<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_09746的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/gitblog_09746</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; gitblog_09746]]></copyright><item><title><![CDATA[DLSS Swapper DLL 替换内核：哈希校验、签名验证与回滚机制解析]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/142948036</link><guid>https://blog.csdn.net/gitblog_09746/article/details/142948036</guid><author>gitblog_09746</author><pubDate>Sun, 20 Sep 2026 15:36:34 +0800</pubDate><description><![CDATA[游戏厂商发布 DLSS 3.5，而你目录里的 `nvngx_dlss.dll` 还停在 2.5——等官方更新要几周，自己换又怕换坏。DLSS Swapper 是 Windows 上的桌面工具：它扫描 Steam、GOG、Epic 等游戏库，定位可替换的 DLSS/FSR/XeSS DLL，让你在不动游戏本体、不触发完整校验修复的前提下升级或降级。它不是"给不支持的游戏注入 DLSS"，而是"给已支]]></description><category></category></item><item><title><![CDATA[Agentic Awesome Skills 之 NestJS 后端模式：用 Screaming Architecture 生成工程级 Backend Rules]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143297786</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143297786</guid><author>gitblog_09746</author><pubDate>Sat, 19 Sep 2026 20:31:04 +0800</pubDate><description><![CDATA[> **导读**：`backend.md` 是 `agents-generator` 技能（位于 `plugins/agentic-awesome-skills-claude/skills/agents-generator/`）在检测到目标项目使用 NestJS 时使用的后端规则模板。它定义了面向 NestJS 项目的模块化目录规范（Screaming Architecture）、DTO 校验与依]]></description><category></category></item><item><title><![CDATA[Wox 单进程 Go UI 内存泄漏排查实战：从自动化语义树复现、同进程采样到堆剖析归因的完整方法]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141946609</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141946609</guid><author>gitblog_09746</author><pubDate>Sat, 19 Sep 2026 12:11:37 +0800</pubDate><description><![CDATA[本文基于 Wox 仓库中的 `.agents/skills/wox-memory-debug` 技能文档，系统讲解如何在 Wox（跨平台启动器，其核心 Go UI 为单进程架构）上诊断内存泄漏：以带 `wox_automation` 构建标签的调试版启动真实进程，通过自动化语义树回放启动器搜索与设置窗口开合循环，对同一 PID 反复采样，并在内存持续增长时对比 Go 堆剖析文件完成归因。读完本文，]]></description><category></category></item><item><title><![CDATA[Jekyll 3.4.1 发布深度解读：一次由“意外功能“引发的文件名日期正则修复]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143144557</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143144557</guid><author>gitblog_09746</author><pubDate>Fri, 18 Sep 2026 10:01:53 +0800</pubDate><description><![CDATA[本文以 Jekyll 官方发布于 2017-03-02 的 v3.4.1 版本通告（[docs/_posts/2017-03-02-jekyll-3-4-1-released.markdown](https://link.gitcode.com/i/4fd99b5bf1ebabfbd6bd8fdf1c257d07)）为核心主线，还原 Jekyll 在 `_posts` 文件名日期解析上从"过于宽松]]></description><category></category></item><item><title><![CDATA[anarlog 说话人分离：如何把多人会议转写快速拆成“谁说了什么”]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/142950799</link><guid>https://blog.csdn.net/gitblog_09746/article/details/142950799</guid><author>gitblog_09746</author><pubDate>Thu, 17 Sep 2026 20:37:28 +0800</pubDate><description><![CDATA[几个人同时说话的会议里，转写工具吐出来的往往是一整块分不清归属的长文本。anarlog 是一个开源、本地优先的 AI 会议记事本：它不把机器人拉进你的会议，而是在你的设备上直接录音，把不同说话人的语音拆开，输出带说话人标签的会议转写。

[![anarlog 说话人分离会议界面](https://raw.gitcode.com/GitHub_Trending/hy/anarlog/raw/ff10]]></description><category></category></item><item><title><![CDATA[eslint-plugin-unicorn 的 no-useless-continue 规则：消除循环末尾冗余的 `continue` 语句]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143289049</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143289049</guid><author>gitblog_09746</author><pubDate>Thu, 17 Sep 2026 11:54:43 +0800</pubDate><description><![CDATA[本篇文章围绕 eslint-plugin-unicorn 中的 `no-useless-continue` 规则展开，讲解它如何识别并自动修复循环体中位于末尾、没有任何实际作用的 `continue` 语句。通过本文，你将掌握该规则的判定边界（何时报错、何时豁免）、自动修复行为（含注释保护机制），以及其底层 AST 遍历算法在源码中的具体实现，从而在你的项目中安全地启用它。

## 规则概述：什么]]></description><category></category></item><item><title><![CDATA[swarms 单智能体领域化实战：保险理赔处理与 VC 法律文档生成双 Demo 深度解析]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143412732</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143412732</guid><author>gitblog_09746</author><pubDate>Wed, 16 Sep 2026 14:53:23 +0800</pubDate><description><![CDATA[本文围绕 swarms 仓库中 [单智能体演示目录](https://link.gitcode.com/i/5823524ea8bc96fc330d84417ac28e64) 下的两个实战示例展开：`insurance_agent.py`（保险理赔处理智能体）与 `persistent_legal_agent.py`（带持久化的风险投资法律文档生成智能体）。这两个 Demo 展示了如何用同一个 `]]></description><category></category></item><item><title><![CDATA[A2UI Express 推理格式迭代优化实战：run_017 选项对象自动归一化的变更与评测复盘]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143154198</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143154198</guid><author>gitblog_09746</author><pubDate>Sun, 13 Sep 2026 17:20:02 +0800</pubDate><description><![CDATA[本文以 A2UI 仓库中一次真实的推理格式（Inference Format）迭代优化记录为核心，完整复盘 [run_017 优化报告](https://link.gitcode.com/i/3f7a4b4d7fabbff98fc46e8c0a64ef42)：从 Express DSL 编译器对 `ChoicePicker` 选项列表的自动归一化改动（补丁级源码分析），到三步评测流水线的执行细节与]]></description><category></category></item><item><title><![CDATA[darktable 新增 DC-TZ99 支持：.RW2 文件从导入到验证的快速指南]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143009530</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143009530</guid><author>gitblog_09746</author><pubDate>Sat, 12 Sep 2026 18:48:06 +0800</pubDate><description><![CDATA[开源摄影工作流应用 darktable 在本次更新中新增了对 Panasonic Lumix DC-TZ99 相机 RAW 格式（.RW2）的支持：解码、相机配置、镜头校正三个环节一起补齐，旅行长焦机的 RAW 文件从此可以直接放进开源后期流程处理，不再依赖厂商闭源工具。

## 这台相机为什么值得关注

DC-TZ99 是一台 1/2.3 英寸传感器、30 倍光学变焦的便携长焦机，主打旅行场景。]]></description><category></category></item><item><title><![CDATA[如何在 claude-code-templates 仪表盘上通过构建开关启用 WebMCP 只读目录工具？]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141975813</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141975813</guid><author>gitblog_09746</author><pubDate>Fri, 11 Sep 2026 21:44:19 +0800</pubDate><description><![CDATA[claude-code-templates 的仪表盘（`dashboard/` 目录下的 Astro 站点）内置了 WebMCP V1：把组件目录以一组**只读**工具的形式暴露给支持 WebMCP 的浏览器 AI agent，让它们可以直接查询目录、拿到安装命令，而不必去解析页面 UI。这套工具默认不生效——[dashboard/src/lib/webmcp.ts](https://link.g]]></description><category></category></item><item><title><![CDATA[Fiddler中文版安全测试指南：如何发现和修复Web应用漏洞]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/143120438</link><guid>https://blog.csdn.net/gitblog_09746/article/details/143120438</guid><author>gitblog_09746</author><pubDate>Wed, 15 Jul 2026 08:58:02 +0800</pubDate><description><![CDATA[Fiddler Web Debugger中文版是一款强大的Web调试工具，能够帮助开发者和安全测试人员捕获、分析HTTP/HTTPS流量，是发现和修复Web应用漏洞的必备利器。通过本指南，你将学习如何利用Fiddler中文版的核心功能进行全面的Web安全测试。

## 一、Fiddler中文版安装与基础配置

### 1.1 快速获取Fiddler中文版
要开始使用Fiddler进行安全测试，首先]]></description><category></category></item><item><title><![CDATA[Qwen-Image-Layered核心功能解析：3层图像分解让创作更自由]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141946746</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141946746</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:58:05 +0800</pubDate><description><![CDATA[在AI图像生成领域，Qwen-Image-Layered作为通义千问图像生成系列的重要功能，为创作者带来了革命性的图像分层处理能力。这项创新的图像分解技术，让用户能够将单张图片智能分解为多个可编辑的图层，为后续的创意修改和合成工作提供了前所未有的灵活性。

## 🔍 什么是Qwen-Image-Layered图像分层技术？

Qwen-Image-Layered是一项基于先进AI模型的图像分层功]]></description><category></category></item><item><title><![CDATA[Yolov8n-pose进阶教程：如何快速实现自定义数据集训练与模型微调的完整指南]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141945087</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141945087</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:51:04 +0800</pubDate><description><![CDATA[Yolov8n-pose是一款基于YOLOv8架构的轻量级人体姿态估计模型，专为实时应用设计。本文将详细介绍Yolov8n-pose自定义数据集训练与模型微调的实用技巧，帮助您快速掌握这一强大工具。无论您是计算机视觉新手还是经验丰富的开发者，都能通过本教程轻松上手，实现个性化的人体姿态识别应用。

## 📊 Yolov8n-pose模型简介与核心优势

Yolov8n-pose是Ultralyt]]></description><category></category></item><item><title><![CDATA[KeyPhraseTransformer：基于T5架构的终极关键词提取工具，50万样本训练的文本主题提取神器]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141971954</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141971954</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:46:04 +0800</pubDate><description><![CDATA[你是否曾为从海量文本中提取关键信息而烦恼？🤔 想要快速了解文档核心主题却无从下手？今天，我将为你介绍一款革命性的文本处理工具——**KeyPhraseTransformer**，这款基于T5架构的终极关键词提取神器，经过50万样本的专业训练，能够智能识别文本中的关键短语和核心主题，让你轻松掌握文本精髓！

## 🚀 为什么选择KeyPhraseTransformer？

**KeyPhrase]]></description><category></category></item><item><title><![CDATA[从7B到12B性能飞跃：TeleChat系列模型架构演进与技术突破分析]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141978695</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141978695</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:37:22 +0800</pubDate><description><![CDATA[TeleChat系列模型作为HuggingFace镜像中的重要开源项目，在大语言模型领域实现了从7B到12B参数规模的性能飞跃。本文将深入剖析TeleChat模型的架构演进路径，解读其核心技术突破，为开发者和研究者提供全面的技术洞察。

## 🚀 模型架构演进：从7B到12B的跨越

TeleChat-7B作为系列的基础版本，奠定了高效的模型架构基础。通过分析[telechat.py](http]]></description><category></category></item><item><title><![CDATA[CANN/catlass CopyL1ToL0ATla API]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141947141</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141947141</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:32:38 +0800</pubDate><description><![CDATA[> [代码位置](https://link.gitcode.com/i/edb9516802145d3ccab4ae471d360439)

[TOC]

## 功能说明

`CopyL1ToL0ATla` 实现 Conv 场景下将 Fmap 数据从 L1 搬运到 L0A 的 TLA 风格版本，同时完成 im2col 操作。

- AtlasA2：`LoadData` + `Conv2dFilte]]></description><category></category></item><item><title><![CDATA[GPT2_PMC模型推理指南：深入理解inference.py与医学文本生成机制]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141971367</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141971367</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:32:28 +0800</pubDate><description><![CDATA[想要快速掌握医学AI模型的推理技巧吗？本文将为你详细解析GPT2_PMC项目的核心推理机制，帮助你轻松上手这个基于PubMed医学论文训练的智能问答模型。无论你是AI初学者还是医学研究者，都能通过本文快速了解如何调用这个专业的医学语言模型进行智能问答。

## 🔍 GPT2_PMC项目概览

GPT2_PMC是一个专门针对医学研究领域进行微调的智能问答模型。它基于著名的GPT-2架构，在约800]]></description><category></category></item><item><title><![CDATA[E5-base-4k完整指南：如何参与开源贡献与获取专业支持]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141973053</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141973053</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:26:35 +0800</pubDate><description><![CDATA[E5-base-4k是一个先进的文本嵌入模型，专为长上下文检索任务设计。这款强大的开源工具支持4096个位置ID，能够处理更长的文本序列，为开发者和研究者提供了高效的语义理解能力。无论你是AI初学者还是经验丰富的开发者，了解如何参与E5-base-4k的社区生态和获取技术支持都能帮助你更好地利用这一优秀工具。

## 🤝 为什么加入E5-base-4k社区？

E5-base-4k社区是一个充满]]></description><category></category></item><item><title><![CDATA[对比分析：Granite-Embedding-97M-Multilingual-R2 vs E5-small vs BGE-M3，谁更适合你的应用？]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141977334</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141977334</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:25:29 +0800</pubDate><description><![CDATA[在选择合适的文本嵌入模型时，开发者和研究人员常常面临性能、效率和成本之间的权衡。今天我们来深度对比三款主流的轻量级多语言嵌入模型：IBM的**Granite-Embedding-97M-Multilingual-R2**、微软的**E5-small**以及智源研究院的**BGE-M3**。无论你是在构建多语言搜索系统、文档检索应用，还是需要高效的语义相似度计算，这篇文章将为你提供清晰的选型指南。?]]></description><category></category></item><item><title><![CDATA[CANN/catlass稀疏GEMM搬运模板]]></title><link>https://blog.csdn.net/gitblog_09746/article/details/141977601</link><guid>https://blog.csdn.net/gitblog_09746/article/details/141977601</guid><author>gitblog_09746</author><pubDate>Fri, 29 May 2026 07:22:21 +0800</pubDate><description><![CDATA[> [代码位置](https://link.gitcode.com/i/7f40ad11d4aaca7675d316a3b6300771)

[TOC]

## 功能说明

`TileCopySparseTla` 是稀疏 GEMM 专用的 TLA 搬运模板，与 [TileCopyTla](https://link.gitcode.com/i/808e8d84ebd7000309be84486100]]></description><category></category></item></channel></rss>