 都是研究 python 源码 和 如何写出不错的代码，这个基本没有提，语法糖再多也不是原理。

比如 python c 代码的 PyObject 数据结构，cython 以及 pypy

那要看业务是否复杂了， 大多数互联网涉及到的数据库操作并不复杂。y 银行到目前为止还有大量存储过程，不过银行用的是 oracle, 完全碾压 mysql, mysql 说实话性能垃圾， 支持的功能也少，像 oracle rac 这类，mysql 就更差了,花钱买的和免费不在一个水平， 不同的业务考虑是不同的，如果看重吞吐量和并发量，那么的确不要使用这些。
大厂都没有多少复杂的金钱结算一致性非常强的业务， 有这个的都去搞自研数据库了

@IbukiSuika 考虑 mysql 逐渐商业化，mysql 社区版和商业版服务差距变大，稳定性等因素。
另外就是国产数据库厂商和国内评审专家的意见。

不要关注 mysql, 多关注 pg 一下。
第一、互联网用不到多少复杂的 mysql, 在银行、保险等企业才会有大量 sql 以及存储过程这类
第二、互联网已经退潮了， 多关注一下 IT 除互联网外的行业使用得数据库行情。
第三、pg 国企还有一些国产数据库开发是比较多的，mysql 屎山太多， 做的扩展和插件远不如 pg, pg 现在通过插件都可以搞向量数据库。
第四、国家内部国企央企钦定不使用 mysql 5.7 以上的，mysql 现在被 oracle 搞得很不明朗，pg 才算是真正开源

这个问题不需要大模型，大模型也不是用来解决这类计算机视觉的问题。
ocr 一般是正面拍照的纸张上文字，在一些复杂环境下无法使用，这种其实是 scene text recognition,
传统的 OCR 很多是机器学习的算法，在弱光、混合光线下非平整表面一些识别率不高，
深度学习一些模型还可以。
你发一个图片才能知道是什么样的场景。

和邓明的 go 实战训练营 的第一部分一样

总结得不错

不清楚你的编程水平如何，如果不太好，
要么直接 方案设计 1

要么使用 access 数据库， 毕竟用 access 打开 accdb 文件就可以提供清晰的 UI ，也是所有开发成本中最低的。（写点 VBA 宏或 python 再配合 access 多种查询界面和表单足以满足权限和安全要求）

看了看 ShadowPower 发的，其实个人玩玩还是可以的，
这类模型微调很多， 其实就是用语料训练一个 chatbot
半年前那个 AI 孙艳姿 唱歌 还火过，也是这类， 自己玩玩可以， 商业上谈不上。
另外，国内任何 AI 应用上线 还要接受《生成式人工智能服务管理办法》制约，敏感词是要过滤的。

国内外 AI 团队已经不再是简单的微调了，都已经上升到 AI 对齐了。

@wangqifox 图像生成时有的，stable diffusion 可以加载各种微调模型

vercel 之前出了一个 ai playground, 它集成了各种开源和商业的 LLM 模型 sdk, 可以看看
https://sdk.vercel.ai/docs

aigc 图像生成 倒是在国内玩的人很多，模型网站像 C 站 https://civitai.com/
可以去看看
国内 c 站镜像
https://www.stablediffusion-cn.com/

模型网站我也给一个吧，自己玩玩可以，赚钱没有技术，没有资金，还是不要想了
https://www.codewithgpu.com/image
可以在 autodl 上便宜租到一些 GPU 服务器，但是训练和微调需要的投入还是很高的。

AI 早就内卷了， 现在已经不是一年前，多了解了解国内和国外做这方面的前沿吧。
另外自己训练和微调 没有 1 百万 以上的投入还是不要想了，这方面的确是有不少公司赚到钱。
做应用的开源大多是玩具。
现在能搞好 AI 应用的都是之前已经有相应的产品比如金山、腾讯文档 或者低代码平台 运维管理平台， 通过 AI 辅助使得更加智能和友好（ AI 提效），而不是做一些通用的 AI 应用，通用 AI 比如写作、翻译国内外也快烂大街了。

就说 ray 计算吧，kuberay 就结合 kubernetes 和 ray 两者，它是以 operator 方式来部署的。
k8s 当然知道资源的情况，但是 k8s 不需要去了解你的业务内部和一些特定的业务需求。

云原生应用开发模式 != FaaS
单体式编程，编译时拆分，分布式执行 和 FaaS 也没有直接关系
去看看谷歌的 service weaver 吧。

至于你提到的 ray 那完全是另一回事，ray 需要对针对计算做资源和任务编排比如 task actor ，是相应 AI 人员做的事情，k8s 是针对服务部署以及服务的，而不关心计算之间的事情。

之前没看到是 mariadb, 那么就是分库的方案了，schema 拆分， 现在谈论任何优化都是过早的事情， 在你的用户量确定和增长量确定，然后服务器监控指标再说这些。
另外数据库分库分表也是根据实际情况来的，也是多种方案，你现在想这个实在是太早， 分库分表带来的一堆问题你自己都不好解决的。
架构演进可以如下
scheme 分拆 到 分区表 主从优化 最后才是分库分表或分布式数据库。