Duang007_-CSDN博客

原创【LeetCodeHot100 超详细Agent启发版本】字母异位词分组 (Group Anagrams)

本文介绍了字母异位词分组的两种算法：排序法和计数法。核心思想是通过特征提取将字符串转化为标准形式作为分组依据。重点展示了使用Python实现的排序法，利用defaultdict自动分组，将排序后的字符串作为特征键。代码解析详细说明了类型注解、特征生成、分组存储等关键步骤，并提供了单元测试示例。该算法体现了数据处理中的规范化思想，时间复杂度为O(NK log K)。

2026-01-28 10:50:01 633

原创【万字学习总结】API设计与接口开发实战指南

《API设计与接口开发实战指南》系统介绍了现代Web开发中的核心接口技术。全文分为四大部分：RESTful API设计规范、GraphQL查询语言、WebSocket实时通信及接口文档工具生态。重点讲解了RESTful的资源URI设计、HTTP方法语义、状态码表达、版本控制策略和统一错误格式；对比分析了GraphQL与REST的适用场景；介绍了WebSocket的实时通信机制；最后探讨了Swagger文档规范和Postman等开发工具的使用。该指南为开发者提供了从基础规范到高级实践的完整接口开发知识体系，帮

2026-01-20 16:01:29 844

原创【LeetCodeHot100 超详细Agent启发版本】两数之和 (Two Sum)

本文介绍了两数之和问题的优化解法。通过哈希表实现O(n)时间复杂度，将问题转化为查找补数(target - current)是否存在于哈希表中。文章详细解析了代码实现步骤，包括类型注解、哈希表初始化、遍历数组、计算补数、检索命中判断等关键环节，并提供了单元测试示例。该方法体现了空间换时间的优化思想，类比于Agent的记忆检索机制，为处理大规模数据提供了高效解决方案。

2026-01-15 13:54:53 723

原创拆解 Transformer 的灵魂：全景解析 Attention 家族 (Self, Cross, Masked & GQA)

本文深入解析了Transformer中的注意力机制家族，包括自注意力(Self-Attention)、掩码注意力(Masked Self-Attention)和交叉注意力(Cross-Attention)。通过图书馆找书的类比解释了Q、K、V三者的关系，详细介绍了注意力计算公式及其数学原理。文章还探讨了多头注意力(Multi-Head)及其现代变体MQA和GQA，分析了它们在性能和显存占用上的权衡。最后提供了PyTorch实现的因果自注意力模块代码，展示了如何在实际应用中实现这一核心机制。全文从理论到实践，

2026-01-15 13:48:11 789

原创不仅是并发：万字图解进程、线程与协程的“资源战争“

摘要：本文深入解析进程、线程与协程的核心差异，揭示并发编程的本质并非"同时做事"而是"等待时做别的事"。通过工业比喻和Mermaid图表，作者清晰展示了三者的资源开销与适用场景：进程是资源隔离的重型工厂，线程是共享内存的流水线，协程则是轻量级的用户态任务调度。文章特别指出Python多线程在IO密集型任务中的价值，并通过电商案例展示了协程优化带来的5倍性能提升。最后提供了实战代码、性能对比和架构决策指南，帮助开发者根据任务类型（CPU/IO密集型）选择最佳并发模型。

2026-01-12 12:22:16 779

原创给 Agent 装上“义眼“：基于 MCP 构建 Playwright Server 实战指南

本文介绍了如何为AI Agent构建基于Playwright的浏览器自动化服务，通过MCP协议实现标准化接口。文章分析了传统HTTP客户端的局限，对比了Playwright的优势，并详细展示了系统架构设计。核心实现部分提供了Python代码示例，包括环境配置、MCP服务初始化、页面导航和内容提取功能。该方法使Agent能够处理动态网页内容，支持交互操作，同时通过资源隔离和服务复用优化性能。

2026-01-08 14:21:36 1817

原创从脚本到智能体：构建基于 MCP 与 LangGraph 的生产级 AI Agent 实战

本文介绍了如何利用Model Context Protocol (MCP)和LangGraph构建生产级竞品调研AI Agent。针对传统爬虫脚本在非结构化数据处理、流程脆弱性和工作流集成方面的不足，项目采用领域驱动设计和六边形架构，实现核心逻辑与外部设施解耦。关键技术包括：MCP标准实现与AI工具的无缝集成、LangGraph构建的容错状态机、Pydantic确保数据质量。该项目展示了将自动化、编排、数据验证等技术结合构建可靠AI工具的方法，已开源并支持扩展。

2026-01-01 14:55:39 1042

原创 Ep 03: 时间旅行者 (Persistence & Checkpointing)--Langraph

在 LangGraph 中，持久化不是用来“记录日志”的，而是用来**保存快照（Snapshot）**的。想象你在玩 RPG 游戏（比如《黑神话：悟空》）。每当你经过一个“土地庙”（关键节点），游戏会自动存档。如果你打 Boss 死了，你可以从上一个存档点复活（断点续传）。如果你对刚才的对话选项不满意，你可以读取存档重来（Time Travel）。LangGraph 的就是这个“土地庙”。它会在图执行的每一个“超级步（Super-step）”之后，自动把当前的State序列化并存入数据库。

2025-12-23 00:57:31 418

原创 Ep 02: 状态的艺术 (State Management & Reducers)--Langraph

本文介绍了LangGraph中状态管理的核心概念——Reducers（归约器），解决了在多轮对话中追加历史记录的难题。通过Annotated类型注解和add_messages函数，实现了智能的消息合并功能（追加、更新、格式化）。文章以构建ReAct循环Agent为例，展示了如何定义状态、初始化LLM绑定工具、设置条件分支和循环结构，最终实现"思考-行动"的交互流程。通过代码示例和流程拆解，详细说明了工具调用的底层机制，即LLM输出结构化JSON指令，由Python代码实际执行的协作模式。

2025-12-18 14:35:43 631

原创 Ep 01: 别再用 Chain 了，你需要一个图 (From Chains to Graphs)

我们今天学到了什么？StateGraph: 图的骨架，定义了数据流动的 Schema。: 实现了if/else的分支逻辑，这是 Agent 决策的基础。Nodes: 只是简单的 Python 函数，解耦了逻辑。资深工程师笔记注意看代码中的。在 LangGraph 中，Node 返回的字典会自动与当前的 State 进行Update（合并）操作，而不是覆盖。这对于状态管理至关重要。这个例子太简单了，因为我们手动处理了messages。

2025-12-16 16:10:21 629

原创《铸剑：从脚本到工业级系统 —— FastMCP 浏览器 Agent 开发实录》

本文深度复盘了一个基于 FastMCP 与 Playwright 的雪球网浏览器自动化 Agent 从“脆弱脚本”进化为“工业级系统”的完整实战历程。面对 LLM 参数幻觉、MCP 协议通信冲突、浏览器资源竞态等 AI 工程化核心痛点，文章详细记录了如何通过 Pydantic 构建防御性契约、利用 Stderr 重定向实现无损可观测性、以及引入 Asyncio 锁机制解决高并发下的状态“精神分裂”。最终，我们通过 Provider 模式完成了架构升维，将单机工具改造为具备多租户扩展能力的现代化应

2025-12-16 14:22:32 1060

原创【万字】机器翻译MT全解析-文本预处理详解（Tokenization、BPE）--完整训练流程--损失函数、优化器、训练循环-评估指标详解（BLEU、ROUGE等）-解码策略 & 后处理详解

机器翻译的任务流程可以分为 **数据处理 → 模型训练 → 评估 → 预测 & 推理** 四个阶段

2025-03-09 23:29:11 1896

原创（学习记录）BERT每一层详解、公式、从零开始代码示例、文本分类任务、 Transformer 编码器

层次作用关键公式输入层将文本转换为词向量，添加位置信息和句子信息XX多头自注意力机制计算序列中每个词语对其他词语的关注度，捕捉全局依赖关系AttentionQKVsoftmaxQKTdkVAttentionQKVsoftmaxdkQKTV前馈神经网络通过非线性变换提高表达能力FFNxmax⁡0xW1b1W2b2FFNxmax0xW1b1W2b2残差连接 & 层归一化。

2025-02-23 15:55:34 3108 1

原创（学习记录）生成式自编码器（Variational Autoencoder, VAE）详解

VAE 既能进行数据降维，又能用来生成新数据，比如图片、文本等。让生成的 ( x’ ) 尽可能接近原始数据 ( x )（通常使用均方误差 MSE 或交叉熵）。普通自编码器的问题是，它只学习到了固定的编码 ( z )，无法生成新数据。，它不仅能进行数据压缩，还能生成新数据。其中 ( \beta ) 是一个超参数，控制 KL 散度的权重。不再输出一个固定的 ( z )，而是输出。让模型学习到合理的 ( p(z) )。

2025-02-22 20:13:18 933

原创（学习记录）无监督学习、自监督学习超详细自我解读——附代码示例

这种方法结合了无监督学习的优势，但它更像是在没有标签数据的情况下，通过给模型设计一种代理任务（pretext task），让模型自己创造标签，并通过这个任务来学习数据的特征。举个例子，如果你给我一个图片，并要求我去预测图像的一部分（比如遮住一个区域，要求我预测被遮挡的部分），我就可以通过这样的任务来学习图像的结构和特征。比如，假设我有两张图片，分别是“猫”和“狗”，通过对比学习，模型可以学习到“猫”和“狗”是不同的，而相同物体的不同图像应该有相似的特征。没有明确的答案指引，只能依靠数据本身的特点。

2025-02-22 15:24:16 1472

m0_49456009的博客

原创【LeetCodeHot100 超详细Agent启发版本】字母异位词分组 (Group Anagrams)

原创【万字学习总结】API设计与接口开发实战指南

原创【LeetCodeHot100 超详细Agent启发版本】两数之和 (Two Sum)

原创拆解 Transformer 的灵魂：全景解析 Attention 家族 (Self, Cross, Masked & GQA)

原创不仅是并发：万字图解进程、线程与协程的“资源战争“

原创给 Agent 装上“义眼“：基于 MCP 构建 Playwright Server 实战指南

原创从脚本到智能体：构建基于 MCP 与 LangGraph 的生产级 AI Agent 实战

原创 Ep 03: 时间旅行者 (Persistence & Checkpointing)--Langraph

原创 Ep 02: 状态的艺术 (State Management & Reducers)--Langraph

原创 Ep 01: 别再用 Chain 了，你需要一个图 (From Chains to Graphs)

原创《铸剑：从脚本到工业级系统 —— FastMCP 浏览器 Agent 开发实录》

原创【万字】机器翻译MT全解析-文本预处理详解（Tokenization、BPE）--完整训练流程--损失函数、优化器、训练循环-评估指标详解（BLEU、ROUGE等）-解码策略 & 后处理详解

原创（学习记录）BERT每一层详解、公式、从零开始代码示例、文本分类任务、 Transformer 编码器

原创（学习记录）生成式自编码器（Variational Autoencoder, VAE）详解

原创（学习记录）无监督学习、自监督学习超详细自我解读——附代码示例

原创 ResNet-18分类 11 类食物图片——数据加载、模型初始化、超参数设置和训练，支持半监督学习

原创超详细图解-手写 VGG-13：代码解析与对比

原创手写 ResNet-18，残差块理解，对比官方的 torchvision 版本

原创 PyTorch 实现 AlexNet和自定义AlexNet 变体详解

原创超详细PyTorch实现房价预测：数据处理 + 训练验证全解析

原创基于 PyTorch 的线性回归 COVID-19 检测预测模型

原创多层神经网络-使用 PyTorch 训练简单神经网络拟合三次多项式数据

空空如也

空空如也