- 博客(270)
- 收藏
- 关注
RSS订阅原创 模型prompt caching使用
Prompt Caching（提示缓存）是一种让 LLM 推理服务复用之前请求中已计算过的 KV Cache 的机制，避免对重复出现的 prompt 前缀重复计算，从而降低延迟和费用。要理解 Prompt Caching，首先要理解 LLM 推理中的KV Cache。
2026-06-17 20:23:35
395
原创 什么是dapr？为什么要使用它
dapr是一个分布式运行时（）是一个开源项目，它把构建微服务的最佳实践沉淀为开发者可直接调用的标准化API，让你能更专注于业务逻辑本身像下面这张图的介绍，应用程序通过HTTP/gRPC通过dapr sdk，与dapr运行时通信。这个dapr运行时是通过sidecar的方式部署到同应用的pod内的整体能力图谱● Building Block：Dapr 对分布式应用开发过程中使用到的典型范式的抽象以及对应的 API 设计。
2026-05-10 10:46:55
360
原创 langchain源码研究 - deepagents设计思想学习
DeepAgents 是一个开箱即用的智能代理框架，提供预设的中间件、工具和上下文管理功能。通过 create_deep_agent 方法可快速创建代理，支持模型配置、系统提示词定制、子代理调用、技能加载等功能。框架内置了待办事项、文件操作、长文本摘要等中间件，并提供状态持久化、人工干预机制和调试模式。底层基于 LangChain 的 create_agent 实现，简化了智能代理的开发流程，适用于需要快速部署 AI 代理的场景。
2026-04-10 16:34:44
711
原创 Agent Memory论文分析 Memory in the Age of AI Agents
摘要： 论文《Memory in the Age of AI Agents》系统探讨了记忆在AI智能体中的关键作用，提出基于“形式-功能-动态”的新分类体系。研究指出传统记忆分类已无法涵盖当代系统的多样性，并形式化定义了智能体记忆系统（M = (F, E, R)），比较了其与LLM记忆、RAG和上下文工程的区别。核心贡献包括：1）提出多维分类框架；2）分析记忆形式与功能的适配性；3）梳理前沿研究方向。该研究为智能体记忆系统的设计与优化提供了理论框架。
2026-04-07 16:20:15
599
原创 什么是一方投放、二方投放、三方投放
广告营销中的1P、2P和3P投放模式 广告投放主要分为一方(1P)、二方(2P)和三方(3P)三种模式，核心区别在于数据归属权和用户触达媒介。1P投放使用品牌自有数据和渠道（如CRM、APP推送），类似果园主人在自家门口卖苹果；2P投放借助平台数据在特定平台内投放（如天猫直通车），相当于把苹果放到超市货架销售；3P投放通过第三方在全网范围推广（如信息流广告、直播带货），如同雇佣推销员四处招揽顾客。现代营销通常组合使用：3P拉新、1P留存、2P转化，形成完整的营销闭环。
2026-03-18 11:31:22
434
原创 OpenClaw(2) 使用ollama安装openclaw/本地代码启动openclaw 并对接到飞书群
本文介绍了OpenClaw的安装配置及飞书插件集成方法。主要内容包括：1）通过Ollama平台安装qwen3:0.6b模型；2）启动OpenClaw服务；3）配置飞书插件，包括安装必要依赖、启用插件、添加飞书渠道（需提供App ID和Secret）；4）在飞书开放平台完成最终配置。配置完成后，用户可通过手机飞书与电脑上的OpenClaw进行交互。文中提供了详细的步骤说明和参考链接，帮助用户快速完成AI助手与飞书的集成部署。
2026-03-10 00:23:49
465
原创 用大白话讲解人工智能(21) GitHub Copilot：你的AI编程伙伴
2021年，GitHub和OpenAI联合推出了GitHub Copilot，这不仅仅是一个代码补全工具，而是一个真正的AI编程伙伴。它能理解你的代码意图，生成完整的函数，甚至帮你调试代码——就像身边坐着一位经验丰富的程序员，随时准备帮助你。
2026-03-03 15:03:52
672
原创 用大白话讲解人工智能(20) AI算力：支撑智能时代的“电力系统“
2023年，全世界的科技公司都在抢一种东西——。你可能好奇：显卡不是用来打游戏的吗？为什么AI离不开它？而深度学习（Deep Learning）的本质，就是。让博士去算100万道加法题会累死，但派一万个小学生只要几分钟就做完了。所以，GPU的，成了AI时代的"石油"。
2026-02-24 09:14:54
572
原创 用大白话讲解人工智能(19) AI Agent：从“对话框“到“智能助手“的进化
还记得以前我们怎么用ChatGPT吗？这时候的AI，更像一个**“军师”（只动嘴不动手）**。而，就是给"军师"装上了**“手脚”（工具）"眼睛"（感知）主动行动**——帮你打开APP、点击按钮、填写表单、完成支付。
2026-02-24 09:10:52
985
原创 用大白话讲解人工智能(18) 多模态AI：让AI同时长出“眼睛“和“耳朵“
如果你和朋友聊天，你会用到哪些信息？这就叫——综合利用多种感官信息来理解世界。它们互不通气，就像盲人和聋子在交流。而**多模态AI（Multimodal AI）**的出现，打通了任督二脉，让AI能像人一样，同时处理文字、图片、音频甚至视频。
2026-02-24 09:08:02
552
原创 用大白话讲解人工智能(17) 微调（Fine-tuning）：让通用AI变成“行业专家“
微调（Fine-tuning）是将通用AI模型转化为行业专家的关键技术。它通过三种主要方式实现：指令微调让AI理解特定任务指令，领域微调使AI掌握专业术语和知识，人类反馈强化学习（RLHF）则优化AI的价值观和安全响应。相比提示词工程，微调将知识内化为AI的长期记忆，避免重复输入带来的成本问题。但微调可能导致"灾难性遗忘"，为此出现了LoRA等技术，通过小型外挂模块实现高效训练。实际应用中，微调已成功打造编程助手、专业客服和个性化角色AI。随着技术进步，个人用户也能用消费级设备训练专属A
2026-02-23 18:50:51
580
原创 用大白话讲解人工智能(16) 强化学习：教AI“玩游戏“学决策
强化学习是一种让AI通过试错和反馈学习决策的方法，类似于训练小狗完成动作。其核心包含智能体、环境和动作奖励三个要素，通过不断互动优化策略。典型案例如AI玩《超级马里奥》，从随机探索到发现规律，最终达到神级操作。应用场景包括机器人控制、自动驾驶和个性化推荐。主要挑战在于稀疏奖励和探索利用的平衡，还存在"奖励黑客"风险，即AI可能为追求奖励而采取非预期行为。强化学习正推动AI在游戏和现实任务中的突破性进展。
2026-02-23 18:31:55
1021
原创 用大白话讲解人工智能(15) AI的未来：20年后的世界会是什么样
2004年，诺基亚推出"拍照手机"，人们惊叹"手机居然能拍照"；2024年，AI能写代码、画插画、诊断疾病。如果用2004年的视角看今天的AI，就像用大哥大想象智能手机——我们同样难以想象20年后的AI会如何重塑世界。但历史规律告诉我们：技术进步不是线性的，而是"指数级"的。今天我们基于现有技术轨迹，用科学预测而非科幻，描绘2044年AI可能带来的五大变革——不是"天网统治世界"，而是。
2026-02-22 09:17:43
728
原创 用大白话讲解人工智能(14) AI与就业：哪些工作会被取代？哪些会更吃香？
2023年，某高速收费站取消人工通道，一位工作了20年的大姐哭着说：“我除了收费啥也不会”——这不是个例。今天我们就用"职业大浪淘沙"的比喻，分析AI时代的职场生存法则：哪些工作注定被淘汰？哪些工作会更值钱？普通人该如何"冲浪"而非"溺水"？
2026-02-22 09:04:40
784
原创 用大白话讲解人工智能(13) AI与隐私：你的数据到底属于谁？
早上7点，智能手表震动：“昨晚深度睡眠2小时，今天建议午休20分钟”；上午9点，购物App推送：“您常买的咖啡正在打折，距离您公司300米的门店有货”；下午3点，导航软件提醒：“前方路段拥堵，已为您切换备选路线，预计节省15分钟”。这些贴心服务的背后，是AI在默默收集你的：睡眠记录、消费习惯、出行路线、甚至聊天记录。今天我们就用"数字足迹"的比喻，揭开AI时代隐私的真相：你的数据是如何被收集的？被谁掌控？又该如何守护自己的"数字边界"？
2026-02-21 09:06:42
619
原创 用大白话讲解人工智能(12) AI伦理：为什么“算法偏见“比你想的更可怕？
算法偏见指的是：AI系统在做决策时，对特定群体（如种族、性别、年龄）产生系统性歧视。就像有人戴了一副度数不对的眼镜，看世界会变形——AI的"眼镜"就是训练数据和算法设计，一旦出错，就会"看错"人。例子1：美国ProPublica调查发现，用于预测罪犯再犯率的COMPAS系统，对黑人被告的"高风险"误判率是白人的近 twice。例子2：某银行AI贷款模型，同等收入下，女性获批额度比男性低15%，因为历史数据中女性贷款违约率被错误高估。这些系统没有主观恶意，却在客观上复制甚至放大了人类社会的偏见。
2026-02-21 09:03:18
1622
原创 用大白话讲解人工智能(11) 向量数据库：AI的“长期记忆“是如何实现的？
向量（Vector）是一串数字，代表数据的"语义特征"。文字"猫"的向量可能是 [0.2, 0.5, -0.3, …]（512个数字）文字"狗"的向量可能是 [0.3, 0.4, -0.2, …]相似的语义，向量会更"像"（数字差异小）生成向量的过程叫"嵌入（Embedding）"，就像给数据拍X光片——表面看是文字/图片，实际是一串能被AI理解的数字。
2026-02-20 10:20:04
1595
原创 用大白话讲解人工智能(10) 生成式AI：从“模仿“到“创造“的飞跃
2022年，一幅由AI生成的画作《太空歌剧院》在艺术比赛中击败人类选手夺冠，震惊了世界。这幅画细节丰富、意境悠远，很难想象它出自一个没有感情的机器之手。与此同时，ChatGPT能写出流畅的诗歌，Midjourney能生成"赛博朋克风格的猫"，GitHub Copilot能帮程序员自动补全代码……这些AI不再只是"识别"或"分类"数据，而是能。这就是生成式AI（Generative AI）的革命——它像一位，而不是只会按指令办事的工人。那么，这些AI是如何从"模仿"人类作品，走向"创造"全新内容的？
2026-02-19 23:15:31
987
原创 用大白话讲解人工智能(9) Transformer模型：让AI真正理解上下文
想象你正在翻译一句复杂的中文：“尽管天下着大雨，小明还是坚持骑车去图书馆还书，因为那本《深度学习入门》明天就到期了。而Transformer模型却能轻松解决这个问题——它像，一眼就能看到"大雨"和"坚持骑车"的转折关系，"那本"和"书"的指代关系。这种"全局视野"正是Transformer超越RNN的关键。
2026-02-19 23:12:40
771
原创 用大白话讲解人工智能(8) 循环神经网络（RNN）：AI怎么“听懂“语音
摘要： 循环神经网络（RNN）通过引入记忆循环机制解决了序列数据的上下文依赖问题，使AI能理解语音、翻译句子等任务。标准RNN因"梯度消失"存在短期记忆缺陷，而LSTM通过遗忘门、输入门和输出门实现了长期记忆，广泛应用于语音识别、机器翻译等领域。尽管Transformer因并行计算优势逐渐取代RNN，但RNN在实时场景仍有价值。RNN与CNN各有所长，分别擅长处理序列数据和空间数据。
2026-02-17 18:42:25
808
原创 用大白话讲解人工智能(7) 卷积神经网络（CNN）：AI怎么“看懂“图片
摘要：卷积神经网络(CNN)通过分层特征提取处理图像：卷积层用局部感知的"印章"方式检测边缘/纹理特征；池化层压缩特征图保留关键信息；全连接层整合特征进行分类。相比传统神经网络，CNN利用权值共享和局部相关性显著提高效率，广泛应用于人脸识别、医疗影像和自动驾驶。典型模型如LeNet、AlexNet到152层的ResNet不断加深网络能力。CNN对图像旋转/缩放不敏感的特性源于其局部感知和池化操作。
2026-02-17 18:40:23
941
原创 用大白话讲解人工智能(6) 深度学习：堆“多层神经网络“会发生什么？
如果你见过洋葱，就知道它一层包着一层。深度学习（Deep Learning）就像这颗洋葱——把"神经网络"一层叠一层，从表面到核心，层层深入地提取信息。这就是为什么深度学习能处理图像、语音、语言这些复杂数据——它不是"一眼看穿"，而是。
2026-02-15 19:37:03
1270
原创 用大白话讲解人工智能(5) SVM支持向量机：找一条“最宽的分隔线“
在SVM中，离分隔线最近的那些点（草莓或蓝莓）被称为"支持向量"（Support Vectors）。它们是决定分隔线位置的关键——就像拔河比赛中最靠近中间线的那些人，是胜负的关键。如果移动非支持向量的点，分隔线不会变；但如果移动支持向量，分隔线就必须重新计算。所以SVM只"关心"那些离分隔线最近的点，这让它在处理高维数据时非常高效。
2026-02-15 14:01:33
968
原创 用大白话讲解人工智能(4) Softmax回归：AI如何给选项“打分排序“
Softmax回归：AI的多分类概率转换器 Softmax回归是一种将原始分数转换为概率分布的方法，使AI能够清晰判断最优选项。其核心原理分为三步：1)指数化处理分数，解决负值并放大差距；2)归一化计算各选项占比；3)选择最高概率项作为结果。该方法广泛应用于图像分类、语音识别和推荐系统等领域，通过将任意范围的输入分数转换为总和为1的概率分布，克服了直接比较分数带来的问题。相比线性回归预测具体数值，Softmax专注于多分类决策。虽然存在数值溢出和过度自信等局限，但通过减去最大值和温度系数等技术可以优化。当只
2026-02-14 10:08:46
823
原创 用大白话讲解人工智能(3) 线性回归：用“画直线“预测未来的魔法
线性回归是一种通过直线拟合数据趋势的预测方法。它基于一次函数y=ax+b建立变量间的线性关系，利用最小二乘法找到误差平方和最小的最优直线。该方法广泛应用于房价预测、成绩分析和销量预估等场景，但需注意非线性关系、异常值和伪相关等问题。线性回归虽简单，却是逻辑回归、神经网络等复杂模型的基础，体现了从数据中发现规律的核心思想。
2026-02-14 09:15:20
775
原创 用大白话讲解人工智能(2) 机器学习：让AI自己“刷题“的黑科技
上一篇我们聊到，AI和传统程序最大的区别是"会自学"。但到底怎么个"自学"法？今天我们就用"教小孩认水果"的例子，把机器学习的三种核心方法讲明白。想象你是一位幼儿园老师，要教小朋友认识苹果、香蕉、橘子三种水果。你会怎么做？不同的教学方法，对应着AI的不同学习方式。
2026-02-12 11:48:31
999
原创 用大白话讲解人工智能(1) AI不是“机器人“：它到底是个啥？
当你听到"人工智能"这个词时，脑海里浮现的是什么？是电影《终结者》里的T-800机器人，还是《钢铁侠》里能说会道的Jarvis？其实这些都是被好莱坞夸张化的AI形象。今天我们就用最接地气的方式，聊聊AI到底是个什么东西，它和我们想象的机器人有什么不同。
2026-02-12 11:33:22
983
原创 OpenClaw(1) 安装教程(Windows、MacOS、Linux)
但你是否想过：如果 AI 不仅能陪你聊天，还能帮你真正“干活”呢？第一步：打开PowerShell（以管理员身份运行，快捷键：Win+X，选择Windows PowerShell）。如果你想体验拥有一个真实的“贾维斯（Jarvis）”，OpenClaw 绝对值得一试！第一步：打开终端（快捷键：Command+空格，输入“terminal”，回车）。差旅助手：在航班起飞前 24 小时自动通过网页值机，并选好你喜欢的靠窗座位。深度调研：自动浏览多个网页，阅读长文，并整理成一份结构化的调研报告。
2026-02-10 20:55:14
5749
原创 李沐深度学习 (1) 线性神经网络 线性回归 笔记
本文介绍了线性回归的基本概念和实现方法。线性回归是一种预测模型，通过特征加权和预测目标值，常用于房价预测等任务。文中详细解释了线性模型、损失函数（平方误差）和梯度下降优化算法。通过PyTorch实现了从零开始的线性回归模型，包括数据生成、模型训练和参数更新过程。最后展示了使用PyTorch高阶API简洁实现线性回归的方法。实验结果表明，经过三次迭代后模型参数已接近真实值，验证了线性回归的有效性。
2026-02-10 15:51:35
755
原创 k8s 1.35 (1) 使用kubeadm部署高可用集群
在需要加进来的节点机器上执行，即可把节点作为控制面节点加入k8s集群。镜像，在拉起核心组件的时候需要。但我们无法直接访问这个仓库，所以可能需要。然后生成添加控制面节点的命令。等待组件都就绪，然后执行。
2026-01-28 20:42:47
1313
原创 AI Agent开发(3) -如何做上下文管理？
书接上文在Agent开发中，上下文信息的处理很重要，当用户给出新的输入的时候，如何让模型保持对旧消息的记忆？我们知道，对于大模型而言，有知识和记忆两种数据输入。模型训练固化下来的参数和外挂的知识库可以认为是模型的知识；模型还有长期记忆和短期记忆长期记忆可以理解为用户长时间之前的输入，或者说用户画像，短期记忆就是用户最近的输入。但每次请求对于模型而言都是独立的，也就是说，模型本身不会记住之前的输入，因为它本身的参数不会跟着输入的变化而变化(但谷歌、英伟达在做类似的研究。
2026-01-28 10:42:06
925
原创 AI Agent开发(2) - 深入解析 A2A 协议与 Go 实战指南
在人工智能飞速发展的今天，我们见证了无数强大的AI Agent(智能体)的诞生。然而，当我们需要解决复杂问题的时候，往往发现这些Agent就像一个个孤岛，被禁锢在各自的框架和生态中，无法协同工作。接下来我们主要探讨下一个旨在打破这些壁垒的开放标准，协议。A2A协议是一个开放标准，旨在实现AI Agent之间的无缝通信与协作。它提供了一种通用的语言，让基于不同框架，如。
2026-01-19 18:47:31
1103
原创 LLM(3) - 本地如何调用模型(mac)
有很多不同的AI领域的模型厂商、云服务平台、聚合平台和本地工具，下面是一些对比数据。这些模型调用方式可能不一样，一般有自己的调用sdk，但现在大部分模型都会兼容openAI的规范名称类型归属/说明特点OpenAI厂商美国 OpenAI 公司行业标杆，开发了 GPT-3.5/4/o 系列。API 格式是事实上的行业标准。Claude厂商美国 Anthropic 公司OpenAI 的主要竞争对手，擅长长文本分析和拟人化，代码能力强。Gemini厂商美国 Google 公司。
2026-01-19 10:12:43
788
原创 LLM (1) 如何下载模型(mac)
无论是还是ModelScope，它们都极大地促进了 AI 技术的开源和共享。开发者可以根据网络环境和项目需求（如对中文的支持程度）灵活选择使用这两个社区的资源。国内建议使用ModelScope，下载速度能快非常多。
2026-01-08 14:20:21
972
原创 Milvus学习(1) 架构和部署
目前docker.io被禁了，其他的几个知名源也不太好获取镜像，导致国内获取镜像困难，可以用下面这个平台，它提供了一些相关镜像的获取地址。
2026-01-05 11:26:16
1175
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