Tianyao' s BLOG

扒一扒港大最近开源的OpenHarness。

对先前工作的优化、思考。

基于泄漏的 Claude Code v2.x 源码的完整技术分析文档。涵盖入口启动、代理循环、工具系统、权限安全、上下文管理、记忆系统、多代理架构、MCP 协议集成、遥测安全等模块。

对 Anthropic 开源仓库 claude-code 的技术架构进行简单解析，涵盖代理循环、上下文管理与 Memory 系统、Skill 触发机制、Hook 事件系统、多代理编排与 Worktree 隔离、MCP 集成架构、沙箱安全模型。

上一篇文章我们介绍了图的基础与图嵌入，从 DeepWalk 一路走到 GCN 与 GAT。但真实世界的图往往不止一种节点和一种边：社交网络里有用户、帖子、话题，交通网络里有路口、路段、车辆，摄像头网络里有相机、轨迹、目标。这类图被称为异质图（Heterogeneous Graph），而处理它的难点在于如何让消息传递在"不同类型的节点和边"之间正确地流动。本文从同质图的两个局限出发，先回顾同质 GNN 的基础，再介绍异质图的定义、元路径与早期的异质图嵌入方法，然后介绍三类代表性异质图神经网络（RGCN、HAN、MAGNN、HGT），接着沿着注意力机制的演进路线，详细介绍图 Transformer 的结构编码设计，最后讨论异质图 Transformer 的交汇及其与跨摄像头多目标跟踪场景的联系。

关于GNN相关的前置知识

多目标跟踪系统里，卡尔曼滤波几乎是标配：ByteTrack 用它预测轨迹位置，DeepSORT 用它做运动关联，几乎所有基于检测的跟踪器都把它当作运动模型的标准件。但很多人对它的理解停留在"调参能用"的层面：过程噪声协方差 $Q$ 和观测噪声协方差 $R$ 是拍脑袋设的，预测更新两步的数学含义说不清，更不知道它为什么对非线性系统失效、以及后续的 EKF、UKF、粒子滤波各自解决了什么问题。本文从贝叶斯滤波的统一框架出发，完整推导卡尔曼滤波（KF），再介绍它的三个扩展：扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）与粒子滤波（PF），最后讨论它们在多目标跟踪中的实际用法与选择依据。

介绍常用的 Redis Token Bucket 令牌桶算法

Kafka架构入门：以一个解耦SpringBoot和Python的需求为例。

• Cache Aside Pattern（旁路缓存模式）
• Read/Write Through Pattern（读写穿透）
• Write Behind Pattern（异步缓存写入）