前面写过一篇 i18n多语言数据库设计的文章 ，介绍了最佳的数据库表结构，以及“数据库 + Redis + LRU 三级缓存”的国际化多语言网站数据库设计方案。当时的设计目标是：既要减少数据库压力，又要把常用语言的响应速度提上来。
方案上线后，很快就遇到了问题。经过几轮调整，最终改成了一套更简单的架构：翻译数据只在 DB 里维护，启动时全量加载到内存，运行时零 DB 查询。
这篇文章记录这次演进的过程：从 po 文件到三级缓存，再到全量内存，每一阶段遇到的问题、做出的取舍，以及最终方案的适用边界。文中涉及的数据规模、内存占用都是真实数字。
在数据库里实现多语言支持有很多种做法，但只有一种能够长期有效且成本可控。
常见的 i18n 方案，基本思路都是把翻译内容加载到内存里，运行时按 key 直接取。这个做法对界面文案来说没问题，因为界面文案总量有限，几千条也就几百 KB，启动时一次性加载完全扛得住。
但它有一个隐含的规模上限：需要翻译的内容越多，内存占用越大；一旦翻译内容是从数据库动态增长的，内存方案就会开始吃力。
随着大语言模型的快速发展，让一个之前不太被人注意的问题浮出水面——你的网站内容很可能已经被用来训练各种 AI 模型了。ChatGPT、Claude、Gemini 这些模型，它们的训练数据大量来自公开网页，除非你明确告诉它们「不可以」。
这种情况下，LLMs.txt 这个协议应运而生。它有点像 robots.txt，但针对的是 AI 爬虫，而不是搜索引擎爬虫。这篇文章会详细解释 LLMs.txt 是什么、如何运作，以及你该如何配置它。
微信支付退款回调报错 Wechatpay-Serial is empty？支付回调正常但退款回调失败？
本文完整记录问题根因、排查过程和可直接使用的 Go 代码，兼容 APIv3 和 V2 两种退款通知协议。
你的 Hugo 博客是否因为广告位过多导致页面加载缓慢？当 12 个 AdSense 广告位同时初始化，首屏加载时间飙升至 5 秒以上， 广告拦截检测 弹窗迟迟无法出现，访客在弹窗出来前就已经浏览完内容离开。
本文将分享一套零侵入原有广告模板的懒加载方案：利用 HTML5 <code><template></code> 标签 冻结广告代码，通过 Intersection Observer API 检测可视区域，分批激活执行脚本。实测首屏请求减少 68%，广告收入基本不受影响。
我开源了一个谷歌广告拦截检测识别工具，代码仓库放在文章末尾，需要的自取。
独立开发者的小网站靠 AdSense 吃饭，本就没什么盈利，再加上浏览器的广告拦截插件，让原本就举步维艰的生活变得雪上加霜。
网站广告被拦了等于白干，写这篇是因为最近在给网站加广告屏蔽检测，踩了一堆坑，记录一下。
本文主要介绍广告拦截的技术原理，以及怎么检测我们网站上的AdSense广告是否被屏蔽了。
开始之前，请使用广告拦截插件的读者先读一下站长给用户的一封信： https://axiaoxin.com/letter/
最近不仅在折腾反爬虫，也在搞一个数据抓取的需求，知己知彼，也能更有效的进行防御和进攻。
在抓取数据时，发现同样的请求在浏览器里能正常打开，用代码跑就返回 403 或者验证码页面。
折腾了挺久，最后靠模拟浏览器指纹解决了问题。
这篇文章记录一下学到的内容，主要是 TLS 指纹、HTTP/2 指纹这些之前没太关注过的东西。
Xvfb + KasmVNC：无显示器服务器的 GUI 应用方案
本文详细讲解两个经典技术：虚拟显示 Xvfb 和 VNC 服务器 KasmVNC。读完后你不仅能理解它们各自做什么、如何配合，还能在自己的项目中运用这套方案。
本文适合人群：
Tabulator 是功能完整的 JavaScript 表格库，支持排序、编辑、树形数据、虚拟滚动等。本文记录我的实际使用经验，涵盖安装、列定义、数据更新（updateData）、单元格编辑回调（cellEdited）、React 集成及 Python 生态区分。附带代码示例和官方文档要点，适合从零开始集成 Tabulator 的开发者。
这是一篇关于Ollama工具调用的详细教程。它的核心机制是让模型通过分析用户问题，去调用外部函数来获取信息，而不是凭空捏造答案。
之前写 Ollama 整体介绍 的时候，提了一嘴 tool calling，但没展开。最近在实际项目里用了几次，发现这个功能比想象中实用，单独写一篇笔记记下来。
调用Ollama HTTP API时，你是否分不清generate与chat的用法？不知道各端点参数怎么配置？本文整理Ollama官方所有API，逐一端点拆解用法、参数及实操示例，理清两大核心端点区别，搭配 Ollama 使用教程 ，新手也能轻松搞定API调用。
想在个人电脑、普通显卡上流畅部署Ollama大模型？核心就在于「量化」！作为Ollama本地部署的关键优化技术，量化能给AI模型“瘦身”，大幅降低显存占用、提升推理速度，无需专业硬件，普通人也能轻松玩转大模型，本文详细拆解量化原理、实操方法及量化级别选择，新手也能快速上手。
在 Ollama 中通过 Modelfile 自定义量化模型，可以让你在 Ollama 上运行任何 GGUF 格式的模型，并精确控制量化精度、推理参数和行为模板。本文将手把手教你掌握这一核心技能。
第一次听到「Long-Horizon Coding」这个词的时候，我脑子里想的是「哦，就是写很长的代码了」。后来查了下资料才发现，完全不是这么回事。这个词跟红杉资本那篇 《2026: This is AGI》 有很大关系 。他们直接把 Long-Horizon Agents（长程智能体）定义为「功能上的 AGI」——也就是 AI 终于从「聊天框里的回答机器」变成了「能自己把事情搞定的执行者」。
本文关键词：Long-Horizon Coding、长程代码生成、AI 编程智能体、SWE-bench、代码智能体基准测试、自主软件开发
在 Ollama 使用教程：本地大模型部署工具完全指南 中提到过 Embeddings，但写得比较简略。这篇文章单独展开说一下，因为我发现很多人在做 RAG（检索增强生成）时卡住的点其实并不在模型本身，而是对 Embeddings 的理解不够透，导致后面检索出来的东西质量很差。本文从Ollama Embeddings嵌入向量基础概念入手，详解其用法、场景及实操步骤，破解常见踩坑点，搭配 Ollama 命令速查手册 ，新手也能轻松上手。
