weixin_45311418的博客

原创 【14】深入理解 LangGraph 的核心 - Graph

Graph是LangGraph的基本构建模块，它是一个有向无环图（DAG），用于描述任务之间的依赖关系。State: 在整个应用当中共享的一种数据结构。Node: 一个处理数据的节点。LangGraph中通常是一个Python的函数，以State为输入，经过一些操作后，返回更新后的State。Edge: 表示Node之前的依赖关系。LangGraph中通常也是一个Python函数，根据当前State来决定接下来执行哪个Node。接下来用一个最简单的案例，来看一下Graph的基本用法。#安装依赖!

原创 【13】LangGraph 接入 MCP 服务

通过深度演示MCP服务的客户端和服务端的交互过程，让大家对MCP服务有了初步的了解。在深度使用更多的MCP服务的同时，合理的看待。MCP最大的意义在于简化客户端的调用过程，让我们以极小的代价快速接入更多的外部服务，但是并不代表MCP服务就是安全的。

原创 【12】LangGraph的概念及Agent实战

LangGraph是一个功能强大的大语言模型本地应用构建框架，不仅提供工具，更积累了大量实战经验并总结成案例，便于直接复用。LangGraph 并非独立框架，而是 LangChain 生态中的一个组件。因此，学习 LangGraph 前需具备 LangChain 基础。，当前版本为 V0.3，后续内容以此为准。LangChain 生态还包括 LangGraph、LangSmith 等组件，共同构成完整的 LLM 应用开发体系。其中，LangChain是整个生态的基础。

原创 【11】LangGraph多智能体架构课程大纲

这两张思维导图非常清晰地梳理了的学习路径，从基础概念到企业级实战层层递进。这张图正好为你接下来的进阶学习提供了完美的路线图。

原创 【10】Langchain读取数据库

MongoDB 作为典型的文档型 NoSQL 数据库，凭借其灵活的 Schema 设计，非常适合处理复杂、半结构化以及快速演变的非结构化数据（如用户画像、物联网信号、多变的业务日志等）。LangChain 结合 MongoDB 支持自查询检索，允许大模型在处理自然语言时，自动提取过滤条件（如年份、分类、评分等），并在执行向量搜索前进行精准的元数据预过滤。对于需要语义搜索或构建 RAG（检索增强生成）系统的场景，LangChain 支持多种文档导向的向量数据库（如 Chroma），用于存储和检索文档嵌入。

原创 【8】补充与拓展：Langchain的联网搜索Agent，使用Tavily工具

在这个架构中，系统会先对用户的问题进行意图分类，然后动态决定是查询本地知识库（向量搜索），还是调用 Tavily 进行实时网络搜索。它能够提供结构化、带溯源的搜索结果，非常适合用来赋予 Agent 实时联网搜索的能力。首先，你需要安装 LangChain 的 Tavily 集成包，并获取 Tavily 的 API Key（可以在 Tavily 官网注册获取）。通过这套架构，你的多智能体系统不仅具备了“记忆”和“多专家协作”的能力，还长出了“感知外部实时世界”的眼睛，真正达到了生产级智能客服的标准！

原创 【9】Langchain实战案例：构建一个聊天机器人

在 LangChain 最新的 LCEL（LangChain Expression Language）体系中，实现这个功能的核心思路是：让大模型在回答前，先去向量数据库中“查资料”，并将查到的资料（Context）和用户的历史对话（History）一起打包发给大模型。构建带条件路由的多智能体客服系统，是 LangGraph 最经典的应用场景之一。它的核心思想是：将复杂的客服任务拆解为多个专职节点（如意图识别、订单专家、物流专家），并通过一个“路由器”根据用户的实时意图，动态决定将任务交给谁处理。

原创 【8】Langchain核心架构基础

Tool 的定义是关键：Agent 本身不知道什么是“天气”，你必须通过明确告诉它：“当用户问天气时，请用这个工具”。描述写得越清楚，Agent 越聪明。ReAct 模式：代码中使用的是一种经典的 Agent 范式，代表Reasoning (推理) +Action (行动)。它让模型在给出最终答案前，先进行“思考-行动-观察”的循环。替换真实 API：你只需要修改函数，在里面加入的代码，它就能变成一个真正的实时天气助手。这只是个单机版例子。解耦设计。

原创 【7】RAG核心理论

先将整个文档切分成多个片段，用户提出问题后，根据问题去寻找相关的片段，将与问题相关的片段挑出，将问题及挑出的片段发给大模型，大模型根据问题及相关的片段得出正确答案。将文档切分成多个片段用户提出问题后，根据问题去寻找相关的片段，将与问题相关的片段挑出将问题及挑出的片段发给大模型，大模型根据问题及相关的片段得出正确答案。

原创 【6】Agent基础认知

总结来说，你的代码在执行时，AgentExecutor 就像一个不知疲倦的调度员：它拿着你的 Prompt 反复询问大模型“接下来该干嘛”，大模型说查价格，它就去调 serpapi；隐性记忆，这种记忆通常是无意识的，涉及技能和习惯，如骑自行车或打字。当发现已有的知识不足以回答这个问题，则会调用工具，比如：搜索工具、生成报告等，然后得到新的信息，基于新的信息重复进行推理和行动，直到完成这个任务。: 短期记忆，是指在执行任务的过程中的上下文，会在子任务的执行过程产生和暂存，在任务完结后被清空。

原创 TOT24点代码实现

【代码】TOT24点代码实现。

原创 【5】大模型应用落地实战

其中，任务中调用的工具tools中的文件夹instructions包含供参考的样例模板，自定义的工具SentimentAnalysisTool，在tools目录下定义。最终，先进行任务拆解，调用相应的工具进行执行、得到结果。2、制定任务（任务一：分析数据，任务二：生成报告）1、定义两个Agent（角色、目标、任务）

原创 【4】Prompt 提示词工程

原创 【3】大语言模型的核心原理

这部分解释了“模型是如何从‘懂文字’变成‘懂人类’的”。这部分主要解释了“大模型为什么长这样”。这部分解释了“模型是怎么思考和说话的”。

原创 【2】大语言模型基础认知

来自月之暗面（Moonshot AI）的Kimi，来自字节跳动的豆包，来自字节跳动的火山，来自腾讯的元宝。神经网络：分层的信息处理，深度只代表不同的维度。例如：【1,2,3,4,5,6】层次：数量、等差序列、非监督学习：非标注数据（可能是残缺的数据，缺少中间一段问题、图片遮盖住了一部分等）统计量【min,max,avg…】、下一组数据可能是【7,8,9…强化学习：对行为进行约束或者增强时，采用强化学习（正反馈和负反馈机制）监督学习：标注数据，学习特征判断标签。多模态大语言模型：多个场景融合。

原创 【1】MoPaaS·智泊Al企业级 大模型实战课大纲V5.0.15

原创 15种高级RAG技术

本文探讨了15种提升检索增强生成(RAG)系统性能的高级技术。这些优化方法覆盖了RAG流程的四个关键阶段：预检索优化、检索/召回策略、检索后优化和生成优化。预检索优化包括提高数据密度、分层索引、生成假设问答对、信息去重和最优分块策略。检索优化涉及查询优化、HyDE技术和查询路由。这些技术通过改善信息检索质量、增强语义搜索能力和优化生成过程，有效解决了传统RAG系统常见的信息密度低、检索不准确和响应质量差等问题。文章特别强调了根据不同应用场景进行A/B测试的重要性，并提供了具体实施案例，展示了这些技术如何显著

原创 大型语言模型的11种高效微调方法

本文介绍了11种高效的大型语言模型参数调优方法，旨在降低训练和推理阶段的资源消耗。这些方法主要分为两类：一是固定基础模型的参数，引入部分特定参数进行训练（如前缀调优、提示调优）；二是通过增加旁路结构优化模型（如LoRA及其变种DyLoRA、AdaLoRA、QLoRA、QA-LoRA）。此外，还介绍了P-Tuning v2、LongLoRA等方法，它们通过分层提示、动态调整或扩展上下文长度来提升模型效率。这些技术在减少计算资源的同时，保持了模型性能，为大规模语言模型的微调提供了高效解决方案。

原创 大模型提示词工程分类

预训练、微调和提示词工程是大型语言模型（LLM）生成质量优化的三种关键手段，各自具有不同的特点和优势。预训练是 LLM 发展的基石，通过在大规模无标注语料库上进行自监督学习，赋予模型通用的语言理解和生成能力。这种自然语言的通用知识为后续的微调和提示词工程奠定了坚实基础。微调则是利用有标注的任务数据，对预训练模型进行进一步调整和优化，使其更好地适应特定的下游任务。微调的优势在于可以充分利用监督信号，提高模型在特定领域的生成质量。 但同时也存在过度微调导致过拟合、灾难性遗忘等潜在风险。与之不同，提示词工程无需对

原创 AI大模型实战学习

链接: https://pan.baidu.com/s/1K-tuDDwGG5OGnxlnSLqfnA?pwd=hcxb 提取码: hcxb。资料：大模型官方课程-视频资料。

原创 aris下载

使用powershell或者terminal上启动ARIS，在ARIS上配置模型（tb购买）用户里的配置文件可以直接修改API（C:\Users\wjl.config）测试：你好 你是什么模型 你能做什么。ARIS，下载zip，运行exe。

原创 【文献阅读】DL中的数据漂移：从加密流量分类中吸取的教训-2022CCFC会议

文献：Data Drift in DL: Lessons Learned from Encrypted Traffic Classification“Ma 等人 [16] 提出了一个框架，用于在异常检测系统中检测并适应概念漂移。作者将概念漂移定义为核心绩效指标（KPI）流分布的突然变化。由于他们的基础异常检测器中包含了大量的 KPI，因此他们特别关注概念漂移检测算法的，从而让运维人员无需手动为每个 KPI 调整参数。他们的概念漂移适应算法基于。

原创 类别不平衡问题

首先更换评估指标，不要只看准确率。尝试在算法中设置 class_weight='balanced'（成本最低，效果往往不错）。如果效果仍不理想，再尝试SMOTE等数据重采样方法。

原创 【实验记录】实验配置

trafficPython：3.11（最稳定）CUDA：12.8（支持 RTX 5090）包含所有你模型需要的依赖无冲突、无报错、可直接训练你只要复制命令执行即可，我已经帮你把所有坑都避开了！

原创 【论文阅读】加密流量-ETool-林欣杰熊刚-TIFS2025

多模态特征提取，数据漂移，大模型预训练。

原创 【论文阅读】加密流量-FECOSL-TIFS2026-CCFA

多模态特征提取、数据漂移、缺乏标注样本（伪标签更新修正）

原创 【论文阅读】论文阅读-加密流量-ETBERT-林欣杰熊刚-WWW2022-CCFA会议

经典对比方法，ET-BERT。

原创 【EXCEL】数据透视表学习

目标是将下面的表单进行统计分析，计算每个地区每个品牌的总销售额。筛选汇总、函数计算、数据透视表（推荐）筛选汇总：快捷键（Ctrl+⬇️ 下移，Ctrl+shift+⬇️ 选中下移）函数计算：sumproduct函数，快捷键（F4 固定单元格）=SUMPRODUCT((销售表!$D$2:$D$3216=筛选汇总!B$1)*1,(销售表!$C$2:$C$3216=筛选汇总!$A2)*1,(销售表!注意错误：wps的显示和excel的不一样，注意选中的区域范围是否对应。数据透视表。

原创 GitHub上运行开源项目(小白友好版)

装Git+对应语言环境（Node/Python/Java）Git克隆项目→进入文件夹按README装依赖（复制配置模板→改参数执行启动命令→浏览器访问验证README是万能说明书，所有问题先看README，90%的坑都能解决！

原创 在 Windows 上安装 Docker 及验证

在 Windows 上安装 Docker，核心是先满足系统与虚拟化要求，再安装 Docker Desktop 并选择 WSL 2 或 Hyper‑V 后端，最后验证安装。

原创 【论文阅读】加密流量-FlowMiner-徐洪波-INFOCOM2025

随着流量加密技术的持续发展，

原创 【课程】《强化学习的数学原理》笔记

西湖大学 赵世钰

原创 【课程】《计算数论》超级适合零帧起手的初学者

我们平时写数字，比如12341×1032×1023×1014×1001×1032×1023×1014×100这叫十进制展开。类似地，计算机喜欢用二进制（以2为底）或十六进制（以16为底）。但为了通用性，我们可以用任意进制MMMaa0a1Ma2M2⋯an−1Mn−1aa0​a1​Ma2​M2⋯an−1​Mn−1其中每个aia_iai​。

原创 【论文阅读】加密流量综述-sharma-计算机网络2025-CCFC

本文系统综述了7项权威综述与82篇关键技术文献，全面梳理了当前ETC方法在**模型架构、数据资源、特征工程及部署实践**中的局限性。分析表明：（1）多数模型依赖静态训练范式，难以适应动态演化的加密协议与高级持续性威胁；（2）现有数据集普遍存在覆盖狭窄、缺乏加密/非加密混合流量及完整元数据等问题，制约模型泛化能力；（3）主流流量分析器在协议解析深度、实时处理性能与隐私兼容性方面亟待升级。

原创 【论文阅读】加密流量-A3C-AS2022-CCF4Q

加密流量分类技术能有效保障网络服务质量（QoS）和用户体验质量（QoE）。但作为典型监督学习任务，其需要持续更新的充足标注样本。- 现有**基于网关**的标注样本采集方法仅适用于TLS流量，且依赖易被篡改的可选字段——服务器名称指示（Server Name Indication）。- 而当前**基于终端**的手动或自动采集方法效率低下，且存在样本完整性、类别纯度及标签真实性不足的问题。此外，这些方法可能导致严重的丢包问题，并可能危及设备安全和用户隐私。为解决这些问题，我们提出了一套一站式自动化加密

原创 【论文阅读】加密流量-LC_MRNN-TDSC2025-CCFA

本文提出一种基于还原应用数据单元（ADU）长度的HTTPS加密流量分类方法。针对现有侧信道长度序列特征受协议分段和加密干扰的问题，研究团队设计了一种长度校正多元回归神经网络（LC-MRNN）算法，可高精度还原真实ADU长度序列。实验表明，该方法在CERNET真实网络环境下，结合LS-LSTM分类器实现了93.52%的F1分数，较现有最优方法提升4.2%。该成果解决了HTTPS加密流量细粒度分类的难题，为网络管理与安全防护提供了新思路。

原创 【论文阅读】加密流量-ALFE-WASA2022

现有方法所依赖的统计特征与序列特征多源自网络层或传输层（如数据包长度、TLS记录长度等），本质上反映的是底层网络传输行为，而非上层应用或服务的语义特性，导致特征与目标类别之间的关联性较弱，制约了分类性能的进一步提升。为突破这一瓶颈，本文提出应用层特征工程（Application Layer Feature Engineering, ALFE）框架，首次系统引入应用数据单元（ADU）作为核心表征单元，直接从最高协议层——应用层提取与业务逻辑紧密耦合的特征，以实现更精准的 HTTPS 流量分类。

原创 【论文阅读】加密流量-DigTraffic-AAAI2025

本文提出了一种基于消息感知流表征的双通道交互图Transformer（DigTraffic）用于流量分类。针对现有方法难以捕捉数据包间关联关系的问题，DigTraffic创新性地构建了包含三种异构边类型的流量交互图（单向连续边、方向变换边和高阶单向边），并采用双通道网络分别处理长度和时间序列。通过引入消息感知图变换器模块，该模型同时利用节点嵌入和边空间关系来提取丰富的结构信息。在四个真实数据集上的实验表明，DigTraffic显著优于现有方法，为解决加密流量分类中的结构信息提取难题提供了有效方案。

原创 2025年度网络空间安全领域十大科学挑战问题

空天地海一体化网络是国家数字主权的“新疆域”，研究全域互联下超异构拓扑、动态接入与跨域威胁的耦合机理，揭示网络边界模糊、风险渗透的涌现特性，是构建未来全域融合、智能泛在网络空间安全体系的关键支撑。具身智能是人工智能从“虚拟”走向“现实”的关键突破，研究跨域安全机理、动态学习理论、多模态可信交互机制，是重构智能系统与物理世界安全交互范式的核心支撑。芯片是现代信息设备处理、存储和流转的中枢，系统性解构芯片漏洞成因，致效机理及防御方法，构建安全与可信机制，是从硬件层面夯实网络空间安全基础的重要支撑。

原创 Kaggle赛题分析1：Elo用户忠诚度评分预测（2）-特征工程与模型训练

特征工程和模型训练（随机森林）