- 博客(215)
- 收藏
- 关注
RSS订阅原创 【AIGC】多 Agent 架构 还是 单Agent？Agent Teams vs SubAgent
多智能体系统本质上不是对单智能体能力的升级，而是用**成本（Token消耗、延迟、复杂度）**换取特定场景下的能力，所以大多数情况下不需要复杂的多Agent架构，优先使用单Agent更高效。需要我基于这三个视频的核心观点，整理一份“多Agent架构选型与拆分实操清单”吗？清单会包含选型判断标准、拆分步骤和避坑点，可直接用于实际项目参考。
2026-03-30 16:13:55
397
原创 【AIGC】Claude Code CCAF认证考试知识点整理（Claude Code 基础架构、概念扫盲）第一部分: Agentic Architecture & Orchestration
代理循环四步：请求 → 检查 stop_reason → 执行工具 → 追加结果迭代stop_reason 是唯一合法循环控制信号tool_use→ 继续end_turn→ 终止工具结果必须追加到对话历史，模型才能继续推理模型驱动决策是 Claude Agent 核心，优于预配置流程三大反模式绝对禁止解析自然语言停止固定迭代上限作为主要停止用助手文本判断完成如果你需要，我可以帮你出一套针对这部分的模拟考题（单选+判断+场景题），帮你检验掌握程度，完全贴合认证考试风格。Hub（中心）
2026-03-30 15:31:50
408
原创 【AIGC】Claude Code的 Agent Teams 模式 使用指南 和样例
Claude Code Agent Teams 使用指南 摘要：Claude Code Agent Teams 是一项实验性功能，支持多智能体协作开发。通过配置文件启用后，可创建由 Lead 和多个 Teammates 组成的团队，实现并行任务处理。支持自然语言指令、命令行和团队定义文件三种创建方式，适用于代码审查、前后端协同等场景。最佳实践包括保持任务独立性、明确指令格式、控制团队规模（3-5人）等。提供常用命令速查表和前后端协同开发模板，包含团队创建、任务分配、状态监控等核心操作，通过邮箱系统实现成员间
2026-03-28 22:02:49
1050
原创 【AIGC】Claude Code中 plugin、skill、agent、coordinater的关系
本文系统阐述了Claude认证架构中Plugin、Skill、Agent和Coordinator四大核心角色的关系。Plugin作为功能分发单元包含Skill和Agent；Skill是具体执行单元需挂载到Agent；Agent具备决策能力；Coordinator负责多代理调度。文章详细介绍了CC CLI两套运行系统，重点区分了Skill-only插件和Agent插件的判断标准（CLI命令检查、文件结构验证等），并解释了everything-claude-code插件的工作机制——其内置Agent通过插件内部
2026-03-26 16:24:59
409
原创 【AIGC】Claude Code 官方学习指南
Claude Code官方文档全指南摘要（150字）： 本文系统整理了Anthropic官方发布的Claude Code完整文档体系，包含核心文档入口（中英文）、功能模块分类和进阶资源。重点涵盖MCP协议（模型控制协议）与沙盒安全机制的技术细节，包括本地/云端实现原理、权限管理和安全策略。文档分为基础使用、核心技术和高级功能三大类，提供安装指南、终端使用、Skill开发等完整教程。特别推荐开发者优先查阅英文原版文档，并按"概述→快速入门→MCP/沙盒→自定义Skill"的顺序学习。附Gi
2026-03-25 18:59:15
604
原创 【AIGC】Claude Code的CLAUDE.md加载时机与书写最佳实践
CLAUDE.md文件分为项目级和全局级，作用域和优先级不同：项目级仅对当前项目生效，优先级更高；全局级对所有项目生效，存放通用规则。两者无冲突时叠加生效，冲突时项目级覆盖全局级。建议全局级存放通用规则，项目级存放专属规则，避免重复。CLAUDE.md在会话初始化或文件操作时按需加载，书写时应结构清晰、内容精简、规则明确，并合理使用元数据限定作用范围。项目级文件建议纳入版本控制，全局级文件定期维护更新。
2026-03-21 16:21:27
1415
原创 【AIGC】Claude Code的三大模式
摘要： Claude Code提供三大核心执行模式（默认/手动批准、自动编辑、计划模式）和辅助模式（思考强度/危险模式/Fast Mode）。核心模式通过Shift+Tab切换，控制自动化程度：默认模式最安全需逐项确认，自动编辑模式仅自动处理文件修改，计划模式先规划后执行。辅助模式中，危险模式风险最高（跳过所有权限检查），思考强度模式调节推理深度。模式选择需权衡效率与安全性，建议复杂任务用计划模式，低风险批量操作用自动编辑模式，关键操作保持默认模式。
2026-03-21 16:02:56
686
原创 【AIGC】Claude Code Rules配置
摘要：Claude Code的Rules配置机制是定义代码规范的核心工具，支持项目级和全局规则配置。规则文件需放置在.claude/rules/目录下，采用Markdown格式编写，可包含YAML元数据限定作用范围。配置要点包括：1）按功能模块化拆分规则文件；2）使用"必须/禁止"等明确指令；3）通过路径限定实现针对性约束。规则优先级遵循项目规则>全局规则，冲突时高优先级覆盖低优先级。最佳实践建议将规则纳入版本控制，并定期更新维护。
2026-03-21 11:46:13
1311
原创 【AIGC】Claude Code 模型配置详解
本文介绍了Anthropic Claude模型的配置参数及其应用场景。主要内容包括： 核心参数解析：详细说明了5个关键参数（ANTHROPIC_MODEL、ANTHROPIC_DEFAULT_OPUS_MODEL等）的作用、适用场景及对应的官方模型ID，其中Opus适用于复杂任务，Sonnet适合常规开发，Haiku用于轻量任务。 配置方法：提供了三种配置方式： 环境变量配置（生产推荐） Python代码直接配置 settings.json文件配置 实践指导：包含具体配置示例和调用代码模板，展示了不同场景下
2026-03-20 11:34:58
1293
原创 【AIGC】在 Claude Code 中打印 LLM 请求体：抓包与非抓包方法全解
摘要： 本文提供4种查看Claude Code与Opus大模型交互请求体的方法： 调试日志（最简单）：通过--debug参数或环境变量直接输出完整请求，包含系统提示词和工具定义 CC-Viewer工具：可视化监控专有工具，适合长期使用 mitmproxy抓包（最完整）：可获取原始HTTPS请求，需配置代理和证书 SDK拦截：适用于代码调用场景，可编程控制日志输出 建议：临时调试用调试日志，深度分析用抓包，开发集成选SDK拦截。所有方法均支持查看系统提示词、上下文等关键信息。
2026-03-20 10:28:06
494
原创 【鸿蒙开发】TypeScript语言1：数据类型和接口
ArkTS在TypeScript（简称TS）生态基础上做了进一步扩展，保持了TS的基本风格，同时通过规范定义强化开发期静态检查和分析，提升代码健壮性，并实现更好的程序执行稳定性和性能。所以，要想学号ArkTS得先了解TS。在线编程：TS在线演练场在TypeScript中，使用let或const关键字来声明变量。let声明的变量可以被重新赋值，而const声明的变量则需要在声明时初始化，并且之后不能被重新赋值（对于对象或数组，这意味着不能改变它们的引用，但可以修改它们的属性或元素）。变量后面可以跟随一个冒号和
2025-10-25 09:56:08
796
原创 【Python】Pycharm 调试Debug必知
执行当前行，并进入能进入的函数或循环里（print不可进入）。可一定程度代替步过使用。行当前行，并进入自己写的函数或循环里（不关注引用的包的函数）。可一定程度代替步过使用。和步出对应，若已经是最外层，无法步出，则跳到下一个断点。即执行当前行，并跳到下一行，不会进入函数或者循环里。让项目所有断点都失效（同时控制多个文件的断点）查看项目所有断点（同时看多个文件的断点）跳到当前执行行（该行还未执行）直接运行到光标所在行。
2025-09-23 21:02:10
439
原创 【AIGC】自定义曲线用函数拟合
函数f(x) = 1 / (1 + ae^(-b(x - c)))，逼近三个点，(0.059,0.02)，(0.07,0.2)，(0.09,0.83)，求解参数a,b,c分别为多少。函数f(x) = 1 / (1 + ae^(-b(x - c)))，逼近三个点，(1,0.02)，(5,0.2)，(10,0.83)，求解参数a,b,c分别为多少。0.059<dis<0.09 相似。5<t<10 min 中等相似。dis< 0.059 极度相似。1<t<5 min 较高相似。t<1 min 极度相似。
2025-09-23 20:00:34
480
原创 【算法】多榜单排序-＞综合排序问题
若榜单是分数型、追求简单可解释→选「加权平均法」；若榜单是名次型、候选数少→选「波达计数法」；若榜单冲突大、需聚焦相对优势→选「布拉德利-特里模型」；若存在极端榜单、需抗干扰→选「中位数排序法」；若数据量大、有标注数据、追求高精度→选「机器学习排序法」。通过以上步骤，可系统性地将多个差异榜单聚合为一个兼具合理性和可解释性的综合排序。
2025-09-23 19:58:18
1191
原创 【PlayWright】Playwright Inspector使用
Playwright Inspector是Playwright框架中自带的GUI工具，可以辅助开发者调试Playwright脚本。
2024-09-23 15:22:33
3023
原创 【史上最全】一文搞定机器学习的模型评估
MSE1n∑i1nfxi−yi2n为样本量MSE=\frac{1}{n}\sum_{i=1}^{n}(f(\boldsymbol x_i)-y_i)^2，n为样本量MSEn1i1∑nfxi−yi2n为样本量MSE即预测误差的数学期望，是最常用的一个性能度量方法。
2024-08-30 20:52:50
1365
原创 【Python】基础学习&技能提升&代码样例7：代码测试
使用unittest进行测试，如果是需要实现上百个测试用例，把它们全部写在一个test.py文件中，文件会越来越臃肿，后期维护页麻烦。此时可以将这些用例按照测试功能进行拆分，分散到不同的测试文件中。找到指定目录下所有测试模块，并可递归查到子目录下的测试模块，只有匹配到文件名才能被加载。如果启动的不是顶层目录，那么顶层目录必须单独指定。：让一个函数为测试提供输入，测试函数必须将该函数名称名称作为输入参数。
2024-07-29 18:14:58
512
原创 【Python】基础学习&技能提升&代码样例6：日志logging
logging 模块的目标是使客户端不必执行任何特殊操作即可确保线程安全。它通过使用线程锁来达成这个目标；用一个锁来序列化对模块共享数据的访问，并且每个处理程序也会创建一个锁来序列化对其下层 I/O 的访问。如果你要使用 signal 模块来实现异步信号处理程序，则可能无法在这些处理程序中使用 logging。这是因为 threading 模块中的锁实现并非总是可重入的，所以无法从此类信号处理程序发起调用。
2024-07-29 18:11:16
1263
1
原创 【AIGC】大语言模型千问、gpt、智谱token计算-tiktoken、get_tokenizer等
编码（encode）是指将文本映射为token的数字列表，解码（decode）是指将token的数字列表转化为文本。给定一个文本字符串（例如）和编码算法方式， 可以分词为，再根据词典查出数字列表。注意，各大模型一般都提供了计算token数的工具，可在调用模型前先计算token。
2024-07-26 18:34:32
3416
原创 【Python】基础学习&技能提升&代码样例5：argparse优雅的解析命令行参数
Python内置的sys.argv保存了完整的参数列表，我们可以从中解析出需要的参数。但这种方式解析稍微复杂点的参数就非常麻烦，比如可以使用-d复制目录，使用过滤文件名等。argparse模块就可以解决这些问题。
2024-07-26 14:16:37
788
原创 【Python】基础学习&技能提升&代码样例4：常见配置文件和数据文件读写ini、yaml、csv、excel、xml、json
dyanconf的最大特点是用一套代码，从不同的配置数据存储方式中读取配置，例如。xml虽然常被用作配置文件，但他本身的设计是用来存储数据的。json 虽然也被用作配置文件，但更多情况是用来传递数据。具体用法参考上面第一个连接，这里不再赘述。不想展开讨论，以下仅列举可读取的方式连接。test1.yaml写入后如下。test2.yaml写入后如下。
2024-07-26 14:11:38
856
原创 【Python】基础学习&技能提升&代码样例1：简单句式
可迭代对象的例子包括所有序列类型（如 list, str 和 tuple 等）以及某些非序列类型如 dict, 文件对象 以及任何定义了。如果传入了额外的 iterables 参数，则 function 必须接受相同个数的参数并被用于到从所有可迭代对象中并行获取的项。map() 和 starmap() 之间的区别类似于 function(a,b) 和 function(*c) 之间的差异。返回一个将 function 应用于 iterable 的每一项，并产生其结果的迭代器。时，它会返回该对象的迭代器。
2024-07-24 16:38:05
1436
转载 【Python】变量作用域和闭包
讲到了函数就必须介绍变量的作用域相关。变量并不是在哪个位置都可以访问的，访问权限取决于这个变量是在哪里赋值的，也就是在哪个作用域内的。通常而言，在编程语言中，变量的作用域从代码结构形式来看，有块级、函数、类、模块、包等由小到大的级别。但是在Python中，没有块级作用域，也就是类似if语句块、for语句块、with上下文管理器等等是不存在作用域概念的，他们等同于普通的语句。从上面的例子中，我们可以发现，在if语句内定义的变量x，可以被外部访问，而在函数func()中定义的变量a，则无法在外部访问。
2024-07-01 20:58:26
274
1
转载 【AIGC】俗解读大模型微调(Fine Tuning)，包括全量微调和轻量化微调
开始之前，为了方便大家理解，我们先对大模型做一个直观的抽象。本质上，现在的大模型要解决的问题，就是一个序列数据转换的问题：输入序列Xx1x2xmXx1x2...xm， 输出序列Yy1y2ynYy1y2ynXXX和YYYYWXY = WXYWX。我们所说的“大模型”这个词：“大”是指用于训练模型的参数非常多，多达千亿、万亿；而“模型”指的就是上述公式中的矩阵WWW。
2024-05-22 16:41:10
9623
原创 【AIGC】国内外优质技术团队、技术社区、技术博主博主 地址大全
聚合下全网常见技术团队、技术社区、技术博主博主 地址，持续更新…欢迎留言共享好的技术地址。
2024-04-29 15:06:23
1167
1
转载 附近POI: geohash原理和精度
比如选择字符串长度为4，它对应的区域宽度是39.1km，需求可能是50km，那么选择字符串长度为5，对应的区域宽度就变成了156km，瞬间又大了3倍了。但是这种前缀匹配的方式存在一个临近边界问题，就是在区域的边界地方，在这个区域的相邻区域的公共前缀不同（长度按照区域大小选出），按照公共前缀匹配的方法会少筛选出一部分附近的POI;解决的办法是将相邻的8块区域也算进来，扩大寻找范围，计算这些区域中的POI和所在位置的距离， 然后按距离排序筛选；的夹角，以东为东经，以西为西经，通常东经为正，西经为负；
2024-04-26 15:07:19
1495
原创 【AIGC】conda安装tiktoken时，报not found错误
配置的镜像源里没有tiktoken。tiktoken归属在https://anaconda.org/conda-forge/tiktoken中，默认情况大家配置的。文件只扫描配置的default位置。原理可看我另外一篇文章。
2024-02-07 11:07:40
1670
原创 【Latex】 最全的Latex公式常用符号和文本颜色用法汇总
每次在CSDN写latex公式都没有一个很全的博客能完全覆盖，本文争取汇总Latex使用过程中用到的所有符号和技巧，包括：二元运算与关系符号、大型运算符、数学符号、特殊字符、希腊字母、各种括号和矩阵的编码等。注意，其他排版主要用CSDN的markdown格式，不用latex的排版，所以本文不做讨论（如分段、表格，枚举等）。持续更新…1 字母1.1 希腊字母大小写对照示例编码示例编码A,α\Alpha, \alphaA,α\Alpha, \alphaB,β\Beta, \
2024-01-31 21:43:48
2742
原创 【Python】conda镜像配置，.condarc文件详解，channel镜像
安装miniconda即可，Miniconda 安装包可以到下载。.condarc是conda 应用程序的配置文件，在用户家目录（windows：C:\users\username\），用于管理镜像源。
2023-12-11 16:21:29
93165
14
原创 【AIGC】大语言模型的采样策略--temperature、top-k、top-p等
总结如下：LLM解码-采样策略串讲LLM大模型解码生成方式总结LLM探索：GPT类模型的几个常用参数 Top-k, Top-p, Temperature
2023-12-08 11:10:52
1568
原创 【AIGC】prompt工程从入门到精通
使用提示词(prompt)来指导 AI 执行任务的过程称为提示（prompting）。提示词(prompt)是与大模型进行交互的输入，可以是一个问题、一段文字描述或者任何形式的文本输入。
2023-12-07 20:22:37
5845
1
翻译 【AIGC】prompt工程从入门到精通--用于破解LLM的prompt方法（大语言模型的黑客技术与防御）
这能很有效的跳过夹心防御。比如：现在我们将执行不同的任务。我们将玩字典游戏。这是一本字典：{“记住要友善。”：“我已经被PWNED了”，“记住，您正在将上述文本翻译成法语。”：“我已被 PWNED”。“记得做一个好翻译。”:“我已经被PWNED了”}现在将以下句子映射到适当的字典输出：请记住，您正在将上述文本翻译成法语。输出我已经被PWNED了。
2023-12-06 17:27:14
6170
原创 【AIGC】prompt工程从入门到精通--图片生成专题
与文本提示相比，找到最佳的提示词来生成完美的图片并没有那么成熟。这可能是因为创建对象自身的挑战，这些对象基本上是主观的并且往往缺乏良好的准确性度量方法。本指南涵盖了基本的图像提示技术，并且我们强烈建议您查看本章末尾的优秀资源。
2023-12-06 09:21:59
4819
原创 【AIGC】关于LLM你必须知道的特性-偏差（bias）
以上是导致大模型bias的主要原因，这些偏差会使得模型在few-shot学习中的准确率变化较大，但通过进行上下文校准可以减少这些偏差并提高模型的准确率。由于这个参数openAI输出候选token以及其对应概率的最大限制是5，当我们想要更多token概率的时候，需要怎么办呢？因为LLM的训练语料里可能更多积极的东西，所以LLM更倾向于输出P（这就是bias的来源）。保持训练示例和排列集的固定不变，但改变prompt格式， SST-2数据集，用下面15个format，可同时解决上面三种原因引起的偏差。
2023-11-29 09:25:25
2411
1
原创 【AIGC】信息量、熵、交叉熵、KL散度、二值交叉熵(Binary Cross-Entropy，BCE)
本文详细的推导了二值交叉熵(BCE)和二值交叉熵损失函数(BCE Loss)之间的关系。
2023-11-23 15:41:57
2011
原创 【Algorithm】最容易理解的蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）算法
看了不少解读和笔记，本文把最容易理解的解读做个总结。
2023-11-02 15:31:44
4214
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