- 博客(12)
- 收藏
- 关注
RSS订阅原创 玩转OpenClaw：Skill全攻略+变现指南（无安装教程，纯干货）
掌握这2个核心玩法，就能让你的OpenClaw适配各类场景，既解放自己，也能为后续变现打基础，全程无安装、纯Skill实操。社区Skill无法满足所有需求，自定义Skill是“差异化变现”的关键——不用写复杂代码，用自然语言就能定义专属能力，适配特定场景（如定制化办公流程、专属数据处理），也是后续售卖Skill、企业定制的基础。SKILL.md用FrontMatter + Markdown编写，格式严格但简单，直接复制模板修改即可，以下是3个高频变现场景的模板（可直接复用）。
2026-03-27 11:56:21
640
原创 2026最新开源大模型部署全维度对比
2026年开源大模型生态迎来爆发式成熟，Meta、阿里、智谱等国内外厂商密集推出新一代开源模型，从通用基座到垂直领域专精模型，覆盖不同部署场景与硬件需求。对于开发者、小团队及企业而言，“选对模型+适配部署”是落地AI能力的核心，盲目跟风选型易导致硬件浪费、部署卡顿或场景适配不足。
2026-03-27 11:37:34
319
原创 AI 2026：未来已来，如何在这个时代持续进化
从生成式AI的爆发到多模态模型的普及，从AI Agent的自主决策到具身智能的物理交互，技术迭代的速度远超我们的想象。行业专属模型：医疗、法律、金融等领域的专业模型不再是通用模型的简单微调，而是从训练数据、架构设计到评估标准的全栈定制。跟踪前沿：定期阅读arXiv论文、顶级会议（NeurIPS、ICML、CVPR）的论文，关注关键研究团队（如OpenAI、DeepMind、Anthropic、斯坦福HAI）的动态。有的负责创意，有的负责逻辑验证，有的负责执行，通过协作解决单一Agent无法处理的复杂问题。
2026-02-24 15:33:49
508
原创 深入理解 Faiss：从原理到实践，解锁向量检索新效率
在深入技术细节前，我们先明确一个核心问题：Faiss 到底是什么，它解决了什么痛点？Faiss（Facebook AI Similarity Search）是 Meta 开发的一款高效向量相似性搜索库，专为高维向量（如深度学习模型输出的特征向量）设计。它支持多种相似性度量方式（如欧氏距离、余弦相似度），并通过一系列优化算法，在保证检索精度的前提下，大幅提升高维向量的检索速度，解决了传统 “暴力搜索” 在高维场景下的性能瓶颈。
2025-10-08 13:45:01
1262
原创 从「卡壳」到「流畅解决」：ReAct-Agent 如何让 AI 真正学会「思考 + 行动」？
但对于我们日常工作中的 “数据整理、报告撰写、问题排查” 这类重复性强、需要多步骤协作的任务，ReAct-Agent 绝对是 “效率神器”—— 它能帮你把 “花 2 小时找数据”“熬 1 晚 debug” 的时间省下来，去做更有创造性的事。这些规则不用写代码，在工具的 “设置界面” 填文字就行，比如在 LangChain 里，直接在 “Reasoning Prompt” 里写：“所有数据必须来自 2024 年的权威来源，若无法获取，需告知用户并建议替代方案。而 ReAct-Agent 的逻辑是这样的：。
2025-09-29 10:41:06
1034
原创 相似向量检索库：FAISS 简介及原理
FAISS 是处理大规模高维向量相似性搜索的利器，它通过索引结构优化和向量量化技术，在速度、内存占用和召回率之间取得了良好的平衡。
2025-09-26 11:29:14
1927
原创 从 “背书机器” 到 “暖心伙伴”：3 步教你看懂 AI 对话模型的 “成长秘籍”
其实不止 “学安慰”，无论是 ChatGPT 回答问题、AI 写文案，还是智能客服处理咨询，背后都遵循这套 “SFT→RM→PPO” 的逻辑。步骤大白话解释我们要做什么AI 在学什么SFT背 “标准答案手册”编写 “情境→标准回应” 的训练数据，给 AI 打基础学会 “不出错” 的基本回应，掌握行业常识和礼貌RM立 “好坏评分标准”让人类对 AI 的多个回答排名，训练自动化 “评分员”理解 “什么是好回答”，建立质量判断标尺PPO在练习中 “追高分”
2025-09-25 14:15:27
989
原创 从 “背手册” 到 “懂人心”：揭秘 AI 安慰机器人的 3 步进化之路
其实不仅是安慰机器人，像 ChatGPT 这样强大的对话 AI，核心训练逻辑也是这三步。步骤大白话解释我们做什么AI 学什么最终结果SFT背 “安慰手册”制作 “情境→标准答案” 的训练数据掌握基础的、标准的回应方式AI 能应对已知场景，但不会变通RM立 “好坏标准”用 “情境 + 多回答 + 排名” 训练评分模型学会判断 “什么是好的安慰话”得到自动化的 “回答质量评分器”PPO追 “高分目标”让 AI 自由练习，用 RM 评分反馈，PPO 指导改进。
2025-09-24 09:14:53
1293
原创 从 “能说话” 到 “会思考”：大模型如何重塑我们的数字世界？
比如你说 “给我写一段关于‘秋天的公园’的文案”，Transformer 会通过 “自注意力机制”，把 “秋天”“公园” 这两个词和它学过的 “落叶”“长椅”“夕阳” 等信息关联起来，再通过 “多头注意力” 同时考虑 “场景氛围”“语言风格”“用户需求” 等多个维度 —— 这也是为什么大模型写的内容，会比早期 AI 更连贯、更贴合语境。再问 “这段代码为什么会报错”，它还能帮你排查问题 —— 这不是因为它 “懂编程”，而是它在训练时见过无数类似的代码案例和问题解答，能通过数据中的规律，生成符合逻辑的答案。
2025-09-23 10:07:46
1234
原创 从理论到落地：大模型工程师的完整知识体系指南
熵（Entropy）：衡量 “数据的不确定性”，熵越高表示数据越混乱，是理解 “语言模型为何能学习语法规则” 的关键；交叉熵（Cross-Entropy）：大模型预训练的核心损失函数，用于衡量 “模型预测分布与真实数据分布的差距”；KL 散度（Kullback-Leibler Divergence）：量化两个概率分布的 “差异程度”，是模型蒸馏、域适应等任务的核心指标。
2025-09-22 14:13:34
1834
原创 从 “翻译” 到 “革命”：Transformer 架构如何重塑 AI 的未来
从 2017 年到 2024 年，Transformer 用短短 7 年时间重塑了 AI 领域的技术格局。它不仅是一个模型架构，更代表了一种 “以注意力为核心、以预训练为基础、以通用化为目标” 的 AI 设计思想。未来，Transformer 可能会被更先进的架构取代，但它带来的 “聚焦关键信息”“先通用后专用”“跨模态整合” 等思维方式，将持续影响 AI 的发展。
2025-09-20 09:52:59
1825
原创 Python基础入门：从零开始学习Python编程
使用def关键字来定义函数：python"""这是一个简单的问候函数"""return f"你好, {name}!# 调用函数message = greet("王五")# 带默认参数的函数print(power(3)) # 输出 9print(power(3, 3)) # 输出 27这只是Python编程的冰山一角，但掌握了这些基础知识，你已经可以开始编写简单的Python程序了。
2025-09-19 15:04:28
621
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