<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[reset2021的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/reset2021</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; reset2021]]></copyright><item><title><![CDATA[智能项圈 LoRa 组网 · 草原牧场软硬件方案]]></title><link>https://blog.csdn.net/reset2021/article/details/164450594</link><guid>https://blog.csdn.net/reset2021/article/details/164450594</guid><author>reset2021</author><pubDate>Mon, 07 Sep 2026 09:56:30 +0800</pubDate><description><![CDATA[本文面向无蜂窝覆盖的草原自由放牧肉牛牧场，提出以智能项圈为载体的 LoRa Mesh 自组网监测方案。项圈借邻节点多跳中继汇聚至高点太阳能网关，由北斗短报文/卫星批量回传云端；监测聚焦 GNSS 定位与电子围栏（越界/盗抢/走失）、红外体表体温与三轴加速度（计步、跛行、脱落），环境要素改由网关气象站统一采样。文档给出项圈/网关 BOM 与量产成本、低功耗固件状态机、30B 紧凑帧格式 v2、续航预算，以及解码聚合、电子围栏判定与实时大屏原型，形成硬件到云端的端到端可运行方案。]]></description><category></category></item><item><title><![CDATA[2026 证书含金量评估报告（IT方向）]]></title><link>https://blog.csdn.net/reset2021/article/details/164430132</link><guid>https://blog.csdn.net/reset2021/article/details/164430132</guid><author>reset2021</author><pubDate>Sun, 06 Sep 2026 20:30:29 +0800</pubDate><description><![CDATA[内容是关于2026年IT/AI/数据/SaaS领域，8年以上管理层跳槽和评职称的证书评估。摘要需简洁概括核心结论：软考高级最优，PMP补充，CPA/高级经济师二选一，不建议建筑/CDA。注意字数限制。</think>2026年IT/AI/SaaS领域，8年以上管理层跳槽+评职称首选软考高级（系架/系分/高项），双高且1年内可完成；PMP是快速跳槽补充，3-6个月拿证；市场化转行走CPA，国企晋升选高级经济师。不建议建筑类及CDA证书。]]></description><category></category></item><item><title><![CDATA[育肥公牛活牛价格预测工作台：多源融合 + 滚动回测 + 可交互预测沙盘]]></title><link>https://blog.csdn.net/reset2021/article/details/164332210</link><guid>https://blog.csdn.net/reset2021/article/details/164332210</guid><author>reset2021</author><pubDate>Thu, 03 Sep 2026 14:17:12 +0800</pubDate><description><![CDATA[<think>我们根据内容生成摘要，要求≤150字。需要提炼核心：零依赖可离线牛价预测工具，多源对齐，walk-forward回测择优，结果Naive短端、Holt长端，交互沙盘，强调可审计非黑箱，局限性。摘要需简洁。</think>一个零依赖、可离线运行的育肥公牛价格预测工作台。它用walk-forward滚动回测对齐多源数据，揭示序列近似随机游走：短端Naive最优，长端Holt阻尼趋势胜出；并做安慰剂检验拒绝外生变量。工具通过交互沙盘展示置信区间与情景测试，强调可审计、拆解预测逻辑，而非黑箱精确值。]]></description><category></category></item><item><title><![CDATA[WorkBuddy 本地化部署指南]]></title><link>https://blog.csdn.net/reset2021/article/details/163920237</link><guid>https://blog.csdn.net/reset2021/article/details/163920237</guid><author>reset2021</author><pubDate>Thu, 20 Aug 2026 15:35:28 +0800</pubDate><description><![CDATA[《WorkBuddy 本地化部署指南》面向个人用户与运维人员，系统梳理三种"本地化"形态：桌面端安装（AI 计算在云端）、Ollama 本地大模型接入（数据不出本机、零费用、可离线）、企业私有化部署（容器化内网闭环，满足合规）。指南先以原理章讲清云端/本地/自定义三种数据流向；再给出桌面端安装、Ollama 安装与模型拉取、GUI 与 models.json 两种配置、按内存选模型建议及避坑清单；企业章以社区实践提供 Docker Compose 部署、安全策略与验收清单（标注非官方渠道）。]]></description><category></category></item><item><title><![CDATA[OpenCV 算法视觉影响分析]]></title><link>https://blog.csdn.net/reset2021/article/details/163909448</link><guid>https://blog.csdn.net/reset2021/article/details/163909448</guid><author>reset2021</author><pubDate>Thu, 20 Aug 2026 10:22:43 +0800</pubDate><description><![CDATA[本文通过对比实验总结了不同图像处理算法的视觉效果与适用场景。核心发现：1）噪声类型决定滤波选择（中值滤波对椒盐噪声最优，高斯滤波适合高斯噪声）；2）光照条件影响阈值算法（自适应阈值解决光照不均问题）；3）边缘检测中Canny算法综合表现最佳；4）形态学运算中开闭运算分别擅长去除外部噪声和填充内部空洞。实验还验证了CLAHE在对比度增强中的优势，以及HSV色彩空间在颜色分割中的有效性。最佳实践强调：先滤波后处理、算法参数调优比算法本身更重要、预处理需匹配下游任务需求。这些结论为计算机视觉任务中的算法选择提供了]]></description><category></category></item><item><title><![CDATA[OpenCV 算法梳理分析]]></title><link>https://blog.csdn.net/reset2021/article/details/163909398</link><guid>https://blog.csdn.net/reset2021/article/details/163909398</guid><author>reset2021</author><pubDate>Thu, 20 Aug 2026 10:21:55 +0800</pubDate><description><![CDATA[本文系统梳理了OpenCV的核心算法体系，从模块架构到具体函数实现。OpenCV采用分层设计，包含基础I/O、图像处理、特征检测、视频分析和智能算法五大层次，所有模块基于统一的Mat数据结构。重点分析了imgproc模块的8类图像处理算法（滤波、形态学、阈值化等），features2d模块的特征检测与匹配流程（SIFT/ORB等算法对比），以及objdetect、video、calib3d等模块的核心功能。针对不同场景提供了算法选型建议，如高斯噪声推荐GaussianBlur，特征匹配推荐ORB+Flann]]></description><category></category></item><item><title><![CDATA[OpenCV 图像算法梳理分析]]></title><link>https://blog.csdn.net/reset2021/article/details/163720734</link><guid>https://blog.csdn.net/reset2021/article/details/163720734</guid><author>reset2021</author><pubDate>Thu, 13 Aug 2026 11:36:25 +0800</pubDate><description><![CDATA[本文系统梳理了OpenCV的核心算法体系，涵盖五大层次模块（基础I/O、图像处理、特征检测、视频分析、智能算法），重点解析了imgproc图像处理模块的8类算法（滤波、形态学、阈值化等）及其选型原则，详细对比了特征检测（SIFT/ORB等）与目标跟踪算法性能，并给出相机标定流程和三维几何计算方法。全文提供模块化架构视图、典型处理流水线和场景化算法选型建议，可作为OpenCV开发的系统性参考指南。]]></description><category></category></item><item><title><![CDATA[单目视觉深度分析]]></title><link>https://blog.csdn.net/reset2021/article/details/162757222</link><guid>https://blog.csdn.net/reset2021/article/details/162757222</guid><author>reset2021</author><pubDate>Fri, 10 Jul 2026 11:34:47 +0800</pubDate><description><![CDATA[单目深度估计是从二维图像推演三维场景深度的核心计算机视觉技术，属于病态逆问题，存在尺度模糊、动态场景干扰、低纹理区域预估偏差等诸多技术难题。本文系统梳理其技术原理与核心挑战，阐述了算法从传统手工特征方法到深度学习方法的演进历程，重点总结了监督、自监督及几何融合算法，以及近年轻量化模型、大模型适配等前沿技术。同时分析了该技术在自动驾驶、AR/VR、医学影像、工业重建等领域的应用价值与局限，介绍主流评估体系，并预判其将向零样本学习、多模态融合、高鲁棒性安全模型方向发展，可为相关领域技术研究与落地提供参考。]]></description><category></category></item><item><title><![CDATA[SLAM与自动驾驶]]></title><link>https://blog.csdn.net/reset2021/article/details/162757036</link><guid>https://blog.csdn.net/reset2021/article/details/162757036</guid><author>reset2021</author><pubDate>Fri, 10 Jul 2026 11:29:44 +0800</pubDate><description><![CDATA[SLAM技术在自动驾驶中的关键作用与发展趋势 SLAM技术作为自动驾驶的核心支柱，通过实时定位与环境建图解决了"先有鸡还是先有蛋"的定位难题。本文系统分析了视觉SLAM与激光SLAM的技术特性：视觉方案成本低但受光照限制，激光方案精度高却价格昂贵。当前主流采用多传感器融合方案，如华为Limera技术通过激光视觉融合实现了暴雨夜间场景下±1.8cm的定位精度。面对动态环境、极端天气等挑战，2026年新技术通过动态点云过滤和跨模态融合显著提升了系统鲁棒性。]]></description><category></category></item><item><title><![CDATA[纯视觉自动驾驶：从技术原理到商业化路径的全面解析]]></title><link>https://blog.csdn.net/reset2021/article/details/162730607</link><guid>https://blog.csdn.net/reset2021/article/details/162730607</guid><author>reset2021</author><pubDate>Thu, 09 Jul 2026 14:30:58 +0800</pubDate><description><![CDATA[纯视觉自动驾驶：技术路线之争与未来前景 自动驾驶技术正经历从辅助驾驶向完全自动驾驶的跨越，其中纯视觉方案因其硬件成本低、迭代速度快等优势成为备受关注的技术路线。本文系统分析了纯视觉自动驾驶的技术原理与架构设计，包括基于BEV+Transformer的感知层、多任务学习的决策层和端到端的控制层。该方案虽具有显著成本优势，但在极端天气适应、长尾场景覆盖和安全性认证方面仍存在局限。当前行业形成了以特斯拉为代表的纯视觉派与Waymo等主导的多传感器融合派的对峙格局，分别瞄准大众市场和高端L4应用。]]></description><category></category></item><item><title><![CDATA[世界模型与自动驾驶]]></title><link>https://blog.csdn.net/reset2021/article/details/162730189</link><guid>https://blog.csdn.net/reset2021/article/details/162730189</guid><author>reset2021</author><pubDate>Thu, 09 Jul 2026 14:26:54 +0800</pubDate><description><![CDATA[世界模型正驱动自动驾驶技术发生范式变革，从"人类驱动"迈向"AI驱动"。作为AI理解物理环境的内部表征系统，世界模型通过多模态融合、物理规律学习和长时序预测三大突破，有效解决数据稀缺、长尾场景覆盖与安全验证三大核心挑战。2026年，小马智行、Waymo等头部企业已发布新一代产品，商汤绝影世界模型单日生成数据量等效数百台路测车。生成式视频、抽象预测与空间智能三条技术路线各具优劣。世界模型构建了"虚拟预演-现实落地"闭环，使训练效率提升数十倍，算力消耗降低45%，标志着自动驾驶行业正式进入AI自驱进化的新阶段。]]></description><category></category></item><item><title><![CDATA[自动驾驶技术路线研究]]></title><link>https://blog.csdn.net/reset2021/article/details/162553975</link><guid>https://blog.csdn.net/reset2021/article/details/162553975</guid><author>reset2021</author><pubDate>Fri, 03 Jul 2026 15:36:21 +0800</pubDate><description><![CDATA[2026年激光雷达成本下探、国内L3自动驾驶国标即将落地，自动驾驶进入商业化关键期，纯视觉与多雷达融合两大技术路线博弈加剧。纯视觉方案以低成本、快响应、数据迭代优势见长，但存在恶劣天气感知弱、异形障碍物识别差的安全短板，仅适配L2+级别。雷达融合方案感知精度高、环境适应性强、安全冗余充足，契合L3合规要求，仅存在硬件维护、数据融合复杂等问题。随着技术迭代与成本下沉，单一技术路线弊端凸显，行业逐渐告别路线对立，多传感器深度融合成为高阶自动驾驶主流趋势，产业竞争也将从技术路线比拼转向安全与用户体验角逐。]]></description><category></category></item><item><title><![CDATA[A2A与MCP协议对比分析]]></title><link>https://blog.csdn.net/reset2021/article/details/162553931</link><guid>https://blog.csdn.net/reset2021/article/details/162553931</guid><author>reset2021</author><pubDate>Fri, 03 Jul 2026 15:28:19 +0800</pubDate><description><![CDATA[本文对谷歌开发的Agent-to-Agent（A2A）协议与Anthropic开发的Model Context Protocol（MCP）进行了全面对比分析。**这两种协议分别从不同维度解决了AI智能体互操作性问题**，A2A专注于智能体间的协作与通信，MCP则专注于智能体与外部工具及资源的交互。分析表明，A2A采用基于HTTP、SSE和JSON-RPC的架构，支持低延迟通信与多模态传输；MCP则采用分层架构，提供标准化接口与高效数据压缩机制。]]></description><category></category></item><item><title><![CDATA[A2A协议：打破智能体“孤岛“的协作新标准]]></title><link>https://blog.csdn.net/reset2021/article/details/162460454</link><guid>https://blog.csdn.net/reset2021/article/details/162460454</guid><author>reset2021</author><pubDate>Tue, 30 Jun 2026 17:34:54 +0800</pubDate><description><![CDATA[A2A协议：AI智能体协作的标准化解决方案 Google于2025年提出的A2A协议（Agent-to-Agent Protocol）旨在解决不同AI智能体间的互操作性问题，推动多智能体协同工作。该协议基于HTTP、SSE等现有标准，包含智能体卡片（能力声明）、任务管理（多状态交互）和消息/工件传递（多模态内容）三大核心组件，支持能力发现、安全认证和动态内容协商。与MCP协议（模型与工具交互）互补，A2A协议聚焦智能体间协作，通过标准化通信框架打破技术孤岛，提升复杂任务处理效率。]]></description><category></category></item><item><title><![CDATA[开源AI代理框架对比分析：OpenClaw与Hermes Agent]]></title><link>https://blog.csdn.net/reset2021/article/details/162460396</link><guid>https://blog.csdn.net/reset2021/article/details/162460396</guid><author>reset2021</author><pubDate>Tue, 30 Jun 2026 17:19:50 +0800</pubDate><description><![CDATA[本文对比分析了开源AI代理框架OpenClaw与Hermes Agent的核心差异。OpenClaw定位"网关+多Agent编排平台"，采用分布式架构，强调任务的高效执行与生态集成，适合标准化流程的批量化处理。Hermes Agent则定位"自学习单/多Agent运行时"，以闭环学习架构为核心，具备自主进化能力，擅长处理复杂长链路任务。两者在记忆系统（文件驱动vs多层自动）、技能扩展（社区安装vs自动生成）、自动化模式（确定性执行vs自主规划）等方面形成鲜明对比，为不同应用场景提供了差异化选择方案。]]></description><category></category></item><item><title><![CDATA[Hermes Agent解析]]></title><link>https://blog.csdn.net/reset2021/article/details/162089496</link><guid>https://blog.csdn.net/reset2021/article/details/162089496</guid><author>reset2021</author><pubDate>Thu, 18 Jun 2026 10:10:45 +0800</pubDate><description><![CDATA[Hermes Agent：AI Agent赛道的颠覆者 这个开源项目凭借"自进化"能力在GitHub狂揽14万+星标，日均Token消耗达2710亿首超OpenClaw。其核心技术包括： 四级记忆系统实现跨会话持久化记忆 自主学习闭环自动沉淀可复用技能 MCP协议支持40+工具一键接入 Atropos框架将用户交互转化为训练数据 相比传统Agent，Hermes突破性地实现了从"工具调用"到"能力进化"的跃迁，支持本地部署和15+平台接入。]]></description><category></category></item><item><title><![CDATA[skills逻辑调用机制]]></title><link>https://blog.csdn.net/reset2021/article/details/162089222</link><guid>https://blog.csdn.net/reset2021/article/details/162089222</guid><author>reset2021</author><pubDate>Thu, 18 Jun 2026 10:07:38 +0800</pubDate><description><![CDATA[本文深入探讨大模型智能体系统中SKILL架构的核心机制与应用价值。该架构通过原子化拆分与标准化封装，构建了支持顺序执行、条件分支、并行处理和循环重试四种逻辑调用模式的依赖调度体系。关键创新在于动态编排机制，利用意图识别、按需加载和依赖图谱优化技术，实现技能组合的智能调度与高效执行。相比传统架构，SKILL在模块化、复用性、扩展性等方面具有显著优势，能有效解决智能体开发中的耦合、维护等工程难题，为复杂业务流程提供灵活可靠的底层支撑。]]></description><category></category></item><item><title><![CDATA[Dify skills开发指南]]></title><link>https://blog.csdn.net/reset2021/article/details/162058963</link><guid>https://blog.csdn.net/reset2021/article/details/162058963</guid><author>reset2021</author><pubDate>Wed, 17 Jun 2026 10:23:09 +0800</pubDate><description><![CDATA[本文为 Dify 平台 Skill 开发完整指南，首先区分 Skill 与插件的适用范围、功能及调用逻辑，阐述 Skill 模块化、省 Token、可复用沉淀业务经验的核心价值。介绍 Skill 标准化目录结构与 SKILL.md 文件的 YAML 元数据、执行指令双模块，说明自动、手动两类调用方式，并搭配由浅至深三类开发实例。文中讲解技能版本共享、多流程联动、插件集成等高阶用法，给出标准化开发流程与质量管控手段，针对触发异常、参数报错、上下文超限等高频故障提供解决方案。]]></description><category></category></item><item><title><![CDATA[Obsidian Skills 编写指南：AI时代的知识管理增强]]></title><link>https://blog.csdn.net/reset2021/article/details/162058897</link><guid>https://blog.csdn.net/reset2021/article/details/162058897</guid><author>reset2021</author><pubDate>Wed, 17 Jun 2026 10:18:48 +0800</pubDate><description><![CDATA[本文介绍了Obsidian Skills的编写方法，这是一种让AI代理（如Claude Code、Copilot）与Obsidian知识管理工具深度交互的"能力包"。文章从五个方面详细阐述：1）Obsidian Skills的基本结构与官方Skill功能；2）Skill Creator工具的使用方法和编写原则；3）从设计到实现的最佳实践；4）测试、迭代与优化流程；5）实战案例。]]></description><category></category></item><item><title><![CDATA[多skill交互]]></title><link>https://blog.csdn.net/reset2021/article/details/162034593</link><guid>https://blog.csdn.net/reset2021/article/details/162034593</guid><author>reset2021</author><pubDate>Tue, 16 Jun 2026 14:00:49 +0800</pubDate><description><![CDATA[大模型驱动下 AI 发展由单智能体转向多智能体协同，多 Skills 交互是复杂 AI 系统核心。本文梳理其架构，依托标准化技能封装与多策略动态路由实现能力调度；介绍链式协同、分层任务规划、长短记忆管理、自主进化等核心技术，配套 AI 专属 CI/CD 开发运维框架。该技术已落地金融投研、医疗多学科会诊等场景。当前仍存在技能冲突、长上下文丢失、跨平台兼容难题，可通过强化学习、分层记忆、统一元数据标准化解。未来协同工程、技能即服务将成为主流，技能生态趋向标准化共享。]]></description><category></category></item></channel></rss>