<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[分享前端工程化、AI 应用、Agent 开发与大模型实践！]]></title><description><![CDATA[每一行代码都是与世界对话的诗行，每一次推理都是穿透比特尘埃的星光，愿我的探索与沉淀能为你技术旅程指引方向，共同编织更优雅、强大、充满可能性的 AI 应用未来！]]></description><link>https://blog.csdn.net/weixin_40629244</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_40629244]]></copyright><item><title><![CDATA[核心滤镜系统与复杂媒体处理实战]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163970852</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163970852</guid><author>weixin_40629244</author><pubDate>Sun, 30 Aug 2026 00:51:57 +0800</pubDate><description><![CDATA[FFmpeg的核心竞争力不仅在于其全面的编解码与封装支持，更在于其可编程的滤镜系统。如果说基础转码与裁剪是FFmpeg的"躯干"，那么滤镜系统就是FFmpeg的"灵魂"，它允许开发者对解码后的原始音视频数据进行任意粒度的修改与组合，实现从简单几何变换到复杂特效合成的所有功能。]]></description><category></category></item><item><title><![CDATA[音视频底层原理与FFmpeg快速入门]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163937523</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163937523</guid><author>weixin_40629244</author><pubDate>Sat, 22 Aug 2026 10:48:17 +0800</pubDate><description><![CDATA[FFmpeg是一套开源、跨平台的音视频处理库和工具集，名称来源于"MPEG"和"FF"（Fast Forward）。几乎所有音视频软件底层都依赖FFmpeg：VLC、OBS、YouTube/B站的转码后端、剪映等。工具链生态：ffmpeg：主程序，用于转码、滤镜、剪辑、合并。ffprobe：分析媒体文件，输出格式、编码、时长、比特率等元信息，支持JSON/XML。ffplay：基于SDL的简单播放器，用于快速测试。]]></description><category></category></item><item><title><![CDATA[DeepAgents 通用智能体开发指南]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163819295</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163819295</guid><author>weixin_40629244</author><pubDate>Thu, 20 Aug 2026 15:55:49 +0800</pubDate><description><![CDATA[文章摘要 DeepAgents是基于LangGraph构建的智能体执行环境，专为复杂多步骤任务设计，解决了传统Agent开发中的上下文溢出、长任务不可靠和多角色协作问题。其核心能力包括： 规划与任务分解：通过write_todos工具自动拆解任务为可执行步骤，支持动态调整。 虚拟文件系统：使用多Backend路由管理上下文，避免大文本污染窗口，支持权限控制。 子代理委派：隔离上下文，实现专业分工，主代理仅整合结果。 技能系统：渐进式加载可复用能力包，减少上下文占用。]]></description><category></category></item><item><title><![CDATA[RAG技术与参数高效微调剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163612873</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163612873</guid><author>weixin_40629244</author><pubDate>Mon, 17 Aug 2026 10:41:38 +0800</pubDate><description><![CDATA[文章摘要： 本文系统解析了RAG（检索增强生成）与PEFT（参数高效微调）两大核心技术的差异与组合应用。RAG通过外部知识注入解决实时信息获取问题，PEFT则专注于模型行为定制，二者分别对应&quot;事实获取&quot;与&quot;输出规范&quot;两个正交维度。文章详细对比了2-Step RAG、Agentic RAG和Hybrid RAG三种架构的适用场景，提出分层治理幻觉问题的方案，并强调生产环境应采用&quot;RAG+PEFT&quot;的组合架构。]]></description><category></category></item><item><title><![CDATA[LangChain 和 LangGraph 开发与原理剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163524672</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163524672</guid><author>weixin_40629244</author><pubDate>Sun, 09 Aug 2026 15:41:24 +0800</pubDate><description><![CDATA[本文主要介绍了LangChain和LangGraph两个框架在构建AI工作流中的应用与核心原理，重点分析了它们的架构、设计理念、关键组件以及实际开发案例。主要内容包括： LangChain核心功能 提供统一模型接口、工具系统、Agent框架和RAG支持 采用分层模块化设计，包括核心抽象层和各模型实现包 支持结构化输出、多模态处理、流式响应等特性 LangGraph核心优势 基于状态图的复杂工作流编排框架 采用Pregel运行时超级步执行机制（Plan/Execution/Update三阶段） 支持条件分支、]]></description><category></category></item><item><title><![CDATA[AI Agent 开发基础]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/163473037</link><guid>https://blog.csdn.net/weixin_40629244/article/details/163473037</guid><author>weixin_40629244</author><pubDate>Wed, 05 Aug 2026 14:10:17 +0800</pubDate><description><![CDATA[本文系统性地介绍了AIAgent的核心原理、技术架构与发展趋势。主要内容包括： AIAgent基础概念 定义了AIAgent作为目标导向的自主执行系统 对比了与普通对话模型的区别 梳理了技术演进史：符号主义→统计学习→大模型驱动 Transformer核心技术 详解自注意力机制原理与计算流程 分析编码器-解码器架构设计 强调并行计算能力的突破性意义 Agent核心组件 ReAct推理循环的工作机制与伪代码实现 消息系统、工具调用、状态管理等关键模块 短期记忆与长期记忆的实现方案 开发框架生态 主流框架对比：]]></description><category></category></item><item><title><![CDATA[Electron 加载外部网页 Demo 项目记录]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/162122274</link><guid>https://blog.csdn.net/weixin_40629244/article/details/162122274</guid><author>weixin_40629244</author><pubDate>Fri, 19 Jun 2026 13:05:49 +0800</pubDate><description><![CDATA[这是一个基于Electron 30开发的多功能浏览器应用，主要功能包括：1. 主窗口展示首页，支持打开/关闭DevTools调试面板；2. 获取Node.js/Chromium/Electron版本信息；3. 集成百度/搜狗/必应/360四大搜索引擎的搜索页面；4. 通过WebContentsView内嵌加载外部网页。技术栈采用Electron 30.0.0+原生JS+HTML+CSS，使用ESModule规范组织代码。]]></description><category></category></item><item><title><![CDATA[多模态AI实战：CLIP模型原理与代码深度剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/159019125</link><guid>https://blog.csdn.net/weixin_40629244/article/details/159019125</guid><author>weixin_40629244</author><pubDate>Fri, 13 Mar 2026 23:00:51 +0800</pubDate><description><![CDATA[本文详细介绍了OpenAI发布的CLIP多模态模型及其核心功能。CLIP通过对比学习将图像和文本映射到统一的512维特征空间，实现了跨模态语义对齐。文章从四个维度展开：1）零样本图像分类，将分类转化为图文匹配问题；2）以文搜图，通过文本检索相关图像；3）以图搜文，通过图像检索匹配文本；4）特征空间探索，分析跨模态语义对齐机制。实验结果显示CLIP在未针对特定任务训练的情况下，仍能准确完成跨模态检索任务。]]></description><category></category></item><item><title><![CDATA[从零构建RAG系统：基础实现与原理剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158894234</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158894234</guid><author>weixin_40629244</author><pubDate>Wed, 11 Mar 2026 00:51:13 +0800</pubDate><description><![CDATA[本文介绍了一个基于TF-IDF和余弦相似度的简化版RAG(检索增强生成)系统实现。RAG技术通过结合外部知识检索和文本生成，有效解决大语言模型的知识局限和幻觉问题。系统核心包括：文档处理模块(分块、预处理和TF-IDF向量化)、检索模块(计算查询与文档的相似度)和生成模块(基于检索结果生成回答)。虽然该实现使用简化方法(如固定模板生成)，但完整展示了RAG的工作流程。文章还分析了当前局限性和改进方向，如升级嵌入模型、接入大语言模型等，为开发实用RAG系统提供了基础参考。]]></description><category></category></item><item><title><![CDATA[构建简化版批量OCR处理器：代码原理深度剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158853911</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158853911</guid><author>weixin_40629244</author><pubDate>Tue, 10 Mar 2026 00:15:12 +0800</pubDate><description><![CDATA[本文介绍了一个基于Python的多引擎批量OCR处理系统，整合了Tesseract和OpenCV引擎的优势。系统具备以下特点：1）支持自动批量处理常见图片格式；2）采用灰度化、高斯模糊、自适应阈值等预处理提升识别率；3）Tesseract实现多语言识别并择优选取结果；4）OpenCV作为备选方案提供文本区域检测；5）自动生成JSON、文本报告和可视化结果。通过多引擎互补机制，系统在单一引擎失效时仍能提供基础功能，显著提升了鲁棒性。]]></description><category></category></item><item><title><![CDATA[使用LoRA微调BERT进行中文命名实体识别：原理与代码深度剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158787693</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158787693</guid><author>weixin_40629244</author><pubDate>Sun, 08 Mar 2026 21:50:08 +0800</pubDate><description><![CDATA[本文详细介绍了使用LoRA（低秩适应）方法微调BERT模型进行中文命名实体识别（NER）的全过程。LoRA通过仅训练少量新增参数（约占总参数的0.28%），显著降低了计算资源消耗，同时保持了模型性能。文章包含完整代码实现，涵盖数据预处理（分词与标签对齐）、评估指标（seqeval）、LoRA配置原理（以注意力机制的query和value层为目标）等关键环节，并演示了如何保存轻量级适配器（仅几MB）及进行推理。]]></description><category></category></item><item><title><![CDATA[提示工程实战：用代码解锁大模型的推理潜能]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158779805</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158779805</guid><author>weixin_40629244</author><pubDate>Sun, 08 Mar 2026 00:00:41 +0800</pubDate><description><![CDATA[本文通过Python代码示例，系统对比了四种提示工程策略在数学推理任务中的应用效果。使用Qwen1.5-1.8B-Chat模型测试一道分数应用题，结果显示：零样本提示效果最不稳定；少样本思维链提示通过提供范例显著提升推理准确性；引导式逆向推理将解题步骤分解填空，进一步降低错误率；教学式提示直接给出正确答案要求复述，确保100%正确输出。文章还详细介绍了环境配置优化和模型加载技巧，包括镜像加速、警告抑制和半精度加载等实用方法。]]></description><category></category></item><item><title><![CDATA[从零实现指令微调：剖析 Qwen 模型 SFT 训练代码背后的原理]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158779340</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158779340</guid><author>weixin_40629244</author><pubDate>Sat, 07 Mar 2026 23:05:45 +0800</pubDate><description><![CDATA[本文详细解析了指令微调(SFT)的实现过程，以Qwen2.5-0.5B-Instruct模型为例，介绍了完整的Python代码实现。主要内容包括：1) SFT的核心原理是通过&quot;指令-回答&quot;对有监督训练，使模型学会遵循人类指令；2) 数据预处理关键点，包括对话模板使用、损失掩码设置(-100标记)和动态填充策略；3) 训练流程设计，涵盖数据加载、梯度计算和参数更新；4) 推理生成实现，包括温度采样和输出解码。]]></description><category></category></item><item><title><![CDATA[DPO 极简教学 Demo 代码解析：从原理到实现]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158448838</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158448838</guid><author>weixin_40629244</author><pubDate>Fri, 27 Feb 2026 22:03:12 +0800</pubDate><description><![CDATA[本文介绍了直接偏好优化（DPO）方法及其Python实现。DPO通过对比策略模型和参考模型对&quot;优选回答&quot;与&quot;拒绝回答&quot;的对数概率差，简化了语言模型对齐人类偏好的过程。文章详细解析了一个基于HuggingFace Transformers的极简Demo，涵盖数据准备、损失计算和训练流程。该Demo使用Qwen模型，通过自定义损失函数实现偏好优化，相比传统强化学习方法更简洁高效。代码展示了从模型加载、数据封装到训练推理的全过程，并提供了可调整的超参数。虽然演示数据量较小，]]></description><category></category></item><item><title><![CDATA[理解SFT损失掩码：从原理到代码实现]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/158291775</link><guid>https://blog.csdn.net/weixin_40629244/article/details/158291775</guid><author>weixin_40629244</author><pubDate>Sun, 22 Feb 2026 23:23:46 +0800</pubDate><description><![CDATA[本文解析了一个基于PyTorch和Transformers库的监督微调(SFT)损失掩码教学代码。该代码使用Qwen模型在小规模数据集上实现SFT训练，核心创新在于通过损失掩码技术，使模型仅关注答案区域的损失计算，忽略指令部分。文章详细介绍了样本构建、数据集封装、训练流程和推理演示等关键模块，重点阐述了损失掩码的实现原理及其在提升训练效率和模型性能中的作用。代码展示了从数据准备到模型微调的完整流程，并提供了推理示例验证训练效果。]]></description><category></category></item><item><title><![CDATA[使用LSTM进行情感分类：原理与实现剖析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/157876864</link><guid>https://blog.csdn.net/weixin_40629244/article/details/157876864</guid><author>weixin_40629244</author><pubDate>Sun, 08 Feb 2026 23:08:37 +0800</pubDate><description><![CDATA[本文介绍了一个基于PyTorch实现的LSTM情感分类模型。该模型通过词嵌入层将单词转换为稠密向量，利用LSTM的门控机制捕捉句子语义，最终通过全连接层输出情感概率。文章详细解析了数据预处理（词汇表构建、序列填充）、模型架构（嵌入层、LSTM层、输出层）和训练过程（损失函数、优化器选择）。实验在小型电影评论数据集上进行，展示了从原始文本到情感预测的完整流程，并探讨了模型改进方向（如使用预训练词向量、双向LSTM等）。该实现为理解更复杂的NLP系统奠定了基础。]]></description><category></category></item><item><title><![CDATA[基于BERT的中文命名实体识别实战解析]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/157874884</link><guid>https://blog.csdn.net/weixin_40629244/article/details/157874884</guid><author>weixin_40629244</author><pubDate>Sun, 08 Feb 2026 19:33:08 +0800</pubDate><description><![CDATA[本文详细解析了基于BERT的中文命名实体识别实战。文章阐述了如何利用Hugging Face Transformers库，通过处理标签与WordPiece分词的对齐、加载预训练模型、配置训练流程等步骤，完成序列标注任务。重点剖析了标签对齐这一核心技术，解决了子词分词与词级标注不匹配的挑战。全文系统介绍了从数据准备、模型微调到评估预测的完整流程，并分析了BERT在上下文理解和语义表征上的优势，同时指出了当前示例的局限性及生产环境的优化方向。]]></description><category></category></item><item><title><![CDATA[基于BiLSTM-CRF的命名实体识别模型：原理剖析与实现详解]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/157847124</link><guid>https://blog.csdn.net/weixin_40629244/article/details/157847124</guid><author>weixin_40629244</author><pubDate>Sun, 08 Feb 2026 14:41:44 +0800</pubDate><description><![CDATA[本文详细剖析了基于BiLSTM-CRF的中文命名实体识别模型。模型通过双向LSTM层捕获上下文语义，CRF层确保标签序列全局最优。针对数据稀缺问题，采用模板化数据增强自动生成训练样本。文章深入解读了模型架构、数据准备、兼容性训练策略与早停机制，并提出了引入预训练词向量、调整超参数等关键调优方向，为序列标注任务提供了完整的技术实现参考。]]></description><category></category></item><item><title><![CDATA[BERT模型教学演示：从原理到微调实战]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/157739146</link><guid>https://blog.csdn.net/weixin_40629244/article/details/157739146</guid><author>weixin_40629244</author><pubDate>Thu, 05 Feb 2026 00:15:51 +0800</pubDate><description><![CDATA[本文介绍了BERT模型的核心原理与实践应用，重点展示了其中文处理能力。作为双向Transformer编码器，BERT通过掩码语言建模和下一句预测任务实现深度语义理解。文章详细解析了BERT中文模型的特点，并提供了模块化教学工具，涵盖分词处理、注意力机制、前向传播等核心功能。通过文本分类微调实战，演示了BERT迁移学习的完整流程，包括数据集构建、模型配置和训练优化。同时对比了BERT与GPT在架构、注意力机制和应用场景上的差异。]]></description><category></category></item><item><title><![CDATA[使用PyTorch和Hugging Face Transformers构建GPT教学演示：从基础原理到实践应用]]></title><link>https://blog.csdn.net/weixin_40629244/article/details/157658525</link><guid>https://blog.csdn.net/weixin_40629244/article/details/157658525</guid><author>weixin_40629244</author><pubDate>Mon, 02 Feb 2026 22:59:17 +0800</pubDate><description><![CDATA[本文系统介绍了GPT模型的核心原理与应用实践。通过PyTorch和Transformers库实现，详细讲解了模型加载、分词处理、前向传播机制和文本生成策略（包括贪婪解码、随机采样等）。文章对比了GPT与BERT的差异，分析了自回归语言建模原理，并提供了模型微调实战案例。同时探讨了GPT技术演进历程和不同参数对生成效果的影响，给出了文本生成策略选择指南和性能优化建议。最后，文章展望了GPT技术的未来发展方向，包括多模态融合和推理能力增强等。]]></description><category></category></item></channel></rss>