- 博客(484)
- 收藏
- 关注
RSS订阅原创 机器人关节里到底藏着几个电机？——从“自由度”到“执行器”的工程真相
本文探讨了机器人关节自由度与电机数量的对应关系。主要内容包括： 基本规则：每个主动自由度需要至少一个执行器（通常是电机）驱动，主流设计遵循"1自由度=1电机"原则。 电机布局方式： 串联堆叠：多个电机层层嵌套，直接安装在关节处 远端驱动：电机远离关节，通过传动机构传递动力 例外情况：差动驱动（2个电机协同控制2个自由度）在特定场景使用，但人形机器人主要关节仍以1:1对应为主。 实际应用：人形机器人30多个自由度通常对应约30个电机，多数关节保持电机与运动方向的一一对应关系。 文章最后指出，理解"1自由度=1
2026-06-16 16:03:04
150
原创 从“6”到“30+”：刚体自由度与人形机器人自由度的本质区别
摘要：刚体的6个自由度描述单个物体在三维空间中的运动能力（3平移+3旋转），而人形机器人的自由度（通常30-100+）是指由多个刚体组成的系统中所有可独立运动关节的数量总和。虽然概念不同，但前者是后者的物理基础。人形机器人的大量关节自由度通过运动学映射到末端执行器的6自由度位姿，多出的冗余自由度用于实现避障、平衡等复杂动作。二者的本质区别在于：刚体自由度是物理定律，机器人自由度是工程设计结果。理解这一区别有助于澄清参数表中的自由度数量差异。
2026-06-16 12:03:08
42
原创 从大模型/Agent开发到机器人/具身智能：完整入门路线
本文为具备大语言模型和Agent开发经验的读者提供了转行机器人/具身智能领域的系统指南。主要内容包括： 领域认知：区分传统机器人技术与新兴具身智能的特点，强调具身智能作为"大模型+物理身体"的结合更适合AI背景开发者 学习路径：提出分阶段学习方案，从机器人基础（1-2个月）到仿真环境搭建（2周），再到开源项目实践（2-3个月） 岗位分析：详细分类算法、工程和硬件类岗位，指出48%的算法岗增速最匹配大模型背景 资源汇总：推荐核心知识图谱、开源大模型（如NVIDIA Isaac GR00T、OpenVLA等）、
2026-06-15 18:29:16
130
原创 机器人学入门：彻底搞懂「位置」「姿态」「位姿」与「自由度」的底层逻辑
文章摘要（149字）： 本文厘清了机器人学中自由度与元素个数的核心区别。刚体位姿由6个自由度构成（3平移+3旋转），但数学表达可能用更多元素：四元数用4个数（受模长约束）、旋转矩阵用9个数（受正交约束）。自由度是描述系统所需的最少独立变量数，而元素个数是数学工具的表达形式。这种差异在实际编程中影响显著，如四元数插值和卡尔曼滤波需考虑约束条件。理解这一区别能避免算法设计时的常见错误，为后续学习状态估计和运动规划打下基础。
2026-06-15 18:25:55
183
原创 避开“连接不是私密连接”陷阱：解决 ERR_CERT_AUTHORITY_INVALID 与 HSTS 锁定
与 HSTS 的组合看似“铁壁防守”，但只要理解它背后的安全逻辑，就能找到对应的正确处理方式。对于普通用户，最推荐的是联系网站负责人获取正确的根证书；对于技术人员，导入证书或清除 HSTS 缓存都是标准实操。切勿为了方便而长期关闭浏览器安全校验——你学到的正确方法，才是保护数据的最佳防线。🔐 本文所有域名均为示例，请根据你实际遇到的网站做对应替换。
2026-06-10 16:16:47
736
原创 Mib是MB吗？一文读懂存储单位中的二进制与十进制之争
摘要： Mib（Mebibit）与MB（Megabyte）是两种不同的存储单位，不可混淆。MB是十进制字节单位（1MB=1,000,000B），而Mib是二进制位单位（1Mib=1,048,576bit≈0.131MB）。两者的差异源于历史计量标准不同：国际单位制（SI）采用十进制，而计算机早期使用二进制（1KB=1024B）。1998年IEC引入KiB/MiB等二进制单位以明确区分。实际应用中，网络带宽（如Mbps）、硬盘容量（厂商用十进制，系统显示二进制）和内存（固定二进制）易因单位混淆产生误差。建议在
2026-06-04 10:35:39
51
原创 三大 Agent Harness 框架深度对比：OpenClaw、Hermes Agent 与 OpenHuman
OpenClaw、Hermes Agent 与 OpenHuman 分别代表了 Agent Harness 领域三个不同的探索方向——OpenClaw 聚焦渠道集成和本地化运行时，以惊人的社区增长证明了开发者对自主可控 AI 工具的强烈需求；Hermes Agent 深耕 Agent 自主进化能力，将 Harness Engineering 理念系统化落地，为持续优化型业务场景提供了新的范式；
2026-06-03 16:31:43
88
原创 六月AI模型发布浪潮：密集期来临，国内外厂商鏖战正酣
2026年6月无疑是AI产业历史上发布密度最高的单月之一。从Gemini 3.5 Pro到GPT-5.6，从Claude Sonnet 4.8到Grok编程版，从微软Build的模型矩阵到苹果的Campos——短短30天内，几乎所有头部玩家同时出牌。对开发者而言，真正的挑战不在于“哪款模型最强”，而在于评估每款模型在生产栈的哪一层真正值得投入精力。正如WaveSpeed博客所言：“六月的头条新闻会像是一切都在同时发布——但大部分并不是，而大部分真正发布的东西，并不会改变你本月正在构建的内容。
2026-05-29 18:22:03
5033
原创 从 HTML 原型到牛马小程序落地：我用 Vibe Coding 做出了一个微信小游戏
《牛马通勤》是一款像素风模拟经营游戏，通过20轮迭代从HTML原型发展为完整小程序。游戏核心玩法围绕打工人通勤场景，玩家需在体力、心情、时间、金钱四维资源间权衡选择。开发过程中，团队采用轻量级验证策略，先以HTML快速验证玩法，再迁移至微信小程序。技术架构强调模块化与防御性编程，解决了WXML嵌套表达式、数据引用等典型问题。交互设计通过倒计时圆环等动效增强叙事感，视觉风格从暗紫调整为活力橙提升亲和力。游戏内置33个事件图鉴和渐进式成就系统，采用幂等更新机制确保存档稳定。该案例展示了如何通过快速迭代和平台特性
2026-05-29 16:03:07
270
原创 喜提 Trae 优速通：5 抽上岸，从此模型自由不排队！
摘要： 作者分享了自己不到5次抽奖就获得Trae平台价值999元的30天优速通权益的幸运经历。优速通解锁了不限量、无排队、极速响应的AI模型调用特权，尤其适合开发者、Prompt工程师和内容创作者。作者实测优速通带来2秒内极速响应、专属资源池和全模型覆盖等优势，并给出抽奖技巧建议：多积累免费次数、关注活动期、理性消费。文章鼓励用户尝试抽奖获取这一提升效率的VIP权益，并附上中奖截图作为证明。（149字）
2026-05-29 15:52:07
989
1
原创 0基础 + 0成本 + 2小时：新手小白的我用AI搭了一个国内能访问的网站
本文分享了如何利用AI工具在2-3小时内零成本搭建个人网站的全过程。关键步骤包括：通过DigitalPlat平台获取免费域名，使用Cloudflare进行DNS解析，借助Trae和MiniMax M2.7等AI工具生成Next.js+Supabase的网站代码，最终通过Vercel免费部署并绑定域名。整个过程无需编程基础，国内4G网络访问流畅。文章还提供了免费域名续期提醒、访问优化建议和环境变量安全提示，展示了AI时代普通人快速实现技术创意的可能性。
2026-05-29 10:50:03
196
原创 Win+V 没反应？别急，重启资源管理器一招解决
摘要： Windows系统下Win+V快捷键失效时，通常只需重启资源管理器即可恢复。该功能依赖Explorer.exe进程，长时间运行或软件冲突可能导致异常。推荐通过任务管理器重启“Windows资源管理器”，或使用命令行taskkill /f /im explorer.exe && start explorer.exe快速解决。预防措施包括确保剪贴板历史功能开启、避免第三方工具冲突及定期重启电脑。若问题依旧，可检查剪贴板服务或运行系统文件修复。Win+V支持跨设备同步，是高效办公的实用功能。
2026-05-27 15:49:41
473
原创 深度学习训练中的三个核心概念：Epoch、Batch 与 Iteration 全解析
深度学习训练中的Epoch、Batch与Iteration是三个关键概念：Batch指每次输入模型的一小批数据（Batch Size决定样本数），Iteration是用一个Batch完成一次参数更新的过程（包括前向传播、损失计算、反向传播和参数更新），Epoch则是整个数据集被完整训练一遍的轮数。三者关系可通过公式表达：总Iteration次数=Epoch数×（总样本数÷Batch Size）。Batch Size越大，单轮迭代次数越少；反之小Batch Size会增加迭代频率但可能使训练不稳定。理解这三个
2026-05-18 17:00:03
50
原创 解决 PyBullet 安装报错：Microsoft Visual C++ 14.0 is required
本文针对Windows环境下安装PyBullet时出现的"Microsoft Visual C++ 14.0 or greater is required"错误，提供了三种解决方案：安装Microsoft C++生成工具（推荐长期开发者）、强制使用预编译wheel包（快速解决）、以及通过Conda安装（最便捷）。文章详细分析了问题根源，并给出了每种方法的实施步骤和适用场景，帮助用户根据自身需求选择最适合的安装方式。验证方法和常见问题解答也为用户提供了完整的安装指导。
2026-05-10 17:43:34
72
原创 从零上手 PyBullet：最简单的物理模拟开发流程
即使你没有任何仿真基础，通过几个核心步骤，也能快速搭建出“小球落到地面”这样的经典场景。我们写一个循环，让仿真运行 240 步（约 1 秒的实时时间，默认频率 240 Hz），并在 GUI 模式下实时观察。重力方向设为 (0, 0, -9.81) 表示物体在竖直方向受到向下的重力，这是真实物理的关键。运行后你会看到一个窗口，小球从高处落下，撞击地面后弹跳几次，最终静止在地上。默认平铺在 z=0 的平面上，大小无限，正好作为我们的地面。要让小球落地静止，可以运行足够多的步数，直到它弹跳停止。
2026-05-10 15:54:12
66
原创 多智能体记忆架构设计：从分层模型到一致性实践
多智能体记忆架构本质上是一个有状态、分布式、支持遗忘的知识系统。从分层模型入手，结合RBAC隔离、版本向量一致性以及混合存储，可以构建出既灵活又健壮的生产级方案。可微分记忆：让记忆的读写操作嵌入端到端训练。基于大模型的记忆压缩：用LLM自动生成情景摘要，取代规则式遗忘。联邦记忆：不同组织之间的多智能体系统在不共享原始数据的情况下协同记忆。希望本文能为你的多智能体项目提供一块坚实的基石。欢迎在评论区分享你在实践中遇到的记忆架构难题。
2026-04-12 21:13:52
137
原创 从LLM到VLM再到VLA：三兄弟的“变形记”——定义、架构演进与最新趋同
LLM、VLM、VLA虽然在时间上依次出现，但它们在架构上的演进并非线性替代，而是形成了一个从“理解语言”到“理解世界”再到“改变世界”的认知闭环。VLA之所以能在短短三年内从概念走向现实，正是因为它站在了LLM和VLM的肩膀上——RT-2的泛化能力来自互联网规模的VLM预训练，π0的扩散策略受益于生成式模型的突破，Helix的双系统架构借鉴了“快慢思考”的认知科学洞见。而反过来，VLA在实际部署中遇到的效率瓶颈和实时性要求，也在倒逼LLM和VLM向更轻量、更高效的架构方向演进。
2026-04-11 19:55:31
436
原创 Agent Skill 与 MCP：提示词的艺术 vs 工具的工程
最聪明的用法不是二选一，而是让 Skill 和 MCP 打配合。举个例子：你可以写一个“客户支持专员”的 Skill Markdown，里面洋洋洒洒定义了如何处理投诉、如何安抚情绪、何时需要升级给人工。同时，你让这个 Skill 在需要“查询订单状态”时，去调用一个 MCP Server 提供的工具。这样，Skill 负责“说话的艺术”，MCP 负责“干活的本事”。模型拿到了丰富的对话指南，又拥有了稳定可靠的工具箱，体验直接拉满。
2026-04-11 11:50:10
69
原创 深度解读 Agent Skills：从三层结构到高效工作流
Agent Skills 不仅是一套文件组织规范，更是一种解耦智能体认知负载的设计哲学。通过三层结构 + 按需加载，我们能让 AI 助手像人脑一样：平时只记住“我会什么”，动手时才翻开“怎么做”，用到工具时才拿起“工具箱”。这种模式未来很可能成为 AI Agent 生态的标准扩展方式。现在，你就可以为自己的 Claude Code 或兼容的 Agent 编写第一个 Skill。从SKILL.md开始，配上脚本，加入社区，共享你的智慧。
2026-04-09 14:54:07
255
原创 Prompt、Context、Harness——AI 工程的三个层级，从“说清楚”到“做对事”
很多人把 AI 应用开发等同于“写 Prompt + 调接口”。但真正能稳定运行、可维护、可演进的 AI 系统，一定是的。你不只是在教模型说话，你是在为它搭建一个能安全执行任务的工作环境。Prompt让模型理解任务Context让模型获取信息Harness让模型在真实世界中持续做对这三个层级，不是选哪个更好，而是——你迟早都需要。如果你觉得这篇文章对你有帮助，欢迎分享给正在被“模型不听话”困扰的朋友。
2026-04-09 12:06:13
124
原创 AI工程师面试题精选（持续更新）
Step3：近端策略优化（PPO）：以π_{SFT}为初始策略，通过PPO算法最大化奖励，同时用KL散度约束当前策略不偏离SFT太远（防止奖励破解）；Step2：训练奖励模型（RM）：让人类对同一prompt下的多个模型输出进行排序（如比较4个回答的好与差）；Step1：监督微调（SFT）：收集人类编写的高质量对话/指令数据（prompt,response）；面试加分：能提到RAG中的幻觉分类——指幻觉（回答与检索上下文矛盾）、外推幻觉（上下文不包含答案，模型瞎编）、有害幻觉（违反安全规范）。
2026-04-03 14:18:46
64
原创 AI工程师面试题精选（持续更新）
余弦相似度在文本处理中如此普遍，是因为文本的关键在于“主题分布”而非“绝对词频”。它天然对向量长度不敏感，非常适合比较不同长度的文档，且计算高效（O(n)），与稀疏和稠密两种表示方式都能很好地兼容。
2026-04-03 14:12:00
204
原创 深入解析 OpenClaw（小龙虾）源码：架构设计与核心实现
OpenClaw用清晰、工程化的代码结构，将复杂的Agent交互流程变成了可管理、可扩展的流水线。无论是想深入了解Agent系统设计，还是希望二次开发定制自己的AI助理，阅读OpenClaw源码都是一次绝佳的学习旅程。希望本文能帮助你快速掌握OpenClaw的核心脉络。如果你对某个模块（如技能开发、安全机制）感兴趣，欢迎继续探讨。本文基于OpenClaw社区版本源码分析，具体实现可能随版本迭代有所调整，请以最新源码为准。
2026-03-19 09:20:59
417
原创 Windows系统下Ollama安装及模型存储迁移到D盘指南（解决C盘空间不足问题）
摘要： 本文针对Windows用户使用Ollama时C盘空间不足的问题，提供两种迁移方案： 全新安装方案：通过安装命令参数指定D盘路径，并设置OLLAMA_MODELS环境变量强制模型存储到D盘； 已有数据迁移方案：通过复制.ollama目录到D盘并创建符号链接，实现零数据丢失迁移。两种方法均需管理员权限，强调路径规范（纯英文无空格），并详细解释了符号链接机制与环境变量的持久性。最终帮助用户在不影响现有配置的情况下，将Ollama主程序及模型文件完整迁移至D盘释放空间。
2026-03-19 08:39:51
1670
原创 深入浅出大语言模型架构：以MiniMind为例解析现代Transformer
解码器-only设计：专注于文本生成任务GQA注意力：平衡效率与性能的明智选择RoPE位置编码：优雅处理序列顺序现代FFN结构：SiLU激活函数提升表达能力RMSNorm归一化：稳定高效的训练基础在保持强大能力的同时，极致优化推理效率。从MiniMind这个"麻雀虽小，五脏俱全"的架构中，我们看到了现代大语言模型的精华浓缩。Transformer架构远非一成不变，而是在保持核心思想的同时，在各个组件上都经历了持续的创新和优化。
2026-01-03 16:31:53
230
原创 Transformer与ResNet：深度模型中的内在联系与演进
ResNet与Transformer在深度学习发展中具有里程碑意义，尽管分别应用于计算机视觉和自然语言处理领域，但两者在架构设计上存在深刻联系。ResNet通过残差连接解决深度网络训练难题，而Transformer利用自注意力机制实现序列建模。两者都采用残差连接促进梯度流动，并运用归一化策略稳定训练。后续研究如Vision Transformer实现了两者的融合，卷积与注意力机制的结合模型展现出更优性能。数学上，它们都被证明具有通用近似能力。实践层面，CNN借鉴了Transformer的大感受野设计，而Tr
2025-12-28 15:03:42
135
原创 Transformer与ResNet：深度模型中的内在联系与演进
ResNet与Transformer作为深度学习的两大里程碑架构，在计算机视觉和自然语言处理领域分别取得了突破性进展。研究发现，二者在设计哲学上存在深刻共鸣：均采用残差连接解决深度网络训练难题，运用分治策略分解复杂问题，并通过归一化技术稳定训练过程。虽然ResNet基于静态卷积核而Transformer依赖动态注意力机制，但数学上都具有通用近似能力。近年来，两类架构呈现融合趋势，如Vision Transformer结合图像处理特性，混合架构同时吸收卷积的局部效率和注意力的全局建模优势。这表明深度学习的创新
2025-12-27 22:57:16
144
原创 在Python中执行Linux命令：subprocess模块完全指南
本文详细介绍了在Python中使用subprocess模块执行Linux命令的方法。作为Python 3.5+推荐的标准方式，subprocess模块提供了统一接口、安全性强、灵活性高和跨平台支持等优势。文章重点讲解了四大核心函数：推荐使用的run()方法、简单调用的call()、获取输出的check_output()以及提供底层控制的Popen()。同时涵盖了输入输出处理、错误处理、管道使用和环境变量控制等实用技巧，并给出了多种常见场景的代码示例。最后强调了安全注意事项和最佳实践，帮助开发者安全高效地在P
2025-12-27 19:23:34
96
原创 Python生成器深度解析：高效处理大数据流的利器
本文全面介绍了Python生成器的概念、创建方式及应用场景。生成器通过yield语句实现按需生成值，显著降低内存消耗。文章详细讲解了生成器函数和生成器表达式两种创建方式，并展示了8种不同类型的生成器应用，包括基础生成器、无限生成器、带状态生成器以及协程式生成器等。此外，还介绍了生成器的实用技巧（如管道模式、批量处理）和性能优势，并与传统列表方式进行了内存和速度对比。最后，文章列举了生成器在标准库（如itertools模块）中的实际应用，帮助开发者高效处理大数据流和构建迭代器。
2025-12-27 19:22:20
165
原创 Pandas空值处理完全指南：从基础操作到高级技巧
本文系统介绍了Pandas中处理空值的核心方法。首先分析了Pandas中空值的四种表示形式（None、np.nan、NaT、NA）及其检测方法。然后详细讲解了空值删除策略，包括按行/列删除及条件删除。重点阐述了空值填充技术，涵盖固定值填充、前后向填充、统计值填充和插值法（线性、多项式、样条等）。最后分享了高级处理技巧，如条件填充和多重填充策略。通过实际代码示例，展示了如何在数据分析中有效处理缺失值，为数据清洗工作提供了实用指导。
2025-12-26 14:34:59
119
原创 Python装饰器全面解析：从基础到高级应用
Python装饰器是一种强大的语法特性，允许在不修改原函数代码的情况下动态扩展功能。装饰器本质上是高阶函数，接受函数作为参数并返回新函数。文章介绍了装饰器的基本概念和使用方法，包括函数装饰器、带参数装饰器以及内置装饰器如@property、@staticmethod等。还探讨了类装饰器、装饰器堆叠等高级用法，以及使用functools.wraps保留函数元信息的技巧。通过多个代码示例展示了装饰器在实际开发中的应用场景，如计时、重试机制等。
2025-12-26 14:34:26
230
原创 Python上下文管理器：原理、实现与最佳实践
Python上下文管理器是一种优雅的资源管理机制，通过with语句确保资源正确分配和释放。它解决了传统try-finally方式的代码冗余问题，使代码更简洁安全。实现方式包括基于类的__enter__/__exit__方法和使用contextlib模块的装饰器。上下文管理器支持异常处理、嵌套使用和多资源管理，广泛应用于文件操作、数据库连接、线程锁等场景。标准库提供了多种内置上下文管理器，如threading.Lock、sqlite3.connect等。最佳实践建议始终使用with语句处理资源，并结合实际需求
2025-12-26 14:33:31
86
原创 多进程 vs 多线程：原理、选择与实战指南
摘要： 多进程和多线程是并发编程的两大核心方式。进程拥有独立的内存空间和资源，稳定性高但开销大；线程共享进程资源，创建和切换成本低但需同步机制。IO密集型任务（如Web服务器）适合多线程，可高效利用等待时间；CPU密集型任务（如科学计算）适合多进程以利用多核优势。硬件限制下，线程数量通常远超进程（10-100倍）。现代方案如协程/异步IO更适合超高并发场景。选择时需权衡任务类型、语言特性（如Python的GIL）和资源限制，最佳实践往往结合多种模型。
2025-12-26 14:32:45
100
原创 Elasticsearch关键词权重调优实战指南：让搜索结果更懂你
摘要：Elasticsearch关键词权重优化指南 本文详细介绍了Elasticsearch中设置关键词查询权重的多种方法。基础方法包括使用multi_match查询的字段加权符号(^)和bool查询的should子句组合。高级策略涉及function_score查询，支持动态权重控制和多种计分函数组合。文章还探讨了同义词权重差异化和短语匹配权重提升等优化技巧。通过这些方法，开发者可以构建更精准的搜索体验，满足商品搜索、新闻排序等不同业务场景的需求，实现标题优先、时效性排序等特定权重需求。
2025-12-26 14:32:00
117
原创 Python四大数据结构详解：字典、列表、集合、元组
Python核心数据结构解析：列表、元组、字典与集合 本文详细介绍了Python的四种核心数据结构及其应用。列表(List)是有序可变集合，适合存储可修改的数据序列；元组(Tuple)是不可变有序集合，适用于需要数据保护的场景；字典(Dictionary)是高效的键值对存储结构，便于快速查找；集合(Set)提供无序唯一元素存储，支持数学集合运算。文章对比了它们的特性差异，并给出了实际应用场景示例，如列表用于数据处理、元组作为字典键、字典存储配置信息等，帮助开发者根据需求选择合适的数据结构。
2025-12-26 14:31:24
149
原创 Python实现先进先出队列：原理、实现与应用
本文介绍了Python中实现FIFO队列的多种方法。首先阐述了队列的基本概念和特性，包括先进先出原则和基本操作（入队、出队、查看队首等）。然后详细比较了四种实现方式：使用列表(List)实现简单但出队性能较差(O(n))；推荐使用collections.deque实现高效队列(O(1)操作)；queue模块提供线程安全的Queue类适用于多线程环境；自定义链表实现有助于理解队列底层原理。每种方法各有特点，开发者可根据具体场景选择最合适的实现方案。
2025-12-26 14:30:44
128
原创 Transformer完全解读：从零理解现代AI的基石
Transformer架构解析：自注意力驱动的AI核心 Transformer已成为自然语言处理和计算机视觉领域的革命性架构，其核心在于自注意力机制。该架构通过完全摒弃传统RNN和CNN结构，实现了高效的并行化处理和长距离依赖建模。 关键特点： 自注意力机制：每个词都能评估与句中所有词的相关性 编码器-解码器结构：可独立使用（如BERT/GPT） 位置编码：显式注入序列顺序信息 多头注意力：并行多组注意力计算增强表达能力 工作流程包括输入表示、编码器处理（自注意力+前馈网络）、解码器处理（掩码自注意力+编码
2025-12-26 14:17:36
394
原创 混淆矩阵：从“混淆”到“清晰”，一份人人都能看懂的性能解读指南
本文深入浅出地讲解了机器学习中混淆矩阵的概念与应用。文章首先解释了混淆矩阵名称的由来，指出其作用是揭示模型分类时的错误类型。通过医学检测的二分类案例，详细拆解了真正例(TP)、真负例(TN)、假正例(FP)和假负例(FN)四种情况。重点分析了从混淆矩阵衍生的关键指标：准确率、精确率、召回率和F1分数，并以果园筛选机的比喻形象说明精确率和召回率的权衡关系。最后强调应根据实际场景选择优化方向，怕误报则追求高精确率，怕漏报则追求高召回率。全文通过生动案例和实用口诀，帮助读者深入理解这一重要评估工具。
2025-12-26 12:30:34
262
原创 【Python列表推导式：优雅生成1-100的序列】
本文详细介绍了Python列表推导式的使用方法和优势。通过生成1-100序列的示例，展示了列表推导式的基础语法[expression for item in iterable if condition]及其与传统循环的性能对比。文章还探讨了进阶用法，包括生成偶数/奇数序列、平方数序列、嵌套循环等，并比较了集合推导式、字典推导式和生成器表达式的区别。最后强调在实际应用中要平衡简洁性和可读性，根据数据规模选择合适的方法。列表推导式是Python高效编程的重要工具。
2025-12-26 12:28:24
121
原创 小红书笔记提取：三大开源工具对比与 xhs-auto-down 详细使用教程
本文对比分析三款主流开源小红书数据提取工具（xiaohongshu-mcp、leon-mediacrawler、xhs-auto-down），重点介绍xhs-auto-down的使用方法。该工具专注于无水印内容下载，支持单篇笔记下载、批量下载和用户笔记采集等功能。文章详细展示了Python环境配置、基础下载脚本编写、批量下载实现以及Cookie配置方法，为不同需求用户提供实用解决方案，帮助高效获取小红书平台内容数据。
2025-12-23 21:05:30
952
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人