- 博客(27)
- 收藏
- 关注
RSS订阅原创 一步一步学习使用FireMonkey动画（） 用实例理解动画的运行状态
上一篇内容，我们详细讨论了怎么使用envoy做负载均衡，并且记录详细的地址，其中还解决了一个问题，那就是怎么让envoy获取真实后端pod ip地址，后面使用headless service，既使用了service的服务发现能力，又不使用service的负载均衡能力。这里展示了怎么使用consul作为服务发现，不管是用headless还是consul，都是dns的服务发现，在consul的例子中，将固定域名（.service.consul）引导至consul提供的dns服务，从而实现。
2026-03-12 20:16:10
171
原创 记一次 .NET 某放射治疗光学定位软件 卡死分析
线性代数求解器的深度优化：能够自动选择最优线性求解器，对于小规模稠密问题，可以配置 DENSE_NORMAL_CHOLESKY，使用普通 Cholesky 求解，对于大规模稀疏问题（如 SLAM、Bundle Adjustment），可以配置 SPARSE_NORMAL_CHOLESKY，实现稀疏 Cholesky 求解。精度是用户最为关心的问题，ceres::Covariance是 Ceres 提供的一个后处理工具类，用于在优化完成后估计参数的协方差矩阵，从而得到每个参数的不确定性（标准差）。
2026-03-12 20:12:32
186
原创 基于 JuiceFS 构建 AI 推理：多模态复杂 I/O、跨云与多租户支持
和 Keyed State 类似，想要创建一个 Operator State，同样也需要一个 StateDescriptor，同时，需要实现 CheckpointedFunction，它提供了两个方法，分别是在 checkpoint 时 调用的 snapshotState() 和 自定义函数初始化时调用的 initializeState()。这里还有一个方法值得注意，就是 isRestored()，它是用来判断当前任务是否是从故障中恢复的，如果是，我们需要执行故障恢复相关的逻辑。
2026-03-11 11:32:10
308
原创 vivo 前端三剑客发展历程及原理揭秘
为了扩展应用,我们可以使用 Redis Pub/Sub(发布/订阅)来管理多个 WebSocket 服务器之间的消息分发。每次客户端发送请求(例如,当你加载网页或发送消息时),它都会与服务器建立新连接,处理请求,并在数据发送完成后关闭连接。当新客户端连接时,它会被添加到客户端列表中,当任何客户端发送消息时,该消息会广播给所有连接的客户端。为此,我们将使用 MySQL 在数据库中持久化聊天消息。借助 PHP 和 WebSocket,你拥有了创建可扩展、实时应用的基础,这些应用可以提供无缝的用户体验。
2026-03-11 11:27:13
316
原创 VTK开发笔记（五）：示例Cone，熟悉观察者模式，在Qt窗口中详解复现对应的Demo
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-10 13:15:32
178
原创 我的一个oier朋友
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-10 13:10:00
197
原创 结合实例学习F#(一) --快速入门
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-09 13:10:09
169
原创 前端性能分析工具：dynaTrace Ajax Edition
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-09 13:05:05
362
原创 NIIT毕业学员的自白：+=(我是一个毕业了年多的学员)
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-08 11:19:40
249
原创 那个我们爱的Silverlight
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-08 11:13:56
327
原创 ASP.NET MVC 路线图
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-07 12:55:38
208
原创 .Net项目分层与文件夹结构大全(最佳架子奖,吐槽奖,阴沟翻船奖揭晓)
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-07 12:50:02
185
原创 每个人都应该懂点函数式编程
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-06 12:53:56
169
原创 不是技术也能看懂云计算，大数据，人工智能
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-06 12:48:48
367
原创 第三人称——骑马系统以及交互动画
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-05 12:11:29
209
原创 .NET 新增功能系列文章——C# 中的新增功能
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-05 12:05:30
375
原创 我和AI不得不说的故事：现在是最好的时代也是最坏的时代
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-04 12:06:25
204
原创 n，以及用户的swap交易。 Factory 首先来看一下Factory合约，定义了四个变量： address public fee ...
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-04 12:00:57
358
原创 基于大模型的电信网络诈骗预警技术研究
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-03 22:02:31
197
原创 哥本哈士奇(aspnetx)
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-03 21:52:08
350
原创 小爱同学连接电脑进行交互 教程
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-02 12:49:05
332
原创 打破软件“收费”羞愧感，勇敢要钱
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-02 12:43:46
287
原创 一生一芯学习：程序，运行时环境与AM(一)
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务。使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）相较于传统的single-step的数据及其sft RL的训练方式。所以Agent的目标（需要的推理能力）分为三类。
2026-03-01 11:13:25
345
原创 解密prompt系列. 手搓代码沙箱与FastAPI-MCP实战
根据论文及实验经验，建议将LoRA同时作用于注意力层与MLP层（如target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"]），以有效提升模型精度。优化后，模型训练速度提升2倍，显存占用降低70%。传统大语言模型微调往往面临硬件要求高、迭代速度慢和资源受限等挑战，而Unsloth通过高效的底层实现和友好的接口设计，显著降低了微调的技术门槛，使更多人能够高效、低成本地训练属于自己的定制模型。
2026-03-01 11:06:41
594
原创 uni-app x使用uview-plus
单击知识库检索节点，配置输入下方Query变量参数值为意图识别节点的输出output，然后点击知识库右侧的+按钮，在弹出的选择知识库页面中添加刚刚创建的知识库。智能客服助手的搭建其实有很多方式，比如使用fastgpt、dify这样的智能体平台也是可以的，但是选择coze是一个非常简便、快捷的方案。第二、技术的发展绝对不是跳跃式的，而是建立在前一阶段的基础上的，是一种渐进式的发展。而，智能体就是对话的载体，MCP就是业务数据和智能体的桥梁，让传统的业务接口，通过对话的方式，实现业务交互。
2026-02-28 21:33:38
259
原创 丐版 OI 技巧 / 杂项部分总结 + 作者学习笔记
这样不断的删除直到无法再进行投票，如果数组为空，则没有任何元素出现的次数超过该数组长度的一半。所以当一个屋子的闹鬼次数增加时，我们把那些可能会触发警报的警报器拿出来，判断是否触发警报，如果没触发，那么重新计算。25. dp[x][y] 两维限制转化为 dp[x] 一维限制，dp[x] 记录 可行的 y 的最小值。堆的删除可以使用懒惰删除，维护每个监视器的最新阈值编号（出队次数）、以及堆中每个阈值信息的编号即可。摩尔投票法的基本思想很简单，在每一轮投票过程中，从数组中找出一对不同的元素，将其从数组中删除。
2025-12-14 22:36:32
322
原创 STM32F103ZET6 + W5500编程遇到的问题与解决过程
上位机windows操作系统，使用VS2022的C++编程，设置断线重连，有的时候能马上连接，有的时候要等半分钟才能连接成功，查看单片机的调试串口输出，可以看到W5500的网络状态卡在了SOCK_SYNRECV处很长时间，直到超时关闭连接后，上位机才能再次连接成功。将上位机连接超时从1秒改成5秒后，连接延迟的现象有所改善，但是仍然会出现，估计是在单片机等待连接再次建立的时候，刚好出现在超时临界点，导致接收不到SOCK_SYNRECV的应答信号，就一直卡在那里了，决定使用下面的思路解决。
2025-12-14 22:35:54
450
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