本文字数2000+ ，阅读时间大约需要 6分钟。
【掘金一周】本期亮点：
- Next.js 实现下载 m3u8 视频
- 如何使用esMap快速搭建室内场景
- 线索系统性能优化实践
- 使用Dockerfile构建镜像 & 使用docker-compose 一键部署IM项目
- 玩转OpenAI-Whisper：语音识别一站式指南
- Transformer模型结构解析与Python代码实现
- Flutter 像素编辑器#05 | 缩放与平移
- Flutter 小技巧之为什么推荐 Widget 使用 const
「上榜规则」：文章发布时间在本期「掘金一周」发布时间的前一周内；且符合各个栏目的内容定位和要求。 如发现文章有抄袭、洗稿等违反社区规则的行为，将取消当期及后续上榜资格。
一周“金”选
内容评审们会在过去的一周内对社区深度技术好文进行挖掘和筛选，优质的技术文章有机会出现在下方榜单中，排名不分先后。
前端
本文作者将通过真实案例，一步步带大家深入了解如何写一个可拖拽动态表单生成器
本篇作者借着下载 m3u8 视频这个功能，教大家学习如何快速开发 Next.js 项目以及如何使用 Next.js 最新的 Server Actions 特性。
Next.js 极简实现 Authentication @冴羽
本篇我们将通过一个极简的 Authentication 实现帮助大家了解其基本概念和实现原理。当然实际项目项目开发中，并不需要从零实现，本篇的最后还会给出大家在实际开发中的推荐技术选型。
本文作者将通过实际操作教大家如何使用esMap快速搭建室内场景
后端
【问题解决】记一次线上安全测试中误用父类属性导致数据污染的解决方案 @sidiot
本文将通过作者一次真实遭遇讲解线上安全测试中误用父类属性导致数据污染的解决方案
随着业务的不断扩张和市场需求的日益增长，系统原有的架构开始显露出诸多不适应之处，如架构设计不再清晰，代码存在过量冗余，核心的读写接口响应时间长等问题，这些问题严重制约了业务的敏捷性和快速发展。鉴于这一状况，系统的性能优化和调整势在必行，以确保其能够更好地支撑业务的快速发展需求，本文将深入讲解线索系统性能的优化实践
使用Dockerfile构建镜像 & 使用docker-compose 一键部署IM项目@蝎子莱莱爱打怪
本文旨在探讨使用Dockerfile构建镜像 & 使用docker-compose 一键部署IM项目。
Java 并发编程 AQS 介绍和源码解析（配视频）@暮色妖娆丶
本篇文章深入介绍了
AQS加锁、解锁的源码。单独从文字配备静态图，读者可能会难以理解，所以作者还结合了视频讲解
Android
Flutter 像素编辑器#05 | 缩放与平移 @张风捷特烈
之前已经实现了像素编辑器的基本功能，但是目前绘制的区域是固定大小。这样在行列数非常大时，就会导致绘制格非常小，不便于绘制。所以本文作者将让其和布局区域可以向 Photoshop 一样，能够缩放和平移，让用户更自由地绘制。
Flutter 面试八股之深入理解 Dart 异步实现机制 @恋猫de小郭
相信本篇可以帮助你从头到尾理清 Flutter 里 Dart 的完整异步实现。
Flutter 小技巧之为什么推荐 Widget 使用 const @恋猫de小郭
本文作者从收到的小问题出发，详解Flutter为什么推荐 Widget 使用 const
人工智能
玩转OpenAI-Whisper：语音识别一站式指南 @mortimer
各种支持多语言语音识别的模型通常都是在
openai-whisper基础上再开发的，例如更快、更精确的faster-whisper。 然而，这类高级模型往往要求更高的安装复杂性和硬件支持。 就平常使用而言，openai-whisper的功能已经够用。虽然默认情况下，openai-whisper的表现可能并不如人意，例如，它的内部音频片段固定为30秒，无法自外部调整；无法按字符制定时间戳；无法准确区分简体和繁体中文，中文语音在大多数情况下会被转化为繁体文字等等。 不过，大部分问题可以通过调整参数来解决。 本文将简要介绍相关参数。
Transformer模型结构解析与Python代码实现 @一天到晚潜水的鱼
2017年，谷歌研究人员在《Attention Is All You Need》这篇论文中提出了Transformer模型，该模型最初是被用于机器翻译任务中。由于其良好的可并行性和强大的特征提取能力，Transformer模型在随后的几年中被用到自然语言处理、语音识别、计算机视觉等各个领域中，并表现出优异的性能。 本文基于论文的内容解读Transformer模型的各个组成部分，然后用Python实现一个完整的Transformer模型。
BEV感知算法 | LSS论文与代码详解 @一天到晚潜水的鱼
最近几年，
BEV感知是自动驾驶领域中一个非常热门研究方向，其核心思想是把多路传感器的数据转换到统一的BEV空间中去提取特征，实现目标检测、地图构建等任务。如何把多路相机的数据从二维的图像视角转换到三维的BEV视角？LSS提出一种显示估计深度信息的方法，实现图像特征到BEV特征的转换，从而实现语义分割任务。LSS是英伟达在ECCV2020上发表的文章《Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D》中提出的一个BEV感知算法，后续很多BEV感知算法如CaDDN、BEVDet都是在LSS的基础上实现的。本文将结合论文和代码详细解读LSS的原理。
上一篇文章中我们详细介绍了RAG的核心思想以及搭建向量数据库的完整过程，本文将基于上一篇文章的结果进行开发，主要内容为： 将LLM接入LangChain：选择LLM，然后在LangChain中使用； 构建检索问答链：使用语法构建RAG问答链 部署知识库助手：使用streamlit部署项目； 帮助读者快速构建RAG应用，并部署在阿里云服务器上；
社区活动日历
活动日历
| 活动名称 | 活动时间 | 活动主理人 |
|---|---|---|
| 瓜分万元现金，原创技术好文-6月金石计划 | 2024年6月19日-2024年7月18日 | @Kim泽xi |
| 创作者训练营 · 助力创作者写出自己的技术好文！ | 2024年6月24日-2024年8月11日 | @笑哈哈055 |
| 豆包MarsCode体验官-｛玩转AI｝开启智能编程之旅，拿手机大奖 | 2024年6月27日-2024年7月26日 | @掘金酱 |
📖 投稿专区
大家可以在评论区推荐认为不错的文章，并附上链接和推荐理由，有机会登上下一期。文章创建日期必须在下期掘金一周发布前一周以内；可以推荐自己的文章、也可以推荐他人的文章。
