- 博客(2259)
- 资源 (1164)
- 问答 (5)
- 收藏
- 关注
RSS订阅原创 VideoBlockTokenizer：视频色块语义token化器的设计与实现
在数字视频处理领域，压缩技术一直是核心研究方向之一。传统视频编码标准（如H.264、HEVC）通过复杂的算法实现高压缩比，但其复杂度也相应较高。本文将介绍一种基于色块语义token化的轻量级视频压缩方案——VideoBlockTokenizer，它在图像色块token化的基础上增加了时间维度的压缩，实现了简洁而有效的视频表示。VideoBlockTokenizer基于以下几个核心思想：2. 视频编码流程编码过程主要分为以下几个步骤：2.2 共享调色板计算从视频帧中采样像素，使用K-means聚类提取
2026-04-30 01:31:46
266
原创 色块语义Token化器V3：用语义压缩重构图像编码
在数字图像处理领域，如何高效表示图像一直是个核心问题。传统的栅格表示（像素阵列）虽然直观，但存在大量冗余。本文介绍的色块语义Token化器V3，通过提取图像中的高级语义结构，将图像转换为紧凑的语义token序列，实现高压缩比的同时保持视觉保真度。传统图像压缩（如JPEG）基于频域变换，而我们的方法基于语义结构识别。核心思想是：大部分简单图像（图标、UI界面、像素艺术等）都由重复的视觉模式构成。通过识别这些模式并用语义token表示，可以获得惊人的压缩比。核心实现：六步编码流程1. 颜色量化：从1600万
2026-04-29 15:22:58
385
原创 从Samout LLM到OpenASH：一个高效状态空间模型的实现与改进(源码泄露)
通过创新的架构设计，它在保持高效序列处理能力的同时，提供了强大的特征表达能力。从Samout LLM到OpenASH的改名不仅是名称的变更，更是对模型本质更准确的描述和对开源理念的承诺。：原名称"Samout"未能准确反映模型的混合架构特点，而"OpenASH"（Open Attention State Space Hybrid）更精确地描述了模型结合注意力机制和状态空间模型的本质。OpenASH采用了一种创新的混合架构，结合了状态空间模型的高效序列处理能力和注意力机制的灵活性。
2026-04-15 00:48:50
334
原创 SamOut vs Standard Transformer 实验报告
由于网络限制，无法直接访问 HuggingFace 和 ModelScope，本项目使用本地缓存的数据集。方法二：使用 curl 直接下载 parquet 文件方法三：使用 Git LFS 下载数据集信息来源: HuggingFace datasets - wikitext-2-raw-v1文件格式: Apache Parquet文件结构:实验环境数据集: WikiText-2-raw-v1训练集: 23,767 样本验证集: 2,461 样本Tokenizer: 自定
2026-03-22 21:49:06
62
原创 今日AI圈三大地震：芯片霸主砸260亿美金转型，中国首次超越美国，安全成最贵护城河！
伙伴们，今天AI圈的三条消息，每一条都可能重塑未来十年的科技格局。从芯片巨头的惊天押注，到中国AI的里程碑时刻，再到巨头们用真金白银投票的安全赛道——这不仅仅是新闻，更是你理解AI时代的关键坐标。
2026-03-12 21:08:22
216
原创 从断裂到循环：论可持续生产体系中产品与购买力的同步创造
可持续生产过程不仅应产出环境友好的产品，更必须通过其生产关系的组织与价值分配，同时生成能够购买该产品的市场购买力。最终，可持续生产的最高形态，是让“生产”本身成为修复生态、滋养社区、并确保所创造价值得以公正循环的再生过程。唯有当市场中的每一个“可持续产品”都伴随着一个能购买它的、有尊严的“可持续生计”时，人类的发展方称得上真正走上了持久之路。然而，在追求利润最大化的资本主义经典模型中，存在一个内在矛盾：资本家有持续压低工资（成本）的动力，但这同时会压制社会总消费能力，导致。可持续性绝非单纯的技术替代命题。
2026-02-05 13:51:53
680
原创 使用 vLLM 部署 GLM-4.7-Flash 大模型完整指南
GLM-4.7-Flash 是智谱 AI 推出的一款高性能大语言模型。本文将详细介绍如何在 Ubuntu 22.04 + CUDA 12.4 环境下，使用 vLLM 框架部署 GLM-4.7-Flash 模型，支持双卡推理和工具调用功能。通过 vLLM 部署 GLM-4.7-Flash 可以获得高性能的推理服务，支持 OpenAI 兼容的 API 接口，方便集成到现有应用中。双卡张量并行可以有效提升推理吞吐量，FP8 量化进一步降低显存占用。
2026-02-03 09:43:19
1679
原创 SamOut 架构数学证明：cummax + 卷积 vs Softmax 注意力
本文从数学角度严格证明 SamOut 架构（cusmax + 卷积）相比传统 Softmax 注意力机制在计算复杂度、并行化能力和内存效率方面的优势。通过理论分析和数学推导，我们证明 SamOut 架构在保持模型表达能力的同时，实现了显著的性能提升。给定查询矩阵Q∈Rn×dkQ∈Rn×dk，键矩阵K∈Rn×dkK∈Rn×dk，值矩阵V∈Rn×dvV∈Rn×dvAttentionQKVsoftmaxQ。
2026-01-24 16:38:23
852
1
原创 SamOutVXP-2601: 轻量级高效语言模型最终版本
指标cusmax + 卷积Softmax + 缓存Softmax 串行平均速度⚡70-75 it/s8-20 it/s性能提升基准-30%-80%生成质量稳定 ✅稳定稳定架构特点cusmax+卷积并行Softmax串行。
2026-01-24 16:21:35
970
1
原创 SamOut模型：小众架构的逆袭，在代码执行任务中展现惊人潜力
在大型语言模型（LLM）领域，Transformer架构无疑是当今的主流选择。然而，一项最新的对比测试却显示，一个相对小众的模型架构——SamOut，在特定任务中展现出了令人瞩目的性能表现。在最近的代码执行能力测试中，不同规模的模型接受了1000道题目的挑战，结果令人惊讶：从数据中可以看出，经过专门训练的SamOut模型以较小的参数量，实现了超过Qwen3 0.6B模型10多个百分点的性能提升，这充分展示了SamOut架构在特定任务上的巨大潜力。SamOut V3的核心突破在于其独创的转义词表技术。这一技术
2026-01-19 21:50:15
81
原创 智能的本质：从中国文字解码人脑与AI的认知之谜
智能是离散与连续处理的统一：真正强大的智能系统应当既能处理符号化离散数据，又能处理连续性非结构化数据。相似性计算是核心机制：无论是人类思维还是人工智能，查找和计算相似性都是认知的基础操作。价值导向不可或缺：智能的发展需要“善”的引导，技术智能应当服务于人类的整体福祉。人机智能各有优势：人类擅长在不确定情境中运用价值判断，AI擅长大规模数据的快速处理，二者互补而非替代。智能的本质，或许正是在浩瀚的数据宇宙中寻找意义的永恒努力。这种努力，既体现在人类大脑的神经活动中，也体现在人工智能的算法运行里。
2026-01-17 06:03:29
610
原创 DeepSeek 都认可的这种神经网络结构，到底好在哪里？
MaxStateSuper 通过卷积融合和累积最大值操作，为实现更高效、更轻量的神经网络提供了新思路。其设计哲学——以最小计算成本获取最大性能收益——代表了深度学习发展的一个重要方向。随着AI技术向边缘端和移动端迁移，这类创新架构将发挥越来越重要的作用。# 示例用法input_ids = torch.randint(0, 10000, (32, 128)) # 批量大小32，序列长度128这种架构的PyTorch实现简洁高效，只需少量修改即可集成到现有项目中，为AI应用带来实实在在的性能提升。
2026-01-16 22:47:35
551
原创 思维自指：LLM推理架构的维度突破与意识雏形
这项推理架构设计突破的真正意义在于，它让LLM从被动执行者转变为主动管理者的角色。这不仅是技术上的进步，更是概念上的革新：我们开始构建不仅能够思考，还能够思考如何更好思考的AI系统。正如微软亚洲研究院的研究所指出的，推理能力的进化是通向通用人工智能的关键路径。自指式推理架构在这条路径上迈出了重要一步，为AI赋予了人类意识最珍贵的雏形——自我引导的思维能力。本文基于对大语言模型推理架构的前沿研究综述，探讨了自指式推理设计的突破性意义。随着技术的不断发展，我们正见证AI从工具向思维伙伴的历史性转变。
2026-01-14 00:45:05
707
原创 卷积融合策略：优化MaxStateSuper注意力机制的实践与性能提升
通过将卷积融合策略引入MaxStateSuper注意力机制，我们成功实现了计算效率与模型质量的兼得。这种创新设计替代了手工制定的特征交互规则，让模型能够自动学习最优的特征组合方式。实验证明，新方法在训练速度、内存占用和长序列处理等方面均有显著提升，同时保持了模型的表现能力。这种思路也为其他类型的注意力机制优化提供了借鉴——有时候，最有效的改进不在于增加复杂度，而在于更智能地重组现有信息流。
2026-01-13 22:44:49
700
原创 使用Docker Compose一键部署OnlyOffice：完整指南与配置解析
通过本文介绍的Docker Compose配置，您可以快速部署一个功能完整、安全可靠的OnlyOffice协作平台。这种容器化部署方案不仅简化了安装流程，还为企业提供了易于维护和扩展的文档协作解决方案。无论是小型团队还是大型企业，OnlyOffice都能满足日常办公需求，而Docker化部署则确保了服务的稳定性和可维护性。现在就开始使用这个配置，构建您团队的专属协作平台吧！提示：本文配置适用于测试和生产环境，实际部署时请根据硬件资源调整参数，并加强安全设置。
2026-01-08 21:30:10
1667
原创 SamOutVXP-2601: 轻量级高效语言模型
SamOutVXP-2601 相比SamOutVXP之前的架构，使用了卷积新的架构，从而实现了推理速度的提升，训练速度的提升。📦。
2026-01-06 22:16:06
1007
原创 生成型消费与体验型消费：未来各行各业发展展望
清晨，你对着智能音箱说出一个模糊的创意：“想要一款带有东方美学元素的家居装饰”。几分钟后，AI生成了十种设计方案供你选择。确定方案后，附近的柔性制造工厂便开始为你独家生产。中午，你便收到了这款世界上独一无二的装饰品。这不是科幻场景，而是正在到来的生成型消费与体验型经济的真实缩影。在传统的消费模式中，我们追求的是拥有产品——更多的物品、更贵的品牌、更丰富的收藏。然而，当AI能够以“植物级”的普遍性和低成本生产任何产品时，拥有的意义被彻底解构了。未来的消费核心，正从“拥有权”转向体验感与创造权。生成型消费让每个
2025-12-30 14:07:27
586
原创 生成多周期交替序列：Python实现与数学原理详解
多周期交替序列是由多个不同周期的信号模式按特定规则交替组合而成的序列。与单一周期信号不同，这种序列能更好地模拟现实世界中复杂的周期性现象。电力消耗（日周期、周周期、年周期）人体生理信号（心跳、呼吸、昼夜节律）经济指标（季节性波动、长期趋势）生成一个值域为1-127的离散多周期交替序列。参数:length (int): 生成序列的长度，默认为50。返回:list: 包含离散整数的列表，值在1-127范围内，由三个周期序列交替组合而成。"""
2025-12-30 10:26:12
1119
原创 使用Python标准库将Word文档转换为HTML：深入解析.docx文件处理脚本
在日常文档处理中，我们经常需要将Word文档转换为HTML格式以便在网页上展示。虽然存在多种第三方库可以实现这一功能，但Python的标准库同样提供了强大而灵活的工具来处理.docx文件。本文将详细解析一个使用纯Python标准库实现的Word到HTML转换脚本，展示如何直接处理.docx文件的内部结构。.docx文件本质上是一个ZIP压缩包，其中包含多个XML文件和其他资源。这种格式基于Office Open XML标准，使得我们可以通过解压和解析XML来直接访问文档内容。与使用第三方库如python-d
2025-12-22 14:05:40
1289
原创 Python实现增强版Docx与JSON双向转换：完整指南与代码解析
在日常办公和软件开发中，我们经常需要处理文档格式转换的需求。特别是Word文档（Docx）与JSON数据之间的相互转换，在自动化报告生成、内容管理系统和数据迁移等场景中尤为重要。本文将详细介绍一个增强版的Python工具，它可以实现Docx与JSON之间的高质量双向转换，支持样式、列表、表格、图片等复杂元素的完整保留。与传统的简单文本提取不同，本工具致力于保持文档的完整结构和格式样式，包括段落格式、字体样式、表格布局甚至复选框等表单控件。这种转换能力对于需要保持文档专业外观的企业环境至关重要。这个增强版转换
2025-12-18 11:17:14
1252
原创 使用Python实现Word文档与JSON格式双向转换：完整教程与代码解析
文档内容提取与分析：将Word文档内容转换为结构化JSON数据，便于后续处理和分析自动化报告生成：将JSON数据自动填充到预定义的Word模板中文档格式转换：作为Word与其他格式（如Markdown、HTML）转换的中间步骤内容管理系统：实现文档内容的版本控制和结构化存储完整性：支持文本、样式、表格等Word文档核心元素的转换灵活性：提供了API和命令行两种使用方式，适应不同场景需求实用性：代码可直接用于生产环境，且易于扩展这种转换工具在文档自动化处理内容管理系统和数据迁移。
2025-12-17 16:31:23
1017
原创 轻量级语言模型的精进之路：SamOutVXP2512如何实现规模与性能的双重突破
在追求高效语言模型的浪潮中，**参数量**与**性能指标**的平衡始终是技术攻坚的核心。今天，我们通过对比相邻迭代版本 **SamOutVXP2509** 与 **SamOutVXP2512**，揭示后者如何在**压缩规模的同时显著提升语言建模能力**，实现轻量级模型的里程碑式突破。
2025-12-10 23:31:20
491
原创 LLM拆分推理方法的成本节约计算
模型参数( M )：模型总参数量（例如10B、100B等）。( M_e )：编码器参数量（通常占大部分，如95%以上）。( M_h )：预测头参数量（轻量级，如线性层，占比较小）。序列长度( S )：输入序列长度（如1024 tokens）。( L )：输出序列长度（如256 tokens）。计算量指标传统自回归推理的FLOPs（浮点运算次数）约为 ( 2 x M x S x L )（每次生成一个token需计算整个模型，共L次）。
2025-12-03 09:26:58
805
原创 构建具有记忆功能的AI对话代理：从代码到实践
本文介绍了一个具有记忆功能的AI对话代理的完整实现。通过结合强大的AI模型和持久化存储技术，我们能够创建更加智能、个性化的对话体验。这种技术不仅可以用于简单的聊天机器人，更是构建真正智能助手的基础。记忆功能是AI系统从工具向伙伴演进的关键一步。随着技术的不断发展，我们有理由相信，能够理解和记住用户需求的AI将在更多领域发挥重要作用。代码实现基于agno框架，需要配置相应的API密钥才能正常运行。建议在虚拟环境中部署此项目，以避免依赖冲突。# 1. 定义多个专业化的智能体name="网络研究员",
2025-11-27 17:16:18
410
原创 python 协程高并发
协程是实现高并发的一种非常高效的方式，特别适合处理大量I/O操作（如网络请求、文件操作）的场景。它通过在单个线程内实现多个任务的切换来避免阻塞，从而最大限度地利用CPU资源。
2025-11-21 15:08:48
784
原创 Python异步多进程调度系统：完整实现与实战指南
我们的异步多进程调度系统采用模块化设计任务执行器：负责具体业务的处理，支持异步执行和超时控制结果存储器：提供统一的結果存储接口，支持内存共享和文件持久化监控器：实时跟踪任务状态，提供进度统计和可视化反馈进程池管理器：优化资源分配，控制并发进程数量本文详细介绍了一个基于Python multiprocessing模块的异步多进程调度系统，涵盖了从基础概念到高级优化的全方位内容。功能完整：集任务执行、监控、存储于一体的解决方案稳定可靠：全面的错误处理和资源管理机制易于扩展。
2025-11-15 09:35:03
919
原创 使用vLLM与Docker在Ubuntu 22.04上离线部署Qwen3-4B模型：多卡配置完整指南
在大模型部署过程中，环境配置和依赖管理常常是令人头疼的问题。本文将详细介绍如何在Ubuntu 22.04系统上，使用Docker和vLLM离线部署Qwen3-4B模型，特别针对多GPU卡的环境进行优化配置。
2025-11-12 14:42:26
2323
原创 设计产品的第一性原理：从用户使用过程到清晰产品设计
第一性原理最早源于古希腊哲学家亚里士多德，它指的是"在任何一个系统中，存在第一性原理，是一个最基本的命题或假设，不能被省略，也不能被违反"。在产品设计中，第一性原理思维意味着回归本质，从最基本的用户需求和问题出发，而非简单地模仿现有解决方案或遵循惯例。埃隆·马斯克正是第一性原理的忠实实践者。在特斯拉电池成本优化中，他没有接受行业标准的电池价格，而是将电池分解为最基本的材料成分（碳、铝、聚合物等），从零开始计算材料成本，最终将电池成本从600美元/千瓦时大幅降低到80美元/千瓦时。可信的环境。
2025-11-06 17:37:03
1055
原创 序列压缩在LLM Token编码解码中的应用：从LZ77到性能优化
本文探讨了LZ77算法优化及其在大型语言模型(LLM)token序列压缩中的应用。通过分析初始实现的三重循环瓶颈，提出了哈希表索引和逆向长度搜索等优化策略，显著提升了压缩效率。文章详细介绍了位置索引构建、最大匹配逆向搜索等关键技术，并设计了性能监控组件来评估优化效果。这些改进使LZ77算法能够高效处理LLM生成的长token序列，为模型推理加速提供了实用解决方案。
2025-11-06 14:13:23
1112
原创 Pandas积木MCP工具 - 完整项目代码
我将基于之前的Pandas积木设计，为您创建一个完整的MCP工具项目。这个工具让LLM只需通过简单的参数配置就能执行复杂的数据分析任务。
2025-11-02 19:35:45
708
原创 使用Agno框架构建知识增强AI智能体：实战指南
摘要：Agno是一个轻量级Python多智能体系统框架，支持快速构建知识增强型AI系统。该框架具有高性能（比LangGraph快5000-10000倍）、低内存占用（1/50）和多模态支持等特点。文章通过代码示例展示了如何配置知识库（使用LanceDB向量数据库）和创建智能体，实现检索增强生成(RAG)功能。Agno支持5级智能体开发，内置80+工具包，适用于客服、教育、咨询等场景，并能扩展为多智能体协作系统。其模型无关性设计允许灵活选择不同AI供应商，为开发者提供了强大的AI应用构建平台。
2025-10-30 14:18:38
873
原创 基于FastSAM的通用船舶自动检测标注工具：完全指南与实践
本文介绍了一种基于FastSAM的高效船舶检测标注工具FastSAMUniversalShipLabeler。该工具利用优化的FastSAM模型，实现对100+种船舶类型的智能识别和分类。核心创新点包括： 采用多提示词检测策略提高召回率 内置智能船舶分类系统 支持YOLO格式标注输出 提供单张/批量两种处理模式 工具在保持高精度的同时大幅提升标注效率，相比传统人工标注效率提升数十倍。实验表明，其在海事监控、船舶数据集构建、海洋科研等领域具有显著应用价值。未来将扩展3D姿态估计、视频流处理等功能。
2025-10-30 12:55:04
1300
原创 使用Python和FastSAM实现图像自动标注：完整指南
在计算机视觉领域，数据标注是模型训练的基础，但手动标注耗时耗力。本文将介绍一个基于Python的自动标注工具，它结合了FastSAM（快速分割任何东西模型）和YOLO分类模型，能够高效地生成高质量的标注数据。FastSAM是SAM（Segment Anything Model）的加速版本，能够在保持较高精度的同时大幅提升处理速度。我们的自动标注工具利用FastSAM进行对象检测和分割，再通过YOLO模型对检测到的对象进行分类，最终输出YOLO格式的标注文件。本文将详细解析代码结构、实现原理和使用方法，帮助读
2025-10-29 17:08:16
934
原创 使用 Fast GraphRAG 和 LM Studio 搭建本地技术文档分析系统
GraphRAG（基于知识图谱的检索增强生成）是一种先进的 AI 技术，它将传统的 RAG 系统与知识图谱相结合。与简单的向量检索不同，GraphRAG 能够理解文档中的实体和关系，构建丰富的语义网络，从而提供更准确、更深入的问答能力。通过结合 Fast GraphRAG 的知识图谱能力和 LM Studio 的本地模型部署，我们构建了一个强大、安全、高效的技术文档分析系统。这种方案不仅保障了数据安全，还提供了深度的语义理解能力，是企业和技术团队管理知识资产的理想选择。
2025-10-28 19:20:40
1073
原创 智能体系统设计：模块化AI智能体与DAG执行框架
在现代AI应用开发中，构建能够处理复杂任务的多功能智能体系统变得越来越重要。本文将介绍一个基于Python的模块化智能体系统，该系统集成了历史记录管理、话题总结、DAG执行器等核心功能，并支持多种专用智能体的协同工作。这个智能体系统的核心设计理念是模块化和可扩展性。系统通过将不同功能拆分为专门的智能体，每个智能体专注于特定任务，同时通过统一的接口进行通信和协作。系统定义了两个核心数据模型：数据库管理 类负责所有数据持久化操作，使用SQLite作为后端存储：数据库包含三个主要表：DAG（有向无环图）执行
2025-10-28 10:51:43
951
原创 构建智能对话系统：基于LangChain的超级智能体架构解析
在人工智能快速发展的今天，构建能够理解和维护长期对话上下文的智能系统变得越来越重要。本文将深入解析一个基于LangChain的超级智能体架构，该系统能够有效管理对话历史、自动归纳话题，并提供智能问答服务。这个智能对话系统的核心目标是解决长期对话中的上下文管理问题。传统聊天机器人往往只能处理单轮对话，而我们的系统通过以下创新特性实现了更智能的对话管理：系统采用清晰的数据模型来管理对话内容：这种设计使得系统能够将离散的对话消息组织成有意义的话题单元，每个话题包含相关的消息ID列表和内容摘要。 类负责所有数据持
2025-10-27 17:46:59
1424
原创 构建智能对话系统：Python实现聊天话题管理与摘要生成
对话记录管理：使用SQLite数据库持久化存储聊天记录话题自动识别：将相关对话内容聚类成话题智能摘要生成：对每个话题生成简洁的摘要多智能体协作：使用多个AI智能体分工处理不同任务下面我们来详细解析系统的各个组成部分。本文详细介绍了一个基于Python的智能对话系统的设计与实现。系统利用LangChain框架和SQLite数据库，实现了对话记录管理、话题识别和摘要生成等核心功能。通过多智能体协作架构，系统能够高效地处理用户查询并管理对话历史。
2025-10-26 22:08:48
1014
原创 使用LangChain实现智能对话记忆管理：四种策略全面解析
是最基础的记忆类型，它会完整保存所有的对话历史。这种方法的优点是信息完整，但随着对话轮数增加，会消耗大量 tokens，可能导致成本上升和性能下降。通过LLM对之前的对话内容进行摘要，只保存摘要信息而非完整对话。这种方法有效减少了token消耗，特别适合长对话场景。只保留最近k轮对话，超出窗口大小的旧对话会被自动丢弃。这种方法在记忆深度和token消耗之间取得了良好平衡。允许将多种记忆策略组合使用，充分发挥各自优势。例如，可以同时使用窗口记忆保存近期细节，用摘要记忆保存整体对话脉络。
2025-10-24 18:36:51
999
原创 构建离线Python包库：使用pip wheel与HTTP服务器
通过pip wheel和Python内置HTTP服务器，你可以快速搭建轻量级的离线Python包库。企业内网环境安全要求高的生产环境无互联网访问的嵌入式系统需要重复部署的CI/CD环境掌握这项技能将大大提高你在受限环境中的Python开发效率。
2025-10-24 16:26:00
679
原创 UniVoc：革新LLM训练与推理的Tokenizer，实现256倍压缩与90%压缩率
在大型语言模型（LLM）训练和推理过程中，tokenizer作为文本预处理的核心组件，其效率直接影响整个系统的性能。传统tokenizer在处理长文本时面临序列长度限制和计算资源消耗大的挑战。今天，我们介绍一种创新的tokenizer设计——UniVoc，它通过独特的压缩机制实现了和，为LLM训练和推理节省了。
2025-10-24 10:30:06
876
samoutvxp【自然 语言处理】SamOutVXP：轻量级高效语言模型设计与应用：资源有限环境下的移动设备和嵌入式系统语言理解和生成
2025-08-22
fast gpt 镜像打包 解压 docker load -i all-images.tar docker compose up -d 方可
2025-07-09
fastgpt compse.yaml 文件配置 支持 arm 支持 x86 config.json docker-compose up -d 方可
2025-07-08
数据挖掘实战项目 数据生成 - 数据预处理
2026-04-03
TypeScript类型系统与全栈项目
2026-04-03
系统工具开发：命令行工具（Cobra库）、日志收集系统、监控告警（Prometheus）客户端实现
2026-04-03
Go操作Kubernetes API、Service Mesh（Linkerd）集成、Serverless函数编写
2026-04-03
高并发服务实战：基于Gin的RESTful API开发、WebSocket聊天室、gRPC微服务通信案例
2026-04-03
如何将该神经网络变成大模型
2024-03-23
如何发射很少重量的物质到火星就能完成火星地球化
2021-09-11
谁能告诉我这是谁的锅
2021-09-11
Python 实现ramdisk
2021-09-11
Lenovo bug我要背锅吗
2021-09-11
TA创建的收藏夹 TA关注的收藏夹
TA关注的人