- 博客(580)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 DeepSeek Harness安装及使用
把AI模型比作一匹马，模型负责思考和生成，Harness就是让它能被你真正驾驭的一整套工具、规则和流程。模型本身回答问题，Harness则把文件系统、终端、网页工具、任务计划、子Agent等能力接给模型，让它不只说“你可以这样做”，而是在你允许的范围内把事情做出来。它的核心理念是Everything is a Plugin（一切皆插件）：模型、工具、界面、甚至Agent的运行方式，都可以用插件组合或者替换。
2026-08-30 23:06:21
241
原创 AI Agent是什么
AI Agent智能体概述 AI Agent是一种通过模拟人类思维和行为来自动执行任务的智能系统。其核心架构包含感知、规划、行动三大模块，类似于人类认知过程。Agent通过大模型（如GPT）作为决策中枢，具备反思、任务分解等能力，并可调用各类工具（日历、计算器等）完成任务。典型结构包括：大模型大脑、专业技能模块、角色定义及任务流程。当前热门Agent产品已应用于编程、法律咨询等多个领域，展现出强大的自动化问题解决能力。
2026-06-29 00:00:52
249
原创 模型评测工具-OpenEvals使用教程
AgentEvals:专门的 Agent 评估工具 https://github.com/langchain-ai/agentevals。DeepEval:另一个优秀的 LLM 评估框架 https://github.com/confident-ai/deepeval。OpenEvals GitHub 仓库https://github.com/langchain-ai/openevals。RAGAS:RAG 系统的评估框架 https://github.com/vibrantlabsai/ragas。
2026-04-09 19:02:23
478
原创 lm-Evaluation Harness使用
本文介绍了语言模型评测框架的安装和使用方法。首先通过git下载lm-evaluation-harness评测框架并安装。推荐使用GPT-2、Pythia-160M等小模型进行初步评测，详细说明了模型下载和安装步骤（包括CPU/GPU版本）。文章演示了如何加载GPT-2模型，并提供了使用HellaSwag等基准测试评估模型性能的具体命令，解释了各项参数含义。评测完成后会输出准确率等指标，支持多任务同时评测。整个过程约需5-10分钟，适合快速验证模型性能。
2026-04-08 14:54:37
469
原创 LangChain&RAG&余弦相似度
摘要： LangChain是一个2022年推出的Python框架，旨在简化大语言模型(LLM)应用开发。它通过统一接口连接不同LLM组件，提供提示词优化、模型调用、会话管理等功能。RAG(检索增强生成)技术则解决了LLM知识滞后、专业领域不足和幻觉问题，通过"检索+LLM提示"的方式补充模型知识。其核心流程包括离线知识向量化和在线检索匹配，使用文本嵌入模型将语义转换为向量，通过余弦相似度算法进行匹配。文中还提供了Python实现余弦相似度计算的代码示例，展示了如何量化文本语义相似度。
2026-04-08 12:41:10
333
原创 本地部署Ollama及部署模型
本文介绍了Ollama的下载安装与使用教程。首先从官网下载安装包，可通过命令修改默认安装路径。安装完成后，使用ollama -v查看版本号。接着演示了拉取模型的步骤，包括deepseek-r1:8b、qwen3:8b和nomic-embed-text等模型，并通过ollama list查看已下载模型。最后展示了运行deepseek-r1:8b模型进行对话的示例。全文配有详细截图说明各操作步骤。
2026-03-22 10:02:19
329
原创 Windows系统本地安装OpenClaw+飞书机器人
普通AI是你问一句它答一句，装上这个技能后，它会自己规划任务、主动提醒你、甚至在你没开口之前就把事情办了。简单来说：OpenClaw 让你拥有一个跑在本地的、能干活儿的 AI 助手，而不是只能在网页上聊天的机器人。在Node.js官网下载对应的安装包，如下网址： https://nodejs.org/zh-cn/download 下载完成， 直接安装，在电脑终端。选择你需要的安装， 前期可以用免费的搜索，如ddg-web-search， web-search-free，baidu-search等等。
2026-03-16 21:12:59
690
原创 使用Coze搭建工作流自动生成测试用例
本文介绍在扣子空间创建测试用例生成工作流的完整流程：1）新建工作流后，从开始节点输入文档；2）添加文件读取节点连接文档输入；3）配置大模型节点，输入读取的文件数据并设置提示词模板；4）添加Doc Maker节点生成Excel表格；5）连接结束节点输出结果。工作流通过大模型自动分析文档内容，生成包含测试编号、模块、步骤等信息的标准化测试用例表格，最终输出为Excel文件。整个流程可实现文档到测试用例的自动化转换。
2026-03-04 20:32:28
390
1
原创 AI编程新范式-OpenSpec规约编程
摘要：本文介绍了规约编程（SDD）及其开源工具OpenSpec、Spec-kit和Superpowers的特点与适用场景。重点分析了OpenSpec与其他工具的核心差异：OpenSpec采用"规范先行+灵活适配"模式，适合中小团队快速迭代；Spec-kit强调严格流程，适合大型团队0-1项目；Superpowers注重自动化但规范约束较弱。详细讲解了OpenSpec的使用流程，包括初始化、创建提案、实施变更和归档等步骤，并提供了命令行操作指南。OpenSpec作为轻量级SSD框架，支持规
2026-03-01 10:41:50
1391
原创 OpenSkills的安装和使用
这个里面包括，我们一些常用的skill技能，同时又包含一个skill-creator创建Skill的技能，可以通过与AI工具进行自然语言对话，帮助我们创建一个技能，每次使用时，可以直接使用这个skill，减少重复输入提示词。2、然后AgentSkills 就是具体的技能包，“PDF提取技能包”，它里面的Skill.md，会告诉AI，可以用pypdf2这个库，先这样安装，再调其他函数。所以总结，OpenSkills是定标准的，AgentSkills是干实事，AnthropicSkills负责安全。
2026-02-27 20:30:39
1010
原创 Winodws系统OpenCode在VScode中的安装
本文介绍了在Windows系统上安装OpenCode的几种方法。作者尝试了三种安装方式：通过npm安装失败；使用scoop未成功；最终通过choco安装成功（命令：choco install opencode）。安装完成后，在VSCode中搜索并安装OpenCode插件即可使用。文章配有安装过程截图，为Windows用户提供了实用的OpenCode安装指南。（字数：150）
2026-01-31 13:54:14
1410
原创 开源AI工具Mobile-Use
Mobile-use是一款开源AI代理工具，通过自然语言指令控制Android和iOS设备完成自动化操作。核心功能包括：自然语言交互、多应用操作、数据抓取（支持结构化输出）及多LLM模型支持。适用于日常自动化任务、数据采集、开发测试等场景，能显著提升手机端工作效率。部署只需连接调试模式手机，配置API密钥即可快速使用。项目地址：https://github.com/minitap-ai/mobile-use。
2025-12-27 19:07:33
254
原创 MCP是什么及如何开发一个MCPServer
MCP全称是模型上下文协议 Model Context Protocol，MCP Server 本质上就是一段Nodejs或者Python程序，MCP Server 接收到这些消息以后，通过自己的代码功能或者使用API请求访问外部工具，并且完成任务。MCP本质上就是一段Python或者Nodejs程序，编写一个MCP Server 也就是编写这个段程序，大模型通过操作系统的stdio，也就是标准输入通道，或者SSE协议，调用某个MCP Server。使用大模型调用这个工具中的add方法。
2025-10-31 22:12:45
281
原创 开源AI工具Mobile-Use
Mobile-use是一款开源的AI代理工具，可通过自然语言控制Android和iOS设备，实现自动化操作。它支持多应用操作、数据抓取和多种AI模型配置，适用于日常自动化任务、信息提取、开发测试等场景。部署简单，只需连接手机并通过命令行启动即可。项目地址：https://github.com/minitap-ai/mobile-use
2025-09-26 22:12:55
696
原创 开源AI工具Midscene.js
摘要：Midscene.js是一款由字节开源的AI驱动UI自动化工具，通过大语言模型解析自然语言指令，实现Web/Android端自动化操作。核心功能包括浏览器/移动端自动化、YAML格式脚本编写、多模型支持（推荐免费Qwen-VL）。适用于重复性网页操作、自动化测试等场景，提供直观报告。支持Chrome插件和Node.js两种部署方式，显著提升操作效率。项目地址：https://github.com/web-infra-dev/midscene
2025-08-19 21:19:41
1186
原创 开源工具FossFLOW，绘制技术图表
FossFLOW是一款开源的等距绘图工具，基于React和Isoflow库开发，可用于绘制网络架构图、技术流程图和云部署图等。它支持3D风格的等距投影，内置丰富的图库（IsoFlow、AWS、GCP等），并具备自动保存、多端支持、导入导出、离线操作等功能。所有数据存储在浏览器中，安全性好。部署简单，适合技术图表绘制需求。项目地址：https://github.com/stan-smith/FossFLOW
2025-08-01 21:54:54
1803
原创 后台管理系统模板Art Design Pro
Art Design Pro是一款基于Vue3、TypeScript和Vite开发的后台管理系统模板，近期登上GitHub Vue类项目榜首。该模板采用ElementPlus设计规范，具有现代化UI设计和简洁布局，包含80%常用组件、动态路由权限控制、主题定制、600+图标库和国际化支持等特色功能。通过静态/动态路由分离机制实现灵活权限配置，并提供亮暗色主题切换能力。适用于企业后台系统搭建、快速开发、教学演示等场景。开发者可轻松部署，支持二次开发，是提升后台管理系统开发效率的理想选择。
2025-06-30 21:54:13
1137
原创 AI办公Agent之Skywork Super Agents
这个工具主要采用了AI agent架构和DeepResearch技术，一站式生成文档、PPT、表格（excel）、网页、播客和音视频多模态内容。下面来使用下PPT功能，提示词：帮我生成一份年终总结PPT，它与以往对话式不同，它采用了选择式，让你选择一些补充信息，来征求你的意见。不过这个使用也不是免费无限次的。它包括五大页签功能：文档模式、PPT模式、表格模式、网页模式、通用模式。其中文档模式和PPT模式还有细分场景，可供选择。
2025-05-30 00:22:33
866
原创 一、内存调优
少量的内存泄露可以容忍，但是如果发生持续的内存泄露，就像滚雪球，雪球约滚约大，不管有多大的内存迟早会被消耗完，最终导致的结果就是内存溢出。2、第二种常见场景是分布式任务调度系统如Elastic-job、Quartz等进行任务调度时，被调度的Java应用在调度任务结束中，如果出现了内存泄露，最终导致多次调度之后内存溢出。1、内存泄露导致溢出的常见场景是大型的Java后端应用中，在处理用户的请求之后，没有及时将用户的数据删除。随着用户请求数量越来越多，内存泄露的对象占满了对内存最终导致内存溢出。
2025-05-19 22:56:30
1462
1
原创 AutoGLM沉思使用方式
AutoGLM沉思是一个能探究开放式问题，并根据结果执行操作的自主智能体（AI Agent）。它能够模拟人类的思维过程，完成从数据检索、分析到生成报告。
2025-04-08 22:36:05
1326
原创 还在等Manus的邀请码吗，来试试OpenManus的效果（附使用教程）
然后近日在github上出现了一个OpenManus的项目，这个项目star持续很快增长。3、在 config 目录复制一份config.example.toml文件，重命名为config.toml。输入 打开百度，搜索manus，给出排行前3的文章名字和链接，在本地创建一个1.txt文件，把数据保存到这个文件里。除了多个agent的应用外，OpenManus也借鉴了Computer-use 和 Browser Use的功能。然后在项目根目录下可以看到main.py和run_flow.py两个文件。
2025-03-08 14:34:12
690
原创 Browser Use+DeepSeek的使用教程
支持更多大语言模型，比如 Gemini、OpenAI、Azure 等，还有最近爆火的国产大模型 DeepSeek，未来还会加更多。Install lxml[html_clean] or lxml_html_clean directly. 错误。8.1 Agent Type配置，需要注意如果是DeepSeek模型，要去掉勾选Use Vision。定制了更智能的 Agent，通过优化后的提示让浏览器使用更高效。支持用自己的浏览器，不用再反复登录，还能录屏。提供了全新的网页界面，简单好用，方便操作。
2025-03-07 20:13:48
3587
2
原创 DeepSeek+Cherry Studio实现本地私有满血版
连接成功提问效果，看到这个提示恭喜你配置成功可以体验满血版deepseek。安装完后直接调用，可以发现是调不通的，这个时候我们需要配置API密钥。官网 ：https://siliconflow.cn/zh-cn/选择deepseek-ai/DeepSeek-R1在线体验。在线版本每日会有限制使用次数，接下来我们部署本地私有调用。在之前访问的硅基流动找到API密钥，新建密钥，复制密钥。安装cherry studio，进入官网。2、安装完成后配置deepseek。点击左下角设置按钮，配置密钥。
2025-02-22 22:22:01
1132
原创 JVM-运行时数据区
1、运行时数据区分成几个部分，每一部分的作用是什么？程序计数器：每个线程会通过程序计数器记录当前要执行的字节码指令的地址，程序计数器可以控制程序指令的进行，实现分支、跳转、异常等逻辑。Java虚拟机栈、本地方法栈：：虚拟机栈采用栈的数据结构来管理方法调用中的基本数据（局部变量、操作数等），每一个方法的调用使用一个栈帧来保存。方法区：方法区中主要存放的是类的元信息，同时还保存了常量池。堆：2、不同JDK版本之间运行时数据区域的区别是什么？JDK6，字符串常量池，存放在永久代。
2025-01-26 22:46:59
2049
原创 类的生命周期
1、当一个类加载器去加载某个类的时候，会自底向上查找是否加载过，如果加载过就直接返回，如果一直到最顶层的类加载器都没有加载，再由顶向下进行加载。3、历史上Osgi框架的类加载器，历史上Osgi框架实现了一套新的类加载机制，允许同级别之间委托进行类的加载。如果所有的父类加载器都无法加载该类，则由上至下，加载器自己尝试自己加载。2、应用程序类加载器的父类加载器是扩展类加载器，扩展类加载器的父类加载器是启动类加载器。扩展类加载器和应用程序类加载器都是JDK中提供的、使用Java编写的类加载器。
2024-12-20 22:00:59
712
原创 什么是JVM
副版本号是当主版本号相同时，区分不同版本的标识，一般只需要关心主版本号。即时编译，字节码指令，转化为机器码后，计算机可以执行，虚拟机发现这段代码被多次执行，被认定为是热点代码，有必要进行优化，所以把转化为的机器码存储到内存中，当第二次这段代码被执行的时候，直接从内存中取出机器码，进行执行，这样就节省了解释的步骤，提高了性能。java为什么要这么做呢，是为了跨平台，同一份字节码指令，通过不同平台的java虚拟机解释为不同的，机器码，例如windows的机器码，Linux的机器码，这样就实现了跨平台。
2024-10-28 23:06:43
988
1
原创 若依项目结构
ruoyi-admn 依赖了 三个 ruoyi-framework、ruoyi-generator、ruoyi-quartz，ruoyi-framework 又依赖了ruoyi-system，ruoyi-system又依赖了ruoyi-common。sys_role_dept 角色和部门关联表 权限。sys_user_role 用户与角色关联表。sys_user_post 用户与岗位关联表。
2024-09-11 22:51:05
1879
原创 卷积是如何计算的
当使用反向传播的时候，每个节点，或者每个要更新的参数，都会求出一个对应的梯度，然后对参数进行优化，最终达到Loss降低的目的， 梯度下降。反向传播可以求出每个需要调节的参数，每个参数对应的梯度，有了梯度就可以利用优化器，这个优化器对参数进行调整，以达到整体误差降低的目的。cell_mode 为True的时候，要保留最大的值，当cell_mode为False的时候，不保留最大值。为什么池化的作用，保留输入的一个特征，同时把数据量减小，数据量减小了，训练的更快。动图，蓝色部分为输入图像，青色部分为输出图像。
2024-07-11 22:50:42
744
原创 SpringBoot入门Bean的扫描、Bean的注册、Bean自动配置原理、自定义starter
这个类上有一个注解，@ConditionalOnClass含义是如果存在DispatcherServlet.class这个类，就生效，会自动配置，当引入了starter-web坐标，就会引入DispatcherServlet这个类，所以就自动注入到IOC中了。@ComponentScan 这个注解，相当在启动类上添加了这个注解，不需手动添加了，可以自动扫描的Controller、Service，不指定包路径，默认扫描添加的这个类的包及子包，SpringBoot默认扫描启动类所在的包及其子包。
2024-03-21 23:14:35
1318
原创 python导入Numpy失败，ImportError: Unable to import required dependencies: numpy:
我这Python3.7版本 应该匹配Numpy1.16.4版本。看这个报错信息，是python版本与Numpy版本不匹配，因此卸载NumPy1.21.2，重新安装。
2024-01-08 23:07:48
3253
原创 学习人工智能-基础篇
深度学习模型中典型的就是卷积神经网络（convolutional neural network,CNN）。它主要应用是在图像识别方向。还有一个模型是循环神经网络（Recurrent Neural Network,RNN），通常用于自然语言的处理。本文介绍的是卷积神经网络。生成对抗网络、强化学习。在早期的图像分类任务中，通常是先人工提取图像特征，再用机器学习算法对这些特征进行分类，分类的结果强依赖于特征提取方法，往往只有经验丰富的研究者才能完成.在这种背景下，基于神经网络的特征提取方法应运而生。
2023-12-11 22:38:54
1421
原创 图数据库Neo4j概念、应用场景、安装及CQL的使用
传统的**关系数据库管理系统(RDBMS)**并不擅长处理数据之间的关系，那些表状数据模式和呆板的结构难以添加新连接或不同类型连接。Neo4j的Cypher语言是为了处理图形数据而构建的，CQL代表Cypher查询语言，像Oracle数据库具有查询语言SQL，Neo4j具有CQL作为查询语言。如果是4.x的版本，jdk要是符合11的，因为我们的jdk版本是8的，安装的版本是3.5x。图数据库不仅能有效存储数据点之间的关系，而且非常灵活，适合添加新的关系类型，并使。适合针对特定目的的数据发现和探索。
2023-11-01 00:06:43
1541
原创 计算即时订单比例-首单使用开窗函数row_number()
首先需要从数据集中拿出每个用户的首单，一般都是使用排序开窗函数进行操作。然后计算即时订单的比例，只需要从拿出的首单数据中分别计算两个指标，再相除即可，注意需求中需要保留两位小数，所以可以使用 decimal 类型来展示最终的结果。请从配送信息表（delivery_info）中求出每个用户的首单（用户的第一个订单）中即时订单的比例，保留两位小数，以小数形式显示。请从配送信息表（delivery_info）中求出每个用户的首单（用户的第一个订单）中即时订单的比例，保留两位小数，以小数形式显示。
2023-09-13 00:06:15
633
2
原创 Pytorch中如何加载数据、Tensorboard、Transforms的使用
公式：output[channel] = (input[channel] - mean[channel]) / std[channel]在Pytorch中涉及到如何读取数据，主要是两个类一个类是Dataset、Dataloader。Compose()中的参数需要的是一个列表，列表中的数据需要的是transforms类型。即 Compose([transforms参数1, transforms参数2, …Dataloader，可以对数据进行打包，为后面的网络提供不同的数据形式。TensorBoard的使用。
2023-08-31 23:46:40
1018
原创 解决Original error was: DLL load failed while importing _multiarray_umath: 找不到指定的模块。
第一步：首先找到你的虚拟环境位置，我的是D:\tools\anaconda\envs\pytorch\Library\bin。添加环境变量D:\tools\anaconda\envs\pytorch\Library\bin，到path路径下。1、重新安装torch，但是这种办法太过于麻烦了。周末电脑关机后，再次运行深度学习模型后出现错误。
2023-08-08 23:15:00
1198
原创 【Pytorch】下载CIFAR10数据集报错： urllib.error.URLError: ＜urlopen error name: https＞
在使用Pytorch 下载CIFAR10的时候，遇到一个报错，可能是网络特别慢导致的，一般情况下都会遇到这个报错。解压后，放到对应的目录文件中，再次运行代码就成功了。1、到官网直接下载这个压缩包，解压。
2023-08-03 19:22:31
1087
neo4j-community-3.5.9-tar-gz Linux版图数据库 tar-gz版
2025-07-25
chromedriver.exe V2.3
2017-09-11
深入理解java虚拟机
2017-03-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人