workflow

今天也要做实验吗？不必了，现在有机器人可以帮忙。 机器之心报道，参与：泽南、张倩。 在化学、生物等领域，不少研究生的生活可以被形容为「7-11」：一周工作 7 天，每天 11 个小时。很多学生需要每天早上八九点来到组里，晚上十点才能离开，周末则是开组会的时间。 近日，来自利物浦大学的研究者开发了一款「007」机器人，一天二十几个小时都泡在实验室里，8 天就能完成 688 个实验，还自己发现了一种高效催化剂，就问你怕不怕？ 昨天，这款机器人登上了最新一期《自然》杂志封面。 在化学实验室里，自动化技术正在兴起，但迄今为止我们所说的「自动化」还仅限于一些仪器和定制界面，让部分机械与设备协同工作。利物浦大学的 Andrew Cooper 等人最近使用汽车生产过程中流水线上的工业机器人在湿化学实验室中实现了和人类一样的工作能力。现在，机器人可以使用和人类一样的工具做实验了。 据介绍，这一团队对机器人进行编程，研究了提高聚合物光催化性的能力。在八天的时间里，机器人自动进行了多达 43 批，688 次实验，并找到了活性比初始配方高六倍的光催化剂混合物——如果让人类做同样的事需要花费数月之久。 这款机器人身高 1.75 米，和人的个头差不多，使用的实验设备也和人类相差无几。但它的优势在于，即使每天都泡在实验室它也不会抑郁，24 个小时里有 21.5 小时都拿来工作，剩下 2.5 个小时拿来充电

随着移动互联的日益深入，企业的办公已经开始转入到 IT 系统中，不同团队间的合作大多数是以文档、数据、媒体文件等为核心资源，而处理这些资源的有力助手就是企业网盘。 在 国外，企业网盘服务早就有了非常标准化的名称，叫做 EFSS(Enterprise File Synchronization and Sharing) ， 按照第三方信息研究公司 Gartner 的定义， EFSS 应 具备以下功能点：移动性 (Mobility); 易用性 (Simplicity and usability) ： 文件访问效率 (File Productivity) ： 文件处理 (Manipulation) ： 协作 (Collaboration) ： 工作流 (Workflow) ： 数据治理 (Data governance) ： 安全与数据保护 (Security and data protection) ： 管理和操作 (Administration and management) ： 集成性 (Integration) 。 下面，我们就根据 Gartner 对 EFSS 的定义，结合国内企业网盘的实际需求，总结出企业在选型时应该考虑的 6 个基本要素： 1 、用户管理： 内外部 用户权限设置、 用户配额控制、 自定义 不同空间 团队管理员、 AD/LDAP 用户账号集成、管理员角色细分；

argo是云原生计算基金会的孵化项目 https://www.cncf.io/projects/ 。 Argo专为容器而设计，没有传统VM和基于服务器的环境的开销和限制， 是一个基于kubernetes的CI/CD工具 目前CI(持续集成)方面还不完善，未提供 event triggers （ https://github.com/argoproj/argo/blob/master/examples/README.md#continuous-integration-example ），可以看下另一个云原生的CI/CD工具 tekton 更多介绍参考官网 https://github.com/argoproj/argo 安装argo controller，以官方最新为准 https://github.com/argoproj/argo/releases kubectl create namespace argo kubectl apply -n argo -f https://raw.githubusercontent.com/argoproj/argo/v2.10.0-rc4/manifests/install.yaml 安装argo linux/mac客服端（可不安装，使用UI操作） # Download the binary curl -sLO https://github

问题： I've been using Git now for a couple of months on a project with one other developer. 我和其他开发人员一起在一个项目上使用Git几个月了。 I have several years of experience with SVN , so I guess I bring a lot of baggage to the relationship. 我有几年的 SVN 经验，所以我想我给这段关系带来了很多包袱。 I have heard that Git is excellent for branching and merging, and so far, I just don't see it. 我听说Git非常适合分支和合并，到目前为止，我只是没有看到它。 Sure, branching is dead simple, but when I try to merge, everything goes all to hell. 当然，分支很简单，但是当我尝试合并时，一切都变得很糟糕。 Now, I'm used to that from SVN, but it seems to me that I just traded one sub-par versioning system for

在所有弱点中，最大的弱点就是害怕暴露弱点。 Provide Options,Don't make lame excuses. Don't live with broken windows. Be a catalyst for change. Remember the big picture. 欲求更好，常把好事变糟。 Make quality a requirements issue. 知识上的投资总能得到最好的回报。 Invest regularly in your knowledge portolio. Critically analyze what you read and hear. 我相信，被打量比被忽略要好。 What do you want them to learn? What is their interest in what you've got to say? How sophisticated are they? How much detail do they want? Whom do you want to own the information? How can you motivate them to listen to you? It's both what you say the way you say it 了解你的听众们，好好沟通，多倾听。

​ 缘起 Nebula Graph 最早的自动化测试是使用搭建在 Azure 上的 Jenkins ，配合着 GitHub 的 Webhook 实现的，在用户提交 Pull Request 时，加个 ready-for-testing 的 label 再评论一句 Jenkins go 就可以自动的运行相应的 UT 测试，效果如下： 因为是租用的 Azure 的云主机，加上 nebula 的编译要求的机器配置较高，而且任务的触发主要集中在白天。所以上述的方案性价比较低，从去年团队就在考虑寻找替代的方案，准备下线 Azure 上的测试机，并且还要能提供多环境的测试方案。 调研了一圈现有的产品主要有： TravisCI CircleCI Azure Pipeline Jenkins on k8s（自建） 虽然上面的产品对开源项目有些限制，但整体都还算比较友好。 鉴于之前 GitLab CI 的使用经验，体会到如果能跟 GitHub 深度集成那当然是首选。所谓“深度”表示可以共享 GitHub 的整个开源的生态以及完美的 API 调用（后话）。恰巧 2019，GitHub Action 2.0 横空出世，Nebula Graph 便勇敢的入了坑。 这里简单概述一下我们在使用 GitHub Action 时体会到的优点： 免费。开源项目可以免费使用 Action 的所有功能，而且机器

Argo是一个开源原生容器工作流引擎用于在Kubernetes上开发和运行应用程序。Argo Workflow流程引擎，可以编排容器流程来执行业务逻辑，在20年4月8日进入CNCF孵化器组。 而KubeFlow的Pipeline子项目，由Google开源，其全面依赖Argo作为底层实现，并增强持久层来补充流程管理能力，同时通过Python-SDK来简化流程的编写。 一. Argo流程引擎 Argo的步骤间可以传递信息，即下一步（容器）可以获取上一步（容器）的结果。结果传递有2种： 1. 文件：上一步容器新生成的文件，会直接出现在下一步容器里面。 2. 信息：上一步的执行结果信息（如某文件内容），下一步也可以拿到。 下面我们就来解读一下，Argo怎么实现“信息”在容器间的传递的，以及它和其他的流程引擎实现传递的区别。 1.1文件怎么从上一个容器跑到下一个容器里的？ Argo流程，可以指定2个步骤之间，传递结果文件（Artifact）。即假设流程为：A->B，那么A容器跑完，B容器可以取得上一个容器的输出文件。 如下：A容器生成一个 /tmp/hello_world.txt 文件，Argo将这个文件，放到了B容器里面，并重命名为 /tmp/message文件。 注意：流程上的每个步骤，都对应执行一个容器。 在A跑完后容器就退出了，然后才跑的B（这时候已经没有A容器在运行了）。