跳至主要內容

Lohoknang

Lnn 的技术博客
OpenClaw 个人部署经验 - Mac & Discord 篇
封面图

OpenClaw 个人部署经验 - Mac & Discord 篇

记录在闲置 MBP 上部署和使用 OpenClaw 的实践经验

前言

阅读前须知：

如果你没有以下基础能力：

  • 科学上网能力（能够独立配置和使用代理工具）
  • 命令行操作能力（熟悉终端、shell 基本操作）

不建议自行搭建 OpenClaw，这超出了你的个人能力范围。

HoknangLo2026/3/14大约 17 分钟aiOpenClawAI部署MacDiscord
Kotlin DSL - 实用的BigDecimal计算

能够在获得一个Map<String, *>数据集对象，对其进行java.util.BigDecimal"安全地"复杂数值计算的DSL提供。 DSL设计：

// get records
val records: Map<String, *> = querySql()

// do calculation
val result = calculate(records) {
  (n("numerator") + n("numerator2")) / n("denominator")
}
LNN2021/7/19大约 3 分钟kotlinKotlin
Reactor 数据流、并发&并行、反压

假设你已经了解了， Reactive Streams某一个实现库的基本使用。

Project Reactor是遵循Reactive Streams响应式流规范实现的超集，是一套事件驱动的、反应式、函数式异步编程库。

数据流的基本定义-Reactive Streams

这是一套规范，也是一套SPI定义，目前地位和权威性非常高。
正如如JDBC一样理解，这一套规范有不同的实现，目前有Project Reactor、RxJava系列、JDK 9 Flow…
他们都可以通过Reactive Streams SPI相互转化

// Project Reactor
val mono = Mono.just(1)
// Reactive Streams
val pub = mono as Publisher<Int>
// RxJava
val maybe = Maybe.fromPublisher(pub)
LNN2021/6/23大约 12 分钟reactiveProject ReactorReactiveConcurrency
Hello World

之前的博客系统自己写的，工作后也不想维护了。。。

直接迁移到尤大的VuePress去

LNN2021/6/22小于 1 分钟misc
借着案例学Kotlin

创建文档信息的业务场景

Java 怎么写业务？

  • 先声明一个待返回的空对象（没有被初始化完毕的中间状态）
  • 中间业务逻辑，夹杂各种参数对象的getter，以及返回对象的setter
  • 持久化
  • 包装返回
public RestResult<DocumentDo> generate(Dto dto) {
  RestResult<DocumentDo> result = new RestResult<>();
  DocumentDo docDo = new DocumentDo();
  // ...
  
  // 检查重复
  if(checkDuplicate(dto.getUsername())) {
    throw new BizException("...");
  }
  // 各种 username 合法过滤, 关键词过滤, 可能涉及到修改username的
  RpcResult<UsernameDto> usernameRes = xxxService.getUsername(username)
  String finalUsername = null;
  if(usernameRes != null && 
     usernameRes.isSuccess() && 
     usernameRes.getData() != null) {
       finalUsername = usernameRes.getData().getUsername();
  }
  // 能不能看出来这段代码的问题? 
  docDo.setUsername(finalUsername);
  
  // 取块 并开始处理
  ContentDto richContentDto = dto.getContent();
  if(richContent == null) {
    throw new BizException("...");
  }
  List<BlockDto> blocks = richContentDto.getBlocks();
  if(blocks == null) {
    throw new BizException("...");
  }
  
  // encode & flattern images
  List<BlockDo> blockDoList = blocks
    .stream()
    .parallel()
    .flatmap(block -> {
      if(!BlockUtils.isImage(block)) {
        return Stream.of(block);
      }
      
      byte[] bytes = (bytes[]) block.getContent();
      byte[][] bytess = ImageUtils.analysis(bytes);
      return Arrays
        .stream()
        .map(bytes -> {
          BlockDo blockDo = new BlockDo();
          blockDo.setXXX(block.getXXX());
          blockDo.setContent(bytes);
        })
    })
    .collect(Collectors.toList());
  // 假设整个文档流经历了黑盒一样的处理计算, 你会选择相信这个blockDoList吗
  docDo.setBlocks(blockDoList);
  
  DocumentDo docResDo = dockDoRepository.save(docDo);
  
  result.setSuccess(true);
  result.setDate(docResDo);
  
  return result; 
}
LNN2021/3/12大约 7 分钟kotlinKotlin
enforcer-plugin 良好的依赖管理

中文描述是 Maven 增强插件，主要功能是编译的时候对一些"规则"进行检测，命中就会拦截抛错。当然排除依赖还是依赖 mvn dependency:tree -Dverbose 定位到去哪里排除。

看起来是给自己添麻烦，其实是一个管理整个 project 质量的很好工具，特别是在引入二方包的时候。

基本用法

如代码，展示了

  • 禁用插件
  • 指定maven最低版本
  • 指定java最低版本
  • 指定操作系统
LNN2021/1/13大约 3 分钟javaMavenJava
实时大数据流式计算入门路径

从应用开发者(即使用者)的角度, 从论文来理解思路和模型入门, 或者从API入门都好, 都不要从原理入门.

因为从原理入门, 一开始就会陷入各种实现, 以及解决各种有解又无解的分布式问题里面. 比如

  • 存活&安全的冲突, 底层就是共识, 一致性等等的分布式基本问题
  • 还有内存, 网络, 算力...带来的一系列资源和性能问题

各个框架的实现原理大框架都比较一致, 但是详细的实现差别很大, 而且寿命很短(spark storm升级几代实现了), 是极其容易被抛弃的, 不如把这个问题抛给产品的人员, 调优也交给他(给钱了的)

LNN2020/12/18大约 9 分钟bigdataFlinkBig Data Stream
Flink Distinct & Parallel Aggregate

流式计算依据形态分为:

  • 数据界限: 有界流和无界流(bounded/unbounded) , 数据有无边界
  • 数据源产生: 冷流和热流(cold/hot), 冷: 订阅触发才"生产源", 热: 源一直存在
  • 订阅方式: 缓存, 共享, 回放, 单播, 多播, 广播...
  • ...

批处理原语的局限

MapReduce借鉴了函数式编程的思想, 可以讲是分布式批处理的函数式实现。

但是map / reduce 的批处理模型只能对于有界流才能应用, 而对于无界流, 所有reduce原语都将失效, 如reduce, distinct, fold/collect, count, sum, average

LNN2020/11/6大约 3 分钟bigdataFlinkBig Data Stream
构建响应式Workflow应用

阅读本文需要

  • 函数式编程
  • 响应式编程
  • Spring Boot、Project Reactor

Workflow，即为工作流。其需要对输入数据源（pull数据、push数据）通过串行和并行的工作链进行处理，最后输出结果（打印、储存……）

S(ource) -> workflow -> R(esult)

Workflow的基本工作单位WorkUnit代表一个单独的处理单元，为工作流程中的最小工作单元。

LNN2020/2/20大约 7 分钟reactiveFunctional Reactive ProgrammingFunctional ProgrammingReactiveWorkflow
© 2026 Lohoknang
Copyright © 2026 Lnn