可观测性工程经历了从“每个后端一套SDK”到“一套信号采集标准+多个后端”的转变，OpenTelemetry（OTel）成为关键。OTel统一了链路追踪、指标和日志的模型与协议，解耦了采集层。文章讨论了OTel的架构、协议细节及在国内厂商的应用，强调了将OTel整合进现有可观测性体系的重要性。

作者发布的小册子《终端的秘密规则》探讨了终端的复杂性和不一致性，分享了理解终端工作原理、常见约定及使用技巧的方法，旨在帮助用户更有效地使用终端。

在编写协程库时，上下文切换速度受调用约定的影响。采用“preserve_none”调用约定可以减少寄存器保留，从而提高切换效率。通过感知上下文，系统能够自动决定切换的工作量，降低开销。

环境变量可以将敏感配置与代码分离，降低泄露风险。使用前缀避免命名冲突，定义配置类并用双下划线分隔符映射变量。虽然环境变量本身不提供安全性，但可通过Azure Key-Vault等服务增强安全。清晰命名和结构化映射有助于简化设置。

文章讲述了作者收到一封质疑其网站不符合《十年公约》要求的邮件，作者质疑邮件真实性并指出链接无法访问。回顾了与朋友们许下的十年约定，表达了对未来的期待。

FCall/Qcall是托管与非托管之间的调用约定，双方需要一个契约，以弥合彼此的互相/单向调用。FCall用于托管调用非托管函数，而QCall用于托管调用非托管导出函数。

本文介绍了.NET7之后的AOT编译器ILC的生成机器码和引导文件中的符号设置，以及ILC的JIT编译和机器码的重定位。推荐了一个学习交流圈，教授最新的.NET8/9核心CLR/JIT知识。

联邦学习是一种有前途的研究范式，可以在各方之间进行机器学习模型的协作训练，而无需进行敏感信息交换。本研究回顾了应用于视觉识别的联邦学习，强调了架构设计选择在实现最佳性能方面的重要作用。实验证明了架构选择可以提高联邦学习系统的性能，尤其是在处理异构数据时。同时，研究了不同架构系列的视觉识别模型在联邦学习数据集上的性能，并分析了规范化层对联邦学习性能的影响。结果强调了架构设计在计算机视觉任务中的重要性，缩小了联邦学习和集中学习之间的性能差距。

这篇文章介绍了使用正则表达式验证变量名称的示例。通过命名约定检查变量名称是否有效，使用Java编写了一个程序来实现这个功能。程序中定义了有效变量名的正则表达式，并使用Pattern和Matcher对象来检查变量名是否匹配该模式。

本文介绍了使用深度强化学习训练的带通信能力的智能体在指称游戏中的计算框架，该框架反映了自然语言中的语言现象，通过视觉感知智能体之间的简单社交交流产生。