- 博客(73)
- 收藏
- 关注
RSS订阅原创 Hermes新功能全解析
把AI从“对话框”里解放出来，让它进入你的“工作流”。而Profile就是这一切的起点。通过精心配置你的Profile，你不再是那个操作软件的人，而是指挥AI去操作软件的管理者。在这个2026年的春天，不妨试着动手写一份属于你的Profile，养一只懂你业务的Hermes，让它帮你分担那些重复、枯燥的工作，把时间留给真正的思考和创造。
2026-05-06 14:48:59
243
原创 从原型 MVP 到规模化团队：一个开发者的框架选择与规范演进实战指南
阶段核心规范文件（必须）框架轻/重型开发者最需要的心态MVP/原型README, MVP_CHECKLIST, 简单接口注释极轻敢于放弃完美，先验证价值小团队CONTRIBUTING, OpenAPI/YAML, 冒烟测试, 架构一页图中等为协作设立护栏，但不过度规模化团队ADR, 契约测试, 可观测性配置, 混沌实验计划, Runbook重型但必要拥抱工程纪律，用自动化对抗复杂度从无规范 → 记忆规范 → 文件规范 → 自动化强制规范。
2026-04-30 09:19:36
261
原创 2026最新！本科毕设论文格式模板（GB_T 7713.1-2025）
旧版：结构相对笼统。新版：明确将论文分为前置部分、正文部分、参考文献、附录、索引、结尾部分六大块。特别新增了“学位论文索引”的定义和编排格式（虽然通常是可选项，但标准里有了明确规定）。致谢作者简历（可选）
2026-04-16 15:40:15
2606
原创 从C10K问题到高性能服务器的挑战
课堂/课后实践：基于提供的epoll echo服务器代码框架，进行以下改造：添加连接管理结构（如使用哈希表存储client_fd到对应状态的关系）。实现非阻塞的读/写和动态缓冲区管理，以支持ET模式。尝试支持1000个并发连接的压力测试，并观察资源使用情况。核心思考题为什么epoll比select/poll更高效？（从内核数据结构、事件通知机制、用户态-内核态交互开销三个维度分析）LT和ET模式应如何选择？各自的优缺点和适用场景是什么？在AI辅助下，设计和实现一个高性能服务器的主要步骤是什么？
2026-04-15 16:06:29
346
原创 Linux操作系统进程间通信（IPC）机制详解与对比
在Linux操作系统中，进程间通信（IPC）具有至关重要的地位，它是实现多进程协作、资源管理以及任务分配的关键机制，显著影响着系统性能与功能实现。常用的五种IPC方式包括信号、信号量、管道、消息队列和共享内存。信号通过异步方式传递事件通知，适用于进程终止通知与异常处理等场景，但可靠性较低。信号量基于PV操作实现进程同步与互斥，适用于临界区访问控制与资源计数，支持多进程同步但复杂性较高。管道提供单向数据流通信，分为无名管道与命名管道，适用于父子进程通信与简单数据传递，但数据只能单向流动。
2026-04-08 06:33:44
318
原创 OpenClaw 小白入门十问十答
它不像普通的聊天机器人只能陪聊，它能直接操作你的鼠标、键盘，帮你打开软件、整理文件、写代码甚至上网查资料。，而且所有数据都保存在你自己的电脑上，不会上传到云端，非常私密。：简单来说，OpenClaw 就是一个。：这是一个非常好的问题！
2026-03-11 16:33:37
338
原创 警告：你的未来正在被“数字鱼群”预演！MiroFish 引爆群体智能新革命
提到群体智能（Swarm Intelligence），你的脑海里浮现的是什么？是蚁群寻找最短路径？是鸟群躲避天敌的华丽舞步？还是鱼群在深海中如流体般的同步游动？在传统认知里，群体智能的核心是**“去中心化”和“简单规则”**。蚂蚁没有指挥官，只遵循信息素；鸟儿没有总导演，只关注邻居的位置。它们的智慧源于**“涌现”**——简单的个体互动，产生了复杂的集体行为。但是，MiroFish 打破了这个天花板。在 MiroFish 的世界里，群体智能不再仅仅是物理运动的同步，而是认知与社会的涌现。
2026-03-09 09:18:49
431
原创 [特殊字符] 玩虾太费钱了？腾讯云+阶跃星辰免费让你薅虾须！0成本跑通OpenClaw！ [特殊字符]
家人们谁懂啊！😭 最近全网都在疯玩的智能体，虽然功能强大到能自动写代码、管文件、做报表，但直接用 Claude 或 GPT-5 跑，甚至包括便宜的百度模型，那 Token 烧得我心在滴血！💸 玩半天就要一杯奶茶钱，玩一周直接吃土！🍜看我上午两个小时的Money消费。但是！⚠️就在昨天（3月4日），直接掀桌子了！🔥 他们不仅开源了模型，还在上开启了！加上的免费服务器资源，现在完全可以搭建一套顶级的 AI 智能体系统！这就是传说中的“薅虾须”啊！🦞✨。
2026-03-06 15:19:38
512
原创 OpenClaw 工作的基本机制
简单来说，OpenClaw 就像一个住在您电脑里的私人秘书。当您说话时，它先“查笔记”（检索记忆），再“想方案”（LLM 规划），然后“动手做”（调用本地工具/脚本），最后“汇报工作”（返回结果）。整个过程自动化闭环，无需人工干预中间步骤。
2026-03-06 09:25:59
681
原创 Windows 下 WSL2 安装与 Linux 学习环境搭建
如果遇到问题，先回头检查步骤是否漏做，大部分报错都是因为没开虚拟化、没以管理员身份安装，或者没重启电脑～右键点击开始菜单 → 选择 “Windows 终端（管理员）” 或 “PowerShell（管理员）”：设置 → 系统 → 关于 → 查看 “操作系统版本” 和 “内部版本号”命令执行完后，系统会提示 “需要重启才能生效”，一定要重启！不重启后续步骤会报错。在 Ubuntu 终端里，Windows 的 C 盘被挂载在。）→ 搜索 “Remote - WSL”→ 点击 “安装”
2026-03-04 12:57:58
852
原创 警惕“伪AI”陷阱：你学的Coze和Dify，可能全是无用功
它应该像水电煤一样，拧开龙头就有水，按下开关就有电，你不需要知道水是怎么净化的，电是怎么发出来的。那些鼓吹“必须学习复杂工作流才能使用AI”的人，要么是卖课的，要么是还没搞懂AI本质的技术原教旨主义者。如果一项技术号称能改变世界，却要求使用者必须具备计算机学位，或者付出高昂的时间成本去学习复杂的“提示词工程”和“智能体工作流”，那它就背离了初衷。想想你手机里堆积如山的APP，还有电脑上那些复杂的SaaS管理软件，它们存在的意义，是因为在传统互联网时代，我们需要通过这些图形化的界面来一步步操作机器。
2026-03-02 09:26:37
650
原创 Oh My OpenCode：打造你的 AI 全栈开发梦之队
Sisyphus (西西弗斯)主指挥官。这是一个基于 Opus 4.5 High 的强大智能体，负责接收你的指令、拆解任务、调度其他专家，并确保最终交付。它的特点是“永不停歇”，直到任务彻底完成。Hephaestus (赫菲斯托斯)首席工匠。专注于深度代码生成和重构。它会先探索你的代码库，学习现有风格，确保产出的代码与项目浑然一体，而非千篇一律的“AI 味”。Oracle (神谕者)架构师兼安全官。负责高层次的架构设计审查和安全漏洞扫描，确保代码不仅功能正确，而且结构健壮、安全无虞。
2026-02-27 10:13:32
747
原创 OpenClaw配置教程文档
OpenClaw是一款开源的本地优先AI代理与自动化平台，允许用户在自有设备上部署个人AI助手，支持多渠道通信与大语言模型深度集成[1†]。本教程针对Linux系统环境，提供完整的安装配置指南，涵盖系统要求、安装步骤、配置流程及常见问题解决方案，特别适合AI应用场景部署。核心特点：本地优先设计：数据存储在本地，确保隐私可控[5†]多渠道支持：集成WhatsApp、Telegram、Slack、Discord、Google Chat等多种通讯平台[14†]持久记忆与主动执行。
2026-02-24 16:43:12
1245
原创 OpenClaw爆火背后的冷思考：当AI“龙虾”住进你的电脑，我们该欢呼还是警惕？
不可否认，OpenClaw为AI从“思考”走向“行动”打开了一扇门。它让我们看到了“个人数字员工”的无限可能。但我们也必须清醒地认识到，目前的它更像是一个充满潜力的“半成品”。它在技术上依附巨头，在经济上难以承受，在安全上危机四伏，在定位上又曲高和寡。OpenClaw的真正普及，或许并不取决于代码的优化，而是等待底层大模型技术的跃升——只有当模型足够聪明、足够便宜、足够安全时，这只“龙虾”才能真正游进千家万户。在那之前，我们不妨保持一份冷静的观望。
2026-02-24 16:41:45
893
原创 奇点已到，未来已来：马斯克2026开年访谈全记录
访谈结束时，奥斯汀的阳光洒在Gigafactory。马斯克说：“我选择乐观，因为悲观不仅无济于事，且往往是错误的。2026年，奇点不再是科幻名词，而是正在发生的现实。在这场“超声速海啸”中，唯一能保护我们的，是马斯克反复强调的三个原则：追求真理、保持好奇、拥抱美感。未来已来，你准备好加载了吗？本文基于2026年1月10日《Elon Musk深度访谈》撰写。
2026-01-13 16:58:59
1578
原创 论文写作 Prompt 模板库
下面是一份面向大学生的「论文写作 Prompt 模板库」，按照写作流程分为 6 大环节，每个环节给出 3–5 条可直接复制-粘贴的模板，并附「使用说明」与「实战案例」。所有模板都经过国内外一线博主、科研训练营与开源 Prompt 集合验证，可覆盖本科、硕士到课程论文的常见场景。（为了方便快速检索，可用 Ctrl+F 搜索关键词，如"选题""润色"等。
2026-01-09 13:59:19
797
原创 Prompt提示词工程完全指南：从入门到进阶
Prompt是你提供给AI模型（如ChatGPT、Claude等）的输入指令或问题，它就像一把"对话密码"或"操作指南"，通过精准描述任务、背景、格式等要求，引导模型生成你所需的输出。([0†])简单来说：Prompt就是你和AI对话时输入的内容，它的质量直接决定了AI回答的质量。Prompt是AI交互的核心：质量决定输出质量四大元素：指令、上下文、输入、输出指示七大原则：清晰、简洁、结构化、具体、直接、正面、迭代进阶技术：CoT、少样本、系统提示等实践为王：不断实验、记录、优化。
2026-01-09 13:51:17
1325
原创 OpenCode 远端操作完全指南：零门槛搭建跨设备远程 AI 开发环境
OpenCode 「远端操作」的核心逻辑可概括为：服务端通过 opencode serve 启动服务，客户端借助 opencode attach <URL> 建立连接。连接成功后，代码编译、AI Agent 调用、LSP 服务、程序调试等核心操作均在服务端（高性能主机）执行，本地设备（Windows 电脑、轻薄本、iPad 等）仅承担界面显示和指令输入功能，有效解决本地硬件配置不足的问题。步骤远端设备（Ubuntu / 高性能主机）本地设备（Win / 轻薄本 /iPad）备注1安装依赖：执行 npm i
2026-01-09 13:41:56
2264
原创 Function Calling的现状和未来的发展
Function Calling（函数调用）作为2023年大型语言模型（LLM）突破性技术，标志着AI从单纯的文本生成向具备实际行动能力的智能体系统的关键转变。本报告基于2024-2025年最新技术发展，系统分析Function Calling在AI助手应用中的技术原理、优劣势表现及演进趋势。核心观点概括：技术价值：Function Calling使AI助手能够突破知识边界，通过调用外部API实现实时数据访问和复杂任务自动化，构建完整的Agent执行链路[0†]。主要优势。
2025-12-20 19:12:13
1111
原创 Git在Windows环境下的安装与使用教程
本教程将手把手教你在Windows系统上安装和配置Git，适合代码开发初学者。Git在Windows环境的下载安装流程基础配置与常用命令操作本地仓库的创建与代码版本管理远程仓库的连接与代码推送历史版本回退与恢复操作分支管理与合并策略Git是目前最流行的分布式版本控制系统，对于代码开发人员而言，掌握Git的使用是必备技能。本教程以通俗易懂的语言，结合图解步骤，帮助你在30分钟内完成Git的安装配置并开始使用。变基（rebase）是一种将一个分支的修改重新应用到另一个分支基础上的操作。
2025-12-14 16:01:08
1470
原创 从 0.x 到 1.0：LangChain 生产级 Agent 实战指南
LangChain 1.0 于 2025 年 10 月 23 日正式发布，标志着 AI Agent 开发进入生产就绪阶段。本系统梳理从 0.x 到 1.0 的演进脉络、核心架构理念及实战应用。内容概括：从 Chain 设计转向 Agent 优先，引入中间件机制、统一抽象层静态/动态模型选择、工具调用优化、结构化输出策略中间件钩子、状态管理、流式输出、错误处理本指南适合 AI 工程师、架构师及技术决策者阅读，提供从设计到落地的完整路径。文中所有代码示例均基于 Python 3.10+ 环境。
2025-12-02 11:35:01
1376
原创 开源多智能体框架全景技术调研报告
本报告系统梳理了2025年主流开源多智能体框架的技术生态,涵盖等17个核心框架。通过对架构设计、技术特点、应用场景、性能表现四大维度的深度对比,揭示当前多智能体领域呈现**"编排派""协作派""极简派""RAG融合派""持续自主派"**五大技术路线。生产级首选:LangGraph凭借状态图编排与可观测性优势,成为复杂业务场景的基石,可与Pydantic AI组合实现强类型验证[0†]企业级生态:Semantic Kernel在微软技术栈中占据主导地位,而AgentScope在国产化企业级市场快速崛起。
2025-11-24 11:35:40
1421
原创 Google Antigravity：技术解析、研发历程与未来展望
谷歌推出Antigravity开发平台，实现AI编程从"辅助"到"代理主导"的范式转变。该平台基于多智能体协作架构，支持Gemini3Pro等主流模型，提供自然语言编程、跨表面操作、Artifacts验证机制等创新功能。通过多代理并行工作流和持续学习能力，Antigravity显著提升开发效率，使开发者能专注于创意设计而非底层编码。目前该平台处于免费预览阶段，支持三大操作系统。尽管在复杂任务处理和创意性工作方面仍存局限，Antigravity代表了AI编程工具的未来发
2025-11-20 09:17:31
3958
原创 LlamaIndex 教程文档
LlamaIndex是一个数据框架，用于将自定义数据源连接到大型语言模型(LLMs)，从而构建检索增强生成(RAG)和其他AI应用。它提供了一套工具来摄取、处理和索引各种数据源，使其能够与LLMs有效结合使用。# 创建摘要索引# 生成摘要summary = index.query("用200字总结文档内容")
2025-11-10 13:25:06
176
原创 一文读懂向量数据库：从核心概念到数据格式逻辑
相比传统关系数据库的固定字段，Point 的组件化设计更能承载非结构化数据的特征（向量）与描述信息（载荷）；相比 JSON 的文本存储，内部二进制与结构化索引格式更能满足高维向量的快速计算与检索需求。掌握这些核心逻辑后，无论是学习向量数据库的存储原理、检索算法，还是实际应用（如搭建相似图片推荐系统、智能文本检索系统），都能建立清晰的认知框架，快速上手实践。
2025-10-31 17:55:22
1004
原创 第三章、第四节 pgvector向量数据库教程
PGVector是一个开源的PostgreSQL扩展，专为在PostgreSQL中高效处理向量数据而设计。它允许用户直接在PostgreSQL数据库中存储和查询向量数据，特别适合处理高维嵌入向量。PGVector特别适用于构建推荐系统、语义搜索、图像检索等需要向量相似性搜索的应用场景。：可能需要管理员权限来执行安装命令。某些系统上可能需要先安装PostgreSQL开发包（如。PGVector支持PostgreSQL 13及更高版本。：使用官方Docker镜像。
2025-10-31 11:24:03
160
原创 第三章、第二节 Milvus向量数据库教程
Milvus是由Zilliz公司开发的开源向量数据库，专为处理和搜索大量向量数据而设计。它是一个高性能、可扩展的向量数据库，适用于需要高效向量搜索的各种场景，尤其是生成式AI和大语言模型应用中的RAG（检索增强生成）系统。
2025-10-31 11:11:29
159
原创 第三章、第一节Chroma向量数据库教程
Chroma是一个开源的AI原生向量数据库，专为AI应用设计，使知识、事实和技能能够可插拔地集成到大语言模型(LLM)中。它让构建LLM应用变得更加容易，特别适用于RAG（检索增强生成）场景。n8n是一个强大的工作流自动化工具，它允许您通过可视化的方式连接不同的应用程序和服务。通过与Chroma的集成，可以构建智能化的文档处理、知识库管理和RAG应用工作流。Chroma是一个功能强大且易于使用的向量数据库，特别适合AI应用开发。
2025-10-31 11:10:34
167
原创 第三章、向量数据库教程
向量数据库（Vector Database）是一种专门用于存储、管理和查询高维向量嵌入的数据库系统。它将数据（如文本、图像、音频等）编码为数值向量，并通过向量间的相似性计算来实现高效的相似性搜索。PostgreSQL + pgvector代表了一种将向量数据库功能与传统关系数据库相结合的创新方法。通过在PostgreSQL中集成pgvector扩展，开发者可以在享受传统SQL数据库可靠性的同时，获得向量相似性搜索的能力。核心特点：事务一致性：确保向量写入和传统数据操作的原子性SQL集成。
2025-10-31 11:09:27
133
原创 第二章 Docker+Ollama封神！2步装Qwen+Deepseek小型模型
拉取模型提示 “connection refused”？，没看到 ollama 容器就重新执行启动命令模型下载慢 / 中断？👉 可以换国内镜像源，或者重新输拉取命令，Ollama 会断点续传终端关了模型就停了？👉 因为用了-d后台运行容器，只要容器没删，重新输sudo docker exec -it ollama ollama run 模型名就能重新启动对话。
2025-10-29 15:09:54
361
原创 第一章 Docker安装+入门教程，新手也能秒会
输 docker 命令提示 “权限不够”？，注销电脑再登录，之后用 docker 就不用每次输 sudo 了安装时提示 “无法定位软件包 docker-ce”？👉 先检查第 3 步的密钥有没有加对，再重新执行第 1 步更新软件源，然后重试安装启动 Docker 提示 “Job for docker.service failed”？👉 先输。
2025-10-29 09:15:41
271
原创 开篇、给大模型装上“外部大脑”-解锁RAG魔法
RAG（Retrieval-Augmented Generation）是一种将大语言模型与外部知识库相结合的技术，通过检索相关文档片段来增强生成模型的准确性和实用性。该技术解决了大型语言模型缺乏最新知识和精确事实的痛点，在实际应用中展现出强大潜力[0†]。
2025-10-28 14:29:32
436
原创 小白也能懂：Python 和 C++ 的“类”为啥不一样？
在 Python 里，情况完全不同。当你写下class定义时，解释器会立刻把这个类变成一个“活的对象”（叫“类对象”），直接占用内存。# 1. 实例方法：依赖实例，第一个参数是 self（代表实例）print(f"我是实例 {self} 的方法")# 2. 类方法：依赖类本身，第一个参数是 cls（代表类），用 @classmethod 标记print(f"我是类 {cls} 的方法")# 3. 静态方法：不依赖实例也不依赖类，用 @staticmethod 标记。
2025-10-24 13:18:26
1031
原创 Llama Factory、Unsloth与Hugging Face三大微调平台深度对比分析
微调技术从传统全参数微调发展到参数高效微调(PEFT)，再到量化优化，体现了AI领域在资源效率和性能平衡方面的持续创新。Llama Factory主打"低代码"可视化操作，Unsloth专注"极致性能"加速，Hugging Face强调"生态完备性"和学术前沿支持。Unsloth通过Triton计算重写和动态量化，实现速度提升2-5倍、内存减少50-80%的显著优化[10†]。从BitFit的极简参数调整到LoRA的低秩适配，再到QLoRA的量化优化，不同方法在效率与效果之间呈现明显权衡特性。
2025-10-23 15:13:31
1829
原创 向量数据库：全面解锁AI时代的“语义记忆引擎“
向量数据库是一种专门设计用于存储、管理和搜索高维向量嵌入的数据库系统。它将非结构化数据（如文本、图像、音频等）转换为数值向量形式，以便进行高效的存储和相似性搜索。处理非结构化数据：通过向量嵌入将文本、图像等非结构化数据转换为数值向量高维向量处理：擅长在高维向量空间中存储和管理数据相似性搜索：核心功能是找到与查询向量最相似的向量动态更新：支持创建、读取、更新和删除（CRUD）操作数据模型：传统数据库使用表格结构存储结构化数据，而向量数据库使用向量空间模型存储非结构化数据。
2025-10-21 17:20:22
770
原创 大模型接口：连接智能的桥梁与未来的演进
在人工智能飞速发展的今天，大语言模型（LLMs）已成为诸多应用的核心驱动力。这些模型强大的理解、生成和推理能力，离不开一套高效、灵活的调用接口。本文将深入探讨当前主流大模型提供商的接口类型、核心功能，并展望其未来的发展方向和“统一”的可能性。
2025-10-20 09:57:47
1008
原创 Pydantic 完整教程
Pydantic是一个基于 Python 类型注解的数据验证与序列化库，主要用于数据验证和设置管理，使用Python类型提示。Pydantic的主要优势在于其简单易用的API和强大的数据验证能力，它可以在运行时验证数据是否符合类型提示，并提供清晰的错误信息。Pydantic 核心用途可概括为：运行时类型检查把“普通的”Python 类型提示（int、str、List[User]…）变成严格的运行时校验规则，一旦数据不符立即抛出有意义的 ValidationError。数据解析与转换。
2025-10-17 09:45:09
1056
原创 FastChat框架完整教程：从入门到精通
FastChat是一个开源平台，专为训练、服务与评估对话式大模型而设计。该平台由加州大学伯克利分校和CMU共建的LMSYS实验室开发，是前文提到的基于vLLM推理引擎后端的Chatbot Arena打擂平台的开源版本。FastChat在GitHub上的官方仓库为，项目旨在提供一个全面的解决方案，用于大型语言模型聊天机器人的开发与应用。Controller（控制器）负责协调整个系统管理模型工作器的注册和任务分发监控系统状态和负载均衡Model Worker（模型工作器）实际运行大语言模型的组件。
2025-10-15 11:39:46
859
原创 从Hugging Face模型到OpenAI化包装全指南
Hugging Face Transformers是一个流行的开源库，提供了丰富的预训练模型集合，适用于各种NLP任务([19†], [20†])。将OpenAI风格的请求转换为Hugging Face Transformers可理解的格式调用相应的Hugging Face模型将模型输出转换为OpenAI API兼容的响应格式接受OpenAI风格的API请求将请求参数转换为Hugging Face Transformers兼容的格式调用指定的Hugging Face因果语言模型。
2025-10-15 10:34:07
1190
原创 模型量化处理：从基础概念到大模型应用的全面解析
模型量化是指将机器学习模型中的高精度数值（如32位浮点数，FP32）转换为低精度数值（如8位整数，INT8或更低）的过程。这一技术的主要目的是减少模型的存储空间和计算资源需求，同时尽量保持模型的原始性能([2†])。量化本质上是一种有损压缩技术，通过减少模型参数和激活值的表示位数来实现模型大小的显著减少。例如，将模型参数从32位浮点数(FP32)转换为8位整数(INT8)，可以将模型大小减少至原来的四分之一([4†])。参数规模巨大：动辄数十亿至上千亿参数，对量化算法的效率提出更高要求内存约束严格。
2025-10-15 09:48:03
1079
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