- 博客(2792)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 2025，我的人生双系统：工作以 Deep Focus 攻坚，生活以 Recharge Time 续航
2025年复盘：在烟火与诗意间舒展生长✨ 这一年以温泉疗愈开启，在潮汕年味与广府节奏间自如切换。健身轨迹贯穿始终（瑜伽/普拉提/拳击/游泳），身体与心灵同步升级。用livehouse音乐、IMAX电影和密室探险滋养灵魂，以簪花、卡丁车等新体验拓展边界。在代码与UI设计之外，更珍视茶艺馆静坐、艾灸调理等慢时光。从带娃吃酒楼到独自K歌，从禅柔课到九价疫苗，每个具体而微的日常都成为生命经纬。2025，没有宏大叙事，只有认真泡汤、举铁、吃烧烤的每一刻，在热气腾腾的生活里长成更丰盈的自己。🌿
2025-12-30 06:30:00
1940
2
原创 AIGC 与 Agentic AI：生成式智能与代理式智能的技术分野与协同演进
AIGC与Agentic AI并非对立的技术路线，而是人工智能向“内容”与“行动”两个维度的延伸。前者构建数字世界的“素材库”后者搭建自动化的“执行引擎”两者共同推动AI从“工具”向“伙伴”的角色转变。随着技术的成熟，未来的智能系统将呈现“感知-生成-决策-执行”的全链条融合，而人类将更多聚焦于创造性思考与战略决策，在人与AI的协作中开启新的生产力革命。
2025-03-30 17:01:26
1360
1
原创 DeepSeek R1与V3：混合架构下的推理革命与效率破局
DeepSeek R1与V3的组合，标志着大模型从**“参数竞赛"转向"能力深耕”**的新阶段。当V3的高效架构遇见R1的推理革命，AI正在从"概率匹配机器"进化为"逻辑引擎"。随着开源生态的完善和硬件适配的深入，这场由DeepSeek开启的推理革命，或将重新定义AI在科研、开发、决策等领域的价值创造方式。
2025-03-28 00:08:27
1542
1
原创 Manus：通用智能体的架构革命与产业破局
Manus的意义远超一款产品的诞生，它标志着AI从"辅助工具"向"数字劳动力"的跃迁。当多智能体架构能驾驭复杂任务流程，当工具链整合形成行业专属解决方案，人工智能正在重塑人类的生产方式。正如其名字所喻，这场革命不仅需要"脑力"的突破，更依赖"手力"的深耕——在算法与工程的共振中，一个由智能体驱动的新时代正在到来。
2025-03-28 00:06:02
1790
1
原创 OWL与技术文档工程：语义时代的知识结构化革命
当OWL从实验室走向工程实践，其意义早已超越技术本身——它标志着人类知识管理从信息罗列迈向智慧互联。正如万维网之父蒂姆·伯纳斯-李所言：“语义网的终极目标，是让机器像人类一样理解世界。”而OWL，正是这场革命中不可或缺的数字基因。在技术文档领域，它正在书写的，不仅是更清晰的说明书，更是一个能自我进化的智能知识体。
2025-03-28 00:02:14
1226
1
原创 Claude 3.7：混合推理架构如何重塑AI编程范式
Claude 3.7的意义远超模型迭代本身，它标志着AI从“工具”向“协作者”的进化。当混合推理架构能同时驾驭快速响应与深度思考，当代码生成工具能理解业务逻辑的前世今生，软件开发正从“人力密集型”转向“智力密集型”。随着Gartner预测2026年75%企业将采用AI开发范式，Claude 3.7不仅是一个技术里程碑，更是开启智能开发时代的钥匙。
2025-03-28 00:00:30
1688
1
原创 MCP：一种用于将大型语言模型（LLM）与外部工具和数据源集成的开放协议
Figma-MCP 是连接设计与 AI 的桥梁，通过标准化协议实现设计流程的智能化。虽然目前仍有局限，但其在自动化、一致性和协作效率方面的潜力已逐步显现。随着 AI 技术的发展，MCP 有望成为设计团队不可或缺的工具。
2025-03-27 23:53:51
1843
原创 2024：在生活与 CSDN 中探寻成长密码
🤍前端开发工程师、技术日更博主、已过CET6🍨、23年度博客之星前端领域TOP1🕠高级专题作者、打造专栏🍚签约作者、上架课程。
2025-01-20 08:00:00
4227
原创 腾讯云AI代码助手评测：智能编程新时代，你准备好了吗？
在本次开发案例中，我使用的是Windows 10操作系统，开发IDE为，编程语言为JavaScript，前端框架为Vue.js。腾讯云AI代码助手是基于混元代码大模型的辅助编码工具技术对话代码补全代码诊断代码优化它不仅支持100多种编程语言，还兼容和JetBrains等系列的主流IDE，为前端开发者提供全方位的支持，为开发之旅保驾护航。为了测试腾讯云AI代码助手，我们可以在中安装相应的插件。1️⃣打开，点击左侧的扩展图标2️⃣在搜索框中输入“” 或者 “腾讯云AI代码助手。
2024-08-01 08:00:00
2406
2
原创 【前后端实战项目】带你从入门到实战全面掌握 uni-app
uni-app 是一个使用 Vue.js 开发跨平台应用的前端框架，具备"编写一次代码可发布到多个平台"的特点，大大的节省了开发成本，极速提升了开发效率。
2022-03-23 22:09:46
5196
4
原创 【前后端实战项目】Vue.js 和 Egg.js 开发企业级健康管理项目
选择 vue-cli3 ，是为了让开发者能够开箱即用快速地进行应用开发而开发的，它们秉承的是思想，简单说就是能不配置的就不配置，你就按照我的方式来，也不要去争论这个好不好，快速进行业务开发才是正经事。 它们不建议你去配置，但也不会拦着你去配置。
2020-10-16 15:05:44
3256
17
原创 深入理解 Vuex 中的this.$store.dispatch方法
🤍 前端开发工程师（主业）、技术博主（副业）、已过CET6🍨🕠 牛客高级专题作者、在牛客打造高质量专栏🍚 蓝桥云课签约作者、已在蓝桥云课上架的前后端实战课程。
2020-04-24 22:22:29
107116
6
原创 面试官：请你说一说vuex的五个属性，分别是什么，区别和用途说一下
今天面试的时候，有被问到vuex的五个属性，分别是什么，区别和用途说一下这个地方回答的不是很好，思路有点混乱所以就打算整理一下查了一下官网，关于vuex的五个属性还是有很多知识点的官网：https://vuex.vuejs.org/zh/guide/01 前言当我们用 Vue.js 开发一个中到大型的单页应用时，经常会遇到如下问题：如何让多个 Vue 组件共享状态？？V...
2020-04-08 22:14:50
17060
13
原创 过拟合识别与处理：训练/测试 WAPE 差距 ＞15% 实战应对方案
本文针对时序预测模型中训练误差（WAPE 8%）与测试误差（WAPE 23%）差距过大的问题，提出系统性解决方案。首先通过15%误差差判定为严重过拟合，并提供4步急救措施：降低模型复杂度、增加正则化、减少噪声特征、数据平滑处理。重点强调协变量泄露的自查方法（滞后特征、滑动窗口、归一化处理）。最后给出企业级优化方案（早停策略、滚动验证、缩短预测长度）和可直接复用的参数配置，将误差差控制在5%以内。核心口诀：查泄露→降复杂度→减噪声→用早停，四步彻底解决过拟合问题。（149字）
2026-05-08 06:30:00
153
原创 模型评估与测试：在测试集上验证WAPE指标的实战流程
本文介绍了水果销量预测模型上线前的标准验证流程，旨在确保本地测试结果与真实上线效果一致。核心步骤包括：1）按时间严格切分训练集和测试集；2）仅用训练集训练模型；3）在测试集上预测并计算WAPE误差；4）分析异常SKU。文章强调测试集必须完全隔离，WAPE是唯一可信指标（水果行业10%-15%为合格），并提供代码实现和3条关键原则：时间不交叉、测试集不参与训练、以测试集WAPE为准。最后指出训练集用于建模、验证集调参、测试集才是最终评判标准，WAPE是零售预测的金指标。
2026-05-08 05:30:00
216
原创 AutoGluon 时序模型配置调优全指南
摘要： 本文提供了一套针对水果/生鲜/零售场景的销量预测参数调优方案，核心目标是通过参数优化将WAPE指标降低2%～5%。关键建议包括： 预测范围：日常补货推荐7天预测（prediction_length=7），周采购14天，大促3～7天； 评估指标：业务场景首选WAPE（避免零销量爆炸），禁用MAPE； 模型策略： 快速验证用fast_training，平衡选medium_quality（含TFT、DeepAR等），高精度选best_quality； 手动组合TFT+DeepAR+XGBoost可进一步提
2026-05-07 06:30:00
430
原创 AutoGluon时间序列模型训练：10行代码完成baseline
本文介绍了使用AutoGluon进行时序预测的极简实现方案。通过10行核心代码即可构建水果销量预测模型，主要特点包括：自动转换为时序数据结构、支持多商品同时预测、自动选择最优模型组合（DeepAR/TFT/XGBoost等）、内置零售行业核心指标WAPE评估。该方案无需手动特征工程和调参，自动处理滞后特征和协变量（节假日/天气等），严格防止数据泄露，几分钟即可训练出专业级预测模型，在水果生鲜场景WAPE可达10%-18%。核心优势在于完全自动化流程，开发者只需关注数据加载、预测器初始化和训练预测三个关键步骤
2026-05-07 05:30:00
143
原创 协变量泄露预防：训练测试阶段的时间切分策略与验证方法
《时序预测中的协变量泄露预防指南》摘要： 本文深入剖析了时序预测中最致命的协变量泄露问题，指出90%新手因未来信息渗入训练集导致模型上线失效。核心解决方案包括三种严格的时间切分策略：简单时间切分、滚动时间窗切分和滞后排除切分，强调必须按时间顺序切割数据。文章提出四条黄金预防规则：滑动窗口必须滞后处理、未来协变量严格对齐时间、归一化仅在训练集计算、禁止时序数据打乱顺序。最后给出三种泄露验证方法和AutoGluon实践模板，总结出五条"保命口诀"，帮助开发者彻底规避协变量泄露风险，确保预测模
2026-05-06 06:30:00
355
原创 未来协变量构造：天气节假日促销等合法特征的4类来源
本文介绍了水果销量预测中合法合规的4类未来协变量构造方法，包括日历时间、节假日活动、天气预报和店铺计划特征。这些特征完全基于已知或可预测的未来信息，不会泄露实际销量数据。其中节假日效应和天气因素对水果销售影响显著，如夏季西瓜热销、雨天客流下降等。通过合理构建这些协变量（如日期、促销标记、温度等），配合AutoGluon等工具，可提升模型预测精度3%-10%。该方法特别适合水果等季节性商品，既规避数据泄露风险，又能有效捕捉销售规律。
2026-05-06 05:30:00
766
原创 时间序列特征构造：滑动窗口滞后特征与滚动统计的工程实践
这篇技术文章介绍了提升水果销量时序预测精度的核心特征工程方法。主要内容包括：1）必须构造滞后特征（lag1/7/14/30）捕捉短期、周度和月度规律；2）滑动窗口统计（7/14/30天均值、标准差等）反映趋势波动；3）关键组合特征（如周均值和上周同期加权）能显著提升精度。文章特别强调4个工程要点：按商品分组、时间排序、shift(1)防数据泄露、补齐日期。这些方法尤其适合具有明显周期性（如周规律）的生鲜商品预测，10个核心特征组合可贡献90%的预测精度提升。
2026-05-05 18:11:17
451
原创 特征工程：从5个核心维度构造水果销售预测特征
本文系统总结了生鲜/水果销量预测的5大核心特征维度：时间周期特征（70%销量规律来源）、商品基础属性、历史销量统计特征、价格促销敏感度和库存损耗约束。其中时间特征（星期/节假日/应季性）和商品分类（浆果/瓜类等）最为关键，历史销量数据（7日/14日均值）是时序建模基础，价格因素直接影响需求弹性，库存则决定供应上限。作者提供了可直接套用的特征表结构，强调通过这五维特征组合（尤其时间+历史特征）可显著提升预测模型精度。
2026-05-05 18:00:56
242
原创 数据清洗实战：处理缺失值异常值与时间序列对齐的3种策略
这篇文章针对水果行业进销存数据分析场景，系统性地提出了数据清洗的三大核心策略：缺失值处理、异常值修正和时间序列对齐。在缺失值方面推荐邻近填充、同类中位数和零值标记三种方法；异常值处理建议采用分位数截断、业务规则过滤和滑动窗口MAD检测；时间序列对齐则强调重采样补全日期、周期对齐和多SKU统一时间轴。文章最后给出了一套可直接落地的标准化清洗流程，确保数据时间连续、无缺失值和极端值，为后续预测建模奠定基础。全文聚焦业务合理性，提供Python代码示例，具有极强的实操指导价值。
2026-05-05 17:52:06
151
原创 水果进销存数据梳理：从原始数据到结构化数据集的6步流程
本文介绍了水果进销存数据标准化的6步流程：1）合并原始销售、采购和库存数据；2）统一商品名称并建立分类体系；3）处理缺失值、异常值和单位统一问题；4）扩展时间特征以捕捉销售规律；5）计算销量、库存、毛利等核心业务指标；6）按时间划分数据集并进行特征处理。最终生成包含日期、商品、销量、价格、库存等关键字段的结构化宽表，为后续AI预测建模提供高质量数据基础。该流程特别针对水果行业品名混乱、季节性强的特点，通过标准化处理解决数据质量问题。
2026-05-05 17:48:39
132
原创 WAPE vs MASE vs RMSE：3大指标的业务适用场景对比
本文对比了销量预测三大核心指标：WAPE、MASE和RMSE。WAPE是最适合业务场景的指标，反映整体预测准确度，是供应链管理的核心KPI；MASE用于评估模型效果，通过与简单预测对比判断模型价值；RMSE则侧重统计拟合，对极端误差惩罚严重。作者建议采用"WAPE为主+MASE为辅+RMSE监控"的组合方案，其中WAPE用于业务决策，MASE指导模型优化，RMSE排查异常。这三者分别满足业务汇报、模型选型和统计分析的不同需求，是销量预测领域的黄金指标组合。
2026-05-05 17:40:48
127
原创 WAPE指标深度解读：为什么它是销量预测的核心
WAPE：零售销量预测的黄金标准 WAPE（加权绝对百分比误差）以∑|误差|/∑实际销量的计算方式，成为零售/电商预测的核心指标。其核心优势在于： 业务强相关：直接反映总缺货/积压量对大盘的影响 解决MAPE痛点：规避零值爆炸（如单日低销量导致百分比失真）和大小品权重失衡问题 自动加权机制：爆款/旺季误差权重更高，符合业务优先级 直观可解释：5%误差即代表整体偏差5%，直接指导库存决策 头部企业（宝洁、阿里等）均采用WAPE作为供应链优化的核心KPI，因其完美匹配"总量精准"的业务本质，
2026-05-05 17:37:05
128
原创 本地CPU与GPU环境配置的成本效益分析
本文分析了本地CPU与GPU训练AutoGluon 1.5.0的成本效益差异。对于小数据集（≤10万行），CPU完全够用且性价比最高；中大数据集（10万～1000万行）使用GPU可提速3～30倍。表格任务主要依赖CPU，而多模态/深度学习任务必须使用GPU才能保证效率。硬件选择建议：常规表格任务选CPU，多模态任务需配备12GB以上显存的GPU（如RTX 4060），频繁实验者推荐GPU以节省时间成本。最终结论是：根据任务类型选择硬件，表格任务CPU足够，深度学习GPU必备，实验频率决定硬件回报周期。
2026-05-05 17:19:09
261
原创 环境搭建：Jupyter Notebook + AutoGluon1.5.0的5步部署法
本文介绍了使用Jupyter Notebook和AutoGluon 1.5.0的5步快速部署方案。首先需要安装Anaconda/Miniconda，然后创建名为"ag1.5"的Python 3.10虚拟环境。接着安装AutoGluon 1.5.0及其依赖项，再安装Jupyter Notebook并绑定环境。最后启动Jupyter Notebook并选择正确的内核即可。文章提供了完整的命令行操作步骤和验证代码，确保部署过程稳定高效，适合Windows/Mac/Linux全平台使用。这种部署
2026-05-05 17:12:41
257
原创 传统机器学习与AutoGluon自动化训练的效率对比
传统机器学习：人做90%，机器做10%AutoGluon：人做5%，机器做95%整体效率提升 10～20倍，复杂场景甚至50倍+。
2026-05-05 17:08:47
296
原创 AutoGluon1.5.0核心架构与3大优势解析
AutoGluon 1.5.0是AWS开源的自动化机器学习框架，主打"低代码+高性能"特性。其核心采用多层堆叠集成技术，覆盖表格数据、多模态和时序任务三大场景。框架特点包括：1）极致预测性能，通过残差连接和加权集成在OpenML/Kaggle任务中表现优异；2）极简操作，3-5行代码即可完成从数据到模型的完整流程；3）全场景支持，包含自动数据预处理、模型选择与超参优化等功能。最新版本增强了时序模块性能，优化内存占用，并提升了与scikit-learn的兼容性。适用于快速构建业务预测模型、
2026-05-05 17:05:43
361
原创 从实践中提炼的架构设计与工程规范
本文系统总结了企业级大模型应用开发的架构设计与工程规范。核心原则包括统一入口、模型与业务解耦、输入输出安全校验等8大要点，提出7层标准架构分层方案。重点规范了API、Prompt、RAG等7个工程维度，强调安全、成本与日志治理。最后提供10项上线前必检清单，强调架构分层解耦、规范稳定与安全护栏三大关键。全文为企业构建大模型应用提供了全面的技术框架和实践指南。
2026-05-05 16:57:20
320
原创 从调用API到微调部署的进阶路径规划
调用 OpenAI、文心、通义、Claude API掌握关键参数：temperature、stream、max_tokens结构化输出（JSON）历史对话管理异常处理、重试、超时
2026-04-29 06:30:00
405
原创 大模型开发者的能力模型与学习路线
大模型开发者核心能力与学习路线 大模型开发者需具备三大能力模块：1）Python、机器学习等基础能力；2）大模型原理、Prompt工程、RAG开发等核心能力；3）工程落地能力。学习路线分为6个阶段：Python基础→大模型入门→RAG开发→模型微调→工程化部署→进阶方向（多模态/Agent等）。3个月可掌握RAG开发，6个月能独立完成企业级应用，9个月胜任微调与架构设计。核心技能树包括Python、Prompt工程、RAG、API开发等，最终目标是成为能开发、调优并部署大模型应用的复合型人才。
2026-04-29 05:30:00
342
原创 个性化学习路径生成与智能辅导系统
摘要： 个性化学习系统通过AI诊断学情生成定制路径，动态调整学习内容（会则跳过，弱则强化）。智能辅导提供24小时AI私教服务，涵盖错题归类、实时批改、薄弱点强化及学习监督。系统架构包含学情分析、知识图谱、路径规划等模块，确保精准定位学习需求。核心优势在于"哪里不会学哪里"，减少无效学习，提升效率。最终实现"AI练讲测+教师引导"的人机协同模式，为每个学生提供最优学习方案。（149字） 关键词： 个性化学习、AI诊断、动态路径、智能辅导、人机协同
2026-04-28 06:30:00
360
原创 大模型在教育领域的创新应用与伦理边界
摘要： 大模型在教育领域创新应用广泛，包括AI私教个性化辅导、教师智能助教减负、学校学情智能分析及虚拟教师等新形态，提升学习精准度和效率。同时，必须严守伦理边界：AI不能代替育人、代写作弊、泄露隐私、输出错误内容或导致过度依赖，需遵循教育部四条红线。核心原则是老师主导、AI辅助，确保技术服务于教育本质，保障学生隐私与独立思考能力。 （150字）
2026-04-28 05:30:00
373
原创 AIGC工作流设计与人工审核机制
本文介绍了AIGC内容生产的标准工作流程和审核机制。工作流程包含6个步骤：明确需求、提供素材、AI生成初稿、人工润色、分级审核和最终发布。审核采用三级机制：基础审核由运营人员完成，专业审核由主管把关，高危内容需法务终审。文章还提供了实用的审核清单，确保内容合规。这套机制既能保证内容质量稳定，又能提高生产效率，实现高效安全的AI内容生产。核心要义是"AI生成+人工把关"的协作模式。
2026-04-27 06:30:00
688
原创 大模型内容创作：赋能模式 + 质量控制（实战人话版）
《大模型内容创作四大赋能模式与质量控制体系》摘要： 文章系统介绍了AI内容创作的四种核心模式：1）全自动生成适合标准化内容；2）人机协作模式（80%AI+20%人工）；3）风格复刻模式保持品牌一致性；4）深度创作增强模式适合专业内容。重点提出了五维质量控制体系：事实性校验、风格一致性控制、合规审查、结构优化和人工终审机制，并给出温度参数设定、人设植入等5个实用技巧。强调AI内容创作的核心是"机器提效+人工控质"，通过科学流程可实现产量提升5-10倍的同时保证质量，为企业和创作者提供了一套
2026-04-27 05:30:00
383
原创 智能客服系统架构设计 + 用户体验优化
本文系统介绍了智能客服的整体架构设计，分为6个关键层级：接入层负责多端消息统一；意图理解层识别用户需求；知识业务层提供核心服务；大模型层生成自然回答；安全层保障合规；人工层处理复杂场景。文章重点剖析了用户咨询的完整处理流程，并提出了8项提升用户体验的实操建议，包括快速响应、避免重复询问、情绪安抚等。同时指出6大常见体验痛点，强调高可用设计的重要性。最终总结智能客服成功的关键在于技术架构的完整性和以用户为中心的服务理念，既要保证系统稳定可靠，又要实现快速、精准、人性化的交互体验。
2026-04-26 06:30:00
444
原创 大模型在客服场景：落地路径 + 效果评估
这篇文章详细介绍了客服场景中大模型的应用落地路径，核心围绕智能问答、工单处理、对话总结和情绪安抚四大功能展开。通过六个关键步骤——场景盘点、知识库建设、模型选型、系统对接、安全护栏配置和灰度上线，实现60%-90%人工替代率。文章强调知识库建设是核心，需结构化产品说明书、政策等内容，配合RAG技术确保回答准确性。同时提供了完整的评估指标体系，包括业务效果、成本效率、用户体验等维度，并指出常见陷阱如全量上线风险、缺乏知识库导致的幻觉问题等。最终目标是达到70%+解决率、<30%转人工率、50%+成本降低
2026-04-26 05:30:00
377
原创 Copilot类工具的集成与定制化开发
本文全面解析Copilot类AI代码工具的集成方案与企业级定制策略。核心观点包括： 工具本质是AI代码补全插件，主流产品包括GitHub Copilot、Cursor及国产方案； 企业落地需解决三大问题：开发流程集成、代码安全防护和业务定制化； 提供四层集成方案：IDE插件、Git规范对接、CI/CD流水线及低代码平台整合； 重点阐述私有化定制路径：基于企业代码库训练专属模型，采用RAG检索增强技术； 给出标准架构设计，强调内网部署确保安全； 列举实用定制功能如框架适配、规范检查、组件调用等； 警示代码泄露
2026-04-25 06:30:00
374
一个月学会JavaScript.pdf
2020-04-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人