最近在使用python调用gpt的sse接口并通过sse的方式返回给自己的前端。遇到了几个问题，简单记录下，也没什么代码量，但也用了大半天的时间才搞定。

• python如何返回sse
• 为什么我返回的sse中的换行符总是会丢失

我们都知道ChatGPT的接口支持流式SSE的方式进行数据返回，而前端浏览器默认提供了EventSource去接收SSE，但是问题在于，默认的EventSource只支持Get请求，切不支持任何自定义的头部，而ChatGPT的接口就是POST请求，且需要在头部携带token，于是使用了一个微软的库，我们来解释一下它的用法，源码以及从协议角度简单说一下它的源码可以运行的基础，即它的源码为什么可以工作

最近对chatgpt能够进行流式请求返回的协议产生了一点好奇，于是就去了解了一下，一开始我以为是HTTP2，或者是WS协议，后来发现都不是，而是一种叫做SSE（Server-Sent Events）的协议。

最近开始重新系统学习计算机图形学的知识，于是目光放到了GAMES101，一边看，一边做，一边总结吧。这次总结下线性代数的基础知识，以及游戏中是如何做模型变换的。最后完成一下作业1.

之前做了个关系图谱的需求，因为导出png等图片放大会失真，所以希望导出为矢量图。但是G6自带的导出图谱功能再Canvas模式下无法导出为SVG，而SVG模式又有很多特性不支持，所以就想办法能不能把Canvas导出为SVG了。

贪心算法是比较常见的一种算法，贪心的本质是选择每一阶段的局部最优，从而达到全局最优。而模拟退火算法比较常见于人工智能当中。

这两种算法之所以放在一起考虑是因为，模拟退火算法像是加强版的贪心算法。

如果一个问题的每一步的局部最优解无法得到全局最优解，我们常规前后端程序员的算法思维想到的是动态规划。

但是对于AI开发来讲，参数可能是上亿级别的，根本没有办法动态规划，这个时候就可以尝试用模拟退火算法以一定概率跳出这个局部，去整体中找到一个更优的答案，但是，其实这种算法也不像常规算法一样，会得到一个必然的结果。

本文把两种算法放在一起进行总结和比较，看看他们分别适用于什么情况，以及如何使用。

Tailwind这个CSS的框架不算是什么新东西了，不过也一直没有去研究过，最近有需要就看了下，看起来还是比较简单的。

这东西看起来就是个新的DSL之类的，提供了许多常用且内置的css样式，封装成语法，然后提供一个PostCSS插件，把封装好的语法又处理回普通的css。

我们需要做的事就是安装Tailwind的PostCSS插件，然后使用他封装好的DSL即可。

最近在想着飞书文档的关系图是怎么实现的，于是想起了之前用的G6，于是简单实现了一版。

最终效果

主要功能如下：

• 节点分为两部分，上半部分是图标，下半部分是文字
  • 鼠标放到图标上时，会产生水波纹的扩散特效，同时出现一圈边框
  • 文字需要有下划线以及白色背景，且水波纹特效不能被白色背景挡住
  • 文字的下划线需要是方格
• 连线要有渐变色，且渐变色要从箭头起点到箭头终点，且如果支持双向关系，如何实现两条边
• 连线上中间位置要有一个Label
• 节点和连线要支持半透明
• 整体布局要是力导向布局，且支持节点拖拽，拖拽时不能让节点之间产生重叠，但是也不能因为连线拖动其他节点（单独提出这一点是因为G6自带的力导向布局节点会被拖拽）

作为一个程序员，我们平时关注的关于管理方面的知识，最初可能是设计模式，管理的是某一个需求的复杂度，慢慢的，我们会开始关注领域划分，DDD，业务建模等，这些管理的是系统的复杂度，再后来，事情的复杂度逐渐进化到我们个人无法处理了，我们就需要团队合作了，这里管理的就是项目复杂度。

其实这三者是自始至终都会存在且相互关联的，很多理念也很相似，只是我们需要逐渐的参与实际工作才会一步步认知到这种复杂度。

关于设计模式和领域驱动设计，我之前的博客都有总结过一些我看过的书和具体的实践，这次结合亲身的体验与《知行》这本书，总结一下项目管理中的一些方法论。

最近工作上需要实现一个关系图谱，其中图中的节点布局需要用到力导向布局，于是就对其中涉及到的力导向算法产生了兴趣，就去研究了一下。

力导向绘图 (Force-directed graph drawing)可以用于描述关系图的结点之间的关系，把结点分布到画布上合理的位置，比如描述企业之间的关系，社交网络中的人际关系等。