新版 NuGet 客户端强制要求 HTTPS，导致内网 HTTP 源推送失败。可通过三种方式解决：使用 dotnet nuget 命令行添加源并启用不安全连接，手动编辑机器级或项目级 NuGet.Config 文件，在源配置中添加 allowInsecureConnections="true" 属性，或在 push 时直接通过命令行参数临时开启。推荐个人开发用命令行配置，团队协作将配置文件提交至 Git 仓库以实现统一管理。长期可考虑为内网源添加 HTTPS 证书，但当前环境下使用 HTTP 配合此设置已足够。
MongoDB 性能分析器可通过 `db.setProfilingLevel(0)` 一键关闭，支持按需开启记录所有操作或仅慢查询。配置后可使用 `db.getProfilingStatus()` 验证状态。已记录的 profiling 数据存于 `system.profile`，可手动清空或依赖 capped collection 自动覆盖。若启用过审计日志，也应通过 `setParameter` 关闭 `auditAuthorizationSuccess`，确保环境整洁。
在RTX 4090 48GB显存环境下部署Gemma 4 31B模型，需选用AWQ 4-bit或INT8量化版本，避免使用GGUF格式。推荐通过ModelScope下载HuggingFace格式的量化模型，并配置阿里云或DaoCloud镜像加速以解决国内拉取慢的问题。部署时需确保挂载路径与容器内路径一致，命令行避免使用续行符，端口映射与服务端口需匹配，量化参数必须与模型格式对应。最终采用vLLM官方镜像，配合合理内存与并发参数，可实现长上下文支持与稳定推理，适用于本地大模型部署及多轮对话场景。
通过调整 oplog 大小至 5-10GB 并执行 compact 操作，可有效释放磁盘空间。在主节点执行 replSetResizeOplog 命令缩小上限，会截断旧日志，需确保所有副本节点状态正常且业务低峰期操作。随后对 oplog.rs 执行 compact 整理碎片，提升存储利用率。整个过程无需重启服务，完成后 oplog 物理大小将显著降低，建议结合 rs.status() 验证集群状态，确保同步正常。
遵循标准流程同步代码：先拉取远程最新变更，检查修改内容，将更改添加至暂存区，撰写清晰的提交备注并提交，最后推送到GitHub。推荐使用`git pull origin main`确保代码同步，通过`git add .`暂存变更，以`feat:`, `fix:`等前缀规范提交信息，提升协作效率。首次推送可加`-u`参数设置上游分支，避免后续重复配置。如遇冲突或推送失败，优先执行拉取操作，必要时使用`--amend`修正未推送的提交信息。
在 Ubuntu 24.04 上安装 OpenClaw 需先通过 NodeSource 仓库升级至 Node.js 22 或更高版本，确保环境兼容性。随后使用 npm 全局安装 OpenClaw，通过内置向导完成网关配置、工作区创建及 Telegram、WhatsApp 等通信渠道的集成。配置完成后，可启动网关服务并通过命令行或聊天工具与 AI 助手交互。建议运行 `openclaw doctor` 检查配置安全，并定期更新以获取最新功能与修复。
`uv` 是由 Astral 团队开发的高性能 Python 包管理工具，基于 Rust 编写，具备比传统工具快 10 至 100 倍的安装速度。它集包安装、虚拟环境管理、依赖解析与项目初始化于一体，支持 `requirements.txt` 和 `pyproject.toml` 格式，可无缝替代 `pip`、`virtualenv`、`poetry` 等多个工具。通过简洁的命令如 `uv venv`、`uv add`、`uv run`，实现高效开发流程。尽管常与 `uvicorn` 混淆，但其定位为现代化包管理核心工具，已在社区广泛推荐，适合追求效率的开发者使用。
在 setuptools ≥70.0.0 版本中，`pkg_resources` 模块已被正式移除，导致依赖该模块的工具（如 ModelScope SDK）无法正常运行。问题根源在于当前环境中的 setuptools 版本过高（如 82.0.0）。解决方法是将 setuptools 降级至最后一个包含 `pkg_resources` 的版本 69.5.1，执行 `pip install "setuptools==69.5.1"` 即可恢复兼容性。建议后续向 ModelScope 提交 issue，推动其迁移到 `importlib.metadata` 等现代替代方案以实现长期兼容。
Ubuntu 24.04 用户若无法通过 apt 安装 amdgpu-top，可直接下载作者提供的 .deb 包快速部署。对于需要跨架构支持且界面友好的场景，nvtop 是更优选择，且已内置于官方源。开发者也可通过 Cargo 从源码安装。若遇到权限问题，需将用户加入 video 和 render 组并重新登录生效。根据需求，amdgpu-top 适合深度监控，nvtop 侧重可视化与易用性，rocm-smi 则适用于自动化脚本。
执行 `docker run` 会创建独立容器实例，频繁使用易导致多个重复容器堆积。默认情况下容器停止后仍保留在列表中，占用资源。建议通过 `docker ps -a` 查看所有容器，使用 `docker container prune` 清理已退出实例。为避免重复创建，应首次运行时指定唯一名称（如 `--name my_rocm_work`），后续通过 `docker start` 启动并用 VS Code 直接连接，实现高效、规范的容器管理。