- 博客(87)
- 收藏
- 关注
RSS订阅原创 白嫖党狂喜！OpenClaw 免费模型自动测速插件，9大平台自动选最快的
装上之后你在 OpenClaw 里设 `model: free-opt/auto`，剩下的它全自动。不用管哪个平台今天正常、哪个超时——插件每小时跑一次全面测速，把你的模型排名更新一遍，下次聊天自动走排名第一的，自动发现 9大平台的免费模型，实时测速，每次聊天自动切换到当前最快那个
2026-04-30 09:16:29
332
原创 别只删npm包！OpenClaw彻底干净卸载指南，不留一丝安全隐患
前阵子跟风装了OpenClaw，玩了两周新鲜劲过了，想卸载腾空间，随手敲了一行`npm uninstall -g openclaw`就以为万事大吉。结果没过几天，安全圈的朋友发了个预警，说常规卸载方式会留下大量凭证和配置文件，哪怕删了CLI工具，API密钥、OAuth令牌、聊天记录全躺在系统里。我回去一查，果然`~/.openclaw`目录完整存在，里面的明文密钥、历史对话、绑定的账号权限一点没少，瞬间惊出一身冷汗，下面就教你怎样干净的卸载龙虾。
2026-04-09 13:47:55
515
原创 别只会“养虾”：我读懂的 OpenClaw 核心架构与运行原理
最近几个月，OpenClaw 几乎刷屏了整个 AI 智能体圈子。网上到处都是“一键部署”“远程控制手机”“Telegram 养虾”这类教程，但我翻了一圈，几乎没人把它到底怎么跑起来的讲清楚。大家都在用，却很少有人真正理解：为什么一句话就能让电脑整理文件、让远端手机自动截屏？多设备是怎么被统一调度的？AI 凭什么敢直接操作你的桌面与文件？我花了几天时间把源码和架构文档啃完，然后翻阅了网上大量的教程和讲解视频以及架构的解析，今天用最通俗、最贴近开发视角的方式讲解一遍。
2026-03-18 09:58:22
988
原创 如何将Openclaw（龙虾）接入飞书
继在上一章发布龙虾安装教程之后，这一章我们来进行龙虾接入飞书的配置，如果你还没有安装 Openclaw，那你也可以阅读[Windows 环境下 OpenClaw 本地部署全攻略]我的这篇文章，来进行前期的安装和准备工作，话不多说，接下来我们就来看看如何实现将Openclaw接入飞书。
2026-03-11 16:23:14
1467
原创 Windows 环境下 OpenClaw 本地部署全攻略
作为一款功能强大的个人AI助理网关，OpenClaw能让你在Telegram、Discord、WhatsApp等多个平台无缝调用Claude、GPT-4、Google Gemini等顶级AI模型，且全程保障数据隐私安全。但是因为Openclaw无法支持Windows原生用户，只能通过WSL2配置，虽然现在网络上有很多的教程，但是翻了好多安装Openclaw的博文大多都是Mac/Linux安装的方法，Windows环境下的一般都一笔带过，考虑到Windows用户基数和大家使用习惯的问题，我还是决定出一集Win
2026-03-10 11:07:05
3104
3
原创 RAG最新消息：让大模型自己决定检索方式，全新 Agentic RAG 框架解析
摘要：中国科技大学与Metastone Technology联合提出的A-RAG框架对传统检索增强生成(RAG)技术进行了革新性升级。该技术通过赋予语言模型自主控制检索工具的能力，实现了动态检索策略选择和迭代信息收集。相比传统RAG的固定检索流程，A-RAG提供了关键词搜索、语义搜索和文本读取三种工具接口，在多跳问答任务中准确率提升10-20个百分点。该框架解决了传统RAG在检索维度单一、检索生成割裂和适配性差等方面的痛点，特别适合医疗、金融等对事实性要求高的领域。虽然存在性能开销等局限性，但A-RAG代表
2026-02-12 14:15:46
716
1
原创 LangChain v1.0学习笔记（4）—— 核心组件Models
要学习 LangChain 躲不过的就是它的几大核心组件，这些组件撑起了 LangChain 框架的重要功能，今天我们看一下 Models，这个组件到底应该如何应用，这也算是 LangChain 的功能起源了，调用大模型一般都是在这个组件下面，下面就让我们一起来看一看。
2026-01-12 16:04:29
1046
1
原创 【2025年技术总结】从现在到未来，我的全年技术探索日志
2025年技术探索总结：作者回顾了全年60多篇技术文章，呈现出一条从基础工具到AI落地的完整学习路径。上半年聚焦SQL、Python基础和机器学习算法解析，下半年转向深度学习与大模型实践，并深入工程化部署（包括昇腾NPU适配）。通过RAG和AI Agent等新方向探索，实现了从"记结论"到"追根源"的思维转变。展望2026年，计划深耕大模型工程化和AI技术，秉持"慢下来，挖深一点"的理念，持续输出能解决实际问题的深度内容。这一年不仅收获了万粉博主的
2026-01-03 20:53:01
978
2
原创 昇腾NPU+Qwen-Image-Edit-F2P模型图像生成测试
本文详细测试了Qwen-Image-Edit-F2P模型在华为昇腾NPU环境下的表现。该模型基于Qwen-Image-Edit基础模型，通过LoRA技术优化了人脸驱动全身生成能力，能保持输入人脸特征的高度一致性。测试在GitCodeNotebook的昇腾Atlas800TA2服务器上进行，覆盖环境配置、模型部署、多场景生成和性能分析等环节。
2025-12-27 11:25:14
6672
9
原创 新发布的deepseek-ocr模型真的那么牛吗？昇腾NPU上deepseek-ocr模型实践
摘要：本文详细记录了在昇腾NPU上部署测试DeepSeek-OCR模型的全过程。作者从OCR技术发展历程切入，介绍了从传统模板匹配到深度学习驱动的技术演进，重点评估了DeepSeek-OCR在多语种识别、复杂场景适应性的表现。通过在GitCode Notebook的昇腾910B环境中完成模型部署，测试了包括印刷体、手写体、多语种混合等5种典型场景，结果显示该模型平均推理时间1.23秒/张，显存占用1.28GB/张，识别精度显著优于传统OCR工具。文章还总结了环境适配、性能优化等实用建议。
2025-12-27 11:20:00
22426
9
原创 GitCode+昇腾部署Rnj-1模型实践教程
本文介绍了在GitCode+昇腾NPU环境中部署Rnj-1大模型的完整实践。通过GitCode Notebook的交互式开发环境和昇腾NPU的高效算力，详细讲解了从环境检查、依赖安装到模型部署和推理测试的全流程。文章重点解决了版本兼容性、模型权重下载加速等关键问题，并提供了性能优化建议和问题解决方案。实践表明，昇腾NPU在降低显存占用（FP16精度约14GB）的同时保持了良好的推理性能，结合GitCode的国内镜像和云端算力，为开发者提供了高效便捷的大模型部署方案。
2025-12-26 11:08:48
21586
8
原创 LangChain v1.0学习笔记（3）—— 核心组件Agents
本文介绍了LangChain v1.0中智能体(Agents)的核心组件与实现方式。智能体通过结合语言模型与工具，构建能够推理任务、动态选择工具并迭代推进解决方案的系统。文章重点讲解了三个核心组件：1) 模型(Model)作为推理引擎，支持静态和动态选择；2) 工具(Tools)赋予执行能力，支持自定义错误处理和ReAct循环；3) 系统提示词(System prompt)用于塑造智能体行为。文中提供了代码示例说明如何使用create_agent构建生产级智能体，包括模型配置、工具定义和中间件实现。智能体遵
2025-12-05 10:10:03
1027
原创 LangChain v1.0学习笔记（2）
本节笔记针对 LangChain v1.0 的发展历程以及安装和快速构建一个智能体出发，让我们更深入的了解 LangChain 的各个模块，对它有个大体的认知。
2025-11-21 14:47:01
1235
原创 手把手教你用Rust实现一个现代化的命令行十六进制查看器
本文介绍了使用Rust语言开发现代化终端十六进制查看器的过程。项目充分利用了Rust的内存安全特性和高性能优势，结合clap、ratatui和crossterm等优秀库实现了功能丰富的hex viewer。核心功能包括：十六进制/ASCII双视图展示、键盘导航、搜索功能（支持大小写敏感切换）和美观的TUI界面。文章详细讲解了数据结构设计、界面渲染、键盘事件处理和搜索功能的实现方法，展示了Rust在系统工具开发中的强大表现力。该项目可作为学习Rust实际应用的良好范例。
2025-11-16 16:31:46
22159
原创 GitHub爆火开源项目——RustScan深度拆解
本文将从定位、发展历程、难易程度、核心优势四个维度，深入剖析Rust与C的差异，再通过“贪吃蛇游戏”的实战对比，量化两者在速度、内存、代码量等关键指标的表现，帮助程序员清晰判断“何时该用C，何时该选Rust”，文章较长，全文三万字，耐心看完，希望你能有所收获。
2025-11-14 13:39:49
5659
原创 深入探索RustPython：用Rust构建的Python解释器
本文深度讲解在github上收获20.8k Star的爆火项目---RustPython，文章和一般讲解文章不同，旨在让读者更好的理解 RustPython 的整体架构，所以顺序按概述、核心虚拟机、对象系统、标准库、编译管道、项目组织的结构走，单独读本文可能你并不能很好的理解，但是读过本文之后你在去精读 RustPython 你会发现更容易上手。
2025-11-14 13:34:33
6179
原创 LangChain v1.0学习笔记（1）
本文为在官网学习 LangChain v1.0 文档的笔记，帮助大家在网络不畅，或者官网阅读困难的情况下学习 LangChain v1.0。
2025-11-12 17:44:00
1239
原创 深度剖析Figure 03：人形机器人从实验室到量产的技术破壁者
在继Figure 02机器人在特斯拉工厂工作500天后，Figure AI公司有推出了家用场景下的Figure 03机器人，下面我们一起来看看这次推出的Figure 03机器人如何。
2025-11-01 08:19:58
2357
原创 如何在云服务器上使用LLaMA Factory框架微调模型
LLaMA Factory是一款开源低代码大模型微调框架，集成了业界广泛使用的微调技术，支持通过Web UI界面零代码微调大模型。本文以DeepSeek-R1-Distill-Qwen-14B模型为例，介绍如何使用云平台（这里以阿里云平台为例，其他平台区别不大）及LLaMA Factory训练框架，完成模型的中文化微调和评估，以及为评估后的合并和本地模型注册ollama的方法。
2025-09-23 10:13:01
1620
1
原创 Dify外挂RAGFlow知识库实现精准召回
在AI模型应用编排领域，Dify凭借灵活的工作流设计、友好的交互体验，成为很多人搭建智能应用的首选；而RAGFlow则在文档解析、知识召回的精准度上表现突出。如果能让Dify“借用”RAGFlow的知识库能力，就能实现“强强联合”——既保留Dify的应用构建优势，又拥有RAGFlow可靠的知识检索效果。今天就手把手教你如何操作，让Dify外挂RAGFlow知识库，实现更精准的知识召回。
2025-09-02 17:10:50
1561
原创 Lora与QLora
举一个简单的例子让我们简单的认识一下Lora和QLora：一个130亿参数的大模型，全量微调一次要花上万元，普通开发者根本玩不起。这时候，**LoRA**和**QLoRA**就登场了——它们像给房子“局部改造”，只换关键家具（调整少量参数），既省钱又不破坏原有布局，让普通人也能玩转大模型微调。
2025-08-29 14:50:39
946
原创 一文吃透大模型微调技术（附源码解释）
微调的本质是**在预训练模型基础上，使用特定任务数据集进行二次训练**，使模型参数适应新任务。其核心逻辑是：冻结预训练模型大部分参数（或全部参数），仅调整部分参数（或全部），以较小的计算成本让模型学习任务特性，而我们需要微调就要先了解整体微调的结构包含哪些部分，接下来我们就来认识一下
2025-08-11 10:40:00
1215
原创 详解 RuntimeError: CUDA error: an illegal memory access was encountered 的解决之道
摘要：本文深入解析了深度学习开发中常见的"CUDA error: an illegal memory access"错误。该错误通常因GPU访问非法内存地址引发，具有延迟暴露、难以定位的特点。文章从硬件、软件和代码三个维度提出系统解决方案：硬件层面需检查散热、供电和显存健康；软件环境需确保CUDA版本与驱动匹配；代码层面要重点排查内存越界、释放问题和多线程安全。同时推荐使用cuda-gdb、Nsight Systems等专业工具进行高级调试。最后给出了从最小化测试到降低复杂度的系统性排查
2025-07-31 18:16:54
4764
1
原创 简单明了的对比PyTorch与TensorFlow
摘要：PyTorch和TensorFlow作为当前两大主流深度学习框架，在设计理念与核心优势上各具特色。PyTorch采用原生动态图机制，提供灵活的开发体验和直观的Python接口，成为90%顶会论文的首选工具；TensorFlow则以静态图优化见长，通过Keras高阶API和成熟的部署生态，在工业级应用中占据优势。两者近年来呈现融合趋势：PyTorch 2.0引入编译优化提升性能，TensorFlow 2.x支持动态图增强易用性。选择框架需权衡需求——研究优先选PyTorch快速迭代，生产部署则倾向Ten
2025-07-15 11:25:56
1143
原创 Git安装（纯小白版）
Git是一款免费开源的分布式版本控制系统，常用于软件开发。它能记录文件在不同时间的改动，让用户在需要时查看、恢复旧版本。支持多人协作开发，多人可同时修改项目文件，Git会处理好冲突。开发者能在本地创建分支进行功能开发，完成后再合并到主分支。像许多大型软件项目、开源项目都用Git管理代码，本文将一步步带你安装Git。
2025-06-27 11:42:19
1203
原创 CPU、GPU、NPU、TPU、DPU与IPU的区别
在人工智能飞速发展的今天，我们每天使用的智能语音助手、刷到的个性化推荐、甚至手机的人脸识别功能，背后都离不开强大的硬件算力支撑。如果把AI模型比作大脑中的思维逻辑，那么AI硬件就是支撑这些逻辑运行的"肌肉"。从我们熟悉的CPU、GPU，到专门为AI优化的NPU、TPU，各类硬件层出不穷，这无疑加大了我们的理解难度，接下来我们就从CPU开始逐步了解各种处理器以及它的运作原理。
2025-06-27 11:02:19
2271
原创 如何更改 Docker 镜像存储路径
Docker Desktop默认将镜像存储在C盘的`C:\Users\<用户名>\AppData\Local\Docker\wsl\data`路径下。随着镜像和容器数量增加，C盘空间可能迅速被占满。本文将通过**WSL实例迁移**和**高级挂载策略**两种方案，教你安全高效地迁移存储路径。
2025-06-19 15:07:51
5163
6
原创 RAGFlow 本地部署后如何连接本地模型
本文详细讲述了如何将本地模型配置到 RAGFlow，虽然没官方文档也有介绍，但是基本上是一笔带过，不是很详细，我也根据网上的方法做了一些尝试，但都没有达到想要的效果，于是就有了这篇文章，想详细记录一下部署过程，避免大家走弯路。
2025-05-21 16:24:02
4853
13
原创 Windows 环境下 Docker Desktop 安装 + 汉化
在开发过程中，Docker 是一款极为实用的工具。本教程专为 Windows 用户打造，将全面且细致地讲解 Docker Desktop 的安装与配置步骤，助您迅速入门并熟练掌握。同时，考虑到语言使用习惯，我们精心准备了 Docker Desktop 汉化教程，让您能以更直观易懂的界面管理和操作容器环境。期望这份指南能为您的开发工作增添助力，使 Docker 成为您提升效率的绝佳帮手。
2025-05-15 14:45:29
2107
1
原创 RAGFlow Windows环境下本地部署全攻略
本文讲述了如何从0构建RAGFlow，其中包括在windows系统下的docker、WSL以及ubuntu的详细安装步骤，保证初学者一看就会，其中也包括很多在安装中遇到的问题，可以让读者少走很多弯路
2025-05-13 10:07:51
20896
14
原创 windows 在安装 Ubuntu-20.04 显示操作超时解决办法
在安装 Ubuntu-20.04 时，若系统显示操作超时，可能是由于未启用 Windows 虚拟机监控程序平台。解决方法如下：首先，通过控制面板打开“程序和功能”，然后点击“启用或关闭 Windows 功能”，找到并勾选“虚拟机平台”和“Windows 子系统 for Linux”两个选项。启用这些功能后，重新尝试安装即可解决问题。
2025-05-12 14:07:06
3290
3
原创 TensorFlow 安装全攻略
通过本文的一步步指导，你可以轻松完成 TensorFlow 的多平台安装，并掌握常见问题的解决方法。在实际开发中，建议优先使用虚拟环境隔离项目依赖，并根据硬件配置选择合适的 TensorFlow 版本。遇到复杂问题时，可结合官方文档和社区资源快速定位解决方案。安装常见错误代码速查表：检查显卡兼容性：重新安装匹配的 cuDNN 版本：切换国内镜像源或使用代理祝大家在深度学习的道路上一帆风顺！🌟。
2025-04-27 16:27:43
2101
1
原创 pandas 安装与使用一文知
pandas 是基于 Python 的开源数据处理与分析库，由 Wes McKinney 于 2008 年开发，旨在提供高效、灵活的数据结构和工具，解决现实中的数据分析问题。其名称源自 “panel data”（面板数据）和 “python data analysis” 的结合。pandas 是数据科学领域的核心工具，其设计哲学围绕 “让数据操作更简单、更直观” 展开。
2025-04-22 10:18:39
5169
原创 一文穿透 NumPy 实用指南
NumPy 是科学计算的 Python 基本包，它是一个 Python 库，它提供多维数组对象、各种派生对象（例如掩码数组和矩阵）以及用于数组快速作的例程分类，包括数学、逻辑、形状作、排序、选择、I/O、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。
2025-04-18 09:41:01
971
原创 特征选择方法
在机器学习领域，原始数据往往包含大量冗余、噪声或无关特征，直接使用全量特征会导致计算成本增加、模型过拟合以及解释性下降。特征选择的核心目标是从高维数据中筛选出最具预测能力的特征子集，从而提升模型性能、降低复杂度并增强可解释性。通过合理的特征工程，不仅能提升模型性能，还能为业务决策提供更清晰的洞见。特征选择作为机器学习中非常重要的一环，一直极大程度的决定这模型的效果，下面就让我们一起进入特征选择的世界，为了方便大家总结归纳，在开头家里一个思维导图，大家可以根据内容对照查看。嵌入法 Embedded。
2025-03-26 17:00:59
1246
38
原创 朴素贝叶斯：理论、实践与最优性探秘
朴素贝叶斯是一种基于贝叶斯定理的监督学习算法，其"朴素"源于对特征间条件独立性的假设。尽管这个假设在现实中很少成立，但该算法在文本分类、垃圾邮件过滤等场景表现优异，尤其在数据量较少时仍能保持高效稳定。图1展示了其核心思想：所有特征在给定类别下独立。根据Harry Zhang教授的理论研究，朴素贝叶斯的成功源于依赖分布均衡性局部依赖抵消：不同特征的依赖方向在各类别中相互抵消
2025-03-25 11:07:42
1090
9
原创 集成学习（下）：Stacking集成方法
Stacking（堆叠法）是一种集成学习技术，通过组合多个基学习器（base learner）的预测结果，并利用一个元模型（meta-model）进行二次训练，以提升整体模型的泛化性能。如果说 Bagging 是民主投票，Boosting 是学霸纠错，那么 Stacking 就是组建专家智囊团。如同医院的多学科会诊（MDT），Stacking通过分层建模将不同领域的专家意见进行综合，突破单一模型的天花板。
2025-03-21 15:10:27
2645
44
这篇文章是《numpy-ref.pdf》文档的内容概述，主要介绍了NumPy 2.2.0版本的参考手册 以下是文章的主要内容：
2025-04-17
朴素贝叶斯的最优性研究
2025-03-25
TOKEN STATISTICS TRANSFORMER: LINEAR-TIME ATTENTION VIA VARIATIONAL RATE REDUCTION
2025-02-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人