c++颠覆我对递归认识的return

最新推荐文章于 2026-06-24 16:49:51 发布

原创最新推荐文章于 2026-06-24 16:49:51 发布 · 289 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

笔记专栏收录该内容

25 篇文章

订阅专栏

博客提到在‘逻辑完备’情况下，不用一直进行函数返回操作，若后续无返回语句，会按上一层返回值返回，且后续代码仍会执行。

“逻辑完备”
并不用一直return f();
而且后面的仍然会执行
如果后面没有return的话会按照上一层的return的返回值

int f(int n){
	if(n<1) return 1;
	f(n-1);    //此处没有指定 return f(n-1)，但最终return是从这里走出来的
}

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

超自然祈祷

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

GLM-5.1本地化部署实战：从API依赖到可控AI编码工作流

Envisage123

06-16

367

大语言模型在代码生成场景中，已从‘调用即用’迈入‘可控运营’新阶段。其核心原理在于解耦模型能力与服务载体——通过量化压缩、GGUF格式转换、MoE架构适配等技术手段，将云端黑盒API转化为可审计、可调试、可扩展的本地推理引擎。这一范式升级带来显著技术价值：上下文稳定性提升、调试链路完整、资源调度自主。典型应用场景包括VS Code语义感知补全、MacBook M系列离线开发、A10G服务器高并发代码服务。本文聚焦GLM-5.1这一国产强代码模型，深入解析其符号推理强化模块与AST对齐能力在本地环境下的复现路

参与评论您还未登录，请先登录后发表或查看评论

C++笔记之return的用法

xiaolichaochao的博客

03-27

9292

超详细的return 用法

C++ 递归中的return 及递归过程图解用递归产生括号

weixin_44208324的博客

03-01

2472

C++ 递归函数中的return是指：从被调用函数返回到主调函数中继续执行，并非一遇到return整个递归结束。 #include<stdio.h> #include<vector> #include<string> using namespace std; void generate(std::string item, int n, std::vector&...

C++中return的用法和功能

Fantasy4040的博客

10-24

2364

人话：函数就是一个黑箱，其它函数不知道咋产生的结果，也不管它里面能产生什么结果，return是将他产生的结果给其它函数使用的接口，直接给接口一个结果，让里面程序空转也是可以的，即return是控制该函数输出的东西，1.2.3.4.5都是基于此基础的（6没研究）6. 支持函数重载：函数的返回值类型是函数重载的一部分，通过不同的返回值类型可以区分同名函数的不同版本。需要注意的是，函数的返回值类型可以是任意的合法类型，包括基本类型（如整数、浮点数）、自定义类型（如类、结构体）以及指针类型等。

递归的执行推演过程

dnbug Blog

11-07

2370

递归的执行过程堆归求和1-100 /** * Copyright (C), 2000-2021, XXX有限公司 * FileName: RecursionSum * Author: wangyetao * Date: 21-11-7 08:17:45 * Description: 递归求和 * <p> * History: * <author> 作者姓名 * <time> 修改时间 * <version> 版本号 * <d

return函数与递归

weixin_44104983的博客

07-25

1039

C++万能头文件#include<bits/stdc++.h> return的作用一般情况下，return 有两个作用。 1，int max( int a,int b) { if(a>=b) return a; else return b; } 此函数在运行结束后会返回一个值a或者b给主调函数。 2，return 表示理解结束函数调用，返回主调函数。即使这个函数是没要求返...

.NET尾递归真相：栈空间、JIT优化与工程落地

diaojin6880的博客

06-14

421

尾递归是一种通过消除冗余栈帧来避免栈溢出的程序结构优化技术，其核心原理在于将递归调用转化为等效的迭代跳转（jmp而非call），从而节省线程栈空间。在.NET中，该能力高度依赖JIT编译器对tail.指令的识别与优化，但受制于平台架构（x64支持、x86/AOT受限）、代码约束（禁用try/catch/using）及运行时配置，实际生效具有不确定性。其技术价值在于保障深度遍历、树形解析等场景的稳定性，广泛应用于金融交易引擎、规则引擎、嵌套数据序列化等对栈安全敏感的系统。本文聚焦.NET平台下尾递归的真实行为

C++谓词性能优化：从lambda写法到CPU缓存的工程实践

weixin_30417487的博客

06-22

506

谓词是C++ STL算法的核心可调用对象，本质是算法与数据之间的契约接口。其原理在于通过编译器内联、参数传递策略和内存访问模式直接影响执行效率；技术价值体现在零开销抽象的兑现——优质谓词可将算法耗时降低60%以上；典型应用场景覆盖find_if过滤、count_if统计、remove_if逻辑删除及sort排序等高频操作；而实际工程中，lambda捕获方式、const&参数声明、严格弱序约束等细节，直接决定程序是否稳定、高效、可维护。本文聚焦谓词在真实项目中的性能瓶颈与落地规范。

C++ gRPC异步回调实战：从VS2022环境搭建到高并发服务设计

weixin_34416754的博客

06-22

355

gRPC异步回调是现代C++网络编程的核心机制，其本质是基于CompletionQueue的事件驱动状态机，而非多线程并发。它通过解耦Write/Read/Finish三阶段，实现单线程高效管理数百乃至数千路RPC请求，显著降低内存占用与P99延迟。技术价值在于将IO等待转化为可调度的完成事件，支撑边缘计算、物联网网关、微服务扇出等低延迟高并发场景。本文聚焦Windows平台下VS2022 + CMake真实开发链路，直击MSVC版本兼容性、静态链接冲突、grpc++.lib依赖顺序、GRPC_ARES配置

DeepSeek-V4本地部署方案：跨平台可验证AI编程环境构建

weixin_30952535的博客

06-22

301

本地大模型部署是AI原生开发的关键基础设施，其核心在于环境确定性、硬件适配性与协议兼容性。基于llama.cpp量化引擎和OpenAI兼容API代理，DeepSeek-V4等开源大模型可在Mac（Apple Silicon）、Windows（WSL2/PowerShell）及Linux（CentOS/Ubuntu）实现稳定推理。技术价值体现在显存动态分配、Metal/CUDA后端自动识别、GGUF模型分级缓存与实测驱动的参数调优（如--n-gpu-layers、--rope-freq-base）。典型应用场

OpenCoder开源代码大模型：从RoPE架构到本地化部署实战

weixin_30279315的博客

06-17

276

代码大模型是面向编程任务的专用大语言模型，其核心在于对语法结构、作用域关系和类型系统的深度建模。不同于通用语言模型，代码模型需依赖相对位置编码（如RoPE）捕捉token间嵌套距离，需适配代码数据分布特性（如禁用Dropout、调整LayerNorm位置），并依赖高质量、去重、AST过滤的训练数据。OpenCoder通过四层CodeFilter构建1.7TB高信噪比Python数据集，并采用纯decoder架构与指令微调，显著提升HumanEval等基准表现及真实IDE补全采纳率。本文聚焦其技术原理、数据工

CVE-2025-57052漏洞深度解析：cJSON库内存越界写漏洞原理、复现与防御

weixin_34242331的博客

06-24

306

JSON解析是数据处理的基础环节，其核心原理是将文本格式的JSON字符串转换为程序可操作的内存结构。在C/C++等系统级语言中，这一过程通常涉及动态内存分配与字符串拷贝，若长度计算与内存分配逻辑存在缺陷，便可能引发缓冲区溢出。缓冲区溢出作为一种经典的内存安全漏洞，其技术价值在于攻击者可通过精心构造的输入数据，覆盖相邻内存区域，进而实现程序流程劫持或远程代码执行，严重威胁系统安全。在物联网设备、嵌入式系统及后端服务等应用场景中，广泛使用的轻量级JSON解析库cJSON近期曝出的CVE-2025-57052高危

AI学习者实践指南：PDF表格解析与MoE推理优化实操

weixin_34416754的博客

06-24

352

PDF解析与MoE推理是AI工程落地中两大高频痛点：前者关乎数据入口质量，后者决定模型服务效能。其本质均源于对底层原理的误判——PDF不是图像而是指令集，MoE的动态路由与静态批处理存在天然冲突。掌握Tagged PDF语义层提取、Expert-Aware动态调度等技术，可显著提升RAG文档处理准确率与大模型线上服务P99延迟稳定性。本文聚焦真实生产环境中的可复现方案，覆盖从Adobe Acrobat标签验证、pypdf结构树解析，到vLLM轻量级补丁注入等完整链路，为金融、法律、政务等强结构化文本场景及混

WizardCoder代码大模型：工程落地的代码理解与生成实践

weixin_33696822的博客

06-17

441

代码大模型是当前AI编程领域的核心基础设施，其本质是将程序合成、指令微调与代码理解能力深度融合的技术范式。它基于高质量代码语料训练，通过执行反馈强化逻辑正确性，并在真实开发场景中实现补全、诊断、重构与文档生成等闭环能力。相比通用大模型，代码大模型更强调语法洁癖、工程语义连贯性与上下文约束感知，尤其适合FastAPI、Django、SQL优化等一线开发任务。WizardCoder作为典型代表，依托CodeLlama基座与动态思维链压缩技术，在省时、降返工、提信心等工程价值上表现突出，已成为中型后端服务重构与团

ROS 2 Humble构建系统升级指南：Python 3.10、CMake加固与质量门禁

最新发布

weixin_30505225的博客

06-24

387

ROS 2构建系统是机器人软件工程化的基石，其核心涵盖Python环境管理、CMake跨平台构建链与自动化质量门禁三大技术维度。随着Ubuntu 22.04成为主流，Python 3.10兼容性成为刚需，传统FindPythonInterp已无法满足ABI稳定性要求；CMake脚本的路径处理、依赖声明与可复现性直接决定CI/CD成功率；而ament_lint生态的统一EXCLUDE语义、版本头文件自动生成等机制，则支撑起高可靠交付。本文聚焦Humble Hawksbill LTS版本的底层演进，解析Pyth

DeepSeek-R1图解：MoE与RL-only训练范式的工程落地解析

a1311010193的博客

06-21

468

大语言模型中的混合专家（MoE）架构与强化学习（RL）训练范式，是当前高性能推理模型的核心技术路径。MoE通过动态路由实现计算稀疏性与能力专业化，而RL-only训练则跳过传统监督微调，转而用可量化的奖励函数塑造模型的思维链（CoT）与自我验证能力。这类技术组合显著提升了长上下文处理、数学推理与知识蒸馏效果，广泛应用于AIME评测、金融风控、代码生成等高精度场景。DeepSeek-R1正是这一技术路线的典型代表——其671B总参数/37B激活设计、128K上下文支持、`<think>`锚定机制及Distil

代码执行过程可视化：让编程初学者看懂机器如何干活

unixboy

06-14

408

编程学习的核心障碍往往不是语法本身，而是缺乏对‘代码如何被计算机执行’这一底层过程的具象理解。从内存分配、CPU指令调度到调用栈变化和I/O缓冲机制，程序运行本质是一系列可观察、有时序、有物理意义的数据流动。代码执行过程可视化技术通过实时渲染内存地址网格、寄存器状态变迁、纸杯式调用栈动画与三阶段I/O粒子流，将抽象概念转化为视觉锚点，显著降低非技术背景学习者的认知负荷。该方法契合具身认知理论，已在HR、教育、测试等跨职能场景中验证其提升底层理解力与调试直觉的有效性，尤其适用于Python、JavaScrip

GPT-5.4级模型+OpenClaw协议实现本地AI办公自动化

weixin_34168880的博客

06-20

404

AI办公自动化正从概念走向落地，其核心是让大模型具备可靠‘计算机使用（Computer Use）’能力——即理解自然语言指令、精准调用系统工具、闭环反馈执行状态。这依赖两大基础：一是具备高指令保真度、强工具调用稳定性与多模态指令理解能力的新一代模型（社区称‘GPT-5.4’水位线）；二是轻量、开放、可本地部署的Agent通信协议（如OpenClaw），它不替代模型，而是定义AI与操作系统交互的标准化接口。技术价值在于摆脱云依赖、保障数据隐私、支持调试与嵌入日常开发流。典型场景包括自动PR审查、日志分析、跨应

Superpowers插件：AI编程协作者的语义锚定与技能链编排原理

weixin_30555515的博客

06-22

393

AI编程助手正从代码补全工具演进为开发认知协作者。其核心在于理解项目语义上下文与可组合的工程化技能链——前者通过解析pom.xml、package.json等锚点文件构建跨语言依赖拓扑，后者以预编译Prompt模板实现‘分析→识别→生成’的链式调用。这种能力带来真实技术价值：提升单元测试覆盖率、降低圈复杂度、加速遗留系统重构。典型应用场景包括Spring Boot服务解耦、混合语言DevOps脚本溯源、安全漏洞精准定位。Superpowers正是这一范式的代表实现，它不替代开发者决策，而是将隐性知识显性化、

RAG技术原理与工业级落地实践：从检索增强生成到可信AI应用

aijia7039的博客

06-14

327

RAG（检索增强生成）是一种解决大语言模型知识固化、事实幻觉和长上下文失效问题的关键范式，其本质是将语义检索与可控生成解耦，通过向量数据库构建可验证的外部知识源。它依托嵌入模型实现语义理解，借助重排序器提升相关性精度，并依赖强约束Prompt确保答案严格基于检索片段。该技术显著提升AI在医疗法规、金融合规、技术文档等专业场景中的准确率与可溯源性，已成为企业构建可信AI助手的核心架构。本文聚焦RAG的工程化落地路径，涵盖语义切片、向量库选型、嵌入模型适配及生成器指令优化等实战要点。