河岳日星的博客

从文本到成片：本地 ComfyUI + MiniMax H3 短剧流水线实战 这是「短剧创作体系」系列的生产篇：上一篇讲 12 个可复用模块的工作流设计，这篇讲流水线里最硬的部分——本地出图出片。全套在 E 盘 ComfyUI（端口 8799）跑通，零积分，参数全部实测。 一、开工前三条铁律这套流水线是用几个通宵的血泪换来的，先立三条规矩： 自己看图、自己判卷。每出一张图/一段片，必须打开逐张看，对照分镜检查。发现不对就改提示词重抽，不要硬着头皮往下走——硬赶的结果是后面全白干。 先锁定，后生成。角色一致性靠「设计锁定图」，不靠长描述。单张独立生成必然漂移。 成本心里有数。864×480 / 124 帧 / 25 步，一镜 5 秒 ≈ 10 分钟；1344×768 同参数 ≈ 26 分钟（别用）。一个 15 秒三镜的片子光出段约 30 分钟，双采超清另算。排期提前说。 二、完整流水线（九步 SOP）1234567891011文本/剧本 ↓ ① 分场分镜（写清空间轴与连续性红线） ↓ ② 设计锁定图（竖版电影海报式） ← Z-Image 9 步 ↓ ...

经验驱动。K8s 排错是 SRE 面试高频题。先说清一个本机真踩到的坑：我本机装了 kubectl 但没集群，一跑 kubectl explain pod.spec 直接报 Unable to connect to the server: dial tcp [::1]:8080 ... refused——kubectl 只是客户端，排错第一步永远是确认 kubeconfig 和集群可达。下文命令需在真实集群执行，我把它整理成一套可照做的链路。 先确认客户端与集群12kubectl version --client# Client Version: v1.36.1 Kustomize Version: v5.8.1 kubectl version --client 不需要集群，能跑通说明客户端装好。要查集群侧，得有可用的 kubeconfig（~/.kube/config 或 KUBECONFIG 环境变量指向的上下文）。这一步不通，后面全白搭——很多”K8s 坏了”其实只是 kubeconfig 指错了上下文。 真实踩坑补刀：kubectl explain 和 kubectl ...

经验驱动 + 诚实声明。上篇 Scrapy 解决静态页；但很多现代站是 SPA（前端 JS 渲染），Scrapy 拿到的 HTML 里根本没有数据——这时候得上 Playwright（真浏览器）。下面代码按 Playwright 官方同步 API 编写并做过语法自检；本机未安装 chromium，故没有真跑一次完整抓取，待 playwright install chromium 后即可复现。 什么时候用 Playwright，不用 Scrapy 场景 选谁 数据在静态 HTML 里 Scrapy（快、省资源） 数据是 JS 渲染/翻页/点按钮才出现 Playwright（真浏览器执行 JS） 要截图/模拟点击/登录态 Playwright 一句话：Scrapy 拿不到内容时，换 Playwright。它启动一个真实 Chromium，把页面跑起来再提取。 真实写法（同步 API）123456789101112from playwright.sync_api import sync_playwrightwith sync_playwright() as p: ...

面试官最烦的两类人：一是「我负责了整个项目」但说不清自己干了啥；二是背了一堆技术名词但没落地。我的办法是——用 STAR 框架讲，但把重心压在「我解决了什么具体问题」上。下面拿我博客里的 5 个真实作品当模板。 模板：不要说「我做了」，要说「我解决了」 ❌ 我搭建了一个 RAG 系统。 ✅ 我搭 RAG 时遇到检索到了但模型不用的问题，于是加了重排序 + 引用约束，准确率从 X 提到 Y。 差别在于后者有问题、动作、结果三件套，面试官能顺着追问。 作品 1：NInfer 27B 本地部署（量化/部署） 一句话亮点：在单张 12G 显存消费卡上跑通 27B 推理。 可深挖：显存怎么算的、KV-cache 占多少、为什么选这个量化方案、工具模式 vs 聊天模式怎么切。 对应文章：NInfer 27B 本地部署实战、大模型部署。 作品 2：RAGFlow 实战四部曲（RAG/工程） 一句话亮点：从部署、切片、检索调参到 API 自动化，把一套开源 RAG 框架摸透了。 可深挖：不同文档类型怎么选切块策略、中文长文本检索权重怎么调、软失败（返回 200 但没结果）怎么排查。 对应文章：RA ...

经验驱动。微调完如果只盯着 training loss 下降，很容易自我感动。本文用我本机真跑的一个评测脚本讲清楚：该看哪些指标、以及指标会怎么骗你。下方数字来自真实运行，含一个教科书级的”指标失真”案例。 评测前先想清楚：你的任务是什么不同任务的”好”定义完全不一样，指标选错等于没评： 分类 / 抽取：accuracy、F1（macro / weighted）、实体级 P/R/F1（seqeval）。 生成 / 摘要 / 翻译：BLEU、ROUGE（ROUGE-L 最常用）、BERTScore、人工评测。 对话 / 开放生成：自动指标相关性弱，必须上人工评测或 LLM-as-judge。 真跑一个评测脚本我写了个最小可用的评测，对”微调后模型”在几个验证样本上的预测和人工标注对比，算 EM（完全匹配）、token-F1、ROUGE-L。本机真实输出： 12345678910111213141516171819202122232425[样本1] 概括任务 参考: 微调是在特定任务数据上继续训练预训练模型。 预测: 微调是在特定任务数据上继续训练预训练模型。 EM=1.00 ...