- 博客(224)
- 收藏
- 关注
RSS订阅原创 Windows 办公极简必装 5 件套（欢迎补充）
整套覆盖：截图标注、流程图绘图、极速搜文件、全能 PDF 处理、万能快捷工具箱，日常写方案 / 做文档 / 查素材全覆盖，不重复功能。
2026-07-13 08:34:24
63
原创 HNSW 参数
资源充足且追求极致准确率：在建库阶段下血本。调大M（如 32 或 48）和（如 256 或 512）。虽然建库很慢、占内存大，但底子打得好。查询时，给一个中等偏上的ef即可获得极高召回率。对 QPS 要求极高（需要毫秒级响应）：维持适中的M（16 左右），并在查询时尽可能压低ef的值，逼近你的top_k。
2026-07-10 17:02:35
189
原创 人工审核节点（Human-in-the-Loop, HITL）概述
在构建复杂的 Agentic 工作流时，人工审核节点（Human-in-the-Loop, HITL）是连接高度自动化的 AI 决策与现实业务严谨性的核心桥梁。它不仅仅是一个简单的“同意/拒绝”按钮，而是一个涉及状态管理、线程暂停与上下文干预的复杂工程机制。
2026-07-10 14:54:45
186
原创 密集向量、 稀疏向量 、混合检索
在构建企业级RAG（检索增强生成）系统或复杂的Agentic工作流时，向量数据库的检索质量直接决定了系统的天花板。Milvus 作为一款工业级的向量数据库，其对密集向量、稀疏向量以及混合检索的支持，为应对复杂的业务场景提供了极大的灵活性。
2026-07-10 14:33:27
328
原创 大模型云端部署标准操作流程（SOP）
这份流程不仅适用于 ChatGLM，几乎所有基于 Gradio 或 WebUI 框架的开源大模型（如 Llama, Qwen 等）在云端部署时，都遵循这套“云端加载运行 -> 本地端口转发 -> 浏览器访问”的黄金法则。
2026-07-08 16:23:01
191
原创 VSCode 通过官方的 Remote - SSH 插件实现远程开发
VSCode 通过官方的插件实现远程开发：代码文件、运行环境、算力 / 显存全部在云服务器上，你本地的 VSCode 只是一个编辑界面，体验和在本地写代码几乎一致。
2026-07-07 17:28:16
262
原创 Hugging Face从零开始的、保姆级的详细教程
这是一个从零开始的、保姆级的详细教程。由于你使用的是阿里云（国内服务器），我们还需要解决国内无法直接访问 Hugging Face 的网络问题。
2026-07-06 10:16:34
193
原创 Mistral模型部署
部署这样的 7B（70亿参数）级别大模型，其资源需求主要取决于你选择的。无论是本地还是云服务器，显存（VRAM）都是最重要的瓶颈。以下是详细的资源需求评估及主流部署方案教程。
2026-07-06 09:24:23
209
原创 AI 全栈应用生成器
是由知名 Web 开发平台 StackBlitz 推出的工具，其底层基于先进的浏览器内运行环境（WebContainers）。的前身是一个低代码/无代码工具，后来全面拥抱 AI，演变成了如今极高颜值的 AI 独立应用生成平台。两款工具虽然都能实现“用嘴做软件”，但它们的底层逻辑和面向的群体有着明显的差异： [简单来说，它们不仅是一个“只能聊天帮写代码”的 AI（如 ChatGPT），而是。它们是 “Vibe Coding”（氛围编码）浪潮下的核心生产力工具。目前全球最火爆、最具代表性的两款。
2026-07-03 09:48:54
243
原创 DBSCAN（基于密度的空间聚类应用与噪声）算法
DBSCAN 的运作逻辑就是：先看一个点周围eps范围内有没有达到个点。如果有，这个点就是“核心点”。从一个“核心点”出发，把它的所有邻居都拉进同一个簇里。如果被拉进来的邻居也是“核心点”，那就继续扩大这个簇的边界（这就是所谓的密度可达，Density-Reachable）。如果被拉进来的邻居不是“核心点”（也就是说它在别人的圈子里，但自己的圈子里点不够多），那就把它当作“边界点 (Border Point)”，簇的扩张在这里停止。
2026-06-11 11:21:06
207
原创 LangGraph标准构建示例
在这里，我们只关心数据结构长什么样，完全不引入任何大模型的代码。Python第二部分：专门定义节点逻辑（类似于 ）这里是纯粹的业务函数。它只需要声明自己接收 作为参数，然后返回需要更新的字典即可。它不需要知道图（Graph）是怎么流转的。第三部分：组装智能体图（类似于 ）在这里，我们将前面定义好的“状态类”和“节点函数”像拼图一样拼起来。为什么要这样分开设计？ 代码极度清晰：如果您的智能体有 10 个节点，把逻辑全写在一起会变成一场灾难。分开后，您只需去 看数据结构，
2026-06-05 21:57:48
216
原创 langgraph基础示例
一个完整的、可运行的基础示例。这里我以调用 OpenAI 的模型为例（您可以替换成任何 LangChain 支持的模型）。如何运行测试它？编译好 之后，您就可以像调用普通的 LangChain 对象一样，使用 方法传入初始消息了：代码逻辑拆解 和 : 它们是 LangGraph 提供的特殊常量（通过 引入），用来标记工作流的起点和终点。: 您可以看到，我们在 中直接使用了它，整个过程中没有任何自定义类的代码。节点的返回值: 在 中，我们 。因为 底层已经配置好了归约器
2026-06-05 21:53:12
225
原创 短期记忆和长期记忆都存 MySQL
长期记忆 (Store) 绑定 namespace（通常是 user_id），存的是跨会话的结构化知识点——用户的偏好、档案、历史行为。context=UserContext(user_id="current_user") # ← 相同用户。config={"configurable": {"thread_id": "thread2"}}, # ← 不同线程。{"messages": [{"role": "user", "content": "我喜欢什么颜色？
2026-06-04 09:52:47
191
原创 Prompt Engineering（提示工程）和 CoT（Chain of Thought，思维链）
Prompt Engineering 让我们从“命令”模型进化为“引导”模型，而 Chain of Thought 则进一步赋予模型面对复杂认知任务时所需的“审慎推理”能力。理解并善用这两者，是在大模型时代构建可靠、智能应用的关键技能。随着模型能力的发展，提示工程正在从手工设计向自动化、程序化方向演进，而思维链也正与外部工具、检索、规划算法深度结合，释放出更强大的潜能。
2026-05-21 13:23:11
522
原创 安装千问云skills包
“帮我安装 QianWen AI Skills：1. 先检查 Node.js 有没有装好，没有就帮我装 2. 运行：npx skills add QianWen-AI/qianwen-ai 3. 如果出现技能选择提示，选择全部技能并确认 4. 装好之后，先说一句‘技能已装载’，然后告诉我获得了哪些技能，带我体验一下”*当你向 Agent 提出需求时，OpenCode 的“技能系统”会进行全局和项目级扫描，如果你的任务和某个技能的描述相匹配，Agent 就会自动调用这个技能来执行。），如果没有，需要先去。
2026-05-20 13:41:07
501
原创 IVF_FLAT 和 HNSW 是两种最核心的近似最近邻（ANN）索引算法
下表整理了IVF_FLAT和HNSW特性IVF_FLATHNSW查询性能 (QPS)中/高极高搜索召回率 (Recall)中/高 (调高nprobe可提升)极高内存消耗较低(仅存储原始向量和聚类中心)较高 (需额外存储图结构，约是原始数据的100%-300%-)索引构建时间快较慢动态更新不友好（新增数据影响整体分布）友好(支持增量插入，无需重建)参数调优nlist(构建时),nprobe(查询时)M(构建时),ef(查询时)
2026-05-17 19:54:10
539
原创 限流重试、指数退避、随机抖动
概念作用429 限流API 告诉你“太快了，暂停一下”重试自动等一等再试，而不是直接失败指数退避让等待时间越来越长，给服务器喘息空间随机抖动打散重试时刻，避免同时涌入这套机制是调用大模型 API 时保证稳定性的基本功，几乎所有生产级代码都会采用“指数退避 + 随机抖动”的重试策略。
2026-05-17 19:13:23
422
原创 百分位数法来自动确定阈值进行文章切分
代表使用来自动确定阈值，而不是人为给定一个固定值（如0.5具体做法：计算所有相邻句子对相似度的（例如第 95 百分位数，默认值通常是 95，也可由参数指定）。把那些的相似度点视为“断裂点”，在对应位置进行切分。，简单说就是一个数值，它把一组数据分成两部分：有的数据小于或等于这个数值，只有的数据大于它。换句话说，如果你把所有相邻句子对的相似度从低到高排序，第 95 百分位数就是那个“排在前 95% 位置”的相似度值。它，而是为了标记出那 5% 最“不正常”的低相似度点。
2026-05-17 17:00:05
200
原创 电化学镍催化的醇脱氧三氟甲基化反应
在这个烧瓶里，发生的是一场多方协作的微观流水线作业。为什么高达 5 eq 会导致产率暴跌？因为过量的游离会去抢占镍中心的配位空位，导致镍无法去抓取醇和。为什么需要 8mA 的电流？因为阴极必须源源不断地提供电子来还原镍，同时阳极必须有足够的电位去氧化从而激活。这是双极协同的过程！为什么 SM2 超过 2.0 eq 会毒化？铜试剂（）本身带有联吡啶配体，过量的话，它的铜中心或释放的联吡啶会严重干扰镍催化循环的配位平衡。
2026-05-12 09:12:05
478
原创 UCB 和 EI 两大采集函数的本质区别
表格采集函数全称核心逻辑性格UCB上置信界选潜力上限最高的点（预测值 + 不确定性）主动探索派，胆子大EI期望提升选能比当前最优提升最多的点贪心务实派，求稳预测均值 μ不确定性 σ、权衡系数 κ逻辑：直接计算点的理论最高可能值，选得分最高的点计算：纯加减乘除，1 行代码搞定。
2026-05-06 17:17:19
201
原创 非线性降维算法：UMAP
是一种非常强大的。它的主要作用是将高维数据（比如几百上千个特征的数据）压缩到低维空间（通常是 2 维或 3 维），以便于人类进行可视化观察，或者作为其他机器学习算法的前置处理步骤。近几年来，UMAP 几乎成为了数据科学领域的“明星”，在很多场景下（特别是单细胞测序、文本嵌入可视化等）甚至取代了曾经的王者。
2026-05-06 10:10:51
237
原创 python代码中的logger和print有什么区别
如果是面向过程的交互（如：请输入你的名字），用print。如果是后台逻辑运行的状态追踪（如：OCR 识别、数据库读取、API 调用），务必使用logger。
2026-04-20 08:50:29
217
原创 在 Linux 环境下，查看、编辑并使环境变量生效
步骤动作命令1. 打开文件使用编辑器进入配置2. 添加内容在末尾 export 变量3. 保存退出Vim 指令Esc->:wq4. 立即生效刷新命令如果你是在修改Docker的镜像站地址，通常不是修改环境变量文件，而是编辑。
2026-04-16 21:57:36
114
原创 阻塞型代码与非阻塞代码
特性阻塞型 (Blocking)非阻塞型 (Non-blocking)等待时的线程状态被挂起（休眠），无法执行其他代码。持续运行，立刻返回，去执行其他代码。CPU 利用率在等待 I/O 时，当前线程不消耗 CPU，但导致 CPU 闲置。极高，线程在等待 I/O 期间依然在干活。编程复杂度简单直观，符合人类线性思维。复杂，需要事件循环、回调或await状态机来处理后续结果。适用场景脚本、数据处理、低并发后端系统。高并发服务器、实时网络通信、微服务网关。
2026-04-13 11:31:37
356
原创 大模型的对齐（Alignment）阶段
医学生在医学院苦读 8 年，背诵了所有的医学教材、解剖图和论文。此时他知识渊博，但没有临床经验。医学生进入医院实习，老医生手把手教他：遇到发烧病人，第一步问病史，第二步开血常规，第三步写标准病历。他学会了看病的标准化流程。医学生独立坐诊。他发现有些话说出来病人家属会崩溃，有些安抚的语气能让病人更配合。经过无数次家属反馈（人类偏好）的毒打与修正，他最终不仅医术精湛，而且医患沟通极佳、充满人文关怀、绝不开违禁药。至此，一个真正“对齐”的大模型就诞生了。
2026-04-09 17:23:59
450
原创 opencode在Ubuntu下无法复制
opencode 尝试调用它，失败了，虽然内置了 fallback 二进制，但在 SSH 远程环境下 OSC52 能不能用完全看本地终端给不给面子——很多终端模拟器对 OSC52 的支持并不完整。这个问题的本质是 opencode 没有做好容错——检测到剪贴板工具不存在的时候，至少应该给个警告，而不是假装复制成功了事。opencode 的剪贴板复制逻辑：先试试终端的 OSC52 转义序列，不行的话调用系统工具 xsel，再不行还有内置的fallback 二进制。问题出在调用系统工具这步。
2026-04-07 09:50:00
1083
原创 Skills设置指南
"experimental-*": "ask" // 询问用户是否加载experimental开头的skills。"internal-*": "deny", // 拒绝internal开头的skills。"*": "allow", // 允许所有skills。- 手动加载：使用skill({name: "skill-name"})工具调用。项目根目录/.opencode/skills/- 列表查看：询问"列出可用的skills"# 项目级skills（仅对当前项目生效）
2026-04-07 09:48:58
199
原创 模型训练指标怎么看
这部分反映了模型在上的实时表现。：模型预测值与真实标签之间的差距。：曲线在 Step 16 之前较高且有波动，随后。这说明模型已经很好地拟合了训练数据。：优化算法更新权重时的步长。：可以看到明显的过程。学习率在前 40 步左右线性上升，达到峰值后按照余弦退火或其他策略缓慢下降。这有助于训练初期的稳定性。：网络权重的梯度大小，反映了模型更新的“幅度”。：初期波动较大（Step 31 左右有一个明显的尖峰），随后变得非常平滑且数值较低。这通常意味着训练进入了稳定阶段，没有出现梯度爆炸的情况。
2026-04-02 08:53:00
522
原创 查看 Git 本地仓库关联的远程仓库链接（URL）
最常用（查看所有远程仓库名称 + URL）。仅看名称git remote（快速确认关联的远程仓库）。详细信息git remote show <仓库名>（如。
2026-03-20 10:03:21
151
原创 导出 Python 虚拟环境中的包列表到 txt 文件
核心命令：激活环境后执行Conda推荐命令：激活环境后执行（yml 格式更适配 conda）导出前务必激活目标虚拟环境，否则会导出全局环境的包列表，导致环境混乱。
2026-03-20 08:13:37
321
原创 连接MCP服务使用异步函数：await 的核心作用（先理解基础概念）
await是为了等待这个异步方法执行完成，获取其返回的工具列表（而非仅拿到协程对象）。设计为异步，是因为它涉及多服务器网络交互，异步能避免阻塞、提升并发效率。在异步函数（async def定义的函数）内部调用其他异步方法，必须用await，这是 Python 异步编程的语法规则。
2026-03-12 15:50:00
248
原创 LangChain 内置工具全解析（按场景分类）
如果内置工具不满足需求，可基于BaseTool# 方式1：快速定义"""自定义天气工具（模拟）"""return f"{city}今天晴，25℃"description="获取指定城市的天气信息，参数为城市名（中文）"# 方式2：类继承（更灵活）description = "获取城市天气"return f"{city}天气：晴 25℃"# 异步实现（可选）# 使用自定义工具print(weather_tool.run("上海")) # 输出：上海今天晴，25℃核心分类。
2026-03-11 11:20:17
753
原创 千问原生 SDK vs LangChain 的 ChatTongyi：核心差异与选型建议
核心差异：原生 SDK 是 “底层直连”，可控性强但适配性弱；ChatTongyi 是 “高阶封装”，适配性强但可控性稍弱；选型关键：简单场景 / 需千问专属功能→原生 SDK；复杂场景 / 跨模型 / 用 LangChain 生态→ChatTongyi；最佳实践：复杂项目可封装原生 SDK 为 LangChain 兼容类，兼顾可控性和生态整合。你如果是做工具调用 / Agent 开发，优先用 ChatTongyi（省掉大量适配代码）；如果需要精细控制千问的参数或使用专属功能，用原生 SDK。
2026-03-11 11:09:36
697
原创 linux环境在vscode链接到一个git仓库，克隆和拉取详细命令行
核心步骤：配置 Git 身份 → 克隆远程仓库 → 用code .打开仓库，即可完成 VS Code 与 Git 仓库的连接；git clone 仓库地址 本地目录，需确保仓库地址完整且网络可访问；若克隆时提示权限问题，优先检查仓库地址正确性和账号密码是否匹配。git init→git remote add origin 仓库地址→git add .→git commit -m "说明"→；--force仅首次推送需要，用于忽略本地与远程分支的差异（因你无需同步仓库现有代码）；
2026-03-11 08:35:49
582
原创 Unstructured与ChatDOC
核心层级不同：Unstructured 是「文档解析底层库」，只解决 “把文档拆成文字” 的问题；ChatDOC 是「RAG 文档问答应用」，解决 “用自然语言问文档问题” 的端到端需求。能力边界不同：Unstructured 无交互、无 RAG、无问答；ChatDOC 集成了解析 + RAG + 问答 + 溯源，是完整的产品。使用场景不同：开发者做自定义 RAG 选 Unstructured，普通用户 / 轻量场景选 ChatDOC，兼顾开发和便捷性可两者互补使用。
2026-03-10 15:12:54
425
原创 Milvus 数据库 和 LangChain Document 一次性讲透
DocumentLangChain 里的标准文本块装：正文 + 元数据是 RAG 的原材料Milvus专门存向量的数据库存向量 + 找相似文本是 RAG 的检索引擎关系入库：Document → 向量 → 存进 Milvus查询：Milvus 找出相似文本 → 变回 Document → 给 LLM。
2026-03-09 17:02:46
611
原创 linux连接gitee仓库（多台电脑连接同一个仓库）：设置了 user.name 和 user.email，但那只是推送到代码里的“签名”，真正的“通行证”是 SSH 公钥。
。这说明 Gitee 并不认识你的这台电脑。虽然你设置了 和 ，但那只是推送到代码里的“签名”，真正的“通行证”是 SSH 公钥。请按照以下三个步骤解决：在终端输入： 如果提示文件不存在，运行以下命令生成（一路回车即可） 如果文件已存在，直接进入下一步。查看并复制那串以 开头的长字符串：操作： 选中屏幕上出现的全部内容，按 复制。登录你的 Gitee 账号。点击右上角头像 -> 设置 (Settings)。在左侧菜单找到 SSH 公钥 (SSH Keys)。标题： 随便填
2026-03-09 14:04:05
250
原创 报错 ssh: Could not resolve hostname gitee.com: Temporary failure in name resolution 是典型的 WSL DNS 解析失效
由于当前的往往是一个软链接，我们需要先删除它并创建一个真实的静态文件。创建一个新的按Ctrl + O保存，Ctrl + X退出。
2026-03-09 13:27:32
170
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