拥抱AI,还是大剑师兰特2025年博客创作详细总结

拥抱AI,还是大剑师兰特2025年博客创作详细总结

一、2025年创作心得

2025年是我技术探索极具突破性的一年。最大的转变在于主动拥抱AI工具,将其深度融入前端开发流程——从代码生成、调试优化到文档撰写,AI不仅提升了效率,更成为我理解复杂逻辑的“思维外挂”,尤其在处理地图库的底层机制时,它帮我快速穿透迷雾。

我的技术重心依然锚定在WebGIS与三维可视化领域:

  • OpenLayers 与 Leaflet 的定制化交互逻辑更加精熟,结合 Mapbox GL JS 的矢量切片与样式能力,构建了多个高性能二维地图应用;
  • CesiumJS 成为三维地球项目的主力,深入研究了3D Tiles流式加载、自定义着色器及时空数据动态可视化;
  • Three.js 则用于轻量化场景或与Cesium融合,实现更灵活的局部三维效果。
  • 尤为欣喜的是,Blender 技能的深化带来了质变。我不再仅用它做简单建模,而是系统学习了地理空间数据导入、地形生成、PBR材质制作及动画渲染。如今,我能将Blender产出的精细3D资产无缝集成到Cesium/Three.js场景中,让数字孪生项目兼具真实感与性能。

这一年,AI是加速器,地图框架是主战场,Blender则是打通虚实的关键桥梁。站在2025年末回望,技术纵深带来的不仅是能力提升,更是对“空间智能”这一方向更笃定的信心。

二、2025年底、2024年底、2023年底,互动成绩统计与对比

2025年末,互动总成绩

注:截图时间为2025年12月29日

在这里插入图片描述

2024年末,互动总成绩

注:截图时间为2025年1月11日

在这里插入图片描述

2023年末,互动总成绩

注:截图时间为2024年1月1日

在这里插入图片描述
名称2023年(截20240101)2024年(截20250111)2025年(截20251229)
总访问量2,641,5346,964,2468,255,777
原力年榜87名3名2名
原力分数112893067939819
总文章数84716972321
作者总榜58751名55名
粉丝总数164187442292406
铁粉总数8735115
获得赞数56004637864061
被评论数40302272729532
被收藏数53004270556727
代码分享数38171847324321

2023,2024年12个月,各自文章统计

2023年一共写了598篇文章(24年删掉1篇),2024年一共写了825篇文章,2025年一共写了650篇文章

月份2023年2024年2025年
1月186654
2月1016153
3月816760
4月696716
5月206211
6月576224
7月556282
8月2253126
9月2210471
10月418854
11月586148
12月547251
全年总数597825650

三、2026年创作目标

站在2026年的起点,我为自己立下明确目标:坚持日更,全年产出至少365篇技术博客。这不仅是一场写作马拉松,更是对深度思考与持续输出的自我淬炼。每一篇文章,都将是我探索、实践与沉淀的印记。

核心方向依然聚焦于二三维地图开发应用——OpenLayers、Leaflet、Mapbox GL JS 构建高性能二维底图;CesiumJS 与 Three.js 融合打造沉浸式三维地理空间体验。但今年的关键变量是 AI 的深度融入

  • 我将系统性使用 AI 辅助开发:从智能生成地图交互逻辑、自动优化 WebGL 渲染性能,到用 LLM 解析复杂 GIS 数据规范;
  • 更要主动探索 AI 与地图的创新结合点:如基于大模型的空间语义理解、AI 驱动的动态制图、或利用生成式 AI 创建虚拟地理场景;
  • 同时,用 AI 为知识体系赋能:通过智能摘要、关联推荐和自动化测试,构建个人前端+GIS 知识图谱。

365 篇文章,意味着每天都要动手、动脑、动笔。内容可能是一段优化 Cesium 加载效率的代码片段,一次 Mapbox 自定义图层的实战复盘,或对 AI 如何重构 WebGIS 工作流的深度思考。

2026,让 AI 成为我的副驾驶,以日拱一卒的坚持,在二三维地图的数字疆域里,绘制属于这个时代的开发者坐标。

Read more

Llama-3.2-3B开箱体验:Ollama部署+多语言对话实测

Llama-3.2-3B开箱体验:Ollama部署+多语言对话实测 1. 快速了解Llama-3.2-3B Llama-3.2-3B是Meta最新推出的轻量级多语言大模型,专门针对对话场景进行了优化。这个3B参数的模型在保持较小体积的同时,提供了相当不错的文本生成能力,特别适合本地部署和快速响应场景。 与之前版本相比,Llama-3.2-3B有几个明显优势: * 多语言支持更好:在中文、英文、法文、德文等多种语言上都有不错的表现 * 对话优化:专门针对聊天场景进行了指令微调,回答更加自然 * 部署简单:通过Ollama可以一键部署,无需复杂配置 * 资源友好:3B参数规模在消费级硬件上也能流畅运行 2. 环境准备与快速部署 2.1 准备工作 部署Llama-3.2-3B前,确保你的设备满足以下要求: * 内存:至少8GB RAM(推荐16GB) * 存储:需要约2GB空间存放模型文件 * 系统:支持Windows、macOS、Linux主流系统 2.2 一键部署步骤

揭秘Copilot与主流IDE集成全过程:从配置到高效使用的6个关键步骤

第一章:Copilot 与主流IDE集成的背景与价值 GitHub Copilot 作为一款基于人工智能的编程助手,依托于 OpenAI 的大型语言模型技术,正在深刻改变开发者编写代码的方式。它通过分析上下文语义,自动补全函数、生成注释甚至实现完整逻辑块,显著提升了开发效率。随着现代软件项目复杂度的上升,快速构建高质量代码成为核心诉求,Copilot 与主流集成开发环境(IDE)的深度融合应运而生。 提升开发效率与降低认知负担 在日常编码中,开发者常需重复编写相似结构的代码,如数据模型定义或 API 接口封装。Copilot 能根据命名习惯和上下文智能推荐代码片段,减少手动输入。例如,在 Visual Studio Code 中启用 Copilot 后,输入以下注释即可触发建议: // 创建一个用于验证邮箱格式的正则表达式 const emailRegex = 此时,Copilot 会自动补全为: const emailRegex = /^[^\s@]+@[^\s@]+\.[^\s@]+$/; 这种即时辅助让开发者更专注于业务逻辑设计,

Stable-Diffusion-v1-5-archive基础教程:Prompt/Negative Prompt参数精讲

Stable-Diffusion-v1-5-archive基础教程:Prompt/Negative Prompt参数精讲 你是不是也遇到过这种情况:用Stable Diffusion生成图片,明明输入了“一只可爱的猫”,结果出来的却是只奇形怪状的“猫科生物”?或者想画个“阳光下的海滩”,结果画面却阴沉得像世界末日? 别急着怀疑自己的艺术天赋,问题很可能出在提示词上。今天,我们就来彻底搞懂Stable Diffusion v1.5 Archive这个经典模型里,最核心也最让人头疼的两个参数:Prompt(正向提示词) 和 Negative Prompt(负向提示词)。 这篇文章不讲复杂的原理,只讲你能立刻用上的方法。我会用大白话告诉你,这两个参数到底是什么、怎么用、有哪些坑要避开。看完之后,你就能像老司机一样,精准地“指挥”AI画出你想要的画面。 1. 先认识一下我们的“画师”:Stable Diffusion v1.5 Archive 在开始“指挥”