- 博客(1861)
- 资源 (21)
- 收藏
- 关注
RSS订阅
原创 十载寒冰，难凉热血——2020CSDN年度博客之星Top10心路历程
十多年前，我刚开始学软件编程的时候，遇到问题就到处找答案，看别人的文章；再从文章中拷贝代码粘贴在自己的项目里看看是不是能解决问题。解决了最好，要是没有解决的话就继续再找。这种状态持续了很久：不停地四处找代码借以解决自己的项目需求和技术难点。在这个过程中自己的进步微乎其微，而且遇到以往类似的问题依然不清楚该怎么解决，于是只有再次去找代码，复制，粘贴……如此循环。在这样的循环下，开始有些麻木了，甚至心安理得地觉得：写代码原本就是这样的，大家也都是这样做的。直到有一天，我觉得这是在为自己开脱，其实是在心底隐蔽..
2021-02-04 22:49:46
18314
46
原创 Coze低代码智能体发布主要方式及其差别
文章摘要： 本文探讨了Coze低代码平台在不同渠道分发知识库助手的方案对比，重点解决30人团队内部使用的权限控制需求。飞书凭借原生权限体系成为最优选，支持一键发布与精细管控；微信公众号适合公开内容分发；微信小程序和企业微信需额外开发实现访问控制，成本较高。核心结论：飞书是唯一能原生满足「仅限内部使用」的渠道，配置简单且零开发成本，而微信生态的解决方案均存在权限或开发门槛问题。选择时应根据团队协作工具和技术能力权衡，优先考虑飞书集成。
2026-05-04 16:21:35
28
原创 Coze低代码模式和Vibe Coding的区别
Coze国内版与海外版最核心的区别在于，它们是两套完全独立的体系，从底层大模型、产品生态到收费模式都截然不同。国内版（coze.cn）根植于字节跳动生态，底层主要依赖其自研的豆包（云雀）大模型，同时也接入了Kimi、百川、DeepSeek、通义千问等国产模型。而海外版（coze.com）的技术底座则更加国际化，集成了包括 GPT-4o、Claude、Gemini 等在内的多款海外顶尖大模型，用户拥有更丰富的模型选择空间。此外，两个版本的插件和功能也存在差异，例如国内的Doc Maker插件可能只支持
2026-05-04 00:15:00
166
原创 大模型Skill开发
本文对比了提示词（Prompt）与技能（Skills）的适用场景与差异。提示词适合一次性简单任务，灵活但维护成本高；Skills则是结构化封装的可复用模块，适用于复杂、重复性任务，能提高执行稳定性和团队协作效率。文章指出Skills目前处于测试阶段，主要面向企业级用户，并提供了三步开发指南：编写工程级提示词、通过ChatGPT转化为Skill、打包分发。两者并非替代关系，而是互补方案——临时需求用提示词，标准化流程用Skills。
2026-05-02 15:27:17
193
原创 利用Trae实现VBA编程
VBA（Visual Basic for Applications）是微软Office内置的编程语言，让Word、Excel等应用程序可以自动化执行任务。通过编写“宏”，可把一系列手动操作变成一键完成，极大提升办公效率。例如，在Word中快速统一标题格式，在Excel里自动计算并生成月度报表。VBA语法易学，基于经典Basic语言，能直接操控软件里的文档、工作表、图表等对象。即使不懂编程，也可先录制操作获得代码雏形，再按需调整。它不仅支持自动化，还能创建交互式用户窗体、连接外部数据库扩展功能。
2026-05-02 12:09:25
29
原创 (最新版)腾讯云服务器项目部署教程（4）— 部署项目
本文详细介绍了腾讯云服务器项目部署的全流程。首先通过宝塔面板创建数据库并导入脚本，配置数据库访问权限；随后修改项目配置文件中的端口号、数据库连接信息和文件路径；接着使用Maven打包项目并上传至云服务器；最后通过宝塔添加Java项目并开放端口完成部署。文章提供了详细的操作截图和代码示例，并特别提醒在非必要时应关闭云服务器以防范安全风险。该教程适用于需要将Java项目部署到腾讯云的开发者参考。
2026-05-01 09:37:36
32
原创 (最新版)腾讯云服务器项目部署教程（3）— 服务器环境搭建
本文详细介绍了通过宝塔面板搭建服务器环境的完整流程，包括Nginx 1.26.3、MySQL 5.7.44、Pure-Ftpd、PHP 8.0、phpMyAdmin 5.1.0和JDK17的安装步骤。每个组件均采用极速安装方式，安装时间从2分钟到10分钟不等，并配有清晰的界面截图说明操作过程。文章由谷哥的小弟原创，旨在帮助用户快速部署服务器运行环境。
2026-05-01 09:35:50
172
原创 (最新版)腾讯云服务器项目部署教程（2）— 配置宝塔
本文详细介绍了在腾讯云服务器上配置宝塔Linux面板的完整流程。主要内容包括：1）通过腾讯云控制台查看和修改宝塔默认端口8888；2）在防火墙中添加宝塔相关规则；3）使用命令行获取面板登录信息；4）通过浏览器访问宝塔面板并完成初始化设置，包括激活特权和关闭推荐套件。文章配有详细的操作截图，指导用户逐步完成宝塔面板的部署和基本配置。
2026-04-30 01:00:00
242
原创 (最新版)腾讯云服务器项目部署教程（1）— 购买腾讯云服务器
本文详细介绍了腾讯云账号注册、实名认证及服务器购买的全流程。首先需在官网注册账号并完成实名认证，随后进入购买页面选择轻量应用服务器（2核2G3M配置），通过扫码支付完成订单。支付成功后需重置服务器密码并妥善保管，最后可在控制台查看服务器基本信息。全文配有完整操作图示指引。
2026-04-30 00:30:00
141
原创 大模型核心基础知识(10)—词元的基本概念及其与上下文窗口的关系
词元是大模型处理文本的基本单位，将输入内容转换为词元序列进行处理，输出时再还原为自然语言。词元与文本并非一一对应，中英文场景差异显著，直接影响输入长度、输出成本及上下文容量。上下文窗口限制模型单次交互的词元总量，需通过文本拆分、历史裁剪等方式优化。词元数量还关联计费机制，开发者需平衡提示设计、输出控制与资源效率。理解词元有助于优化长文本处理、多轮对话管理及成本控制，是应用开发的关键基础。
2026-04-29 08:41:21
368
原创 大模型核心基础知识(09)—嵌入模型的概念、生成过程与应用方式
嵌入模型是大模型应用中的基础能力，负责将文本、图像等非结构化内容转换为向量表示，使其能在向量空间中进行语义比较和检索。与对话模型不同，嵌入模型的核心功能是生成可计算的语义表示，而非直接输出用户可见的内容。其应用场景包括语义搜索、文本分类和检索增强生成（RAG），通常与向量数据库配合使用，提升检索效率和准确性。开发人员无需深入数学细节，只需理解嵌入模型的角色及其在架构中的作用，即可有效利用其优化语义匹配和知识检索流程。
2026-04-29 08:37:41
527
原创 大模型核心基础知识(08)—向量表示的基本原理与语义特征
本文探讨了向量表示在大模型技术中的基础作用。向量作为非结构化数据的数值化表示形式，通过将文本、图像等内容转换为数值结构，实现了语义信息的可计算表达。文章阐述了向量表示的形成原理，指出其在训练过程中自动学习语义关系并映射到向量空间。重点分析了向量表达语义信息的机制，即语义相近的内容在向量空间中也更为接近。此外，还介绍了向量距离计算在相似性判断、语义检索等任务中的应用价值。文章强调，理解向量表示的关键在于把握其作为内容数值化表示的本质，以及其在语义计算和知识检索中的桥梁作用。
2026-04-28 08:51:19
319
原创 大模型核心基础知识(07)—提示词的基本概念、组成形式与设计思路
提示词是引导大模型生成特定输出的关键输入，其清晰度直接影响结果质量。作为任务表达方式，提示词可包含目标、边界、格式等结构化信息，常见形式包括简单字符串、模板化提示、结构化消息和指令列表。设计时应明确任务目标、补充上下文、规范输出要求，避免多目标混杂或条件冲突。提示词通过影响模型的任务理解路径，决定输出范围和稳定性，已成为大模型应用开发的核心环节，连接模型能力与业务需求，保障批量任务的一致性。优化提示词设计能显著提升模型输出的精准度和适用性。
2026-04-28 08:47:58
892
原创 大模型核心基础知识(06)—大模型参数
参数是模型内部的核心组成部分，通过数值形式固化训练过程中学到的数据规律，决定模型的计算与输出能力。在简单模型（如线性回归）中，参数表现为权重和偏置；在神经网络中，参数以矩阵形式分层组织，支撑复杂特征提取。参数通过训练迭代形成，其规模影响模型表达能力，但需结合数据质量与结构设计综合评估。参数的作用包括处理输入、编码学习规律及影响泛化能力。理解参数有助于把握模型能力的来源，并为工程实践中的模型选型、训练优化及部署提供基础认知。
2026-04-24 08:53:35
662
原创 大模型核心基础知识(05)—大模型核心基本概念
本文阐述了模型的基本概念、主要类型及其应用场景。文章首先定义模型为通过数据学习形成的算法表示，能够处理输入并生成预测、文本、图像等输出。随后将模型划分为三类：对话模型（处理文本交互）、图像生成模型（跨模态转换）和嵌入模型（语义向量表示）。文章重点分析了预训练方法的价值，说明其通过通用能力学习与任务适配相结合的方式，显著提升了模型的泛化能力。最后强调应用开发中需明确模型类型与职责边界，通过微调等方式将通用能力转化为具体业务解决方案。
2026-04-24 08:51:01
501
原创 大模型核心基础知识(04)—大模型的发展现状与产业应用
摘要： 大模型发展已从能力展示进入落地应用阶段，技术演进聚焦多模态处理、长上下文理解及实时交互。产业应用中，大模型逐步渗透办公、医疗、零售等领域，承担文档分析、流程优化等任务，但面临事实准确性、可解释性等挑战。当前趋势体现为技术持续升级、应用场景深化与治理需求增强，其价值取决于技术、业务与风险管理的协同。未来，大模型需在能力扩展与边界约束间寻求平衡，以推动智能化进程。
2026-04-23 09:03:43
360
原创 大模型核心基础知识(03)—大模型的分类方法与应用场景
本文从三个维度系统梳理了大模型的分类方式：按应用领域可分为自然语言、计算机视觉和多模态大模型；按训练方式可分为监督学习、无监督学习、自监督学习和强化学习大模型；按功能特性可分为生成式、分析式和交互式大模型。作者指出这些分类方式相互补充而非互斥，强调分类的核心价值在于帮助理解模型特性与适用场景的对应关系，为模型选型提供依据。文章最后总结了不同类别大模型的典型应用场景，强调应根据具体任务需求选择最匹配的模型类型。
2026-04-23 08:56:49
489
原创 大模型核心基础知识(02)—大模型的主要特征与能力边界
大模型在人工智能领域展现出显著优势，主要体现在庞大的参数规模、深层网络架构、强大的泛化迁移能力以及多任务多模态处理能力。其性能提升依赖于大规模训练数据和高强度计算资源，但同时也面临事实错误、推理偏差和高资源消耗等局限。虽然大模型在语言生成和任务适应方面表现突出，但其能力仍受训练数据、架构设计等因素制约，无法完全替代人类判断。理解大模型的优势与边界，对合理应用这一技术具有重要意义。
2026-04-22 18:50:37
414
原创 大模型核心基础知识(01)—大模型的发展历程与技术演进
本文梳理了大模型的技术演进历程：从20世纪50年代人工智能概念的提出，到80年代神经网络的发展，再到2006年深度学习的兴起，最终形成以Transformer架构和预训练方法为基础的现代大模型。文章指出大模型是算法、数据、计算资源协同演进的结果，经历了概念探索、深度学习、预训练范式和大规模扩张四个发展阶段，最终从实验研究发展为重要的基础技术能力，在文本生成、多模态理解等领域展现出强大潜力。
2026-04-22 18:47:10
543
原创 Python数据分析项目实战(060)——Python数据分析与统计综合案例
本文介绍了一个适合Python数据分析新手的空气质量分析项目。作者通过分析城市空气质量和气象数据，展示了使用NumPy、Pandas和Matplotlib进行数据处理、分析和可视化的完整流程。项目包含数据加载与预处理（合并CSV文件、处理缺失值、特征工程）、描述性统计分析以及污染物与气象因素的关联性分析。文中提供了详细的代码实现和可视化图表展示，帮助读者掌握从基础数据处理到高级分析的全过程。该项目可作为数据分析初学者的实践案例，完整代码可在作者博客获取。
2026-04-16 08:40:04
401
原创 Python数据分析项目实战(059)——数据可视化库Seaborn
本文介绍了Seaborn数据可视化库的基本概念、安装方法及常见图形绘制示例。Seaborn是基于Matplotlib的高级封装，提供简洁API和美观样式，适用于统计分析场景。文章演示了折线图、条形图、散点图、箱线图和热力图的代码实现，展示了不同图表在数据趋势、分布比较和相关性分析中的适用场景。所有示例均采用中文标注，包含完整的图表定制参数，如标题、坐标轴、图例和样式设置，可直接用于实际数据分析项目。
2026-04-16 08:38:46
164
原创 Python数据分析项目实战(058)——Matplotlib面向对象接口
Matplotlib面向对象接口提供了一种基于Figure和Axes对象的绘图方式，支持更灵活的图形控制和复杂可视化需求。本文通过五个典型示例展示了该接口的应用：折线图（展示温度变化趋势）、条形图（对比部门业绩）、饼图（分析客户来源占比）、散点图（探索广告投入与销售额关系）以及箱线图（比较产品质量分布）。每个示例包含适用场景说明、完整代码实现和可视化结果，演示了如何通过显式创建图形对象实现数据可视化，适用于各类数据分析任务。
2026-04-15 08:42:20
172
原创 Python数据分析项目实战(057)——Matplotlib 状态接口
Matplotlib状态接口提供了简洁的MATLAB风格绘图方式，通过pyplot模块自动管理图形状态。本文演示了四种常用图表：折线图（展示一周销量趋势）、条形图（比较产品销售额）、饼图（分析消费占比）和散点图（研究学习时间与成绩关系）。每种图表均包含适用场景说明、完整代码示例（含中文显示处理）及运行效果图，适合快速实现数据可视化。代码均设置标题、坐标轴标签和样式优化，便于直接应用于实际数据分析场景。
2026-04-15 08:40:58
244
原创 Python数据分析项目实战(056)——Matplotlib概述
Matplotlib是Python生态中经典的数据可视化库，借鉴MATLAB风格设计，支持生成折线图、柱状图等各类图表，并精细控制图表元素。提供pyplot命令式接口和面向对象接口两种绘图方式，前者适合快速绘图，后者灵活性更高。安装简单，通过pip install matplotlib即可完成。核心功能包括全品类图表生成、精细定制、多数据源适配及灵活输出，广泛应用于科研和商业分析领域。
2026-04-14 08:55:16
215
原创 Python数据分析项目实战(055)——DataFrame数据分析与统计综合案例
本文分析了企鹅体重数据，数据集包含344行7列，主要考察了企鹅体重(body_mass_g)与其他特征的关系。首先处理了缺失值，用均值填充了2个缺失数据。统计分析显示企鹅平均体重4201.75克，标准差799.61克，体重差异较大（2700-6300克）。通过分组分析发现，不同物种、岛屿和性别的企鹅体重存在显著差异，其中性别对体重影响最明显（雄性平均体重明显高于雌性）。研究结果表明企鹅体重特征与其生物学特性和栖息环境密切相关，为进一步的生态研究提供了基础数据支持。
2026-04-14 08:52:47
65
原创 Python数据分析项目实战(054)——DataFrame数据分析与统计
本文介绍了基于Pandas的DataFrame数据分析方法，包括描述性统计、分组聚合和分组转换三大核心操作。描述性统计通过df.describe()等函数快速获取数据分布特征；分组聚合使用groupby和agg()实现多维度的数据汇总；分组转换通过transform()在保留原始数据结构的同时进行组内计算。这些方法共同构成了从整体到局部的递进式分析流程，适用于数据清洗、特征工程等场景。文中提供了商品销售数据的示例代码，展示了如何计算统计指标、处理缺失值及实现组内标准化等常见操作。
2026-04-13 08:43:42
233
原创 Python数据分析项目实战(053)——DataFrame处理时间数据
本文介绍了DataFrame处理时间数据的常用方法，主要包括：1) pd.to_datetime()用于标准化时间格式转换；2) dt访问器提取时间属性；3) pd.date_range()生成规则时间序列；4) set_index()设置时间索引；5) resample()实现时间重采样。这些方法能有效解决时间数据标准化、信息提取、序列生成、索引化和周期性分析等问题，为时间序列分析提供基础支持。测试代码展示了各方法的具体应用场景和输出效果。
2026-04-13 08:42:17
27
原创 Python数据分析项目实战(052)——DataFrame处理文本数据
本文介绍了DataFrame处理文本数据的常用方法，包括大小写转换、去除空格、文本替换、信息提取和关键词筛选等操作。通过str.lower()和str.upper()统一文本格式，str.strip()清除多余空格，str.replace()替换特定字符，str.extract()提取结构化信息，以及str.contains()筛选关键词。这些方法能有效解决文本数据中的格式混乱、冗余信息和结构不规范问题，为后续文本分析提供高质量的输入数据。示例代码展示了每种方法的具体应用场景和效果，帮助提升文本处理的效率和
2026-04-10 09:20:29
161
原创 Python数据分析项目实战(051)——DataFrame数据分箱
本文介绍了数据分箱的概念及其在数据分析中的重要作用，包括简化数据、增强可解释性等。重点讲解了Pandas中三种数据分箱方法：pd.cut()按数值范围等宽分箱，pd.qcut()按分位数等频分箱，以及df['列名'].between()实现自定义区间分箱。每种方法均通过示例代码展示具体应用，并输出分箱结果。最后介绍了value_counts()用于统计分箱分布情况。这些方法可帮助将连续数据转换为离散区间，适用于不同分析场景和模型需求。
2026-04-10 09:18:19
273
原创 Python数据分析项目实战(050)——DataFrame数据重塑与变形
本文介绍了Pandas中四种常用的数据重塑与变形方法：1）df.T用于行列转置；2）df.melt()将宽表转为长表；3）df.pivot()将长表转为宽表；4）str.split()拆分字符串列。通过代码示例展示了每种方法的应用场景和转换效果，帮助用户灵活调整数据结构以适应不同分析需求（如可视化、建模等）。所有示例均包含输入输出对比，直观呈现转换前后的数据形态变化。
2026-04-09 08:53:18
42
原创 Python数据分析项目实战(049)——DataFrame数据类型转换
本文介绍了Pandas中DataFrame数据类型转换的常用方法，包括：1）使用df.dtypes查看各列数据类型；2）通过astype()进行基础类型转换；3）利用pd.to_datetime()处理日期格式；4）使用category类型优化离散型数据存储；5）通过round()调整浮点数精度。这些方法能有效解决数据格式与分析需求不匹配的问题，提升数据处理效率。文中通过代码示例演示了每种方法的具体应用场景和转换效果，为数据预处理提供了实用指导。
2026-04-09 08:51:44
128
原创 Python数据分析项目实战(048)——DataFrame处理重复数据
本文介绍了Pandas中处理DataFrame重复数据的常用方法。df.duplicated()用于检测重复行，返回布尔值标记；df.drop_duplicates()默认删除重复行并保留第一次出现的记录；df.drop_duplicates(subset=['列名'])可根据指定列去重；df.drop_duplicates(keep='last')则保留最后一次出现的重复记录。这些方法能有效清除冗余数据，确保数据分析的准确性。文章通过示例代码演示了各方法的实际应用和输出结果。
2026-04-07 12:02:13
162
原创 Python数据分析项目实战(047)——DataFrame处理缺失值
本文介绍了Python数据分析中常见的缺失值表示形式（NaN、NA、None）及其差异，重点讲解了Pandas DataFrame处理缺失值的8种核心方法。通过示例代码演示了如何检测缺失值（isna/isnull）、统计缺失数量（isna().sum()）、删除缺失行/列（dropna）以及多种填充策略（固定值填充fillna(value)、前向填充ffill、后向填充bfill）。这些方法覆盖了缺失值处理的主要场景，帮助数据分析师根据数据特点选择合适的处理方式，确保数据质量和分析准确性。
2026-04-07 12:00:36
58
原创 Python数据分析项目实战(046)——数据清洗与预处理概述
本文介绍了数据清洗与预处理的关键步骤，包括缺失值处理（删除、填充、预测）、重复数据删除、数据类型转换、数据重塑（宽长表转换、合并）、文本数据处理（清洗、分词、标准化）、数据分箱（等宽/等频/自定义）以及其他常用操作（异常值处理、单位标准化、特征衍生、数据脱敏）。这些方法为后续数据分析提供了可靠的数据基础。
2026-04-02 08:51:40
394
原创 Python数据分析项目实战(045)——Pandas数据导入常用方法
本文介绍了Pandas库中常用的数据读取函数，包括：read_csv()读取CSV文件，read_excel()读取Excel文件，read_pickle()读取pickle格式文件，read_clipboard()从剪贴板获取数据，read_hdf()读取HDF5文件，read_html()解析HTML表格，read_json()读取JSON数据，read_feather()读取Feather格式文件，以及read_sql()从SQL数据库查询数据。每个函数都配有示例代码，展示了如何将不同格式的数据转换为
2026-04-02 08:49:51
168
原创 Python数据分析项目实战(044)——Pandas数据导出常用方法
本文介绍了Pandas库中DataFrame数据的多种导出方法，包括：to_csv()导出CSV文件、to_excel()导出Excel文件（需安装openpyxl/xlrd库）、to_pickle()序列化保存、to_clipboard()复制到剪贴板、to_dict()转为字典、to_hdf()导出HDF5文件（需pytables库）、to_html()转为HTML表格、to_json()导出JSON文件、to_feather()导出Feather格式（需feather-format库）以及to_sql
2026-04-01 09:14:17
48
原创 Python数据分析项目实战(043)——数据分析流程
本文系统介绍了数据分析的完整流程，包括数据收集、清洗、分析、可视化和迭代优化五个关键环节。作者强调数据分析应以业务目标为导向，从多源数据采集开始，经过严格的数据清洗和预处理，运用统计分析或机器学习方法挖掘数据价值，并通过可视化呈现分析结果。最终形成"分析-决策-验证"的业务闭环，持续优化分析模型和决策效果。文章配有流程图直观展示各环节关系，为数据分析实践提供了清晰的操作框架。
2026-04-01 09:12:05
339
原创 Python数据分析项目实战(042)——DataFrame应用入门案例3
本文通过两个案例演示了使用pandas进行数据分析的方法。案例1对商品库存数据进行处理，计算当前库存、筛选缺货商品并排序；案例2分析学生成绩变化，计算进步幅度、筛选进步学生并排序。两个案例均采用"计算新列→条件筛选→排序展示"的三步流程，展示了DataFrame的基本操作，包括列运算、布尔索引和sort_values排序。代码简洁清晰，结果直观呈现，适用于库存管理和成绩分析等实际场景。
2026-03-31 08:41:52
151
原创 Python数据分析项目实战(041)——DataFrame应用入门案例2
本文介绍了两个数据处理案例。第一个案例分析员工出勤数据，计算每位员工的出勤率，标记低出勤率（<80%）员工，并按出勤率降序排序。结果显示王五出勤率最高（96%），赵六最低（68%）。第二个案例处理电影评分数据，计算每部电影的平均评分，筛选出评分高于9.0的电影（如电影A和电影C均9.23分），并按评分降序排列。两个案例均使用pandas库实现数据计算、筛选和排序功能，展示了DataFrame的基本操作方法。
2026-03-31 08:40:08
42
原创 Python数据分析项目实战(040)——DataFrame应用入门案例1
本文介绍了两个使用Pandas进行数据分析的案例。案例1展示了学生成绩处理，包括计算总分和平均分，筛选特定条件学生，并按总分排序输出前三名。案例2演示了销售数据分析，计算产品销售额，找出最高销售额产品，并按销售额排序。两个案例都通过DataFrame操作实现数据计算、筛选和排序，体现了Pandas在数据处理中的高效性。完整代码和结果可直接运行验证，适合作为数据分析入门参考。
2026-03-30 09:31:05
41
DependencyInjection
2023-09-05
仿QQ获取设备中APK并分享
2016-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人