<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_29035147的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/weixin_29035147</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_29035147]]></copyright><item><title><![CDATA[Power BI 课后实训数据包：从数据清洗到建模可视化全流程解析]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165637590</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165637590</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:58:51 +0800</pubDate><description><![CDATA[数据分析的起点往往不是报表，而是对原始数据做清洗与集成。在 Power BI 中，Power Query 负责完成数据清洗与转换，通过列名标准化、类型修正、空值替换等操作，为后续分析打下可靠基础。构建数据模型时，星型模型能清晰划分事实表与维度表，配合日期表和 DAX 度量值，才能高效完成销售额、订单数、完成率等核心指标的计算。这类技能广泛应用于零售、餐饮等行业的数据分析场景，覆盖从业务表导入、关系配置到矩阵可视化、动态标题与钻取交互的完整链路。本文以一套实际课后的实训数据包为例，拆解文件背后的 Power ]]></description><category></category></item><item><title><![CDATA[电力系统行波测距技术与故障检测方法解析]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165669901</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165669901</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:53:47 +0800</pubDate><description><![CDATA[行波测距技术是电力系统故障定位的核心方法，通过捕捉故障产生的暂态行波信号实现精确定位。其技术原理基于电磁波在输电线路中的传播特性，利用信号处理算法提取行波特征。相比传统阻抗法，行波测距具有米级定位精度，特别适用于高压输电线路。关键技术环节包括卡伦堡变换提取线模分量、小波分析捕捉信号突变点等。在工程实践中，该方法需要配合高频采样设备（如10MHz ADC）和GPS时间同步系统。典型应用场景包括变电站故障监测、智能电网状态评估等。通过结合卡伦堡变换与小波分析，可有效识别故障线路与正常线路的行波极性差异，实现99]]></description><category></category></item><item><title><![CDATA[航拍影像YOLO旋转目标检测实战：从标注到部署全解析]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165683743</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165683743</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:51:42 +0800</pubDate><description><![CDATA[目标检测作为计算机视觉的基础任务，在无人机航拍、遥感影像分析等场景中面临独特挑战。传统水平边界框在目标密集排列、朝向任意时，容易产生框内背景污染和重叠漏检。旋转目标检测（OBB）通过带角度的最小外接矩形贴合目标轮廓，显著提升密集场景下的定位精度与后处理效率。该技术已在智能交通、国土资源监测等领域广泛应用。本文围绕YOLO旋转目标检测，系统讲解从数据标注、格式转换、切片预处理到模型训练与部署的完整链路，并分享工程实践中的典型踩坑经验，为航拍场景目标识别提供可落地的解决方案。]]></description><category></category></item><item><title><![CDATA[零基础AI学习主干道：聚焦可验证闭环的实战路线]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165663724</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165663724</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:51:29 +0800</pubDate><description><![CDATA[AI学习不是数学先行或框架堆砌，而是从数据清洗、特征工程到模型部署的端到端最小闭环实践。其核心在于降低认知负荷、压缩反馈延迟、锚定业务价值——通过即时可验证动作（如Excel手动推导梯度、NumPy重实现Linear层）建立直觉，用VS Code+Jupyter+Git轻量工具链规避环境崩溃，以‘三明治调试法’和‘暴力试探法’替代抽象理论灌输。该路径特别适合非科班从业者与应届生快速获得Kaggle级实战能力，强调Flask最小API、DVC数据版本控制、SHAP可解释性等工业落地关键技能，真正实现‘学完即用]]></description><category></category></item><item><title><![CDATA[ABoVE数据产品：加拿大西北地区土壤有机质燃烧严重程度遥感制图]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165649685</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165649685</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:43:42 +0800</pubDate><description><![CDATA[高纬度生态系统对气候变化的响应，是当前全球碳循环与冻土研究关注的热点。野火作为北方森林最主要的干扰因子，其燃烧严重程度直接决定了土壤有机质的耗损量，进而影响区域碳收支估算。遥感指数dNBR通过对比火前近红外与短波红外反射率变化，可逐像元刻画火烧强度，结合Landsat 30米分辨率影像与地面CBI验证，能够生成空间化的燃烧严重程度分级产品。ABoVE项目覆盖2014-2015年加拿大西北地区极端火季的燃烧严重程度数据，为碳损失模拟、冻土热状态变化及植被恢复轨迹分析提供了关键输入。该数据产品不仅补足了单一过火]]></description><category></category></item><item><title><![CDATA[Stable Diffusion WebUI本地部署教程：从环境搭建到模型调优实战]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165651421</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165651421</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:42:58 +0800</pubDate><description><![CDATA[在AI绘画领域，Stable Diffusion作为开源图像生成模型的代表，正被越来越多开发者和设计师用于创意生产。与在线工具相比，本地部署不仅能摆脱额度限制，还能通过自由组合Checkpoint大模型、LoRA和VAE实现对画面风格的精细控制。本文从技术原理出发，介绍基于PyTorch与CUDA的环境搭建要点，包括显卡显存选型、Python与Git配置、WebUI项目安装等基础操作，并深入讲解提示词工程、采样器选择、ControlNet姿态控制以及高分辨率修复等核心环节。无论你是追求批量出图的效率控，还是]]></description><category></category></item><item><title><![CDATA[抖音推荐算法与流量池晋级：从完播率到DOU+投放的实操指南]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165677898</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165677898</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:42:01 +0800</pubDate><description><![CDATA[理解推荐算法是内容运营的起点。抖音的流量分配本质是一套基于行为反馈的标准化系统，完播率、互动率和播放时长共同决定视频能否从初始流量池进入下一级。兴趣分发依赖视频标签、用户交互历史和观看行为的联动建模，账号需要通过垂直内容不断强化标签匹配。利用Python对历史视频数据进行聚合测算，可以量化评估不同标签的内容质量，并判断当前所处的流量池等级。当自然流量触顶后，DOU+作为付费加热工具，其投放策略需围绕CPM、CPC、CPE等指标进行复盘，明确预算与ROI边界。本文以官方手册为底稿，结合数据脚本与实战排坑经验，]]></description><category></category></item><item><title><![CDATA[Hermes Bot模式实战：从AI会话到智能体执行体的核心拆解]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165645197</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165645197</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:33:21 +0800</pubDate><description><![CDATA[智能体（AI Agent）正成为大模型落地的重要形态，它不再局限于简单的问答交互，而是通过目标拆解、工具调用与结果验证，实现复杂任务的自主执行。理解AI会话与智能体执行体之间的本质差异，是构建可靠自动化系统的关键。Bot模式作为一类面向任务执行的设计范式，通过系统提示词、工具集、完成条件与运行参数的组合，将AI从"顾问"转变为"员工"，在数据处理、竞品监控、知识库问答等场景中显著提升效率。本文结合Hermes框架的实际配置经验，剖析Bot模式的逻辑架构、工具选型与常见排错思路，为开发者提供从对话式AI平滑过]]></description><category></category></item><item><title><![CDATA[提示词工程实战：10个技巧与模板库搭建方法]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165675780</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165675780</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:32:12 +0800</pubDate><description><![CDATA[大语言模型的输出天然存在不确定性，如何让AI稳定产出符合预期的结果，是每个使用者的核心诉求。提示词工程通过结构化输入设计，将模糊需求转化为清晰任务指令，而上下文工程则进一步关注多轮对话中信息的组织与流动。本文结合实战经验，系统梳理了10个可立即上手的提示词技巧，包括任务五要素、角色设定、少样本示例、分步执行、结构化输出、链式思考、负面约束等，并给出了可直接套用的模板。同时，文章还讲解了如何搭建和维护个人提示词模板库，以及SQL生成、小红书文案、数据分析报告等典型应用场景的完整案例。无论是代码生成、内容策划还]]></description><category></category></item><item><title><![CDATA[DeepSeek接入Codex Harness：本地AI编程Agent配置与实战指南]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165637111</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165637111</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:18:48 +0800</pubDate><description><![CDATA[大模型应用开发正从单纯的对话问答走向真正的智能体（Agent）时代。而智能体的底层执行框架——Harness，则是连接模型与系统操作的关键。它负责解析模型决策、调度工具、管理文件读写与命令执行，相当于给大语言模型装上了“手和脚”，使其从“纸上谈兵”变成“躬身实践”。在AI编程领域，这种模式尤为实用。基于OpenAI Codex CLI开源的Harness组件，通过其与DeepSeek API的兼容性，开发者可以低成本构建一套本地化的编程Agent环境。本文从Agent与Harness的概念辨析切入，详解环境]]></description><category></category></item><item><title><![CDATA[AI日报系统设计：自动化资讯聚合与LLM摘要实践]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165674180</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165674180</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:12:32 +0800</pubDate><description><![CDATA[AI日报是一种面向工程师和研究者的轻量级技术动态同步机制，其核心原理是通过结构化数据源（如arXiv、GitHub、Hugging Face）抓取原始信息，结合本地部署的LLM（如Qwen2.5-7B）进行可控摘要生成，实现低延迟、高信噪比的技术情报流转。该模式兼顾时效性与准确性，显著降低人工筛选成本，在团队晨会、技术选型和竞品追踪等场景中具备明确工程价值。本文聚焦AI日报系统的设计逻辑、RAG增强摘要策略及开源可复现架构，覆盖LLM日报、自动化资讯聚合等关键热词。]]></description><category></category></item><item><title><![CDATA[YOLOv8环境配置、训练自己的数据集与部署实战]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165652909</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165652909</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:02:44 +0800</pubDate><description><![CDATA[目标检测是计算机视觉中将目标定位并分类的基础任务，其工程落地通常涉及环境配置、数据标注、模型训练、指标解读与推理部署等环节。以YOLOv8为代表的检测框架通过统一API、anchor-free匹配和C2f、解耦头等设计，把检测、分割、姿态与分类整合到同一工具链，降低版本依赖与迁移成本。对使用GTX 1660Ti等中低显存设备的开发者而言，合理的模型规格、batch、imgsz与AMP设置决定训练稳定性；而ONNX、TensorRT导出与yolov8 hook特征提取，则让模型从实验走向嵌入式部署和二次开发。]]></description><category></category></item><item><title><![CDATA[DeepSeek-R1端侧部署实战：WebGPU加速1.5B模型浏览器推理]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165691365</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165691365</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 16:01:03 +0800</pubDate><description><![CDATA[端侧AI指在用户本地设备（如浏览器、手机）直接运行大语言模型的技术路径，其核心原理是通过模型量化、硬件加速与内存优化，在无服务器依赖下完成推理。技术价值在于保障数据隐私、适应弱网/离线环境、降低云成本，广泛应用于教育、医疗、工业等对实时性与合规性要求严苛的场景。本文聚焦DeepSeek-R1-1.5B模型在WebGPU平台的落地实践，涵盖AWQ量化、WGSL算子适配、SharedArrayBuffer状态协同等关键环节，提供可复用的端到端工程方案。]]></description><category></category></item><item><title><![CDATA[支持向量机(SVM)原理与实践：从理论到Python实现]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165679103</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165679103</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:50:58 +0800</pubDate><description><![CDATA[支持向量机(SVM)是机器学习中经典的监督学习算法，基于统计学习理论和结构风险最小化原则，通过寻找最优分类超平面实现模式识别。其核心在于使用核技巧处理非线性问题，并通过软间隔机制增强鲁棒性。在工程实践中，SVM特别适合处理小样本、高维度的分类任务，如文本分类和图像识别。通过scikit-learn等工具库可以快速实现SVM模型，但需要注意核函数选择、参数调优等关键环节。针对大规模数据训练，可采用线性SVM或专用优化库进行性能优化。掌握SVM算法对于理解机器学习基础理论和解决实际分类问题都具有重要价值。]]></description><category></category></item><item><title><![CDATA[纯Python实现AMD GPU GEMM优化：24.3 TFLOPS冲顶记录]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165689815</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165689815</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:50:48 +0800</pubDate><description><![CDATA[GEMM（通用矩阵乘法）是深度学习训练与推理中最核心的计算内核，其性能直接影响Transformer、卷积神经网络等模型的整体效率。传统上，GPU高性能计算依赖CUDA或HIP等底层语言，但Python生态中的Triton框架允许开发者用Python子集描述kernel，并自动生成高效GPU指令，兼顾了开发效率与硬件性能。GEMM优化的本质是解决访存带宽与计算吞吐之间的矛盾，通过矩阵预转置、缓存策略调整、流水线深度调优等手段，可显著提升矩阵乘法速度。在AMD ROCm平台上，结合Triton与Python，]]></description><category></category></item><item><title><![CDATA[Agent五层架构实战指南：MCP、LangGraph与A2A工程落地]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165677311</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165677311</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:39:55 +0800</pubDate><description><![CDATA[Agent并非单一技术，而是融合协议适配、能力封装、流程编排、跨体协作与人机交互的系统工程。其核心原理在于将智能行为解耦为职责明确、可独立演进的分层结构——底层通过MCP实现异构系统标准化接入，中层依托LangGraph构建状态驱动、可回溯的可靠流程，上层借由A2A协议支撑多Agent协同治理。这种分层范式显著提升系统的可观测性、可维护性与跨团队协作效率，已广泛应用于金融风控、智能制造、保险理赔等高可靠性场景。本文聚焦真实项目中的五层架构划分、MCP接口设计规范及LangGraph调试避坑，直击Agent从]]></description><category></category></item><item><title><![CDATA[DeepSeek V4.1 Flash生产级部署：vLLM与SGLang四路线实操指南]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165653168</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165653168</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:39:40 +0800</pubDate><description><![CDATA[大语言模型推理部署是AI工程落地的核心环节，涉及显存优化、算子加速、Tokenizer适配与服务编排等关键技术。FlashAttention-3内核融合、MoE动态路由和定制化Tokenizer共同构成DeepSeek V4.1 Flash的架构革新，显著降低KV Cache显存开销并提升吞吐效率。其技术价值体现在单卡轻量验证、多卡高吞吐推理、Kubernetes容器化服务及ARM边缘端离线运行四大场景。本文基于A100/RTX 4090/RK3588实测数据，系统解析vLLM与SGLang在FlashAt]]></description><category></category></item><item><title><![CDATA[基于关键场景辨别算法的两阶段鲁棒微网优化调度与Matlab实现]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165640782</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165640782</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:29:02 +0800</pubDate><description><![CDATA[微网调度本质是多时间尺度、多设备、多约束的优化问题，而光伏、风电与负荷的强不确定性常导致确定性方案在实时运行中失效。两阶段鲁棒优化通过min-max-min结构将决策拆分为日前计划与日内调整，在约束层面抵御最恶劣场景，同时保留灵活性，比随机规划更稳健，也比传统鲁棒更经济。其求解通常借助列与约束生成算法，但子问题反复搜索会带来巨大计算负担。关键场景辨别算法通过拉丁超立方抽样、风险指标评估与聚类缩减，将数千个候选场景压缩至几十个，在保证近似覆盖最坏情况的前提下大幅降低求解时间。配合Yalmip与Gurobi可高]]></description><category></category></item><item><title><![CDATA[开源编码Agent实战：48K Star平替的能力边界与成本避坑]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165659239</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165659239</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:19:53 +0800</pubDate><description><![CDATA[AI 编码助手正从编辑器补全、侧边栏问答，演进到终端里的自主执行 Agent。其核心原理并不神秘：模型在“思考—调用工具—读取结果”的主循环中，借助文件读写、命令执行、搜索等工具完成多轮任务；上下文由系统提示、项目规则、工具定义、环境信息和历史结果动态拼装。技术价值在于把重复的改代码、跑测试、看报错、再修改闭环自动化，并通过 BYOK、本地推理和 OpenAI 兼容协议降低接入门槛。应用在存量仓库修 bug、补测试、写迁移脚本等可验证任务时，效果最稳。但“48K Star、免注册、零成本、支持 300+ 模]]></description><category></category></item><item><title><![CDATA[LLM调度与四级降级：大模型服务高可用落地指南]]></title><link>https://blog.csdn.net/weixin_29035147/article/details/165681588</link><guid>https://blog.csdn.net/weixin_29035147/article/details/165681588</guid><author>weixin_29035147</author><pubDate>Wed, 16 Sep 2026 15:13:45 +0800</pubDate><description><![CDATA[在大模型应用进入生产环境后，上游LLM服务不可用被视为常态而非异常。其原理是通过统一调度层对多个模型通道进行健康探测、路由选择、熔断隔离与重试退避，将单点故障限制在局部。技术价值在于让业务在模型抖动、限流或宕机时仍能以分级体验持续运行，把“模型挂了业务就挂”转化为可观测、可调参的工程能力。常见于智能客服、搜索问答、代码助手等对可用性敏感的场景。LLM调度与四级降级正是围绕这一目标展开：从同模型换通道、同级模型替换，到降规格精简请求，再到规则或缓存兜底，逐步降低体验损失，保障核心链路不中断。]]></description><category></category></item></channel></rss>