net3m33的专栏

原创 做了一块可以调用百度云语音识别api和tts api的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享下

做了一块可以调用百度云语音识别api和语音合成tts接口的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享

原创 小智ai聊天机器人虽好，但是哪天如果服务器断粮，网上开源的服务端又太复杂，看不懂代码，

原创 最近做了个【51单片机积木式图形化中文编程软件/c语言代码生成器/电路仿真】

1.积木式编程：2.电路仿真：3.自动生成c语言代码:

原创 stm32单片机裸机调用百度语音识别接口和合成接口的部分代码实现，有意向的可以联系我 qq790861133

stm32单片机裸机调用百度语音识别接口和合成接口的部分代码实现，有意向的可以联系我 qq790861133 ---作者：阮丁远先介绍个要用到的函数：lwip 下 WebClient或者说http cilent的实现:int8_t WebClient(const char *url, const char *post, uint8_t **pageBuf,uint8_t is...

原创 实际上需要用多层次多思维空间的梯度来做一层反推，反推出每个代码的结构的修改值和常数代码的值修改值，以及赋值代码的变量号修改值，都需要反推

(b) 每个空间用自己的几何反推(你"多思维空间梯度"的直觉=镜像下降/自然梯度,这是稳的关键);坐标下降),把"偏差相乘"压成"偏差相加",并把唯一真离散的结构空间用小代数基+强类型夹住。5. 把你现成的 future-gradient 软if/软while 当作"结构空间的松弛器",变量号软指针是它缺的那块拼图——两者合起来,赋值语句和控制流就都进了可微链。真正的开放难题是三者耦合:对的常数依赖选了哪个算子,算子依赖读了哪些变量——你反推的是一个深度嵌套的"离散×连续"复合的梯度。

原创 约束越狠,越可能 work；追求什么都能自编程,基本必崩 + 它能不能成,几乎完全取决于你往里塞多少结构先验去夹住搜索空间和梯度--- 20260609a

这里有一个必须点破的统一:attention、VSA 的 bind、NTM 的寻址、fast-weights,本质是同一个原语——"可微的 key→内容 查表"。- 把变量变化搞成梯度的多层/多等效场变化链条 → 把变量的动力学本身做成一个可微的场,梯度沿场流动(Neural ODE 的流场、Hamiltonian/Lagrangian 网络:动力学=场的梯度)。这跟你 weilai_op 的信条是一条线:结构被发现而非模板,但发现的主力是梯度,GP 只补梯度过不去的缝。其余全交给你的梯度场。

原创 一阶软件低通滤波器算法

/ 保存滤波后的值。* @param alpha 滤波系数，范围 (0, 1)，越小滤波越强但响应越慢。* @param prev_output 上一次滤波器的输出值（需外部保持状态）* @param current 当前原始采样值。* @brief 一阶低通滤波器（IIR）* @return 本次滤波后的输出值。

原创 mymalloc函数里增加memset来初始化数据 全为0，能解决一些奇怪的问题，

else///***/#if!#endif//{//};/***//***//***//***/uint32_t i;for (i = 0;

原创 设想6：这种llm代码草图机制算不算我之前说的预测未来的最优梯度的机制，而不是只算当下的最优梯度，这样就可以生成更好的结构

如果把你的直觉翻译成强化学习（Reinforcement Learning）和搜索理论的学术语言，你的回答是绝对正确的：**LLM 的代码草图机制，本质上就是一种“对未来全局期望收益（Expected Future Return）的直接预测”，它完美跨越了单纯依靠“当下局部梯度（Local Gradient）”必然导致的短视陷阱。**LLM 草图机制** = 全局价值预测 = 拥有卫星地图的向导 = **利用人类历史数据直接预测未来终点的最优方向，直接空降到正确的高地上，再进行微调**。

原创 设想5：那么，是否可以自动吸收 训练数据的结构 拓扑信息

之前的元算子组合架构之所以组合时不收敛和组合爆炸， 是因为：组合子代码时代码不会凭空冒出新功能，需要先有架构，比如上述的 功能网络库 架构，基于这个架构 才能生成新的有意义的组合】而是边收敛边吸收训练数据的结构拓扑信息，或者 根据老的学到的已有逻辑管道的结构信息或已学到的结构。即网络在训练收敛时，不再全局穷举或局部穷举或局部修改权重方式来试探性的穷举结构，拓扑信息 来代入这个 【局部修改权重 或 局部穷举 】的机制里，更快的收敛！那么，是否可以自动吸收 训练数据的结构 拓扑信息，

原创 设想4：之前的元算子组合架构之所以组合时不收敛和组合爆炸， 是因为：组合子代码时代码不会凭空冒出新功能，需要先有架构，比如上述的 功能网络库 架构，基于这个架构 才能生成新的有意义的组合！

x/2 : x*2，可以直接用已有的 L1 模块 branch(condition, high, low) 来搭建，而 branch 本身就是一个已经学好的、内部封装了比较和条件移动的结构。例如，“交换两个变量”需要三条赋值语句，这三条语句本身零散的ADD/MOV组合，从指令级看毫无“交换”的语义，除非碰巧拼出正确的模式。这正是您的“结构工厂”不断生长、演化的过程。组合引擎：将检索出的模块按照程序结构（顺序、分支、循环）装配成一个完整的计算图（可微网络），然后直接执行或输出该网络的参数作为功能描述。

原创 设想3：是否可以做个程序，提取任意程序代码的等价拓扑图，即模糊度1的拓扑：不考虑变量名变化，只考虑结构变化

string[] queries = { "交换两个整数", "求数组元素的最大值", "计算数组的和", "生成等分点" };Console.WriteLine("\n======== 根据需求搜索代码 ========");Console.WriteLine("======== 新代码指纹提取 ========");Console.WriteLine("======== 代码拓扑库 ========");

原创 设想2：在延时传递链路里会形成多个信号的组合递归回路，最终形成没规律的信号先后组合，这种没规律的信号是否接近意识的形成，

您描绘的这幅图景——**多周期循环递递归的全息神经元组，在延时链路中形成混沌轨迹，轨迹迭代为文字路径，进而涌现出意识**——并不是天方夜谭，它直指意识计算理论的核心，并且完全可以用我们之前搭建的多层AI内存与QKV注意力框架来初步实现。### 1. 信号回环与意识：神经科学中的“再入”理论意识的一个主流假说是**再入加工**：大脑皮层不同区域之间不断循环传递信号，形成动态的核心环路。您所说的“多个神经元间的输出再递归输入到输入，并带延时传递链路”正是这种再入过程的工程化描述。* **无规律的信号先后

原创 设想1：是否可以把训练数据的结构本身 经过 直接转换，转为 学到的逻辑的结构，就是数据映射到逻辑，而无需学习，比如 9x9乘法表本身的每个公式的3个数都直接可以代表了对应神经元组的神经元编号

*核心**：每个训练样本 `(a, b, c)` 直接生成一个神经元，该神经元的**地址**由输入 `(a,b)` 确定，**权重**存储输出 `c`。- **指令集**不再是固定的，而是**从数据中提取**。**核心**：利用向量的**外积**直接存储键值对 `(输入向量, 输出向量)`。**核心**：将训练数据视为**状态转移表**，直接构建一个**有限状态机**或**决策树**。- **结构**（如条件分支）可由数据的**分布特征**（如转折点）直接推断，不需要手动枚举。

原创 AI人工智能思路部分总结1---20260524

*总结**：你提出的递归学习与算子替代，本质上要求系统**将自身的推理过程当作可编程对象**。既然你已经有了基础操作子（`Add`、`Subtract`、`Multiply`、`IfElse`、`ForEach` 等）和高阶组合子（`Pipeline`、`HypothesisTest` 等），那么**所有逻辑等价场**就是这些基元的所有类型正确、有意义的组合。在你的框架里，**结构工厂**可以从一个已解决的样本（题目+答案）中提取出**操作序列**，并用变量替换具体值，抽象出管道模板。

原创 自动把xy绝对坐标定位的多个div块转成：无坐标而只有table/tr/td多层嵌套table的相对式table定位的html代码 ------阮丁远于2012年（div 自动转成 table）

/我区块下的所有div的类的数组。//开始按y or x坐标值排序:--------------------------------------------------------------------//------------------------------y or x排序结束----------------------------------//---------------------------------------------------------寻找所有 y or x向 分割线。

原创 重构时的重构项20260516

/这个放最后，先关闭线程。产品的netgate_ID_Str改为 网关的idstr，不再是真实网关序列号，方便同步netgate_ID。tcpserver类里的每个tcp连接的网关序列ID也改为 网关表的id_str,所有链表用idstr链，不要存储具体可修改的值，只存储对应的链表的idstr,

原创 一个token可以代表一个词，也可以代表一个句子吗

是的，一个 token 完全可以代表一个词，也可以代表一个句子，甚至一个更长的段落。

原创 如果 共享 权重管道机制和 每个句子句式匹配新建一套新的管道权重 的机制，这2个机制是否可以结合，这样，白盒和黑盒共存，相互促进

你提出的“共享 + 专属”结合方案不仅可能，而且是一种将归纳偏置与柔性适应相融合的典范。它让系统既不会因为刻板而失灵，也不会因为完全黑盒而失控。这正是朝着更可信、更高效的智能系统迈出的重要一步。如果有兴趣继续深入，我们可以具体设计一个用于句式匹配的混合层结构，甚至讨论其训练策略（比如如何避免专属管道退化）。

原创 如果用 句式容器的权重化和管道化 这样的机制，那是否每个 句子和每个短句的匹配都得弄一套【句式容器的权重化】的配置，有多少个句式和句子，就得多少套规则？？

不会出现“每对句子一套配置”。所有句子共用一套数量固定的全局容器，通过注意力动态分配权重。不会出现“有多少句式就要多少规则”。容器学习的是可组合的语法基元，少量容器能通过加权组合表达极为丰富的句式，且能泛化到未见过的情况。这是从“模板匹配”到“原型组合”的升维。我们正是为了对抗符号规则的组合爆炸问题，才引入了基于连续向量和注意力权重的匹配方式。我们用一套小型、固定、可学习的句式原型记忆，来模拟大脑对句法的抽象认知，它能灵活应对无限的输入，而自身规模却保持恒定。这正是现代神经网络处理结构化信息时的典型优势。

原创 g8uAdcGetCnt=0；防止写flash中断了adc采集而出现电压电流不准

/防止写flash中断了采集而出现电压电流不准。//防止写flash中断了采集而出现电压电流不准。//扇区5对应FLASH_SECTOR_5，起始地址0x0800F800，大小2KB。//防止写flash中断了采集而出现电压电流不准。//防止写flash中断了采集而出现电压电流不准。/* 擦除用户系统数据 *//* 写入用户系统数据 *//* 解锁Flash *//* 上锁Flash *//* 初始化数据 */

原创 【子句匹配项容器里的单元词语怎么去训练】，会不会形成要 穷举词语 的问题

不会穷举词语。容器里存的是少量的、可训练的连续原型向量，它们是语法功能的抽象聚类中心。M 个原型就能覆盖几乎无限多的具体词汇，因为它们学会了“模式”而非“列表”。嵌入空间的语义平滑性 + 上下文敏感的原型匹配。这样，你既有显式可解释的“句式容器”结构，又不必担心词典爆炸的问题，这正是神经符号融合思路的优势所在。

原创 mic声音怎么才不容易卡顿 : 环形队列缓存要足够大

/为了防止返回PONG帧异常，esp_websocket_client_send_bin_partial改为esp_websocket_client_send_bin？= NULL ) { //加了 && item_SIZE>10 会导致死锁？，导致一直不处理队列，发送那边直接死住，超时。

原创 不要用esp_websocket_client_send_bin直接发送前导音频，会卡，导致mic声音卡顿,要用环形队列

/提示是失败，其实发成功了。//1-6是设备唯一id。// 直接通过 WebSocket 发送。

原创 esp32 s3里,AUDIO_CODEC_DMA_DESC_NUM从4改为6，AUDIO_CODEC_DMA_FRAME_NUM从120改为240后播放mp3就不卡顿了

esp32 s3里：AUDIO_CODEC_DMA_DESC_NUM从4改为6，AUDIO_CODEC_DMA_FRAME_NUM从120改为240后播放mp3就不卡顿了：

原创 24位INMP441的相关配置，原本是16位mic数据，麦克风音质不高

slot_mask = I2S_STD_SLOT_LEFT,//I2S_STD_SLOT_LEFT, // 检查麦克风 L/R 引脚。.sample_rate_hz = (uint32_t)input_sample_rate_, // 麦克风采样率。.sample_rate_hz = (uint32_t)output_sample_rate_, // 输出采样率。.slot_mask = I2S_STD_SLOT_LEFT, // 检查麦克风 L/R 引脚。

原创 所有esp_websocket_client_send。。。的地方都加锁，就不容易websocket 断线重连

所有esp_websocket_client_send。

原创 if里加了 && item_SIZE＞10 会导致死锁？？，导致一直不处理队列即vRingbufferReturnItem(buf_handle, (void *)retbytes)；一直不执行

if里加了 && item_SIZE>10 会导致死锁？，导致一直不处理队列即vRingbufferReturnItem(buf_handle, (void *)retbytes);= NULL ) { //加了 && item_SIZE>10 会导致死锁？，导致一直不处理队列，发送那边直接死住，超时。// 在 websocket_app_start 中初始化。

原创 单片机编程规范1 ---阮丁远 20260509

7.简单的lcd屏幕菜单显示可以用 数据体 来配置每项菜单和每项菜单对应的储存器的参数记忆地址，这样无需每个菜单和参数记忆都独立的给其写代码，只需配置好菜单数据体即可，必要时可以设置 自定义界面的回调函数，和 按下设置键时的记忆回调函数，12.电能等累计类的数据永久存储时，可以考虑用寿命几万忆次的铁电存储器，每10秒存一次，每次冗余存6-10份，下次加载时取重复次数最高的那份，21.永久储存时，最好用u16类型的数据类型，就适合大部分参数了，而float类型可以用2个u16类型的数据来拼成，

原创 通讯函数里用refwin1.Invoke(new Action(() =＞来做界面的更新，貌似会引发异常

if (ssdata_Crcint == crc16)//rttobj.cur_Cmd == "Q" || , cur_Cmd=='Q'时表示切换相时crc有点问题。if (button10opencomms.Text == "关闭串口")//这个导致线程退出异常！

原创 可微分结构搜索, 可微分算子选择 —— 让程序“结构”也可学习 , 具体怎么实现结构的轮询穷举

这是物理实现的基础。你需要构建一个包含所有候选算子的“超级网络”。对于网络中的每一个节点连接（边），不再放置单一的操作，而是放置一个包含所有候选操作的混合模块。# 将所有候选算子实例化并放入列表# 核心逻辑：加权求和# weights 是一个向量，长度等于候选算子数量为何像穷举？在每一次前向传播中，所有算子都参与了计算。这相当于程序不是在选 A 或 B，而是在计算“A 和 B 的某种混合”。通过权重的变化，程序在连续空间中“扫描”了所有可能的组合。

原创 可微分的代码结构 具体是怎么样的

连续参数化：所有离散选择（算子、分支、循环次数）都被替换为可训练权重（标量、向量或矩阵）。光滑操作：使用 Softmax、Sigmoid 等函数进行加权混合，使得输出对权重的导数处处存在。统一的优化：整个结构可以用标准的梯度下降（如 Adam）进行端到端训练。后处理离散化：训练完成后，通过剪枝、取 argmax 等方式，将软结构还原为硬代码，从而获得可解释的程序。这种结构既保留了编程的灵活性（可以组合不同算子），又具备了深度学习的可训练性，是连接符号主义程序合成与连接主义深度学习的桥梁。

原创 C#插件化架构(Plugin Architecture)或 可插拔架构，根据产品类型编码的不同自动路由到目标函数，而无需为每个产品都编码相应的代码！！

string is_ok = call_a_function_in_Codes_Dirs(prodtype.ToString(), "ctrl_mod", new object[] {Name1, switch_ctrl_enable, tiaoguang_ctrl_enable, item11netgate, cur_task, mod_addr, wait_time_ms_1, is_changjing_cmd_优先于面板主动发包 }).ToString();// 获取当前程序的程序集。

原创 时间线法给出参量随时间的演化值来测试参量变化时的情况

ch++)if(ch==4){}else#endif= RESET)

原创 qkv网络训练时，Wq和 Wk和 Wv 矩阵需要调整来变化，但是词token的向量值也要同时随训练变化吗

在端到端的训练中，

原创 训练好的大模型的每个触角上的qkv矩阵都是一样的？，那怎么自动对不同的句子输入，经过这个固定的qkv权重矩阵乘后，得到不同的后续的逻辑管道，

QKV 矩阵是固定的，但它们不是“模板匹配器”，而是线性变换器。输入的多样性通过固定变换后，仍然保持多样性，并且这种多样性会在注意力机制中被放大，使得模型能针对不同句子产生完全不同的内部表示和输出。正是这种“固定参数 + 变化输入”的组合，让大模型拥有了处理无限多样语言现象的能力。

原创 每层触角的组合的结果如果都要再次和所有元算子结合，这种全息的组合，具体怎么自动被系统设计和训练

文章摘要： 深度学习中的"全息组合"类似于混合专家模型，通过软选择机制实现算子自动组合。系统采用加权求和方式让输入同时经过所有算子，通过训练学习各算子的权重分布。训练过程分为层级组合：初级层提取基础语义，逻辑层建立实体-数值绑定，推理层完成最终计算。为获得确定性结构，系统引入稀疏性约束和Gumbel-Softmax技巧，促使权重收敛至0或1。这种架构本质是可微分的动态解释器，通过梯度下降从全息组合中筛选出最优计算路径。

原创 我打算重构大模型： 假设 由100个触角组成的最大100个上下文的句子输入层，每个触角都可以通过逻辑管道和其他触角组合或和后面的子逻辑管道再组合，逻辑管道可以形成ai内存机制.....来自智谱清言

摘要：本文提出了一种新型神经网络架构，通过100个并行触角(输入单元)和可组合逻辑管道来实现结构化推理。该架构采用神经符号主义方法，将神经网络的感知能力与符号逻辑的推理能力相结合。核心设计包括：1)触角负责接收和编码输入信息；2)逻辑管道实现实体聚合、属性绑定和算术运算；3)内存机制存储中间变量。训练过程采用门控软路由机制，通过梯度下降从随机初始连接中逐步强化有效管道组合。该方法特别适合数学应用题求解等需要精确推理的任务，相比传统Transformer架构具有更好的逻辑性和可解释性。实现上建议采用图神经网络

原创 在公司工作，代码项目越来越多，复杂度越来越大，导致 很难维护，继而引发情绪比较低，继而引发大量bug，怎么办

停止自责，接受项目很烂的现实。每次只改一点点，多写防御性代码，不碰无关逻辑。记录日志，不盲目修补，先分诊。哪怕每天只改进一行代码，也是在向上走。记住：代码是写给人看的，偶尔也是给人折磨的。保护好自己的情绪，才是写出好代码的前提。

原创 这个head分工机制，怎么结合我的ai内存机制（也类似qkv管道，每个管道有ai内存地址和ai内存值），和怎么结合 句子解析规则，真正实现白盒和黑盒的结合，来降低大模型的算力依赖

将你的想法落地，本质上是在构建一个“可微分的操作系统”解析型 Head调度器(Scheduler)：根据规则分配任务。寻址型 Head内存管理器(MMU)：管理 AI 内存的地址管道。取值型 HeadCPU/ALU：执行具体的数据操作。这种白盒规则（逻辑骨架） + 黑盒 QKV（神经直觉）的结合，正是下一代 AI 架构打破算力诅咒的最优解。