- 博客(25)
- 收藏
- 关注
RSS订阅原创 Claude code项目级别的理解分析
一、核心理解机制Claude Code 使用分层记忆文件系统来持久化项目知识：文件结构：/项目根目录├─ CLAUDE.md # 团队共享记忆（提交到 Git）├─ CLAUDE.local.md # 个人工作空间记忆（gitignore）└─ /子目录└─ CLAUDE.md # 子模块特定记忆Explore Agent（探索代理）：用户：“理解这个项目的认证系统”↓。
2025-11-19 13:16:45
708
原创 《On the Impact of Requirements Smells in Prompts: The Case of Automated Traceability》翻译
2] J. Fischbach, J. Frattini, A. Vogelsang, D. Mendez, M. Unterkalmsteiner, A. Wehrle, P. R. Henao, P. Yousefi, T. Juricic, J. Raddieux, and C. Wrocher, “通过从需求中提取条件来自动创建验收测试：NLP 方法与案例研究,” 《系统与软件杂志》，卷 197，页 111549，2023。除了定量分析，我们还将收集定性见解，以识别生成的工件中出现的问题。
2025-11-19 11:24:02
424
原创 《Requirements Traceability: A Systematic Literature Review》论文阅读整理
这是个短文，就2页，内容有限，但信息密度很高。
2025-11-18 22:27:58
302
原创 调用 Claude Code CLI 问题总结
编码处理：Windows 下使用text=False+ 手动 UTF-8 解码Shell 支持：Windows 需要shell=True异步处理：大项目分批用asyncio提高效率错误日志：详细的 DEBUG 输出帮助快速定位问题。
2025-11-15 15:27:08
428
原创 Claude Code API Gateway 配置指南
*根据最新的 2025 年信息，Python 中调用 Claude Code，可以使用 Claude Code API Gateway，以下是一些实践最终还是没运行起来，报错调不起来Claude code,但我单独写了程序用subprocess掉用Claude code Cli 是没问题的。以下用于备忘，仅供参考。
2025-11-15 14:59:25
680
原创 Claude Code 深度解析：架构、工作原理与常见误解
Claude Sonnet 4.5 模型本身没有项目级理解能力✅它只是一个语言模型处理输入的文本，生成输出的文本项目级理解 100% 在本地 Claude Code CLI 实现✅代码索引依赖分析AST 解析语义搜索上下文管理不存在独立的"Claude Code 服务端"✅Claude Code CLI 直接调用标准 Claude API慧言平台等只是网络代理所有智能处理在本地完成ccswitch 只是配置工具✅管理环境变量切换 API 提供商不参与代码分析。
2025-11-13 23:16:58
799
原创 Kode 代码理解与上下文管理系统
Kode 的上下文系统 () 负责管理项目中所有与环境相关的上下文信息，并将这些信息自动注入到 AI 对话中。四层记忆架构- 会话、项目、用户、工具记忆协同工作工具系统协同- 7种核心工具提供全方位的代码分析能力实时状态监控- 文件新鲜度追踪和智能提醒机制多层次项目理解- 从 Git 状态、目录结构、代码风格、项目配置等多个维度收集信息自动上下文注入- 基于项目状态智能选择相关上下文。
2025-11-09 00:44:15
807
原创 VLLM大模型服务部署指南
环境变量仅在当前 shell 中生效，每次创建新的 shell 都需要重新加载。：高性能、开源的大模型推理与服务框架。
2025-10-13 16:02:43
704
原创 解释匿名内部类
匿名内部类是没有名字的内部类，通常用于一次性使用的场景。它同时完成类的定义和实例化。特性匿名内部类常规公共API可见性方法内部可见包/公共可见用途实现细节接口契约生命周期临时使用长期存在API价值低（内部实现）高（对外服务）解析必要性不需要需要因此，在提取公共API时，跳过匿名内部类文件是正确且高效的做法避免解析错误（匿名类语法特殊）提高处理速度聚焦于真正的公共接口得到更干净的API文档。
2025-09-26 08:39:14
230
原创 Visualizing_Software_Repositories_Through_Requirements_Trace_Links
本文提出一种自动化需求追踪与可视化方法，通过关键词匹配、TF-IDF和词向量三种技术从GitHub仓库提取需求与开发工件（Issues/PRs/Commits）的关联关系，构建有向跟踪链并存储于Neo4j图数据库。开发了交互式仪表板，支持项目概览、跟踪链分析、时间轴视图等多维度可视化。初步评估显示TF-IDF方法表现最佳（F1=0.354），但精确率仍有提升空间。未来将探索LLM增强语义理解，并在教育/工业场景扩大验证。该方法为软件项目管理提供了自动化追踪和可视化分析的新思路。
2025-09-19 12:03:07
943
原创 P-Tuning 的核心机制
P-Tuning是一种高效的预训练语言模型微调方法，通过优化可学习的连续提示（soft prompts）来指导模型完成下游任务。与传统微调不同，它冻结主干模型参数，仅训练虚拟提示向量和简单分类头，大幅降低计算开销。这些连续提示作为抽象表示拼接在输入前，通过训练学习最优引导方式，实现轻量高效的模型适配。该方法避免了人工设计离散提示的繁琐，让模型自动学习最适合任务的提示表示。
2025-09-18 21:49:14
169
原创 LoRA（Low-Rank Adaptation）
LoRA是一种高效的大模型微调方法，通过低秩分解冻结原始参数，仅训练少量额外参数来近似权重变化。其核心是将权重变化ΔW分解为两个小矩阵B·A（r远小于原维度），大幅降低计算和存储成本。该方法具有参数效率高、避免灾难性遗忘、便于多任务切换等优势，已成为大模型微调的主流技术，广泛应用于对话模型、多任务学习等场景。
2025-09-18 21:36:07
396
原创 《Cross-Level Requirements Tracing Based on Large Language Models》论文阅读
本文提出了一种基于大语言模型（LLM）的跨层级需求追踪方法，通过构建多领域数据集（6个单项目+3个同领域跨项目+1个跨领域）并采用文本摘要、同义词替换、机器翻译和噪声注入等技术将数据扩增至2400余条。研究对比了LoRA、P-Tuning和Prompt-Tuning三种微调策略在LLaMA模型（1.1B/7B/13B）上的表现，结果显示该方法显著优于传统信息检索（F1提升56.07%）和机器学习方法（F1提升26.37%）。在跨领域测试中，该方法F1分数超过GPT-4o和DeepSeek-r1达16%以上，
2025-09-18 16:11:54
930
原创 《Requirements Classification for Traceability Link Recovery》论文笔记
本文提出了一种基于大语言模型的自动化需求-代码追溯链接方法，通过需求分类预处理提升链接精度。研究创新点包括：1）开发NoRBERT需求分类模型对需求元素进行细粒度分类；2）结合词嵌入和WMD计算语义相似度；3）设计功能属性过滤机制。实验结果表明，该方法在多个基准项目上显著提升TLR性能，F1值最高提升2.9%，优于现有方法。主要贡献包括发布新型标注数据集、验证分类器性能及过滤机制有效性。未来将探索分类器在其他TLR方法中的应用及工业场景验证。
2025-09-14 21:07:10
777
原创 《Requirements Classification for Traceability Link Recovery》FTLR模块详解
本文介绍了细粒度可追踪链接恢复系统(FTLR)的安装配置与核心处理流程。系统采用两阶段处理架构：预计算阶段生成词嵌入和相似度矩阵，追踪链接处理阶段进行相似度计算和决策优化。系统支持多种运行器变体，包括基于词移距离和余弦相似度的不同实现方式。可通过命令行界面或脚本运行，支持需求元素过滤、调用图集成等功能。处理结果保存在数据集对应输出目录，包含相似度矩阵、映射文件及评估指标(F1/MAP)。系统提供预计算数据复用机制，支持英语和意大利语处理，并包含词元预计算优化。
2025-09-12 22:00:47
823
原创 多数投票阈值和最终阈值详解
摘要：本文介绍了两种软件需求追踪阈值机制。maj_threshold用于判断文件/类是否整体关联需求，通过统计方法级相似度达标比例(如60%方法相似度>0.5)来确定。final_threshold则对聚合后的文件级相似度(如平均值0.645)进行最终筛选(如>0.5)。二者协同工作，maj_threshold确保方法层面的多数一致性，final_threshold则验证整体相似度，避免低相似文件被误判为相关。高maj_threshold可降低对final_threshold的依赖，但低fina
2025-09-11 16:06:10
278
原创 《Requirements Classification for Traceability Link Recovery》NORBERT模型的代码详解
以下是按执行时序整理的代码主要功能、所有函数名称及其功能，以及函数调用关系的分析：安装依赖库—1导入必要的Python包—2检查GPU可用性—3设置实验配置参数—4设置数据集加载路径—5定义日志功能和种子生成器—6定义适配器类：将HuggingFace的BertTokenizer包装为与fast.ai兼容的tokenizer， 这个类充当桥梁，让HuggingFace的BERT tokenizer能够在fast.ai框架中使用—7定义BERT专用的处理器列表，BERT数据束类，专门用于BERT模型的数据预处
2025-09-08 22:11:13
398
原创 fit_one_cycle一周期学习率策略详解
fit_one_cycle是一种高效的学习率调度方法，通过三个阶段（预热、降温、最终衰减）动态调整学习率。它能加速模型收敛（大学习率快速逃离局部最优），提高泛化性能（找到更平坦最小值），并简化超参数设置（主要调节max_lr）。适用于各类深度学习任务，在保持训练效果的同时显著减少调参复杂度。典型参数包括max_lr(0.01-0.1)、div_factor(25-100)和pct_start(0.3-0.5)。
2025-09-08 19:18:27
242
原创 随机种子（Random Seed）如何保证确定性
随机种子是机器学习中确保实验结果可重复性的关键技术。作为伪随机数生成器的初始值，相同种子会生成完全相同的随机序列，从而保证数据打乱、权重初始化、数据分割等关键环节的一致性。通过设置Python、NumPy、PyTorch等框架的随机种子，配合CuDNN确定性模式，可实现bit级完全确定性的实验结果。但需要注意硬件一致性、软件版本、并行计算等因素可能破坏确定性。合理设置随机种子能提高实验可信度，是复现研究结果的基础保障。
2025-09-07 10:52:41
852
原创 在 Jupyter Notebook 中使用 Anaconda 虚拟环境
本文介绍了在Jupyter Notebook中使用Anaconda虚拟环境的详细步骤。核心是通过ipykernel库将虚拟环境注册为Jupyter内核。具体操作包括：1)创建并激活conda虚拟环境；2)在虚拟环境中安装ipykernel；3)将环境添加为Jupyter内核；4)启动Jupyter并选择新内核。验证方法是在Notebook中检查Python解释器路径是否指向目标环境。这种方法确保代码在指定环境中运行，适用于多项目管理。
2025-09-04 17:45:39
448
原创 在 Ubuntu 系统上安装 Anaconda
为了安全起见，你可以验证下载文件的 SHA256 校验和，确保文件没有损坏或被篡改。你可以在下载页面找到官方提供的校验值。验证 Conda 和 Python 是否已正确安装。重新打开终端后，你应该会看到命令行的最前面有一个。这表示你当前正处于 Anaconda 的。现在你可以创建独立的环境来管理不同项目的依赖了。安装过程需要几分钟，请耐心等待。还需要安装CUDA、GPU驱动。为了让安装立即生效，你需要。命令运行你下载的脚本。
2025-09-04 17:39:44
461
原创 Gitlink远程提交大文件教程
摘要：本文详细介绍了使用Git LFS上传大文件到Gitlink的操作流程。首先安装Git LFS客户端，然后通过git init初始化仓库，用git lfs track指定要追踪的大文件。接着提交.gitattributes配置文件，添加并提交大文件。最后设置远程仓库地址，解决历史合并冲突，关闭SSL验证后完成推送。整个过程包含8个关键步骤，并配有命令行操作截图，解决了Gitlink平台5M文件大小限制的问题。
2025-07-02 15:54:26
257
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