[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-stas00--the-art-of-debugging":3,"tool-stas00--the-art-of-debugging":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":103,"env_deps":104,"category_tags":115,"github_topics":118,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":127,"updated_at":128,"faqs":129,"releases":130},5818,"stas00\u002Fthe-art-of-debugging","the-art-of-debugging","The Art of Debugging Open Book","The Art of Debugging 是一本持续更新的开源技术指南，旨在帮助开发者掌握高效排查软件故障的核心方法论。它主要解决了两个痛点：一是如何快速定位并解决常规代码错误，二是如何将那些看似复杂难解的深层问题转化为可调试的状态。正如书中所引用的理念：“简单的事应变得容易，困难的事应成为可能”。\n\n这份资料不仅汇集了作者自 1995 年以来积累的实战调试技巧，还精心整理了各类“即插即用”的操作食谱。内容覆盖广泛，从基础的 Unix 工具（如 strace、gdb）到 Python 生态的深度剖析，特别是针对 PyTorch 框架在 CPU\u002FGPU 内存管理、性能优化及张量追踪等方面的专属调试方案，构成了其独特的技术亮点。此外，书中还分享了作者在机器学习工程项目中的宝贵经验。\n\nThe Art of Debugging 非常适合软件工程师、数据科学家以及机器学习研究人员使用。无论你是正在处理生产环境紧急故障的资深开发，还是在科研项目中遭遇模型训练瓶颈的研究者，都能从中找到减少“脱发”焦虑、提升排错效率的实用策略。作为一个开放协作的项目，它鼓励社区共同完善，是提升工程调试能力的优质参考","The Art of Debugging 是一本持续更新的开源技术指南，旨在帮助开发者掌握高效排查软件故障的核心方法论。它主要解决了两个痛点：一是如何快速定位并解决常规代码错误，二是如何将那些看似复杂难解的深层问题转化为可调试的状态。正如书中所引用的理念：“简单的事应变得容易，困难的事应成为可能”。\n\n这份资料不仅汇集了作者自 1995 年以来积累的实战调试技巧，还精心整理了各类“即插即用”的操作食谱。内容覆盖广泛，从基础的 Unix 工具（如 strace、gdb）到 Python 生态的深度剖析，特别是针对 PyTorch 框架在 CPU\u002FGPU 内存管理、性能优化及张量追踪等方面的专属调试方案，构成了其独特的技术亮点。此外，书中还分享了作者在机器学习工程项目中的宝贵经验。\n\nThe Art of Debugging 非常适合软件工程师、数据科学家以及机器学习研究人员使用。无论你是正在处理生产环境紧急故障的资深开发，还是在科研项目中遭遇模型训练瓶颈的研究者，都能从中找到减少“脱发”焦虑、提升排错效率的实用策略。作为一个开放协作的项目，它鼓励社区共同完善，是提升工程调试能力的优质参考资源。","# The Art of Debugging Open Book\n\nThis evolving book will teach you how to:\n1. **Debug normal issues really fast**\n2. **Make complicated issues possible to debug**\n\nfootnote: adapted from Perl's slogan: \"Easy things should be easy and hard things should be possible\".\n\nThis is a work-in-progress collection of methodologies and copy-n-paste recipes for successful debugging of simple and complicated software problems. Some sections are quite complete, while other will be finished at a later stage, and yet other haven't been started.\n\nBesides debugging methodologies the second focus of this book is on sharing the best tools I have discovered to get the debugging job done successfully, while ideally \"losing the least amount of hair\" in the process.\n\n\n## Intro\n\nI have been developing software since 1995 and a lot of this work involved debugging. Over the years I developed various efficient methodologies for discovering the source of the problem, which is the most difficult stage before it can be solved. Since after the problem is understood, typically its resolution is at easy reach.\n\nEvery so often someone I would be debugging some difficult problem with would suggest to share my approaches with the world. I always said that it'd be too difficult to generalize, but recently the planted seed seems to have sprouted and so in the following chapters I will try to share some of the insights to ease this very difficult at times process.\n\nWriting about debugging in the void is very difficult and since I haven't been saving use cases, it will take some time to build this up, so expect these pages to be a Work In Progress (WIP) for many moons. But hopefully some ideas could be relayed to you sooner than later, and they would help to ease your burden of debugging in your professional and play projects.\n\n## Table of Contents\n\n1. **[Fast Debugging Methodology](.\u002Fmethodology\u002F)**\n\n2. **[Debugging Compiled Programs](.\u002Fcompiled-programs\u002F)** - `gdb`, `ldd`, `nm`, `LD_LIBRARY_PATH`, `LD_PRELOAD`, etc.\n\n3. **[Debugging Python](.\u002Fpython\u002F)** - `py-spy`, paths, auto-print, etc.\n\n4. **[Debugging PyTorch](.\u002Fpytorch\u002F)** - cpu and gpu memory, performance, models, tensors, etc.\n\n5. **[Unix Tools For Debugging](.\u002Funix\u002F)** - `bash`, `strace`, `make`, prompt, `nohup`, etc.\n\n6. **[Debugging Machine Learning Projects](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-engineering\u002Ftree\u002Fmaster\u002Fdebug)** (external)\n\n\n\n## Contributing\n\nIf you found a bug, typo or would like to propose an improvement please don't hesitate to open an [Issue](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging\u002Fissues) or contribute a PR.\n\n\n\n## License\n\nThe content of this site is distributed under [Attribution-ShareAlike 4.0 International](.\u002FLICENSE-CC-BY-SA).\n\n\n## My repositories map\n\n✔ **Machine Learning:**\n [ML Engineering Online Book](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-engineering) |\n [ML ways](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-ways) |\n [Porting](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fporting)\n\n✔ **Guides:**\n [The Art of Debugging](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging)\n\n✔ **Applications:**\n [ipyexperiments](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fipyexperiments)\n\n✔ **Tools and Cheatsheets:**\n [bash](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fbash-tools) |\n [conda](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fconda-tools) |\n [git](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fgit-tools) |\n [jupyter-notebook](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fjupyter-notebook-tools) |\n [make](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fmake-tools) |\n [python](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fpython-tools) |\n [tensorboard](https:\u002F\u002Fgithub.com\u002Fstas00\u002Ftensorboard-tools) |\n [unix](https:\u002F\u002Fgithub.com\u002Fstas00\u002Funix-tools)\n","# 调试的艺术 开卷\n\n这本不断更新的书籍将教你如何：\n1. **快速调试常见问题**\n2. **让复杂问题也能被调试**\n\n脚注：改编自 Perl 的口号：“简单的事情应该容易，困难的事情应该可行”。\n\n这是一本正在编写中的方法论与可直接复制粘贴的解决方案集锦，旨在帮助你成功调试简单及复杂的软件问题。部分章节已相当完整，另一些则将在后续阶段完成，还有一些尚未开始撰写。\n\n除了调试方法论之外，本书的另一个重点是分享我所发现的最佳工具，以高效且尽可能“少掉头发”的方式完成调试工作。\n\n\n## 引言\n\n自 1995 年以来，我一直从事软件开发工作，其中很大一部分都涉及调试。多年来，我总结出多种高效的定位问题根源的方法——这是解决问题之前最为困难的环节。一旦弄清问题所在，通常其解决便指日可待。\n\n时不时地，与我一同调试棘手问题的人会建议我将自己的方法分享给更多人。我过去总是认为这些方法难以普适化，但最近似乎这颗种子已经发芽。因此，在接下来的章节中，我将尝试分享一些见解，以减轻这一有时极为艰难的过程。\n\n在空白状态下撰写调试相关内容颇具挑战性，而且由于我并未系统地记录用例，构建此书需要一定时间。因此，请您理解，这些页面在未来很长一段时间内都将是“进行中”的状态（WIP）。不过，希望其中的一些思路能够尽早传达给您，并在您的工作或个人项目中帮助您更轻松地完成调试任务。\n\n## 目录\n\n1. **[快速调试方法论](.\u002Fmethodology\u002F)**\n\n2. **[编译型程序的调试](.\u002Fcompiled-programs\u002F)** - `gdb`、`ldd`、`nm`、`LD_LIBRARY_PATH`、`LD_PRELOAD` 等\n\n3. **[Python 调试](.\u002Fpython\u002F)** - `py-spy`、路径管理、自动打印等\n\n4. **[PyTorch 调试](.\u002Fpytorch\u002F)** - CPU 和 GPU 内存、性能、模型、张量等\n\n5. **[用于调试的 Unix 工具](.\u002Funix\u002F)** - `bash`、`strace`、`make`、提示符、`nohup` 等\n\n6. **[机器学习项目的调试](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-engineering\u002Ftree\u002Fmaster\u002Fdebug)**（外部）\n\n\n\n## 贡献\n\n如果您发现了 bug、错别字，或者希望提出改进建议，请随时提交 [Issue](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging\u002Fissues) 或 PR。\n\n\n\n## 许可证\n\n本网站的内容依据 [署名-相同方式共享 4.0 国际](.\u002FLICENSE-CC-BY-SA) 协议发布。\n\n\n## 我的仓库概览\n\n✔ **机器学习：**\n [ML 工程在线书](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-engineering) |\n [ML 方法](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-ways) |\n [移植](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fporting)\n\n✔ **指南：**\n [调试的艺术](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging)\n\n✔ **应用：**\n [ipyexperiments](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fipyexperiments)\n\n✔ **工具与速查表：**\n [bash](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fbash-tools) |\n [conda](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fconda-tools) |\n [git](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fgit-tools) |\n [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fjupyter-notebook-tools) |\n [make](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fmake-tools) |\n [Python](https:\u002F\u002Fgithub.com\u002Fstas00\u002Fpython-tools) |\n [TensorBoard](https:\u002F\u002Fgithub.com\u002Fstas00\u002Ftensorboard-tools) |\n [Unix](https:\u002F\u002Fgithub.com\u002Fstas00\u002Funix-tools)","# The Art of Debugging 快速上手指南\n\n`the-art-of-debugging` 并非一个需要安装的单一金牌软件包，而是一本**开源的调试方法论书籍和实用代码片段集合**。它旨在帮助开发者快速解决常规问题，并使复杂问题的调试成为可能。本指南将指导你如何获取并使用这份宝贵的资源。\n\n## 环境准备\n\n由于该项目主要包含文档、脚本片段和针对特定工具（如 `gdb`, `py-spy`, `strace` 等）的使用指南，因此没有严格的单一系统要求。但为了充分利用书中的内容，建议你的开发环境具备以下基础：\n\n*   **操作系统**: Linux (推荐 Ubuntu\u002FDebian 或 CentOS) 或 macOS。大部分命令行工具示例基于 Unix-like 系统。\n*   **版本控制**: 已安装 `git`。\n*   **基础依赖** (根据你关注的章节选择性安装):\n    *   **通用编译型语言调试**: `gdb`, `binutils` (包含 `nm`, `ldd`)。\n    *   **Python 调试**: Python 3.x, `pip`。\n    *   **PyTorch 调试**: PyTorch 环境。\n    *   **系统追踪**: `strace`, `make`, `bash`。\n\n> **国内加速建议**:\n> 克隆仓库时若遇到速度慢的问题，可使用国内镜像源（如 Gitee 镜像，若有）或配置 Git 代理。\n> ```bash\n> # 示例：使用国内常见的加速方式（需确保网络可达）\n> git clone https:\u002F\u002Fghproxy.com\u002Fhttps:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging.git\n> # 或者直接克隆（如果网络状况良好）\n> git clone https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging.git\n> ```\n\n## 安装步骤\n\n该项目无需传统的“安装”过程，只需将仓库克隆到本地即可随时查阅。\n\n1.  **克隆仓库**:\n    打开终端，执行以下命令将项目下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging.git\n    ```\n\n2.  **进入目录**:\n    ```bash\n    cd the-art-of-debugging\n    ```\n\n3.  **(可选) 安装特定工具依赖**:\n    根据你想实践的章节，安装相应的工具。例如，若要尝试 Python 调试章节：\n    ```bash\n    pip install py-spy\n    ```\n    若要尝试 Linux 系统调试：\n    ```bash\n    # Ubuntu\u002FDebian\n    sudo apt-get update\n    sudo apt-get install gdb strace binutils\n    \n    # CentOS\u002FRHEL\n    sudo yum install gdb strace binutils\n    ```\n\n## 基本使用\n\n本书的核心在于“按需查阅”和“复制粘贴（copy-n-paste）”实用的调试配方。\n\n### 1. 浏览目录结构\n在本地目录中，你可以看到按技术栈分类的文件夹：\n*   `methodology\u002F`: 快速调试的方法论。\n*   `compiled-programs\u002F`: C\u002FC++ 等编译型程序调试（gdb, ldd 等）。\n*   `python\u002F`: Python 脚本调试技巧。\n*   `pytorch\u002F`: 深度学习模型、显存、性能调试。\n*   `unix\u002F`: Unix 通用工具（bash, strace, make 等）。\n\n### 2. 实战示例：使用 `py-spy` 分析 Python 性能\n假设你正在阅读 `python\u002F` 章节，发现了一个关于性能分析的片段。\n\n**场景**: 你的 Python 脚本 `train.py` 运行缓慢，你想查看哪行代码最耗时。\n\n**操作步骤**:\n1.  确保已安装 `py-spy` (见安装步骤)。\n2.  直接复用书中推荐的命令模式：\n    ```bash\n    py-spy top -- python train.py\n    ```\n    或者对已运行的进程进行采样（假设 PID 为 12345）：\n    ```bash\n    py-spy dump --pid 12345\n    ```\n\n### 3. 实战示例：使用 `strace` 追踪系统调用\n假设你在 `unix\u002F` 章节遇到一个程序启动失败但报错不明的问题。\n\n**场景**: 程序 `.\u002Fmy_app` 启动即退，无明确错误输出。\n\n**操作步骤**:\n1.  复用书中关于 `strace` 的用法：\n    ```bash\n    strace -f -o debug.log .\u002Fmy_app\n    ```\n2.  查看生成的 `debug.log` 文件，定位最后发生的系统调用（通常是导致错误的 `open`, `access` 或 `execve` 等）。\n\n### 4. 在线阅读\n如果你不想克隆仓库，可以直接访问 GitHub 仓库页面浏览目录和具体内容：\n*   **主仓库**: https:\u002F\u002Fgithub.com\u002Fstas00\u002Fthe-art-of-debugging\n*   **机器学习专项调试**: https:\u002F\u002Fgithub.com\u002Fstas00\u002Fml-engineering\u002Ftree\u002Fmaster\u002Fdebug\n\n通过这种方式，你可以随时搜索关键词（如 \"segmentation fault\", \"CUDA OOM\", \"slow training\"），找到对应的解决方案并直接应用到你的项目中。","一位机器学习工程师在训练大型 PyTorch 模型时，突然遭遇 GPU 显存溢出（OOM）且训练速度异常下降的棘手问题。\n\n### 没有 the-art-of-debugging 时\n- **盲目试错**：只能凭经验随意调整 batch size 或重启内核，缺乏系统性的排查步骤，浪费大量时间。\n- **工具生疏**：不熟悉 `py-spy` 或 `strace` 等高级调试命令，无法定位是数据加载阻塞还是算子计算导致的性能瓶颈。\n- **黑盒困境**：面对复杂的显存占用，不知道如何细分查看模型、梯度与临时张量的具体分布，难以复现偶然性 Bug。\n- **文档缺失**：网上碎片化的教程缺乏针对“编译型程序与 Python 混合调试”的连贯指南，遇到底层库冲突时束手无策。\n- **情绪焦虑**：由于缺乏标准化的“食谱式”解决方案，排查过程如同大海捞针，极易导致开发者心态崩溃。\n\n### 使用 the-art-of-debugging 后\n- **方法论指引**：直接套用书中\"Fast Debugging Methodology\"章节的快速定位流程，迅速将问题范围缩小至数据预处理环节。\n- **精准工具链**：依据\"Debugging PyTorch\"章节推荐，熟练使用特定命令实时监控 CPU\u002FGPU 内存交互，瞬间锁定泄露源头。\n- **透明化分析**：利用提供的最佳实践脚本，清晰拆解显存占用构成，让原本不可见的张量生命周期变得一目了然。\n- **系统化解决**：参考\"Unix Tools For Debugging\"中的 `strace` 和 `LD_PRELOAD` 技巧，高效解决了底层动态库版本冲突问题。\n- **从容应对**：借助书中积累的“复制粘贴即用”的调试配方，将原本需要数天的排查工作压缩至几小时内完成。\n\nthe-art-of-debugging 的核心价值在于将依赖直觉的玄学调试，转化为可复用、高效率的系统工程方法。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstas00_the-art-of-debugging_da42a14b.png","stas00","Stas Bekman","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fstas00_c1cab9d6.jpg","Toolmaker. Author. Software creator, optimizer and harmonizer. Makes things work.\r\n\r\nCurrent domains: LLM\u002FTraining\u002FInference\u002FScalability\u002FMachine Learning","Stasosphere Online Inc. \u002F ","BC, Canada",null,"StasBekman","https:\u002F\u002Fstasosphere.com\u002Fmachine-learning\u002F","https:\u002F\u002Fgithub.com\u002Fstas00",[84,88,92],{"name":85,"color":86,"percentage":87},"Python","#3572A5",81.8,{"name":89,"color":90,"percentage":91},"C","#555555",11.3,{"name":93,"color":94,"percentage":95},"Makefile","#427819",6.9,1340,68,"2026-04-08T18:46:47","CC-BY-SA-4.0",1,"Linux, macOS","未说明（内容涵盖 PyTorch GPU 调试，暗示可能需要 NVIDIA GPU，但无具体型号或显存要求）","未说明",{"notes":105,"python":103,"dependencies":106},"该项目主要是一本关于调试方法论和工具使用的开源书籍\u002F文档集合，而非单一的可执行软件工具。因此没有具体的运行时环境依赖安装要求。书中涵盖了编译程序、Python、PyTorch 及 Unix 工具的调试技巧，提到的工具（如 gdb, py-spy, strace 等）需根据具体章节内容在相应环境中自行安装。",[107,108,109,110,111,112,113,114],"gdb","ldd","nm","py-spy","strace","bash","make","nohup",[14,35,15,16,116,13,117,52],"音频","其他",[119,120,107,121,122,123,124,125,126],"c","debugging","methodology","python","pytorch","linux","segfault","unix","2026-03-27T02:49:30.150509","2026-04-11T18:34:58.355426",[],[]]