Telegram bot & Mini-App开发实践---Telegram简单介绍与初始化小程序获取window.Telegram.WebApp对象并解析

优质文章学习记录

— 4 min read
Telegram bot & Mini-App开发实践---Telegram简单介绍与初始化小程序获取window.Telegram.WebApp对象并解析
在这里插入图片描述

➡️【好看的灵魂千篇一律，有趣的鲲志一百六七！】- 欢迎认识我～～作者：鲲志说（公众号、B站同名，视频号：鲲志说996）科技博主：极星会 星辉大使后端研发：java、go、python、TS，前电商、现web3主理人：COC杭州开发者社区主理人 、周周黑客松杭州主理人、AI爱好者： AI电影共创社杭州核心成员、阿里蚂蚁校友会技术AI分会副秘书长博客专家：阿里云专家博主；ZEEKLOG博客专家、后端领域新星创作者、内容合伙人

今天是2024年10月24日，又是一年1024程序员节。和往常一样，平淡的度过了一天，又和往常不一样，收到了人生第一束花花🌹值得纪念。就像两年前毅然决然的从电商行业进入一个零基础零认知的web3世界一样，都有第一次的刻骨铭心，选择了就勇敢的做下去，开花结果是期待，但过程也十分重要。也像2016年下半年第一次注册ZEEKLOG去检索问题的解决方案，经过多番查阅实践，终于解决；更像2017年9月27日我的第一篇ZEEKLOG博客文章潦草问世，当初不追求得到什么，只把ZEEKLOG文章当作是学习笔记，知识总结，一路写写停停，不知不觉间也悄然过去了7个年头，断然想不到博客快成了人生历程记事本，也间接的得到了很多意外之喜，那就这样一路继续写下去吧，或疑难问题，或闲言碎语，或驴唇不对马嘴的三言两语，都有其当下存在的意义！

目录

引言

在当今的信息化时代，社交平台已经成为用户日常交流和娱乐的重要方式之一。Telegram，作为一款全球广泛使用的即时通讯工具，不仅为用户提供了强大的消息功能，还为开发者们带来了巨大的创新空间。通过开放的 API 和 Bot 平台，Telegram 使得自动化交互成为可能，并进一步通过 Mini-App（小程序）的形式，使用户体验得到了更深的扩展。（简单理解，Telegram和我们的weChat是一个性质）

在这篇博客中，我将简单介绍下 Telegram 以及Telegram bot 和 Mini-App，尤其是如何在 Mini-App 中获取和使用 window.Telegram.WebApp 对象，为开发者们提供一份从基础实践的指南。无论你是想了解 Telegram 的基本功能，还是已经开始构建基于 Telegram 的应用程序，本文都将为你提供宝贵的参考。

之前有一篇文章可以供大家学习参考：Telegram bot教程：利用Python如何快速搭建一个引导Telegram bot

什么是 Telegram

在这里插入图片描述

Read more

Claude Cowork 新手一步步指南：从零开始，彻底上手这个改变工作方式的 AI 助手

上周我准备一场演讲，脑子里已经有了想法、研究资料和大致提纲，唯独缺的就是时间。于是我打开 Claude Cowork，用大白话描述了我想做的演示文稿，把笔记文件夹指给它，然后就去忙别的事了。 回来一看，一套完整的幻灯片已经做好了：结构清晰、分节合理、演讲者备注一应俱全，连面向当地观众的表达逻辑都调得特别贴切。那场演讲反响特别好，大家都说“哇哦”，而老实说，用传统方式从零做起，我至少得花一整天。 那一刻我彻底明白了：Cowork 不是“理论上能干”，而是真正能在高压下帮你把活干完的工具。 我在 AI 和产品圈混了这么久，一眼就能看出什么是真不一样，什么是只是营销吹得不一样。Cowork 属于前者。它不是“聊天机器人加点功能”，而是完全不同类别的新工具。大多数听说过它的人，其实还没真正搞懂它到底能干什么、怎么才能用出最高效的结果。 这篇指南，就是专门为你们准备的。 大多数人用 Claude 的时候，都是当聊天机器人使：输入问题，它给答案，你复制粘贴，自己再去干活。
人工智能：深度学习模型的优化策略与实战调参

人工智能：深度学习模型的优化策略与实战调参

人工智能：深度学习模型的优化策略与实战调参 💡 学习目标：掌握深度学习模型的核心优化方法，理解调参的底层逻辑，能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点：正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题 在深度学习项目中，我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能，实现泛化能力的最大化。 ⚠️ 注意：模型优化不是一次性操作，而是一个“诊断-调整-验证”的循环过程，需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征 欠拟合是指模型无法捕捉数据中的潜在规律，表现为训练集和测试集的准确率都偏低。 出现欠拟合的常见原因有以下3点： 1. 模型结构过于简单，无法拟合复杂的数据分布。 2. 训练数据量不足，或者数据特征维度太低。 3. 训练轮次不够，模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征 过拟合是指模型在训练集上表现极好，但在测试集上性能大幅下降。 出现过拟合的常见原因有以下3点：
飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

目录 * 一、背景与选型考量 * 二、开发环境与工具适配 * 1. 基础环境搭建 * 2. 飞算JavaAI插件配置 * 3. 版本控制与协作配置 * 三、核心模块设计与实现 * 1. 需求分析与模块拆分 * 2. 核心代码实现与技术亮点 * （1）实体类设计（带审计字段与枚举约束） * （2）服务层实现（带事务控制与业务校验） * （3）控制器实现（带权限控制与参数校验） * （4）网页端 * 四、系统架构与扩展性设计 * 1. 分层架构设计 * 2. 接口设计规范 * 3. 扩展性保障 * 五、资深开发者视角的工具评价 * 1. 代码规范性与可维护性 * 2. 对企业级业务的理解深度 * 3. 与资深开发者工作流的适配性 * 六、项目成果与经验总结 一、背景与选型考量 作为一名从业20余年的开发者，我亲历了从JSP+
黄仁勋力荐：OpenClaw不止是下一个ChatGPT，更是AI“动手时代”的破局者

黄仁勋力荐：OpenClaw不止是下一个ChatGPT，更是AI“动手时代”的破局者

在2026年GTC大会上，英伟达创始人兼CEO黄仁勋抛出了一个振聋发聩的判断：“OpenClaw绝对是下一个ChatGPT”。 这一评价并非夸大其词，而是精准点出了AI产业的核心演进方向——从“被动回答”的语言交互，转向“主动行动”的任务执行。ChatGPT开启了大语言模型（LLM）的普及时代，让AI具备了理解和生成人类语言的能力，但它始终停留在“军师”的角色，只能提供方案建议；而OpenClaw的出现，彻底打破了这一局限，将AI变成了能动手干活的“数字员工”，完成了AI从“认知”到“执行”的关键跃迁，成为连接AI能力与现实场景的核心桥梁。 下面我将从技术本质出发，拆解OpenClaw的核心架构、关键技术实现，结合代码示例、架构图与流程图，深入解析其如何实现“行动型AI”的突破，以及为何能被黄仁勋寄予厚望，成为AI产业的下一个里程碑。 一、认知跃迁：从“回答型AI”到“行动型AI”的本质区别 要理解OpenClaw的价值，首先需要明确它与ChatGPT这类“回答型AI”的核心差异。