与「Docker」相关的搜索结果

卧槽！有人把全网薅羊毛的信息源，做成了一个自动监控雷达！ 推荐一个开源项目 Freebie Radar（白嫖雷达），内置 63 个数据源，覆盖 Linux DO、NodeSeek、V2EX、Epic、Steam、Reddit、Telegram 等平台。 最狠的是，它还接入了 AI 自动筛选，能识别真假福利，把抽奖、试用、推广广告过滤掉，只留下真正值得领取的免费资源。 支持 Telegram 实时推送、每日精选、兑换码提取，甚至能用 Docker 部署到自己的 VPS 上，全天自动帮你蹲福利！ 以后软件限免、免费游戏、AI 免费额度，再也不用一个个网站去翻了！ 在线体验：⁠ GitHub：⁠

我一个朋友，35岁，在深圳某大厂干了9年，月薪4.8万，上个月被裁了。 这哥们是搞基础架构的，技术牛到什么程度？ Linux内核参数、Nginx负载均衡、Redis Cluster、MySQL主从复制、Kafka消息队列、Docker容器化、Kubernetes集群调度，随便拎一个出来，他都能跟你聊到天亮。 尤其擅长处理线上事故。 有一年618大促，凌晨1点17分，生产环境突然出问题。 K8s集群里的Pod疯狂重启，CPU直接打满，Prometheus报警像放鞭炮，Grafana上十几条曲线同时飘红。 业务负责人在群里疯狂@人。 他从床上爬起来，打开MacBook，SSH连上跳板机，先查kubectl logs，再看OOMKilled，最后发现是某个服务的JVM堆内存设置不合理，叠加流量突增，触发了连锁故障。 他一边调整HPA自动扩容，一边通过ArgoCD回滚版本，半个小时把核心服务拉了回来。 第二天老板给他发了2000块红包。 说了一句：“公司离不开你这种技术骨干。” 这句话他记了三年。 后来公司开始降本增效。 他带头搞自动化运维，把Ansible、Terraform、GitOps全套打通，又接上AI Agent，实现了自动分析告警、生成故障报告、辅助执行回滚。 以前6个人轮班维护的系统，现在3个人就能管。 老板非常满意。 年底开会，还特意表扬了他的技术贡献。 结果第二年，部门调整，基础架构团队从12个人缩减到5个人。 裁员名单里，第一个就是他。 理由是： “你这个级别的工程师，成本太高了。” 他当场问了一句： “这些自动化系统谁来维护？” 领导回答： “你把文档交接清楚就行。” 那天晚上，他一个人坐在停车场，抽了半包烟。 9年时间，他把公司服务器的可用性从99.5%做到了99.99%。 每年替公司省下几百万运维成本。 最后公司发现，最容易优化掉的成本，竟然是他自己。 最讽刺的是，他离职那天，收到最后一条Prometheus告警。 不是服务器故障。 是公司把他的监控账号禁用了。

作者一个人写完了整套阅读管理，用自己的 Docker 服务器记录读过的书、评分、阅读日期、笔记和生词，数据不上传到任何第三方。

这两天全网都在拿刚发布的 Claude Fable 5.2 测写代码，我换了个更刚需的玩法：既然现在大家最关心的是自己和家人的健康，干脆把 Theta Health 开源（Apache-2.0）的健康数据引擎 Mirobody 挂进 Claude Code，让 Fable 5.2 调它的本机离线医学词表，把 mirobody-gen 生成的 18 份跨机构虚拟体检单、5 年手表数据和中英日对照读数现场洗干净，做成了一份 2026 身体年度报告与跨年体检趋势看板（见图）。 不用部署也不用 API Key，一行命令就能把它的离线引擎挂进 Claude Code 当 MCP： claude mcp add mirobody -- uvx --python 3.12 mirobody mcp 为什么要让 Fable 5.2 调这个 MCP，而不是直接把体检单丢给大模型心算？因为跨医院、跨语言的体检数据直接喂给模型太容易翻车了——比如同样从美国的 mg/dL 换算成国内的 mmol/L，胆固醇要除以 38.67，而空腹血糖要除以 18.02。 挂上 Mirobody（1.6.1） 后，你手上的中文、英文检查报告就能真正放在一起看：它从 LOINC 2.83 切出了 63,416 个编码、1,023,273 条名称（含 21 种语言）和 331 个 UCUM 单位，常规体检项目在中、英、日、俄、爱沙尼亚、土耳其 6 种语言上的覆盖测试达到 347/347。本机实测它把英文的 LDL Cholesterol 82.8 mg/dL、日文的 LDLコレステロール 82.8 mg/dL（落到质量浓度 LOINC 13457-7）和中文的 低密度脂蛋白胆固醇 2.14 毫摩尔每升（落到摩尔浓度 LOINC 22748-8）全部对齐，经 convert_unit 按各自的换算系数精准转换（2.14 mmol/L ↔ 82.74 mg/dL）；6 家机构、3 种不同写法的 15 次糖化血红蛋白 也全部统一到 LOINC 4548-4 连成了一条五年趋势线。 更好玩的是本机实测时故意埋雷和抓到的几个真细节（见图）： 一是它的拒识边界极严，绝不瞎猜。我故意往 standardize_reading 塞了一条把血清白蛋白配成尿液单位的脏数据（Albumin 30 mg/24h）和一条笼统的 血脂 偏高，它直接返回 refused，明确提示白蛋白配了尿液才用的单位、分类词不给单项编码。在 18 份报告第一轮原样读出的 172 行里，150 行直接拿到编码，它拒绝了 22 行并逐行给出理由——比如血常规里缩写 PCT 配了 % 单位，通常是血小板压积，引擎没把它错编成降钙素原（PCT 的另一个常见意思），而是因单位对不上直接拒识；还有 Urea(BUN) 混写了尿素和尿素氮两个量、3 行血压把收缩压和舒张压印在同一格。第二轮我让 Fable 5.2 按拒识理由把那 3 行同格血压拆成 6 行（总行数变为 175 行），再去掉括号、把缩写展开成全称（如写全 Plateletcrit）重交，又有 22 行编上了码：最终 175 行里共 172 行拿到编码，只剩 3 行英文 Glycated albumin 仍未编码。 二是实测真抓到了几个 Edge Case：英文 Glycated albumin 暂未识别，但敲中文 糖化白蛋白 却能识别；测日文低密度脂蛋白时，不带横杠的 LDLコレステロール 秒识别，但中间加个半角连字符写成 LDL-コレステロール 就会返回 unresolved（因为引擎坚持只查词表绝不靠模型猜，刚好可以顺手给仓库提个词表 PR）；另外日记里的复合长句直接传给 standardize_complaint 会不认，必须让 Fable 5.2 先把单项症状拆出来再调工具，23 个症状精准编上了 22 个 ICPC-3 编码。 这次我在本机实测的是它最轻的离线词表、Apple Health 导入和 Claude Code MCP 链路，还没有在本地部署完整版 Web 应用。根据官方文档，完整版 Mirobody 可以把体检报告（PDF、照片、表格）、手环数据（Apple Health 等）和基因文件（WeGene、23andMe、AncestryDNA、VCF）整合进同一份 AI 读得懂的记录，支持用 Docker 100% 本地部署（16G 无卡电脑也能跑，Windows 需在 WSL 2 终端里执行），也可以接入其他 AI 模型；完整版回答里每个数字都标明来源，点开就能看到原文件。国内网页版（ Mirobody、以及海外版产品 Theta（ 提醒两点：接 Claude Code 这类云端工具时，你发给它的记录会发给对应的模型公司（所以我全程只用虚拟数据测试）；如果你部署完整版，设置里生成的 MCP 接入链接相当于密码，截图或录屏时必须打码。 截至 2026 年 11 月 11 日，Mirobody 在 GitHub 上已有 1,450 个星标，是 GitHub digital-health 话题下星标第 1 的项目。可以直接去 GitHub 跑通试试，觉得有用点个 Star，遇到没覆盖的医院报告写法也欢迎提 Issue 或 PR： （也可以先点开中文在线 Demo 体验，里面是两位虚拟成员的 2,019 条数据，想自己提问需要注册或自己部署： ）

又一个核弹级无审查模型杀出来了！ MoonMath-ai 刚放出最新巨作：DeepSeek-V4.1-Flash-1017-uncensored，763B 的满血大底座直接被切除了道德枷锁！ 很多人以为无审查模型都是降智魔改版，但 MoonMath 团队这次的工程表现极其残暴： · 闭式权重直接手术：不搞有损的重新微调和梯度训练，底层直接通过闭式权重编辑，手术级剥离拒答方向，384 个路由专家权重分毫未动！ · 智商零损耗甚至反超：实测基准跑分，MMLU-Pro 几乎零波动，在 GSM8K 和极限难度的 GPQA-Diamond 推理测试中，得分甚至反超了官方原版！ · 误拒答率暴跌：不仅彻底架空了敏感审核层，连日常写复杂代码、逆向工程时经常碰到的“神经质误拒答”也彻底被切干净。 · 工业级全套生态支持：原生 FP8 权重，无缝支持 Transformers、vLLM、SGLang 和 Docker Model Runner，拉起来就是一台无拘无束的生产力炮台。 763B 满血推理能力 + 零降智去审查，绝对是搞红队安全研究、底层自动化逆向的工业级大杀器，建议兄弟们先马住！ 开源地址： 在跑 700B 这种级别的大模型时，你手头更习惯用 vLLM 还是 SGLang 做高并发推理后端？ #DeepSeek# #AI# #开源# #大模型# #逆向工程#

小团队管理，客户在一个表格，招聘在另一个网站，工时、开票又各用一套工具，月底对账要来回翻好几个后台。 Ever Gauzy 是一套开源的企业管理平台，把客户管理、人事、招聘、项目任务、工时记录、库存和开票这些模块装进了同一个系统。 能记员工工时，管候选人面试流程，跟进销售管道、出报价和发票，还支持多币种、多语言和多个组织同时管理。 GitHub： 部署方式挺多，可以用 Docker Compose 拉起来，也有 Windows、Mac、Linux 的桌面版，前端、后台和数据库一起打包好了。 官方还有个在线演示站，可以先进去点一圈看看界面，再决定要不要自己搭。 工作室、外包团队、接单的自由职业者，拿它把零散的流程收到一处，比买好几套订阅划算。

各位 Vibe Coder 们，咱们天天看自己的 token 额度还剩多少，天天担心 Claude Code、Codex 的 IP 健不健康、会不会被封号，把这些 Coding Agent 伺候得妥妥帖帖。可有多久，咱们没真正关心过自己的健康了？ 你上次体检是几年前？我是 3 年前，前公司的入职体检 🤦🏻‍♀️ 更扎心的是：就算现在去补一次，新报告和 3 年前那份也很难放在一起看。换了医院，指标名就变了；在国外做的化验，单位都不一样。一份写 Total Cholesterol 193 mg/dL，一份写 总胆固醇 5.0 mmol/L，数字看着差了几十倍，其实几乎是同一个值。 我们给 agent 喂代码，都知道上下文没对齐就会出错。那健康数据呢？很少有人管。把两份报告一起丢给大模型，它能讲得头头是道，却未必知道这两个数说的是同一件事。数据层不先统一，模型再强也画不出一条对的趋势。 所以今天我拿 Theta Health 开源的 Mirobody（Apache-2.0）认真试了一遍，我只关注一个点：它能不能把同一项认成同一项。全程用的都是虚拟数据。 1. 在本地换算 193 mg/dL，结果是 4.99 mmol/L。「总胆固醇」和「total cholesterol」对到了同一个国际化验编码（LOINC 2093-3）。这一步没调模型，也没用 API Key。 2. 中文 demo 里，一开始只有一份报告。我问「我的胆固醇有什么变化？」，它老实说只有一个时间点：4.60 mmol/L。我又导入了一份 PDF 体检报告和一份 CSV 化验单，同样的问题，这次画出了一条趋势：4.60、4.45、4.38。两份报告的英文写法一份是「Total Cholesterol-TC」，一份是「Cholesterol, Total」，它都认成了同一项。每个读数都能点开原文件看。 3. 最让我放心的是：我输入「血脂 5.0 mmol/L」，它并没有硬猜，只是不给编码，因为「血脂」是一类检查，不是一项读数。写过代码的都懂，知道什么时候不该答，比什么都答更难得。 我还用 1.6.0 版本复跑了它仓库里公开的名称识别用例，347 项全部通过。这只说明公开用例在这个版本上的表现，不代表临床准确率。 没跑完的也照实说：16 GB 电脑上的全本地部署我还没试，这台机器上没装 Docker，磁盘空间也不够。下一篇补上实测。 给自己的 agent 做了那么多配置，也花一个周末给自己的健康数据搭个底子吧： 1. 先看中文 demo，里面是两位虚拟成员的数据： 2. 给 Claude Code 接上（官方提供的命令，不用部署，也不要 Key）： claude mcp add mirobody -- uvx --python 3.12 mirobody mcp 提醒一句：接 Claude Code 这类云端工具时，记录会发给对应的模型公司。 截至 11 月 9 日，它是 GitHub digital-health 话题下星标第 1 的项目。觉得有用，欢迎点个星，或者提 issue、PR： （然后，真的该去体检了啊。。。）

在 macOS、Windows 和 Linux 上用 Rust 写的轻量运行时，轻量平替 Docker Desktop / OrbStack，同时兼容现有 docker CLI、Compose 和 buildx，把容器跑在一个小型 Linux VM 里。

stop juggling 5 coding agents in 5 places openhands agent canvas is a self-hosted control center for coding agents. the openhands repo has 84k+ stars. → openhands 
→ claude code 
→ codex 
→ gemini 
→ any acp-compatible agent run them locally, in docker, on a vm, or in the cloud. share a server with your team for code review and dependency updates. keep your personal agents on your laptop. install: npm install -g @openhands/agent-canvas Save before you lose it.