- 博客(40)
- 收藏
- 关注
RSS订阅原创 2026国产执行型AI Agent横评：6款能真正干活的智能体深度对比
不需要Python环境，不需要Docker容器，不需要命令行，不需要配置API Key。实测指令"把下载文件夹里的文件按类型归类"，它自动创建文档、图片、视频、安装包等子目录，将1200余个文件逐一分类归档，准确率超过95%，整个过程可视化可见。Coze的"执行"主要通过API调用实现，不能直接操控你电脑上的桌面软件和文件系统。多数AI助手止步于提供操作建议，ToDesk AI可替代用户直接在目标设备上完成文件处理、数据整理等操作，任务完成后自动返回执行结果。：你下达任务，它去执行。
2026-07-10 14:22:35
328
原创 Java岗位大洗牌：你和高薪岗位的差距，藏在AI协作能力里
如果你是新型 Java 工程师，飞算JavaAI 是你的效率升级伙伴：解决通用 AI 不懂 Java 生态的痛点，用专家级 Agent 协作处理复杂工程任务，让你的开发效率再上一个台阶，拿下更多高薪机会。如果你是传统 Java 工程师，飞算JavaAI 是你的转型破局利器：不用从零学习 AI 技术，不用花几个月时间摸索，跟着智能引导一步步操作，就能快速具备 AI 时代的竞争力，摆脱 “被淘汰” 的焦虑。使用飞算JavaAI，开启你的 AI 协作开发之旅，在 2026 年的 Java 岗位竞争中，抢占先机。
2026-06-16 13:57:38
2811
原创 宿舍电脑手机控电脑流畅不卡顿实测
五款远程控制软件横评：大学生需求场景下的最优选 本文针对大学生常见的远程控制需求（如宿舍电脑操控、手机端应急办公等场景），对ToDesk、向日葵、TeamViewer、AnyDesk和网易UU远程五款主流软件进行了深度测试。通过校园网、移动热点等多环境实测发现：ToDesk在连接速度（2-8ms延迟）、手机端虚拟鼠标设计、跨平台兼容性（支持9大系统）及安全性（国密加密+等保三级）表现最优；向日葵适合搭配硬件使用，TeamViewer跨国连接稳定但延迟较高，AnyDesk轻量化但功能简陋，UU远程专精游戏场景
2026-06-06 08:20:40
227
原创 远程办公用什么远控软件好？2026年横测3大热门软件，4K高清低延迟远程桌面推荐
ToDesk——远程办公场景下的绝对王者远程办公不是"能连上就行"，而是要求清晰、稳定、高效、安全四个维度同时在线。经过全方位实测，结论非常明确：ToDesk=电脑远控电脑的最佳选择+手机远控电脑的性价比最优之选+适配平台最全面的远程控制软件具体来说：-电脑↔电脑远程办公：8K超清画质+360FPS高刷新率+ZeroSync引擎低延迟+24小时零断连=行业最佳PC远控办公体验-手机/平板→电脑移动办公：深度优化的移动端+合理的免费/付费梯度+AI助手ToClaw加持=每一分钱都花在刀刃上。
2026-05-15 07:04:07
382
原创 ToClaw上手实测：小电商卖家 14 天使用全记录，从入门到真香的体验
直接说结论：对于小电商卖家，值得。先说好处：零门槛：这是ToClaw区别于市面上大多数AI Agent产品最核心的优势。不用懂代码、不用配环境、不用申请API Key，下载即用。微信/企微直连：这是最打动我的功能。把AI入口放到日常沟通工具里，体验的顺畅度是质的飞跃。出差、开会、通勤路上，掏出手机在微信里说句话，电脑端的ToClaw就开始干活了。定时任务解放重复劳动：竞品监控、数据汇总、日报周报，这些固定重复的工作交给定时任务，到点自动产出，省下的时间可以用来思考选品和策略。
2026-04-17 12:00:47
382
原创 把“看菜谱”变成“跟着做”：基于 Rokid 灵珠平台打造智能眼镜应用《厨房教练》
通过这次开发，我更加明确地感受到：智能眼镜智能体的价值，不一定来自能力堆叠，而更来自场景聚焦与边界清晰。《厨房教练》这次验证的重点，不只是“做了一个厨房助手”，而是验证了一种更适合厨房场景的开发方式：以菜谱知识库菜单为核心，让智能体在知识库范围内稳定分步引导，在知识库范围外保持清晰边界，并通过持续丰富知识库来不断扩展菜单能力。对我来说，这也是这次作品最有价值的部分。它证明了智能眼镜场景下，知识库驱动、边界清晰、可持续扩菜单的智能体开发方式，是可以真正落地并持续演进的。
2026-04-14 20:59:48
14757
原创 ToDesk全球节点 vs TeamViewer、AnyDesk延迟与稳定性对比
实测新加坡连上海，普通模式延迟在280ms左右，开启全球节点后直接掉到110ms——虽然还不能说“零延迟”，但操作PPT、传文件已经完全感觉不到卡顿了。UU远程（网易）的P2P穿透能力很弱，跨境远控卡成PPT，动也动不了，企业管理功能几乎是空白，而且不支持文件传输。国际链路表现也确实不错，上海连新加坡，延迟在150ms左右，比ToDesk普通模式强。国际链路表现也确实不错，上海连新加坡，延迟在150ms左右，比ToDesk普通模式强。延迟降低明显，操作跟手，隐私屏、二次验证等安全功能免费版就有。
2026-03-11 16:05:35
505
原创 单边通信：hixl 的 RDMA 与零拷贝技术
RDMA 允许一台计算机直接访问另一台计算机的内存，无需远程 CPU 干预。**Queue Pair **(QP)：通信端点，包含 Send Queue (SQ) 和 Receive Queue (RQ)；**Memory Region **(MR)：注册的内存区域，附带权限和地址信息；**Work Request **(WR)：描述一次操作（如 Write、Read）；**Completion Queue **(CQ)：异步通知操作完成。单边通信是突破分布式系统性能瓶颈的关键技术。hixl。
2026-02-09 15:48:20
816
原创 高性能通信：HCOMM 的集合通信与拓扑感知优化
高性能通信是分布式 AI 系统的“高速公路”。HCOMM通过其拓扑感知的设计与高效的实现，为开发者铺设了一条低延迟、高带宽的通信通道。在这个模型规模与集群规模持续膨胀的时代，掌握HCOMM的使用技巧，意味着你拥有了构建千卡级训练集群的通信基石。正如一句网络工程格言：“” 而HCOMM，正是帮你榨取每一分带宽潜力的利器。cann组织链接仓库链接。
2026-02-09 15:47:28
689
原创 循环变换：pypto 的 tiling/vectorization/unroll
循环变换是连接算法与硬件的桥梁。pypto通过三大技术的协同优化，将用户编写的朴素循环自动转化为高性能 Kernel，让开发者无需成为硬件专家也能写出极致性能的代码。无论你是算子开发者，还是系统优化人员，掌握 pypto 的循环变换机制，都将为你在 AI 高性能计算领域提供强大助力。现在，就访问 pypto 仓库，体验智能循环优化，甚至贡献你自己的变换策略吧！🔗相关链接。
2026-02-09 15:42:20
590
原创 KV Cache 优化：ops-transformer 的长序列推理
KV Cache 是大模型推理的“双刃剑”——它加速了生成，却也带来了内存挑战。通过分页管理、量化压缩、滑动窗口等创新设计，在通用硬件上实现了高效、稳定的长序列推理。无论是构建智能客服、代码助手还是长文档分析系统，掌握这些优化技术，都是释放大模型潜力的关键一步。正如一句工程格言：“缓存一切可缓存之物，但别让缓存成为负担。
2026-02-08 10:17:01
638
原创 卷积算子优化：ops-nn 中 Conv2d 的高效实现
Ycij∑k0Cin−1∑u0Kh−1∑v0Kw−1Xkiujv⋅KckuvYcijk0∑Cin−1u0∑Kh−1v0∑Kw−1Xkiujv⋅Kckuv其中 $ (i, j) $ 是输出位置，需考虑步长（stride）和填充（padding）。分块（Tiling）减少 DDR 访问次数提高数据复用率控制临时内存大小。
2026-02-08 10:16:25
716
原创 向量化编程：双缓冲与多缓冲——ops-nn 的内存访问优化
从全局内存（Global Memory）加载数据到片上缓存（On-Chip Buffer）；对缓存中的数据进行计算；将结果写回全局内存。fill:#333;important;important;fill:none;fill:#333;stroke:red;important;important;important;important;important;fill:red;important;fill:navy!important;important;fill:#333;2026-02-09。
2026-02-08 10:14:59
650
原创 大模型推理加速：ops-transformer 的算子优化实战
大模型推理加速是一场与内存带宽的赛跑。通过算子融合、定制内核、内存布局优化等技术，将 Transformer 关键路径的性能推向极致。掌握这些优化方法，不仅能提升你的 LLM 推理效率，更能培养计算与访存协同设计的思维——这是构建高效 AI 系统的核心能力。随着模型规模持续增长，对基础算子效率的要求只会更高。理解大模型算子优化，就是掌握 AI 推理基础设施的底层密码。📚深入探索 ops-transformer 源码与优化细节CANN 开源组织ops-transformer 仓库地址。
2026-02-08 10:11:04
775
原创 矩阵乘法加速：ops-nn 的 MatMul 核函数设计
将大矩阵划分为小块（Tile），使得每个小块能完全放入高速缓存（如 L1 Cache 或片上 SRAM）。计算时，重用缓存中的数据多次，减少全局内存访问。CM×NAM×K×BK×NCM×NAM×K×BK×NCm×nij∑p0P−1Am×kip×Bk×npjCm×nijp0∑P−1Am×kip×Bk×npj其中mnk。
2026-02-08 10:10:31
668
原创 Multi-Head Attention：ops-transformer 的核心实现
步骤问题描述QKV 投影三次独立 GEMM，无法共享内存访问分头/合并频繁调用transpose和view，产生内存拷贝QK^T结果为，当 S=2048 时，单 batch 占用64 GB 内存！Softmax未使用数值稳定技巧，长序列下易溢出算子碎片化7+ 个独立算子，启动开销大，无法向量化📊实测：在通用 AI 加速器上，S=2048 时，朴素 MHA 耗时120 ms，内存峰值70 GB。Multi-Head Attention 是大模型的核心，也是性能优化的关键战场。通过。
2026-02-07 17:25:28
284
原创 高性能计算核函数设计：CANN ops-nn 底层实现剖析
场景推荐策略GEMM 类计算优先使用densematmul（调用 Cube）使用vmulvadd等 Vector API大 Tensor 处理显式分块 + 双缓冲调试困难开启查看 IR🔑黄金法则让数据待在 UB 中尽可能久，让 Cube 尽可能满载。CANN 的ops-nn仓库，为昇腾开发者打开了一扇通往极致性能的大门。通过 CCE DSL，我们得以在高级语言中表达底层优化思想，让 AI 算子真正跑满 NPU 的每一个计算单元。
2026-02-07 17:19:01
345
原创 向量化编程：循环展开与流水线——ops-nn 的指令级优化
循环展开（Loop Unrolling）是一种编译优化技术，通过复制循环体多次降低循环控制开销增加指令级并行机会为向量化创造条件流水线（Pipelining）是处理器的核心技术：将指令执行分为多个阶段（取指、译码、执行、写回），允许多条指令在不同阶段并行执行。但若代码存在强依赖（如a = b + c;d = a + e;），流水线会停顿。软件流水线（Software Pipelining）是程序员主动重组代码，打破依赖，让计算与访存重叠。循环展开与软件流水线不是过时的“微优化”，而是。
2026-02-07 17:16:28
437
原创 LayerNorm 变体：ops-transformer 的 RMSNorm 优化
RMSNorm 以极简的设计实现了与 LayerNorm 相当的性能，同时降低了计算与内存开销。通过向量化、融合计算、FP16 安全设计，将这一优势发挥到极致。在大模型时代，每一个 FLOP 和字节都弥足珍贵，而 RMSNorm 正是“少即是多”哲学的完美体现。正如 RMSNorm 论文所言：“cann组织链接仓库链接。
2026-02-07 17:13:52
725
原创 向量化编程：ops-nn 的 SIMD 与数据并行
向量化（Vectorization）是一种编程技术，它允许一条指令同时操作多个数据元素，从而大幅提升计算吞吐量。ops-nn是 CANN 提供的神经网络基础算子库，包含 Conv、MatMul、Activation、Normalization 等数百个高度优化的算子。“将神经网络计算尽可能映射到昇腾 NPU 的向量指令上，最大化硬件利用率。向量化编程不是魔法，而是一套系统性的工程方法论。ops-nn。
2026-02-07 17:09:25
725
原创 代码能力碾压全场！GLM-4.7登顶LiveCodeBench，73.8%通过率刷新开源天花板
在z.ai平台，GLM-4.7作为“决策大脑”，负责理解用户意图、规划任务流程，并协同调度GLM-4V（视觉）、ASR（语音识别）、TTS（语音合成）等多模态能力，实现统一的多模态任务规划与协作。GLM-4.7支持约200K的输入上下文和128K的输出长度，这一特性对于处理长文档、分析大型代码库和执行多步骤的复杂任务至关重要，为Agent的“长链路执行”提供了可能。在z.ai平台，GLM-4.7作为“总指挥”，能够理解包含文本、图像、语音的多模态指令，并协同调度视觉、语音等多种能力，完成跨模态的复杂任务。
2026-01-13 08:15:15
1419
原创 agent多模态学习
在人工智能领域，Agent 通常指一个能够感知环境、进行决策并采取行动以实现特定目标的软件实体。与传统的大语言模型（LLM）相比，Agent 的核心区别在于其自主性、目标导向和工具使用能力。大脑 (LLM)：负责推理、规划和决策。工具 (Tools)：连接外部世界，如 API、数据库、代码执行环境等。记忆 (Memory)：存储对话历史、长期知识和任务状态。编排层 (Orchestration)：管理 Agent 的“思考-行动-观察”循环。Agent 的工作模式。
2026-01-13 08:12:12
539
原创 揭秘AI Agent：下一代人工智能的“全能管家”
一个能够感知环境、做出决策并执行动作以实现特定目标的自主系统。传统AI：你问我答（被动响应）。例如：“帮我写一首诗”。AI Agent：我说你做（主动执行）。例如：“帮我策划一场周末的朋友聚会，包括选址、订餐厅、安排活动并打印路线图”。
2026-01-12 14:01:49
729
原创 MCP：AI时代的“万能插座”，让大模型真正“动”起来
简单来说，MCP就是AI世界的**“USB-C接口”或“万能插座”**。过去，大语言模型（LLM）虽然拥有强大的理解和生成能力，但它就像一个“超级大脑”，被困在了一个封闭的盒子里——它只能处理你输入的文字，却无法直接“动手”去操作外部的工具或系统。MCP的出现，就是为了打破这堵墙。它定义了一套标准化的协议，让AI模型能够安全、有序地连接到各种外部数据源、API和工具上。如果把AI模型比作一个无所不知的“专家”，那么MCP就是让这位专家能够拿起工具干活的“手”。没有MCP，专家只能“动口不动手”；
2026-01-12 14:00:42
323
原创 C语言递归详解：从原理到实战的深度剖析
递归的本质是**“把大问题拆成与原问题结构相同的小问题，直到小问题可以直接解决”**。基线条件（Base Case）：停止递归的最小问题（直接给出答案，避免无限循环）；递归条件（Recursive Case）：将原问题转化为更小规模的同类问题（调用自身解决小问题）。举个生活例子：俄罗斯套娃——打开一个大娃娃，里面是一个小一号的同类娃娃，直到最小的娃娃（基线条件）被打开，整个过程就是递归。
2025-12-28 17:23:48
907
原创 Rust 编程中的关键实践：错误处理、日志记录与代码组织
在 Rust 开发过程中，有效的错误处理、合理的日志记录以及良好的代码组织与模块化是构建可靠且易于维护软件的关键要素。Rust 的模块系统用于将代码组织成逻辑单元，提高代码的可维护性和可复用性。在这个例子中，除了日志消息外，还记录了用户名和 IP 地址等信息，这些信息以键值对的形式存在，便于后续分析。库为 Rust 提供了一种更简洁的错误处理方式，特别是在不需要精确区分错误类型的场景下。这有助于将相关的功能分组，提高代码的组织性。默认情况下，模块中的项是不可见的，只有在模块外部显式声明为。
2025-12-28 17:23:39
1001
原创 C语言函数详解：从定义到实践的完整指南
函数是一段完成特定任务的、可重复调用的代码块，它接收输入（参数）、处理逻辑、返回输出（返回值）。C语言程序由main函数（程序入口）和其他自定义函数组成，所有函数共同协作完成任务。比如，计算两个整数的和、判断一个数是否为素数、读取用户输入等，都可以封装成函数。一次定义，多次调用，避免代码重复，降低维护成本。函数定义需明确“做什么”（返回值类型）、“叫什么”（函数名）、“需要什么”（参数列表）和“怎么做”（函数体）。返回值类型 函数名(参数列表) {// 函数体：实现功能的代码return 返回值;
2025-12-27 09:33:25
994
原创 C语言指针详解：从基础到实践
计算机内存可看作连续的“存储单元”，每个单元有唯一编号（地址），用于存放数据。指针的本质是存储另一个变量地址的变量——简单来说，指针就是“地址的变量”。比如，定义一个整型变量int a = 10;，系统会给a分配一块内存（假设地址为0x12345678），a的值是10，而指向a的指针变量p存储的就是0x12345678。此时，p被称为“指向a的指针”。
2025-12-27 09:31:09
777
原创 如何有效解决 Trae 上下文丢失问题——让 AI 记住你的代码与需求
每完成一个阶段，可以让 AI 输出当前上下文的总结：请总结我们已确定的用户模块设计，包括字段、函数和权限规则。并将总结内容复制到后续对话开头，作为“上下文快照”，确保信息连贯。Trae 的上下文丢失问题，本质上是信息未显式传递与模型记忆有限共同作用的结果。通过主动注入背景 + 结构化提问 + 持久化关键上下文，我们可以显著减少重复沟通，提升 AI 输出的准确性与连贯性。把上下文当作开发中的“变量声明”一样认真对待，你会发现 AI 助手的协作体验会跃升一个台阶，让编程变得更专注、更高效。
2025-12-07 22:01:46
2770
原创 【探索实战】从技术选型到生态赋能：Kurator助力企业云原生转型的实战之旅
在云原生（Cloud Native）架构下，企业普遍采用。Prometheus采集Metrics。（如生产、测试、预发布环境）和。Kurator的统一监控基于。Alertmanager告警。Kubernetes集群。Grafana可视化。通知邮件 Slack。Grafana可视化。
2025-11-29 09:59:23
619
原创 【探索实战】基于Kurator构建分布式云原生平台的实战之旅
Kurator的集群生命周期治理功能可实现对K8s集群的创建、扩容、缩容、升级、销毁等全生命周期管理。以下以集群扩容为例，展示代码与流程。通过本次实战，我们深入体验了Kurator在分布式云原生环境搭建、功能使用和企业落地中的价值。从环境搭建的代码实践，到生命周期治理的功能分析，再到企业案例的全流程落地，Kurator为云原生运维提供了高效、稳定的解决方案。未来，随着云原生技术的普及，Kurator有望在更多场景中发挥重要作用。
2025-11-28 09:43:45
787
原创 【探索实战】基于Kurator构建分布式云原生平台的实战之旅——从环境搭建到生态协同
本文通过实战环境搭建：从基础环境准备到Kurator安装，解决了常见安装问题。功能体验：深入体验了集群生命周期治理、应用分发、流量治理、监控与策略管理等核心功能，分析了其对云原生平台运维的价值。案例实战：分享了某企业（企业A）的落地过程，包括技术选型、适配攻坚、场景落地、生态协同，以及商业效益与生态价值。Kurator的核心价值在于简化分布式云原生的复杂度，通过统一的控制平面，实现多集群的集中化管理、应用的统一分发、流量的智能治理、监控与策略的全局协同。
2025-11-28 09:38:04
682
原创 Rust 语言中 Serialize 与 Deserialize Trait 及派生宏工作原理探究
在 Rust 中，Trait 是一种定义共享行为的机制，类似于其他语言中的接口。它规定了一组方法签名，实现该 Trait 的类型必须提供这些方法的具体实现。Serialize 和 Deserialize Trait 就是用于定义数据结构如何进行序列化和反序列化的行为规范。虽然派生宏提供了便捷的默认实现，但在某些情况下，我们可能需要自定义序列化和反序列化的逻辑。例如，对于一个包含敏感信息的结构体，我们可能希望在序列化时对某些字段进行加密，在反序列化时进行解密。wherewhere;
2025-10-30 08:34:10
824
原创 Rust中的性能优化技术：零拷贝、内存对齐、缓存友好设计与SIMD指令优化
零拷贝技术是指在数据传输过程中，数据不需要在用户空间和内核空间之间进行多次复制，从而减少了CPU的开销和内存带宽的占用。在传统的I/O操作中，数据通常需要在用户缓冲区和内核缓冲区之间进行多次复制，这不仅浪费了CPU资源，还增加了延迟。零拷贝技术通过直接将数据从源地址传输到目标地址，避免了这些不必要的复制操作。SIMD（Single Instruction, Multiple Data）即单指令多数据，是一种并行计算技术。它允许一条指令同时对多个数据元素进行相同的操作，从而大幅提高计算密集型任务的执行效率。
2025-10-29 09:04:49
837
原创 Rust 中的 Serde：零成本抽象、Trait 与派生宏详解
Serialize trait 是 Serde 中用于将数据类型转换为序列化格式的核心 trait。where其中，S是一个实现了 Serializer trait 的类型，代表序列化器。serialize方法接受一个序列化器实例作为参数，并返回一个Result类型的值，表示序列化操作的结果。Deserialize trait 是 Serde 中用于将序列化格式转换为数据类型的 trait。where其中，D是一个实现了 Deserializer trait 的类型，代表反序列化器。
2025-10-29 08:59:46
1095
原创 Rust 语言在数据库交互中的应用：连接池集成、Serde 抽象设计与序列化特性
Serde 是 Rust 中一个功能强大的序列化和反序列化框架，它允许将 Rust 数据结构转换为各种格式（如 JSON、YAML、MessagePack 等），并将这些格式的数据转换回 Rust 数据结构。Serde 的设计目标是提供零成本的抽象，即在编译时生成高效的序列化和反序列化代码，而不会引入运行时的额外开销。在实际应用中，有时需要为自定义的数据结构实现Serialize和trait。以下是一个为自定义的Pointx: i32,y: i32,where;;;seq.end()
2025-10-29 08:58:08
1107
原创 Rust异步编程与Web框架深度剖析
Tokio是Rust生态系统中最流行的异步运行时，它提供了一套异步I/O、任务调度和定时器等功能，使得开发者能够轻松编写高效的异步代码。Tokio基于事件驱动的非阻塞I/O模型，能够在单线程上处理大量的并发任务，极大地提高了系统的资源利用率。不同的异步运行时各有优劣，开发者应根据项目的具体需求，如性能要求、开发团队的熟悉程度、资源限制等因素来选择合适的运行时。Actor模型是一种并发计算模型，每个Actor都是一个独立的计算单元，它通过消息传递与其他Actor进行通信。
2025-10-29 08:51:50
1028
原创 Rust 中热门库 Tokio 源码深度剖析
Tokio 是 Rust 生态系统中用于编写异步代码的核心库。它提供了一个异步运行时环境，允许开发者使用 async/await 语法编写非阻塞的代码，从而充分利用系统资源，提高程序的并发性能。在处理 I/O 密集型任务，如网络编程、文件操作等方面，Tokio 表现卓越，能够有效避免线程阻塞，提升系统的吞吐量。本文对 Rust 中的热门库 Tokio 进行了全面的源码拆解和分析。
2025-10-29 08:50:09
1106
原创 小白认识printf与scanf的一天！
printf：用来“打印”信息到屏幕（用%d%f等占位符显示变量值）。scanf：用来“接收”用户输入（别忘符号！用%d%f对应变量类型）。配合使用：先printf提示用户输入，再用scanf接收，最后用printf显示结果。现在，打开你的C语言编译器（比如Dev-C++、VS Code），试试下面的代码吧！int score;printf("请输入你的考试分数：");printf("你的分数是：%d分！return 0;
2025-09-09 09:02:45
1279
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人