闵孚龙-CSDN博客

原创《PyTorch》Transforms：数据增强不是锦上添花，是训练基本功

• Transforms 是数据进入模型前的加工车间。• 预处理让输入规范，数据增强让模型泛化。• 训练集可以随机，验证/测试集必须稳定。• v2 transforms 适合复杂任务，可以同步处理 image、box、mask、video。• 源码主线是 Dataset → Compose → Transform.forward → make_params → transform → functional → kernel。

2026-06-16 12:43:02 461

原创《PyTorch 深度修炼》Dataset 和 DataLoader：数据如何喂给模型

• Dataset 解决“一个样本怎么取”。• DataLoader 解决“样本如何成批、高效、稳定地送进模型”。• Sampler 管顺序，BatchSampler 管批次，collate_fn 管拼接。• num_workers 能提升吞吐，但也会带来进程、内存和 IO 成本。• IterableDataset 多进程要特别注意分片，否则容易重复读数据。• pin_memory 是 GPU 训练的数据搬运优化点，但自定义 batch 需要自己适配。

2026-06-16 08:27:45 435

原创《PyTorch 深度修炼》优化器：参数到底是怎么被更新的

优化器是训练闭环里真正修改参数的组件。SGD 简单直接，适合追求可控和泛化。Momentum 用历史方向减少震荡。Adam 用一阶矩和二阶矩给每个参数自适应步长。AdamW 把 weight_decay 从梯度更新里解耦出来，是 Transformer 和大模型训练里的常见默认选择。源码上，Optimizer 管理 param_groups 和 state；具体 step 收集 grad 和状态，再下沉到 functional 与底层算子。

2026-06-15 22:36:39 370 1

原创《PyTorch 深度修炼》损失函数：模型到底是怎么知道自己错了

Loss 是训练目标。你怎么定义 Loss，模型就怎么学习。回归任务先看 MSELoss、L1Loss、HuberLoss。多分类默认用 CrossEntropyLoss，直接输入 logits。二分类和多标签默认用 BCEWithLogitsLoss，直接输入 logits。源码上，Loss 类本质仍然是 nn.Module，forward 通常下沉到 torch.nn.functional，再进入 C++/ATen kernel。

2026-06-15 21:55:24 475

原创常用网络层：Linear、Conv、RNN、Embedding、Transformer

Linear、Conv2d、LSTM、Embedding、Transformer，不是五个孤立 API。它们是一套特征变换语言。你真正要记住的是它们各自处理什么结构、改变什么形状、源码最终调到哪里。

2026-06-15 15:03:51 258

原创 PyTorch 系列之 nn.Module：所有模型的骨架

nn.Module 是 PyTorch 模型的骨架。它把散落的层、参数、状态组织成一棵可训练、可迁移、可保存、可调试的树。掌握 Module，后面讲 Linear、Conv、Transformer、训练循环、模型保存、分布式训练，都会有同一套底层语言。PyTorch 系列之 nn.Module：所有模型的骨架：功能变化与行业影响解析_热闻岛。

2026-06-15 12:30:51 303

原创动态图机制：为什么 PyTorch 调试起来更舒服

动态图的本质：Python 负责真实执行，Autograd 负责记录历史，Engine 负责反向回放。PyTorch 调试舒服，不是偶然。它的默认执行方式就是按普通 Python 程序来跑。动态图让模型更自由，也让错误更接近代码现场。但自由有代价。性能优化、部署和跨平台推理，需要把动态图中的稳定部分重新抽成图。这正是后续 torch.compile、torch.export、ONNX 要解决的问题。动态图机制：为什么 PyTorch 调试起来更舒服：功能变化与行业影响解析_热闻岛。

2026-06-15 07:24:20 571

原创 Autograd 自动求导：PyTorch 训练模型的发动机

Autograd 是 PyTorch 训练的发动机。requires_grad 决定是否记录计算。grad_fn 指向反向图入口。backward 从 loss 出发反向遍历。叶子 Tensor 的 .grad 会被填充。中间节点的梯度默认不保留。某些算子会保存前向中间值，用于反向计算。Python API 负责入口，C++ Autograd Engine 负责真正执行。一句话：前向建图，反向执行，梯度累加，优化器更新。

2026-06-14 20:40:41 369

原创 PyTorch之Tensor 内存机制：为什么 contiguous 很重要

以后你看到 Tensor 变形，不要只看 shape。真正要看的是：• 它底层是不是同一块 Storage？• 它的 stride 有没有变？• 它是不是从 storage_offset 开始读？• 它的逻辑顺序和物理顺序是否一致？• 这一步到底是零拷贝，还是偷偷复制了新内存？PyTorch 的 Tensor 很灵活，也很容易误用。你理解了 Storage、Stride、Offset，就真正摸到了 Tensor 的底层骨架。

2026-06-14 15:18:55 300

原创 Tensor：PyTorch 世界里的一切都是张量

Tensor 是 PyTorch 的第一块地基。学 PyTorch，不要先背 API。先理解 Tensor 的本质。它不是数组。它是“数据 + 元信息 + 设备 + 内存视图 + 梯度能力”的组合体。shape 决定外形。dtype 决定数值格式。device 决定计算位置。stride 决定如何读内存。storage 保存真实数据。requires_grad 决定是否进入自动求导。

2026-06-14 10:47:01 348

原创环境安装与开发姿势：CPU、CUDA、ROCm、MPS 怎么选

• 第一，先选硬件后端，再复制安装命令。• 第二，CPU 版最稳，CUDA 版最主流，ROCm 要看兼容，MPS 适合 Mac 本地调试。• 第三，安装成功不等于 GPU 可用，必须用代码验证。• 第四，is_available 返回 False 时，优先排查 wheel、驱动、设备可见性。• 第五，显存和 CUDA 报错有异步与缓存机制，不能只看表面。下一章开始进入 PyTorch 的真正核心：Tensor。Tensor 是所有模型、梯度、参数和计算图的起点。

2026-06-14 09:23:08 598

原创 PyTorch 到底是什么？为什么它能成为深度学习主流框架

记住 5 句话。✓PyTorch 的核心数据结构是 Tensor。✓训练能跑起来，靠的是 Autograd 自动求导。✓模型能被组织起来，靠的是 nn.Module 的注册机制。✓速度能上去，靠的是底层 C++ / ATen / 设备后端。✓PyTorch 好用，是因为它把 Python 友好性和底层高性能结合在了一起。下一章，我们开始进入第一个硬核组件：Tensor。你会看到 Tensor 不只是数组，它背后还有 dtype、device、stride、storage 和内存布局。

2026-06-14 08:46:44 495

原创 SkyClaw-v1.0 发布：国产百万上下文 Agent 模型，能不能替代 Claude Code？

SkyClaw-v1.0 最值得关注的地方，不是“又一个国产大模型发布”，而是它把目标直接对准了 Agent Coding 的关键环节：长上下文、多轮工具调用、文件编辑、代码生成、测试执行和真实任务闭环。通俗讲，以前很多模型更像“会写代码片段的高手”，你问它一个函数，它给你一段答案；但真正的 AI Coding 不是写一段函数，而是接到一个需求后，能自己看仓库、找文件、改代码、跑测试、看报错、继续修，最后交出一个可以审查的 diff。

2026-05-27 22:19:13 570

原创融资 700 亿传闻背后，DeepSeek Code 真要来了吗？

很多人使用大模型写代码时，会有一种错觉：模型越强，AI 编程工具就越强。实际不是这样。裸模型只负责“推理与生成”，但真实开发需要面对文件系统、命令行、Git、依赖、测试、权限、安全、回滚、团队协作。中间这层把模型能力连接到真实开发环境的系统，就是 Harness。可以把它理解成：模型是大脑，Harness 是眼睛、手、工具箱、记事本、规则册和安全绳。没有 Harness，模型只能告诉你“应该怎么改”；有了 Harness，它才可能亲自读取文件、定位问题、修改代码、运行测试，并把结果交还给人审查。

2026-05-27 19:10:02 633

原创 AI编程工具：Claude Code、Codex、Cursor、OpenCode之间的区别

OpenCode 则走开源、多模型、可控路线。如果说上一代工具更像“随叫随到的代码提示器”，那么现在的 Claude Code、Codex、Cursor、OpenCode 更像“能进入项目现场的开发助理”。真正要落地，需要把工具放进研发治理体系里：权限、沙箱、审计、CI、评估、成本、合规一个都不能少。Claude Code、Codex、Cursor、OpenCode 的出现，说明 AI 编程已经进入新的阶段：它不再只是“帮你补一行代码”，而是开始参与需求理解、代码修改、测试验证、PR 交付和团队协作。

2026-05-26 10:52:43 1095 1

原创别再只看排行榜了：一套真正能上线的 AI 评估体系，应该这样设计

AI评估不是为了证明模型有多厉害，而是为了回答三个上线问题：能不能稳定完成任务？出错时能不能被发现？每一次模型、提示词、检索和工具链变更，会不会把线上效果带崩？

2026-05-25 11:39:59 717

原创飞书秒变 Claude Code 控制台：一个 Bridge 项目，正在改写 AI 编程入口

过去我们谈 AI 编程，第一反应是 IDE 插件、终端工具、命令行 Agent。但这个飞书 + Claude Code Bridge 的价值在于，它把 Agent 带到了开发者每天高频使用的协作界面里。它的技术难点并不神秘：WebSocket 接事件、子进程调 Claude CLI、解析 stream-json、更新飞书卡片、管理 session 和 workspace。真正有价值的是组合方式：把这些普通模块拼成了一个更自然的工作入口。第一，它改变了入口。

2026-05-23 21:14:10 948

原创国家发改委点名具身智能训练基础设施：机器人为什么要从赛场跑向工厂、商场和家庭？

过去几年，大模型让 AI 具备了很强的理解、生成、推理能力。但多数大模型仍然主要活在数字世界里：你输入文字，它输出答案；你输入图片，它输出描述；你输入需求，它生成代码或方案。具身智能不同。它强调 AI 必须绑定一个“身体”，比如人形机器人、机械臂、四足机器人、轮式机器人、无人车等。这个身体有摄像头、雷达、触觉、关节、电机、执行器，能够感知环境、理解任务、做出动作，并从真实物理反馈中学习。这意味着具身智能比聊天机器人更难，因为真实世界不会像文本一样规整。

2026-05-22 23:00:27 576

原创 AI 应用开发到底在开发什么？

最后用一句话总结：AI 应用开发不是单纯开发模型，而是开发一个能让模型在业务里安全、准确、稳定工作的系统。具体来说，它主要开发 5 件事：• 开发入口：让用户用自然语言、文件、图片、语音和系统交互。• 开发数据：把企业知识、业务数据、文档资料变成模型可用的上下文。• 开发编排：决定什么时候走 RAG，什么时候走 Agent，什么时候走固定工作流。• 开发工具：把企业已有接口封装成模型可以安全调用的能力。• 开发保障：让 AI 应用具备权限、日志、评测、监控、成本控制和兜底能力。

2026-05-22 21:52:39 528

原创 OpenHuman 两日破万星背后：AI Agent 开箱即用、本地记忆、隐私安全与个人数字分身全解析

OpenHuman 的走红，不应该简单理解成又一个开源项目爆火。它真正代表的是个人 AI Agent 的产品逻辑正在改变：过去比谁插件多、谁模型强、谁自动化更猛；现在开始比谁更容易上手、谁更懂个人上下文、谁更尊重隐私、谁更能长期稳定地融入日常生活。OpenClaw 证明了多渠道网关和插件生态的价值，Hermes 证明了学习闭环和技能进化的价值，OpenHuman 则把问题推向了更大众的一侧：普通人能不能不折腾、不养成、不反复解释背景，也拥有一个真正懂自己的 AI 伙伴。

2026-05-21 13:17:40 648

原创 Qwen3.7-Max深度解析：智能体Agent、AI编程、MCP工作流、跨框架泛化与百炼API，一次讲透国产大模型新前沿

所谓“智能体基座”，可以理解为支撑各种智能体应用的核心模型。上层可以是编程助手、办公助手、数据分析助手、客服助手、运维助手，也可以是一个由多个子智能体组成的团队。底层模型必须足够稳，才能让这些上层应用跑起来。普通模型更像一个知识问答接口：你问一句，它答一句。智能体基座则更像一个大脑中枢：它要分配任务、连接工具、读取反馈、修正策略、控制成本，还要在必要时把复杂任务交给不同角色协作完成。Qwen3.7-Max 的重点，不是又多了一个会聊天的大模型，而是说明大模型竞争正在进入智能体执行时代。

2026-05-20 22:47:32 687

原创 MSE AI任务调度爆火：Agent定时任务、Dify、OpenClaw、Hermes、百炼统一调度，如何把AI助手变成自动干活的数字员工？

这次值得关注的点，不是“又多了一个定时任务功能”，而是 Agent 正在从一个交互工具，变成可以被组织、被管理、被观测、被审计、被优化的数字劳动力。MSE AI任务调度解决的核心问题，可以概括为五句话：让 Agent 不再等人手动触发，而是按时间、事件和规则自动运行。让分散在不同框架里的 Agent，被统一接入、统一管理、统一观测。让任务失败、超时、无可用执行器等异常可以被及时发现和处理。让权限、配额、日志、审计和成本控制成为标准能力。

2026-05-20 22:27:04 602

原创 AI Agent 构建实战：Claude Code 模式迁移、Rust 代码审查 Agent、六层架构与工程闭环全解析

资料选择了一个非常适合练手的场景：输入一份 Git diff，输出一份结构化代码审查报告。这个场景很典型，因为它天然覆盖了 Agent 构建的六个关键维度。第一，它需要读取变更内容，所以一定会遇到上下文预算问题。第二，它需要搜索关联文件，所以一定会涉及工具编排。第三，它要判断 bug、安全风险和设计问题，所以需要稳定的提示词控制。第四，它只能审查，不能乱改，所以要有权限边界。第五，模型调用和工具调用都可能失败，所以要有重试和熔断。第六，审查结果要可追踪，所以要有日志、指标和报告结构。

2026-05-20 07:59:47 609

原创 Claude Code 可观测性工程爆火全解析：AI Agent 日志、遥测、追踪、成本监控与安全治理一次讲透

很多遥测数据不是在运行中丢的，而是在退出时丢的。用户按下 Ctrl+C、终端关闭、进程收到信号、系统回收资源，如果关闭流程没有设计好，最后几秒最关键的数据就可能没机会写入。优雅关闭要有明确优先级：先恢复终端状态，再保存会话和本地状态，再执行收尾 Hook，最后刷新遥测。每一步都要有超时，不能让某个环节无限等待。这类设计看似细节，却决定了系统在异常边界上的质量。生产级工具不是只在正常路径上好用，也要在退出、崩溃、取消、断网时尽量可恢复。真正成熟的 AI Agent，一定不是一个只会调用模型的黑盒。

2026-05-19 22:00:48 359

原创 Claude Code 不足复盘与容错架构全解析：AI Agent 架构优化、上下文工程、缓存稳定性、LSP 语义搜索、Feature Flag 治理

长会话一定会遇到上下文窗口限制。自动压缩的价值很明显：把前面的对话、文件操作、命令结果、技术决策压成摘要，让 Agent 能继续工作。但压缩天然是有损的，尤其是用自然语言摘要时。最容易丢的不是“最后做了什么”，而是“为什么这样做”。比如模型尝试过方案 A，失败后改用方案 B。压缩后可能只剩“采用方案 B 解决问题”，失败方案 A 和当时的判断过程就消失了。下一轮模型可能又重新尝试 A，造成重复踩坑。还会丢失精确引用。

2026-05-19 16:39:41 490

原创 AI Agent 生产级编码模式全解析：Claude Code 八大工程模式，读懂智能编程、权限安全、上下文治理与工具系统

八大模式看起来并不玄：先读再改、渐进自主、防御 Git、结构验证、范围匹配、工具级提示、结构化搜索、能力降维。它们甚至没有高深数学，也没有神秘技巧。但正是这些朴素规则，让 AI 编程助手从“能演示”走向“能交付”。真正的差距，不在于谁写了更长的提示，而在于谁把提示变成了工具边界、权限梯度、验证链路、搜索协议、缓存策略和降维路径。模型负责生成可能性，工程系统负责把可能性约束成可靠动作。

2026-05-19 13:29:44 380

原创 Claude Code 驾驭工程原则全解析：AI Agent、上下文工程、Prompt Cache、权限安全、A/B测试、长期记忆与多智能体架构底层方法论

这份材料最值得反复品味的一句话可以概括为：控制行为的最佳方式，不是写更多代码，而是设计更好的约束。提示词即控制面，让行为可调整；缓存感知设计，让长上下文成本可控；失败关闭，让默认状态更安全；A/B 测试，让行为变更有数据依据；先观察再修复，让问题定位更可靠；锁存以求稳定，让系统避免抖动。六条原则背后，其实是一种工程哲学：AI Agent 不是“放任模型自由发挥”，也不是“用代码把模型绑死”，而是在模型能力和工程约束之间建立一套稳定的驾驭系统。

2026-05-19 08:41:56 593

原创 Claude Code Feature Flag 未发布功能管线全解析：89 个开关看懂 AI Agent 后台自主运行、Auto Mode、远程执行与上下文工程

从这组 Feature Flag 可以看出，AI 编码工具的下一阶段，绝不是多加几个按钮那么简单。它正在走向后台持续运行、多 Agent 协作、远程环境执行、智能权限审批、上下文精细治理、团队记忆沉淀和多模态交互。

2026-05-18 21:33:01 338

原创 Claude Code 插件系统全解析：AI Agent 扩展生态、Marketplace、权限治理、企业级平台化关键技术

插件数量多并不代表生态成熟。真正成熟的插件系统，一定要同时回答五个问题：能力怎么表达，来源怎么分发，版本怎么控制，风险怎么审计，企业怎么治理。对于 AI Agent 来说，这比传统软件插件更重要。因为插件影响的不只是界面，而是模型可以调用的工具、可以参考的技能、可以触发的自动化、可以连接的外部系统。插件系统本质上是在定义 Agent 的“运行时能力边界”。未来的 AI 编码工具，可能不会只比拼谁的模型更强，而会比拼谁的扩展生态更安全、更可组合、更容易被企业接受。能把能力做成插件，只是第一步；

2026-05-18 20:04:11 497

原创 Claude Code 技能系统全解析：AI Agent 自定义能力、SKILL.md、MCP 扩展、上下文预算与企业级自动化落地

用户自定义技能是整个系统最有想象力的部分。个人可以把常用写作、代码审查、数据处理、发版检查沉淀成技能；团队可以把项目规范、组件库约束、接口风格、测试要求写进仓库；企业可以通过策略管理，把审计过的技能统一下发。技能系统真正厉害的地方，不在于多了一个命令入口，而在于它提供了一种把经验、流程、规范、权限、上下文预算和自我改进统一起来的工程抽象。对于个人，它能减少重复提示，让 AI 更懂你的工作方式；对于项目，它能把仓库规范沉淀成可执行流程；对于企业，它能把可审计的能力统一分发，并通过权限和信任边界控制风险。

2026-05-18 13:15:05 655

空空如也

空空如也