<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_29089057的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/weixin_29089057</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_29089057]]></copyright><item><title><![CDATA[GLDAS水储量数据处理实战：从nc4到月度异常图]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166909232</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166909232</guid><author>weixin_29089057</author><pubDate>Wed, 30 Sep 2026 15:48:46 +0800</pubDate><description><![CDATA[陆地水储量（TWS）是流域干旱监测与地下水评估的核心变量，通常由土壤湿度、雪水当量和冠层水等分量求和得到。GLDAS作为全球陆面数据同化系统，以NetCDF4格式提供多变量四维数据，其单位换算、时间解码与纬度顺序直接影响结果可靠性。掌握xarray批量处理与分量求和技巧，可高效生成水储量异常时间序列，并用于GRACE交叉验证与趋势分析。本文聚焦GLDAS水储量数据从zip包到可用月度异常图的完整处理链路，详解单位换算、时间解析、缺测掩膜与气候态计算等关键环节。]]></description><category></category></item><item><title><![CDATA[TensorFlow 2.0+Keras深度学习入门实战：从环境搭建到图像分类]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166914914</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166914914</guid><author>weixin_29089057</author><pubDate>Wed, 30 Sep 2026 15:05:55 +0800</pubDate><description><![CDATA[深度学习框架的选择常让初学者困惑，TensorFlow 2.0将Keras作为官方高级API，以简洁的Sequential模型大幅降低建模门槛，使Python开发者能快速上手神经网络。理解神经元加权求和、非线性激活函数、反向传播与梯度下降等核心原理后，即可通过MNIST手写数字识别案例，完整掌握数据加载、模型构建、编译训练、评估推理及模型持久化全流程。文章从环境配置（Python虚拟环境、CUDA、GPU）讲到常见报错排查，并延伸至CNN与模型调优方向，是一份面向工程实践的入门指南，帮助初学者避开环境坑，半]]></description><category></category></item><item><title><![CDATA[基于深度学习的台风预测：数据预处理、LSTM训练与避坑指南]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166908273</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166908273</guid><author>weixin_29089057</author><pubDate>Wed, 30 Sep 2026 12:01:08 +0800</pubDate><description><![CDATA[时间序列预测是机器学习在气象领域的关键应用，其原理是从历史观测数据中学习时间演变规律。以台风强度估计为例，利用过去36小时的气压、风速等特征预测未来48小时的风速变化，本质是一个典型的有监督回归任务。工程上需要完成数据清洗、滑动窗口构建、特征归一化等步骤，深度学习模型LSTM因其擅长捕捉长期依赖，适合这类小样本时序数据。该技术在灾害预警、路径规划等场景具有实用价值，可有效辅助决策。然而真正部署时，数据完整性、样本切分的泄漏问题、环境兼容性等往往比模型结构更影响效果。本文以“台风预测.zip”为线索，从压缩包]]></description><category></category></item><item><title><![CDATA[AI Agent工程落地：RAG、MCP、LangGraph与多智能体协同实战]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166914519</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166914519</guid><author>weixin_29089057</author><pubDate>Wed, 30 Sep 2026 09:14:50 +0800</pubDate><description><![CDATA[AI Agent不是概念演示，而是可部署的工程系统。其核心在于解决意图理解、工具调用、状态管理与多角色协同四大基础问题：RAG需突破‘检索-生成’断裂，实现Query重写、混合检索与重排序；MCP作为Agent与物理世界交互的确定性协议，统一异步工具调用的响应格式与错误语义；LangGraph本质是状态机内核，通过StateSnapshot保障上下文一致性；多智能体则依赖角色契约（Role Contract）与Schema驱动的协作协议。本文聚焦真实生产场景中的技术选型、调试陷阱与系统缝合，覆盖电网调度、医]]></description><category></category></item><item><title><![CDATA[两个月AI辅助学习实战：从单次问答到Agent编排的三层架构]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166864021</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166864021</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 15:35:23 +0800</pubDate><description><![CDATA[大语言模型（LLM）通过Token机制处理文本，其上下文窗口决定了单次交互的信息容量。理解Token计费与上下文稀释原理，是构建高效AI辅助学习流程的基础。在实践中，将知识层、交互层与工具层解耦，结合API调用与Agent编排，可实现批量文档摘要、代码审查等重复任务的自动化，同时通过提示词模板与版本管理保障输出稳定性。这种分层架构尤其适合需要长期积累大量信息的学习场景，让AI从问答工具升级为有状态的协作对象。]]></description><category></category></item><item><title><![CDATA[本地优先AI智能体：AnythingLLM私有知识库部署与RAG实战]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166861584</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166861584</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 14:03:32 +0800</pubDate><description><![CDATA[RAG（检索增强生成）通过在生成模型中引入外部知识检索，有效缓解大模型幻觉与知识滞后问题。其核心原理是将文档向量化存储，查询时检索相似片段并注入提示词，从而提升回答准确性。本地优先的AI智能体将这一能力部署在自有环境中，确保数据不出网，兼顾隐私与可控性。在内部文档问答、敏感资料检索等场景中，本地化RAG方案能显著降低数据泄露风险。AnythingLLM正是这一思路的典型实践，它集成了文档解析、向量检索与多模型对话，支持Ollama本地推理与工作区隔离，让团队快速搭建私有知识库问答系统。]]></description><category></category></item><item><title><![CDATA[QPSK蒙特卡洛仿真实操：误码率曲线、理论对照与避坑指南]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166851840</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166851840</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 13:25:07 +0800</pubDate><description><![CDATA[数字通信系统设计中，误码率是衡量链路性能的核心指标。理论公式虽能给出理想AWGN信道下的极限，但实际系统受滤波器、相位模糊、信道估计等影响，需要通过蒙特卡洛仿真量化实现损失。QPSK作为经典调制方式，其星座图映射与信噪比换算关系是理解系统的基础。本文从QPSK调制解调原理出发，介绍格雷映射、E_b/N_0与E_s/N_0的转换，以及误码率统计的置信区间要求，并给出完整可复现的Python仿真代码。同时剖析工程中常见的相位模糊、随机数种子、统计量不足等陷阱，并介绍眼图验证与半解析法加速高信噪比估计，帮助读者快]]></description><category></category></item><item><title><![CDATA[AI工程从零构建：手写神经网络与工程化落地]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166859177</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166859177</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 11:11:05 +0800</pubDate><description><![CDATA[人工智能在生产环境的价值实现，离不开对算法原理与工程体系的深度理解。神经网络是深度学习的核心模型，其训练涉及前向传播、反向传播、梯度更新等基础机制，深入掌握这些原理，能够帮助工程师快速定位模型训练中的问题。而真正让AI落地的，不仅是模型精度，还包括数据管道设计、模型部署、监控与迭代闭环等工程能力。从零实现神经网络正是建立底层直觉的高效路径，尤其适合希望从算法理解走向工程实战的学习者。围绕AI工程从零构建，梳理从数学基础、手写网络到工程化落地的完整路线，为入门者与调包工程师提供可操作的实践指南。]]></description><category></category></item><item><title><![CDATA[端侧LLM部署实战：从模型选型到Agent性能调优]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166873490</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166873490</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 10:39:18 +0800</pubDate><description><![CDATA[大语言模型（LLM）推理正从云端API向本地设备迁移，核心在于解决延迟、隐私与成本问题。端侧部署依赖模型量化、推理引擎优化与内存管理，将数十亿参数模型压缩至4-bit精度，在有限算力下实现低延迟推理。这一技术使Agent能在离线或弱网环境下完成多轮规划与工具调用，适用于隐私敏感、实时交互及大规模设备场景。本文围绕端侧LLM部署，详解模型选型、量化方案与llama.cpp推理引擎的工程实践，并分享Agent对接与性能调优的实操经验。]]></description><category></category></item><item><title><![CDATA[YOLOv9猪圈行为识别数据集：1272张图实现喝/吃/睡/站四类行为检测]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166855210</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166855210</guid><author>weixin_29089057</author><pubDate>Tue, 29 Sep 2026 10:30:24 +0800</pubDate><description><![CDATA[在计算机视觉与深度学习应用中，目标检测负责“定位物体”，行为识别则负责“理解动作”。对于养殖监控场景，仅用目标检测只能框出猪只，无法分辨喝水、吃食、睡觉等行为。基于此，我们介绍一个猪圈行为识别数据集，包含1272张来自监控视频的抽帧图片，采用YOLOv9格式标注了喝、吃、睡觉、站立四类行为，实测平均识别率达92.6%。该数据集可直接用于训练行为识别模型，为智慧养殖提供数据基础。文中还总结了训练部署中的关键避坑策略，例如按视频来源划分数据以避免指标虚高，以及如何通过混淆矩阵分析类别混淆，帮助读者高效复现并落地]]></description><category></category></item><item><title><![CDATA[价格战下电车降价总成“乞丐版”？燃油车与电车的成本真相]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166803394</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166803394</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 16:25:41 +0800</pubDate><description><![CDATA[汽车市场持续上演价格战，但燃油车与电车的降价路径截然不同：前者敢于直接官降，后者却常常以减配换取低价。这背后是两类产品在成本结构、供应链成熟度和利润空间上的根本差异。燃油车凭借成熟的发动机平台和经销商体系，拥有充足让利空间；而电车因三电系统成本占比高、智能硬件迭代快，降价时只能优先削减电池容量、电机功率、辅助驾驶传感器等核心配置，导致“降价版”变“丐版”。理解这些工程与商业逻辑，能帮助消费者在购车时准确判断配置缩水风险，避开短期价格陷阱，从长期使用体验和保值率角度做出理性选择。]]></description><category></category></item><item><title><![CDATA[建筑集成光储系统优化：改进粒子群算法与Python复现]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166810952</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166810952</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 16:22:42 +0800</pubDate><description><![CDATA[在新能源与微电网领域，光储系统的容量配置与运行调度是一类典型的复杂优化问题。建筑集成场景下，光伏出力、负荷波动、分时电价等因素相互耦合，使得优化模型呈现高维、非凸、带约束的特点。粒子群算法（PSO）通过模拟群体智能搜索最优解，是处理此类工程优化问题的有效手段；而引入自适应惯性权重、非线性学习因子及约束修复机制的改进粒子群算法，可进一步增强全局搜索能力与可行域探索效率。基于Python的工程实现能够将改进算法直接应用于建筑光储系统的规划运行综合优化，为微电网设计、储能调度及多能互补项目提供可复现的量化决策支持]]></description><category></category></item><item><title><![CDATA[提示词工程实战：从参数调优到思维链、ReAct与思维树]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166816396</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166816396</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 16:10:49 +0800</pubDate><description><![CDATA[大模型应用开发中，提示词工程是连接业务需求与模型能力的关键环节。其核心原理在于通过自然语言精确控制模型输出，而参数调优（如temperature、top_p、presence_penalty）则从概率层面调节生成结果的确定性与多样性。掌握这些技术能显著提升模型在结构化抽取、代码生成、多轮对话等场景下的稳定性与准确率。当任务涉及多步推理时，思维链引导模型逐步展开思考；需要外部信息时，ReAct实现边推理边调用工具；面对高复杂度决策，思维树通过多路径探索与回溯提升成功率。本文系统梳理了从参数配置到思维链、ReA]]></description><category></category></item><item><title><![CDATA[AnythingLLM 工作区实战：RAG 检索调优与 Agent 扩展指南]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166823795</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166823795</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 13:54:26 +0800</pubDate><description><![CDATA[RAG（检索增强生成）通过将文档向量化并检索相关片段来增强大模型回答的准确性，其核心在于文档切分、嵌入和相似度匹配。AnythingLLM 将文档、模型、向量库和 Agent 工具整合为独立工作区，支持本地部署和 Ollama 对接，实现从文档摄入到引用溯源的全链路私有化知识问答。在技术文档、会议纪要等场景中，合理调整相似度阈值和片段数能显著提升检索命中率，而 Agent 模式可进一步扩展任务执行能力。]]></description><category></category></item><item><title><![CDATA[数据编排框架深度对比：Airflow、Luigi与Oozie的定位与选型]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166814643</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166814643</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 13:47:13 +0800</pubDate><description><![CDATA[数据编排与任务调度是数据工程的核心基础，现代数据平台普遍借助有向无环图（DAG）来定义复杂工作流，确保ETL、数据同步、报表生成等环节按依赖顺序稳定执行。随着大数据体系日益多元，如何选择合适的工作流调度框架成为团队选型的关键决策。Airflow、Luigi与Oozie是三种风格迥异的开源数据编排工具：Airflow以丰富的生态和强大的Web UI著称，适合跨系统复杂编排；Luigi强调极简与目标感知，天然支持增量处理；Oozie则与Hadoop生态深度绑定，在传统数仓场景中占有一席之地。文章从设计哲学、核心]]></description><category></category></item><item><title><![CDATA[TensorFlow深度学习实战：环境配置、模型训练与部署避坑指南]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166818988</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166818988</guid><author>weixin_29089057</author><pubDate>Mon, 28 Sep 2026 12:40:03 +0800</pubDate><description><![CDATA[深度学习框架是人工智能应用开发的关键基座，其中TensorFlow凭借成熟的工程化能力，在图像分类、模型部署、大规模分布式训练等场景中占据重要地位。对于刚接触深度学习的开发者，理解框架核心概念并掌握生产级实战方法，往往比记住API更重要。从GPU加速的CUDA/cuDNN环境配置，到tf.data高效数据管道、Keras模型构建，再到TensorFlow Serving与TFLite量化部署，每一步都潜藏着影响最终效果的细节。本文结合实际生产经验，系统梳理TensorFlow从安装选型到模型上线的完整路径，]]></description><category></category></item><item><title><![CDATA[DeepSeek Harness模式选择指南：标准/极简/PTC/自定义一次看懂]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166766008</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166766008</guid><author>weixin_29089057</author><pubDate>Sun, 27 Sep 2026 16:57:46 +0800</pubDate><description><![CDATA[大语言模型应用开发中，如何通过配置化工具提升模型输出的稳定性与效率，是工程实践的核心问题。DeepSeek Harness作为一种模型调用执行层，将不同任务需求映射为四种模式：标准、极简、PTC、自定义。它们并非性能档位，而是上下文、自由度与输出约束的不同组合。理解这些模式背后的约束策略，能帮助你根据任务类型选择合适配置，例如SQL生成、结构化输出或团队标准化流程。本文结合真实对比，提供从模式认知到选型测试的完整路径，助力开发者构建更可控的AI应用。]]></description><category></category></item><item><title><![CDATA[AI生成内容版权风险：品牌“绿色净化”试验中的Prompt使用边界]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166767671</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166767671</guid><author>weixin_29089057</author><pubDate>Sun, 27 Sep 2026 16:16:45 +0800</pubDate><description><![CDATA[从Prompt技术的基本概念出发，AI生成内容的版权归属一直是内容创作领域的焦点。其原理在于，模型输出基于海量训练语料，导致“原创性”成为一个概率问题而非确定性结论。在品牌内容重塑、绿色环保叙事包装等实际场景中，用AI批量改写旧文案或模仿特定风格，极易触碰复制权与演绎权边界。本文以一次日化品牌“绿色净化”试验为例，剖析了素材投喂、Prompt编写、生成筛选、发布上线等环节隐藏的版权风险，包括平台过滤机制、实质性相似判定、旧素材权利瑕疵等。并给出了一套可复用的风险分级框架与实操清单，强调人工深度参与和创作证据]]></description><category></category></item><item><title><![CDATA[Origin全流程XRD全峰拟合：从峰形选择到晶粒尺寸计算]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166772388</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166772388</guid><author>weixin_29089057</author><pubDate>Sun, 27 Sep 2026 13:47:10 +0800</pubDate><description><![CDATA[X射线衍射（XRD）是材料物相分析和晶体结构表征的核心手段，而衍射数据的精准解析往往离不开谱峰拟合法。谱峰拟合的本质是用数学模型解析实测衍射曲线，通过峰位、峰高与半峰宽等参数提取微观结构信息。在实际工程与科研场景中，利用Origin软件进行全峰拟合，可高效完成基线扣除、峰形函数选择、弱峰识别以及晶粒尺寸计算等关键步骤，帮助研究者从复杂衍射图谱中获得可靠的结构参数。无论是定量分析第二相，还是评估微观应变，掌握这一技术都能显著提升数据处理效率与结果可信度。本文从基础原理出发，系统梳理了在Origin中开展XRD]]></description><category></category></item><item><title><![CDATA[AgentScope：企业级Agent工程化操作系统与RAG as Service实践]]></title><link>https://blog.csdn.net/weixin_29089057/article/details/166763147</link><guid>https://blog.csdn.net/weixin_29089057/article/details/166763147</guid><author>weixin_29089057</author><pubDate>Sun, 27 Sep 2026 12:16:56 +0800</pubDate><description><![CDATA[Agent（智能体）作为大模型落地的核心编排范式，其本质是具备状态管理、自主决策与协作能力的运行时实体。理解Agent需从‘函数调用’跃迁至‘进程级自治’，依赖消息总线、调度器与可观测性等系统级支撑。AgentScope并非LLM封装工具，而是面向高可用、可运维、可扩展生产环境的Agent工程操作系统，尤其在RAG as Service、Java企业集成、Schema驱动数据治理等场景中形成差异化技术价值。它通过Runtime抽象、三层解耦RAG服务、JVM原生热更新与强一致性Schema Registry]]></description><category></category></item></channel></rss>