<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq128252的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq128252</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq128252]]></copyright><item><title><![CDATA[Claude Code 流畅使用指南]]></title><link>https://blog.csdn.net/qq128252/article/details/150955284</link><guid>https://blog.csdn.net/qq128252/article/details/150955284</guid><author>qq128252</author><pubDate>Thu, 28 Aug 2025 16:27:39 +0800</pubDate><description><![CDATA[Claude Code 是 Anthropic 官方命令行工具，支持 Linux、macOS 和 Windows 系统。安装前需要 Node.js 18+ 版本。

  安装步骤：各系统先安装 Node.js，然后运行 npm install -g @anthropic-ai/claude-code 全局安装，最后用 claude --version 验证。
配置设置：在 ~/.claude/settings.json 中配置 API 密钥、服务器地址和模型参数。
]]></description><category></category></item><item><title><![CDATA[俄罗斯套娃表征学习：多维度向量表示技术]]></title><link>https://blog.csdn.net/qq128252/article/details/150767670</link><guid>https://blog.csdn.net/qq128252/article/details/150767670</guid><author>qq128252</author><pubDate>Mon, 25 Aug 2025 13:57:27 +0800</pubDate><description><![CDATA[俄罗斯套娃表征学习（Matryoshka Representation Learning，MRL）是一种创新的多维度向量表示学习框架。该技术允许在单一模型中同时训练多个不同维度的表示向量，在推理时可根据实际需求灵活选择合适的维度，实现效率与性能的平衡。]]></description><category></category></item><item><title><![CDATA[Qwen3 Embedding：多语言文本表示与重排序模型详解]]></title><link>https://blog.csdn.net/qq128252/article/details/150578574</link><guid>https://blog.csdn.net/qq128252/article/details/150578574</guid><author>qq128252</author><pubDate>Thu, 21 Aug 2025 11:38:06 +0800</pubDate><description><![CDATA[本文详细介绍了Qwen3 Embedding系列模型——构建多语言文本表示与重排序的强大模型体系。该系列模型代表了文本嵌入和重排序技术的最新突破，在多个国际基准测试中取得了SOTA（State-of-the-Art）性能。文档涵盖了从基础概念到高级实现的全方位内容，包括模型背景、架构设计、训练方法、性能评估、源码实现分析以及实际应用案例等。]]></description><category></category></item><item><title><![CDATA[MCP-Zero：面向自主LLM代理的主动工具发现]]></title><link>https://blog.csdn.net/qq128252/article/details/150577739</link><guid>https://blog.csdn.net/qq128252/article/details/150577739</guid><author>qq128252</author><pubDate>Thu, 21 Aug 2025 10:59:40 +0800</pubDate><description><![CDATA[MCP-Zero是什么？
想象一下，你请一个助手帮忙修电脑，但你只给了他一把螺丝刀。当他需要其他工具时，他不能自己去工具箱找，只能被动等你递给他。这就是传统AI代理的困境。
MCP-Zero让AI代理变得更聪明：当它发现需要新工具时，可以主动说"我需要一个文件编辑器"或"我需要一个数据库查询工具"，然后系统会为它找到并提供合适的工具。
简单来说，MCP-Zero让AI从"被动使用工具"变成了"主动寻找工具"，就像一个真正有经验的技师一样。]]></description><category></category></item><item><title><![CDATA[Gemini-CLI-项目原理流程总结]]></title><link>https://blog.csdn.net/qq128252/article/details/150011837</link><guid>https://blog.csdn.net/qq128252/article/details/150011837</guid><author>qq128252</author><pubDate>Thu, 07 Aug 2025 14:33:02 +0800</pubDate><description><![CDATA[Gemini CLI 项目是一个基于 React/Ink 构建的强大命令行界面，其核心为事件驱动的流式架构。它接收用户输入，解析后与 Gemini API 进行异步流式交互，并能调度一个可扩展的插件化工具系统（支持文件、Shell等操作），最终将结果实时反馈给用户。

该项目的关键特性包括：展示 AI 推理过程的“思考”(Think)模块、为优化长对话性能而设计的智能历史压缩机制，以及通过多层校验和用户确认来保障操作安全的工具执行系统。整体设计确保了高效的实时交互、强大的功能扩展性和稳健的安全性。]]></description><category></category></item><item><title><![CDATA[ollama 运行gpt-oss 系列教程]]></title><link>https://blog.csdn.net/qq128252/article/details/150011179</link><guid>https://blog.csdn.net/qq128252/article/details/150011179</guid><author>qq128252</author><pubDate>Thu, 07 Aug 2025 14:27:08 +0800</pubDate><description><![CDATA[本指南介绍如何使用 Docker 启动 Ollama，并用 ollama pull 下载gpt_oss模型。 您可以导出 Modelfile，修改 num_ctx （上下文长度） 等参数后，以 ollama create 创建自定义模型。]]></description><category></category></item><item><title><![CDATA[DeepSeek-GRM 技术详解]]></title><link>https://blog.csdn.net/qq128252/article/details/148114804</link><guid>https://blog.csdn.net/qq128252/article/details/148114804</guid><author>qq128252</author><pubDate>Wed, 21 May 2025 14:19:31 +0800</pubDate><description><![CDATA[本文探讨了强化学习（RL）在大规模语言模型（LLMs）后训练中的应用，重点研究如何通过推理计算改进通用查询的奖励建模（RM）及其推理时扩展性，以及如何通过适当的学习方法提升性能-计算扩展的有效性。作者提出了一种点式生成奖励建模（GRM）方法，以适应不同输入类型并实现推理时扩展潜力，同时引入自原则批评调整（SPCT）学习方法，通过在线 RL 培养 GRM 的可扩展奖励生成行为，自适应生成原则并准确批评，形成了 DeepSeek-GRM 模型。此外，作者采用并行采样扩展计算使用，并引入元 RM 指导投票过程]]></description><category></category></item><item><title><![CDATA[为何选择MCP？自建流程与Anthropic MCP的对比分析]]></title><link>https://blog.csdn.net/qq128252/article/details/147915763</link><guid>https://blog.csdn.net/qq128252/article/details/147915763</guid><author>qq128252</author><pubDate>Tue, 13 May 2025 09:23:52 +0800</pubDate><description><![CDATA[在当前的AI技术浪潮中，如何高效、可靠地让大型语言模型（LLM）与外部工具和服务进行交互，是一个核心议题。Anthropic提出的模型组件协议（Model Component Protocol, MCP）旨在为此提供一个标准化的解决方案。然而，一个关键问题随之而来：采用MCP与我们自行构建一套类似的工具调用流程，究竟有何本质区别？我们选择MCP的驱动力是什么？ 本文将深入剖析这两者之间的异同，并探讨MCP背后的潜在意义。]]></description><category></category></item><item><title><![CDATA[使用 systemd 管理 Linux 服务：配置与自动重启指南]]></title><link>https://blog.csdn.net/qq128252/article/details/147815272</link><guid>https://blog.csdn.net/qq128252/article/details/147815272</guid><author>qq128252</author><pubDate>Fri, 09 May 2025 10:39:33 +0800</pubDate><description><![CDATA[systemd 是现代 Linux 系统中常用的服务管理器，能够可靠地管理进程并在进程崩溃时自动重启。要创建 systemd 服务文件，需在 /etc/systemd/system/ 目录下创建一个 .service 文件，定义服务的描述、依赖关系、运行用户、工作目录、启动命令、重启策略及日志输出路径等。文件内容应避免包含注释，否则可能导致错误。创建文件后，使用 systemctl daemon-reload 重新加载配置，并通过 systemctl enable 和 systemctl start 启用和]]></description><category></category></item><item><title><![CDATA[网络安全知识汇总]]></title><link>https://blog.csdn.net/qq128252/article/details/147813637</link><guid>https://blog.csdn.net/qq128252/article/details/147813637</guid><author>qq128252</author><pubDate>Fri, 09 May 2025 10:13:33 +0800</pubDate><description><![CDATA[统一杀伤链是一个更全面的框架，结合了多种攻击模型和方法，提供了更广泛的威胁检测和防御能力。背景Paul Pols于2017年发布的"统一杀伤链"(Unified Kill Chain, UKC)旨在补充（而不是竞争）其他网络安全杀伤链框架，例如洛克希德马丁公司的网络杀伤链和MITRE的ATT&CK框架。UKC的结构UKC将攻击分为18个详细的阶段，涵盖了从最初的侦察到最终的数据泄露，以及理解攻击者的动机等全面过程。UKC的优势现代性UKC是一个更现代的框架，能够better适应当前的网络威胁环境。]]></description><category></category></item><item><title><![CDATA[大型语言模型在网络安全领域的应用综述]]></title><link>https://blog.csdn.net/qq128252/article/details/147783286</link><guid>https://blog.csdn.net/qq128252/article/details/147783286</guid><author>qq128252</author><pubDate>Thu, 08 May 2025 10:59:02 +0800</pubDate><description><![CDATA[得益于大型语言模型（LLMs）的突破性进展，自然语言处理（NLP）在过去十年间实现了飞速发展。LLMs 正逐渐成为网络安全领域的一股强大力量，它们能够自动检测漏洞、分析恶意软件，并有效应对日益复杂的网络攻击。具体而言，LLMs 被广泛应用于软件安全领域，可从代码和自然语言描述中识别漏洞，并生成相应的安全补丁。同时，LLMs 也被用于分析安全策略和隐私政策，帮助识别潜在的安全违规行为。在网络安全领域，LLMs 能够检测和分类各种类型的攻击，例如 DDoS 攻击和僵尸网络流量。]]></description><category></category></item><item><title><![CDATA[Gemma3技术总结]]></title><link>https://blog.csdn.net/qq128252/article/details/147782359</link><guid>https://blog.csdn.net/qq128252/article/details/147782359</guid><author>qq128252</author><pubDate>Thu, 08 May 2025 10:38:37 +0800</pubDate><description><![CDATA[Gemma 是一个源自 Google 的轻量级模型系列，该系列依托于先进的 Gemini 技术进行构建。2025 年 3 月 12 日，Google 正式发布了 Gemma 系列的最新一代产品——Gemma 3。这款新一代的 Gemma 模型具有多模态处理能力，不仅能够理解和生成文本内容，还能对图像数据进行分析和处理。Gemma 3 拥有一个宽广的上下文窗口，大小达到 128K tokens，这意味着它可以在单次处理过程中考虑更多的信息。]]></description><category></category></item><item><title><![CDATA[Qwen3 混合思维模版解读]]></title><link>https://blog.csdn.net/qq128252/article/details/147755244</link><guid>https://blog.csdn.net/qq128252/article/details/147755244</guid><author>qq128252</author><pubDate>Wed, 07 May 2025 10:39:57 +0800</pubDate><description><![CDATA[在人工智能迅速发展的今天，大型语言模型（Large Language Models，简称LLM）正逐渐成为各类应用的核心组件。其中，对话模板（Chat Template）作为连接用户与模型的关键桥梁，对确保高质量的交互体验至关重要。本文将深入解析Qwen3使用的对话模板，揭示其如何优雅地处理多轮对话、工具调用等复杂场景。]]></description><category></category></item><item><title><![CDATA[Qwen3 技术总结]]></title><link>https://blog.csdn.net/qq128252/article/details/147754691</link><guid>https://blog.csdn.net/qq128252/article/details/147754691</guid><author>qq128252</author><pubDate>Wed, 07 May 2025 10:19:33 +0800</pubDate><description><![CDATA[阿里通义 Qwen3 系列大模型已正式发布。此次开源包含两大类模型：混合专家模型 (MoE) 和密集模型 (Dense)。]]></description><category></category></item><item><title><![CDATA[MCP 原理及 FastMCP 框架实践指南]]></title><link>https://blog.csdn.net/qq128252/article/details/147753777</link><guid>https://blog.csdn.net/qq128252/article/details/147753777</guid><author>qq128252</author><pubDate>Wed, 07 May 2025 09:56:34 +0800</pubDate><description><![CDATA[模型上下文协议 (MCP) 是一种标准化的安全机制，旨在帮助大语言模型 (LLM) 应用程序暴露其数据和功能。您可以将 MCP 视为专为 LLM 交互而设计的 Web API。通过资源暴露数据：类似于 HTTP GET 请求，将信息加载到 LLM 的上下文中。通过工具提供功能：类似于 HTTP POST/PUT 请求，允许 LLM 执行特定操作。通过提示定义交互模式：提供可复用的提示模板，规范和引导 LLM 的交互行为。]]></description><category></category></item><item><title><![CDATA[DeepSeek-V3 技术要点解析]]></title><link>https://blog.csdn.net/qq128252/article/details/144845054</link><guid>https://blog.csdn.net/qq128252/article/details/144845054</guid><author>qq128252</author><pubDate>Tue, 31 Dec 2024 11:02:54 +0800</pubDate><description><![CDATA[DeepSeek-V3 是一个大规模稀疏专家混合（MoE）模型，拥有高达 6710 亿个参数，其中每个 token 激活 37 亿个参数。它采用多任务注意混合架构（MLA），相较于 DeepSeek-V2 显著提高了推理效率。此外，DeepSeek-V3 引入了去随机负载平衡的负载平衡策略和 token 预测机制优化，以提高模型的鲁棒性和稳定性。DeepSeek-V3的预训练阶段在不到两个月的时间里就完成了，花费了 2664K GPU（H800 GPU）小时。]]></description><category></category></item><item><title><![CDATA[揭秘语言模型后训练：指令微调、偏好调优与强化学习的深度解析]]></title><link>https://blog.csdn.net/qq128252/article/details/144538438</link><guid>https://blog.csdn.net/qq128252/article/details/144538438</guid><author>qq128252</author><pubDate>Tue, 17 Dec 2024 16:25:13 +0800</pubDate><description><![CDATA[人工智能领域的语言模型（Language Models）如GPT、Llama等，已经成为推动技术变革的核心力量。然而，预训练后的模型并非完美，它们仍需通过后训练（Post-training）来进一步优化性能，满足实际应用需求。本文将深入解析后训练的核心技巧，包括指令微调（SFT）偏好调优（DPO）和强化学习（RLVR），结合TÜLU 3的创新实践，展示如何通过后训练让模型更强大。后训练是指在语言模型大规模无监督预训练完成后，进一步针对特定任务、场景或用户需求进行的训练优化过程。提升模型的指令理解。]]></description><category></category></item><item><title><![CDATA[LLM推进网络安全漏洞评估ChatNVD]]></title><link>https://blog.csdn.net/qq128252/article/details/144537185</link><guid>https://blog.csdn.net/qq128252/article/details/144537185</guid><author>qq128252</author><pubDate>Tue, 17 Dec 2024 15:44:52 +0800</pubDate><description><![CDATA[本研究提出了基于大语言模型 (LLMs) 的网络安全漏洞评估工具ChatNVD，通过整合 NVD 数据库与先进的模型嵌入技术，为安全从业者提供了一种高效且可操作的解决方案。实验结果表明，GPT-4o mini 在处理漏洞信息查询任务时表现最佳，准确率达到 1.0。研究同时指出了模型在长上下文处理、成本控制和幻觉问题方面的挑战，并为未来的模型优化和改进提供了方向。]]></description><category></category></item><item><title><![CDATA[ShellGPT：你的全能Shell助手]]></title><link>https://blog.csdn.net/qq128252/article/details/143938195</link><guid>https://blog.csdn.net/qq128252/article/details/143938195</guid><author>qq128252</author><pubDate>Thu, 21 Nov 2024 13:56:10 +0800</pubDate><description><![CDATA[本文讨论了 shellgpt 的安装、配置、使用测试、角色创建、缓存以及完整参数列表等方面的内容。安装：使用 pip install shell-gpt 命令。配置：修改相关配置文件中的参数。使用测试：包括通用知识、Shell 命令、生成代码、聊天模式、REPL 模式、角色创建等多种场景。缓存：通过 --cache 和 --no-cache 选项控制缓存。完整参数列表：涵盖了 prompt、model、temperature 等多个参数及对应的选项。]]></description><category></category></item><item><title><![CDATA[VLLM + one-api + next-chat：打造私有化的聊天大模型]]></title><link>https://blog.csdn.net/qq128252/article/details/143856649</link><guid>https://blog.csdn.net/qq128252/article/details/143856649</guid><author>qq128252</author><pubDate>Mon, 18 Nov 2024 14:58:43 +0800</pubDate><description><![CDATA[本文讨论了如何使用 VLLM、OneAPI 和 ChatGPT-Next-Web 打造私有化的聊天大模型。首先介绍了 VLLM 的关键技术和部署方法，包括内存优化、推理加速、模型量化等，以及通过 docker 镜像进行部署和启动服务。接着阐述了 OneAPI 的概述、部署过程，包括启动镜像、登录、添加 API、测试渠道、添加令牌和使用服务等步骤。最后说明了 ChatGPT-Next-Web 的概述、特点和部署方法，包括拉取镜像、启动镜像和使用服务。]]></description><category></category></item></channel></rss>