ZachLi的博客

原创 RAG 平台是什么

RAG 平台是企业 AI 落地的标配工具，解决大模型三大痛点：幻觉、知识过时、数据不安全。LlamaIndex（简单）、LangChain（灵活）、RagFlow（深度文档）。FastGPT（低代码）、MaxKB（国产化）、豆包企业版（中文强）。快速验证：用LlamaIndex跑通，再用做可视化管理。

原创 ClawHub 是什么

相当于 AI 助手的 “应用商店” 或 “npm 包管理器”，核心是让你为 OpenClaw 快速安装、管理、扩展各类自动化能力（Skills）。

原创 数据转换时浮点漂移问题解决

快速解决：优先用方案 1（添加微小偏移），仅需一行修改，适配你的原始算法；彻底解决：如果业务允许，用方案 2（整数运算），零浮点漂移，性能也更高；高精度场景：用或第三方高精度库（方案 3），适合科学计算类需求。核心逻辑：通过 “抵消精度误差” 或 “规避浮点运算”，让的结果与 MATLAB 完全一致。

原创 C++开发常用语言特性及算法

核心语言特性：基础层（封装 / 继承 / 多态、STL 容器）+ 现代层（auto、智能指针、Lambda、范围 for）是 C++ 开发的核心，优先掌握；高频算法：STL 算法（排序 / 查找 / 容器操作）是工程开发标配，二分、双指针、滑动窗口、DFS/BFS 是面试 / 业务开发的高频算法；实践建议：先掌握 STL 容器 + 基础算法，再逐步深入现代 C++ 特性和复杂算法，结合实际场景（如刷题、项目）巩固。

原创 软件工程师搞副业！

软件工程师搞副业，核心是，优先选的方向。下面是「短期赚快钱、中期稳增收、长期做资产」可直接落地的方案。

原创 光学、SAR、电侦卫星

光学、SAR、电侦卫星是三类完全不同的对地观测 / 侦察卫星，核心差异在。。

原创 如何实际、高效地使用 AI Agent来提升开发效率？

开发场景下用 AI Agent，核心是把需求拆成具体目标 + 约束，让它处理 “代码生成、调试、文档、学习” 等低价值工作，你聚焦核心逻辑和架构；关键避坑点：Agent 输出需校验，指令要具体，复杂需求分步迭代；优先使用 IDE 集成的 Agent 工具，效率远高于网页版。

原创 真正编程能力是不是手撕代码？

通常指在脱离 IDE、无自动补全、无法运行调试的环境中，仅凭记忆和理解，手写或在线白板写出完整可运行的代码。常见于：算法竞赛（ACM/LeetCode）技术面试（Google、Meta 等白板环节）计算机基础考试数据结构与算法的熟练度、代码语法准确性、边界条件处理。真正编程能力 = 手撕代码 × 工程思维 × 解决问题的能力三者是乘法关系，任何一项为零，整体能力就为零。手撕代码是能力的下限，而架构、调试、协作决定了上限。所以，既能手撕红黑树，又能搞定生产环境宕机，才是真正的“编程大神”。

原创 微服务架构在 C++ 和 Python中的应用

protobuf。

原创 内网类 Dify+Cursor 大模型平台核心技术点、实现方案与薪资水平

技术核心：公司这套内网平台是大模型工程化落地的典型代表，核心技术点围绕私有化大模型底座、RAG 技术体系、智能体与工作流、类 Cursor IDE 与 MCP、内网工程化保障展开，无纯算法研发，更侧重「大模型 + 工程化 + 业务融合」的复合能力；实现原则：优先基于成熟开源框架（LangChain/vLLM/Monaco Editor）二次开发，聚焦内网适配、私域数据融合、业务定制，减少重复造轮子，快速落地；能力提升：遵循「基础→进阶→高阶」三步，从单一功能开发到模块化集成，再到架构设计，核心是实战。

原创 目标检测算法应用工程师 面试高频题 + 标准答案

答案基础 NMS：目标检测中模型会预测多个重叠的目标框，NMS 通过计算框的 IOU，保留置信度最高的框，删除 IOU 大于阈值（通常 0.5）的重叠框，解决重复检测问题，是目标检测的必备后处理步骤。改进原因：基础 NMS 在遮挡 / 密集目标场景会误删有效框（如人群检测、货架密集商品检测），导致漏检，工业落地中需要根据场景调整 NMS 策略。常用改进版（落地主流）：Soft-NMS：不直接删除重叠框，而是降低其置信度，适合密集 / 遮挡目标场景（如安防人群检测、物流包裹密集检测）；

原创 目标检测算法应用工程师学习简介

目标检测算法应用工程师是的核心岗位，区别于纯算法研究员（聚焦算法创新 / 论文复现），该岗位核心围绕展开，核心目标是把成熟的目标检测算法（如 YOLO 系列、Faster R-CNN 等）在安防、自动驾驶、工业质检等实际业务中跑通、跑稳、跑高效，解决落地过程中的算法、工程、硬件适配等问题。该岗位是 AI 工业化落地的核心角色，需求覆盖（安防、自动驾驶、工业智造、智慧零售、医疗影像、无人机巡检等），对的综合要求高，且更偏向而非纯理论研究，适合兼具算法理解和编程实践能力的开发者。

原创 航天领域 C++ 开发提升计划

根据你的背景，以及 ** 技术纵深（智能感知与仿真系统架构师）技术管理（技术型项目经理）** 两个方向，分别制定可落地的 3 个月提升计划，每月有明确目标、核心任务、耗时分配和验收标准，兼顾工作与学习平衡。

原创 C++工程师的成长

结合的核心背景，以及的技术栈，同时具备的可能性，目标方位可以分为两大核心赛道 ——和。两个赛道并非完全割裂，且都高度契合航天领域的发展趋势，以下是详细的定位分析、适配性评估和成长路径规划。

原创 提升编程能力

提升编程能力是系统性工程，核心在于。结合航天领域 C++ 软件工程师的背景，以下是可直接落地的完整进阶方案，覆盖从代码写到系统设计的全链路能力提升。

原创 基础GPU开发相关知识点

【代码】基础GPU开发相关知识点。

原创 基于CPU开发或GPU开发的区别

原创 软件工程师汇报能力提升工具包

领导，我们 XX 项目已完成 80%，核心功能 XX 已上线并通过测试。目前最大卡点是 XX 依赖项，需要 XX 部门配合。解决后能提前 5 天交付，预计带来 XX 用户转化提升。我们做了 XX 系统的架构优化，把部署时间从 2 小时缩短到 15 分钟，运维人力成本降低 30%。后续对接时，你们只需要按新接口文档联调，效率能提升一倍。上周线上 XX 故障，我们定位到是 XX 代码逻辑漏洞，通过 XX 方案修复，现在系统稳定性恢复到 99.99%。总结了 3 个避坑点，稍后同步到群里，大家可以参考。

原创 软件工程师汇报能力提升指南

核心结论速览：软件工程师提升汇报能力，关键在于，掌握，根据，用，并通过形成闭环。

原创 YOLO简介

YOLOv5、v8和v11是Ultralytics发布的三个重要版本，它们不是简单的“新版本替代旧版本”，而是在架构和适用性上有不同的侧重点。的核心标签是，非常适合入门和传统检测。的核心标签是，是当下工业部署的主流。则是在保持高精度的同时，进一步追求，尤其是在资源受限的边缘设备上。

原创 PyTorch基础知识简述

张量（Tensor）是 PyTorch 的核心数据结构，掌握创建、形状操作、运算、设备切换是基础，其是自动求导的前提。Autograd自动计算梯度，backward()触发反向传播，必须在每次训练前执行，避免梯度累加。是标准化的数据加载方式，解决批量、打乱、多线程加载问题，是训练模型的必备工具；nn.Module是构建神经网络的核心类，训练流程固定为 “梯度清零→前向传播→计算损失→反向传播→更新参数”。这些代码覆盖了 PyTorch 最核心的基础用法，建议逐段运行、修改参数（如batch_size。

原创 3 分钟职场技术分享 IDEA 演讲模板

C+++AI 工业视觉缺陷检测快速落地（可替换为你的技术方向）：严格控制 3 分钟（开场 30 秒 + 欲望 30 秒 + 链接 90 秒 + 融合 30 秒）：部门技术分享、跨团队经验交流、内部分享会。

原创 IDEA演讲密码

IDEA 演讲密码是国际商学院演讲挑战赛指定教材《演讲密码》中提出的 IDEA 演讲模型，核心是通过 Impression（印象）、Desire（欲望）、Explore（链接）、Acquire（融合）四个维度，将演讲者的 “想法” 高效植入听众心智，兼具实用性与可操作性。

原创 研发人员如何“处理悬而未决的项目”

不要自行其是：您作为研发人员，首要职责是执行经过确认的指令。在获得项目经理或公司的明确决策前，不要远程激活任何限制或修改已部署的软件。书面沟通，保留记录：所有关于项目状态、风险、处理方案的沟通，尽可能通过邮件等可留存的方式进行。这是保护您个人和公司利益的关键。风险升级：如果项目经理对明显风险置之不理，应向更高层级或相关部门（技术管理、法务）报告。技术准备，暂不执行：准备好技术控制方案，但将其作为决策选项提交，而非直接实施。推动商务闭环：积极推动项目走向明确的结论（继续或终止），避免无限期消耗和风险累积。

原创 Vim删除当前行从光标位置到行尾的内容

在Vim中，要删除当前行从的内容，最常用、最高效的指令是D。Dd$Ddvd。

原创 C++调用Python代码示例

std::cout << " 通道" << j+1 << ": " << temperatures[j] << "℃" << std::endl;std::cout << "第" << i+1 << "次读取:" << std::endl;std::cerr << "Python错误: " << e.what() << std::endl;std::cerr << "C++错误: " << e.what() << std::endl;std::cerr << "设备连接失败" << std::endl;

原创 航天领域C++工程师的“AI转型与跃升”战略规划

纯粹的算法工程师在互联网公司很多，但既懂航天工程约束（如星载算力、可靠性、实时性）又懂AI算法优化的专家，在业内是稀缺资源。例如，做一场《基于Transformer的时序数据预测在航天领域的应用前景》或《C++环境中深度学习模型轻量化部署初探》的报告。拥有C++应用软件开发经验，且在航天领域有深厚背景的工程师，不离开行业的前提下，通过学习PyTorch和Transformer等深度学习技术。验证最基本的AI集成能力。：熟悉航天领域的工作流程、质量要求和系统约束，这是外来AI人才难以短期获得的。

原创 Transformer 零基础学习指南

对于普通应用开发者来说：Transformer不是遥不可及的技术，而是可以立即使用的工具不需要成为AI专家也能集成AI功能关注业务价值，而不是技术本身有多复杂学习的关键：动手实践，从一个简单的分类任务开始，逐渐扩展到更复杂的应用。Transformer技术正在让普通应用软件变得更智能，这是每个开发者都应该掌握的技能。

原创 Transformer、PyTorch与人工智能大模型的关系

人工智能 (AI) ↓深度学习 (Deep Learning) ↓大模型 (Large Models) ← 常用架构：Transformer ↓实现框架：PyTorch/TensorFlow2. Transformer的核心地位Transformer是什么？ 一种神经网络架构，2017年由Google在《Attention is All You Need》中提出核心创新：自注意力机制，解决了RNN/LSTM的并行计算问题

原创 大模型应用开发工程师需要了解的关键技术知识

作为大模型应用开发工程师，需要掌握从底层原理到上层应用的完整技术栈。以下是必须掌握的关键技术知识，将其分为。

原创 模型参数简介（以7B为例）

把模型的参数想象成模型的“知识存储单元”或“内部旋钮”。假设学习一门新语言。大脑中的神经元会形成无数个连接，每个连接都有一个“强度”，用来记住“单词A通常在单词B后面出现”或“这种语法结构表示疑问”。这些连接的“强度”就是“参数”。参数是模型在海量数据上训练后学到的数字。它们决定了模型如何处理输入（比如你的问题）并生成输出（比如它的回答）。例如，一个参数可能决定了模型在看到“猫”这个词时，应该多大程度上联想到“喵喵叫”、“胡子”或“抓老鼠”这些概念。

原创 区分显存内存

特性GPU显存系统内存服务对象GPU（图形处理器）CPU（中央处理器）主要用途存储实时渲染和并行计算所需的数据存储操作系统、应用程序、游戏逻辑等所有数据速度极快（GDDR6X, HBM2e），带宽高达数百GB/s至TB/s快（DDR4, DDR5），带宽约几十GB/s容量相对较小（消费级常见8GB-24GB）相对较大（常见16GB-64GB）物理位置焊在显卡上，紧邻GPU芯片插在主板的内存插槽上连接总线通过PCIe总线与CPU/内存通信通过内存总线直接与CPU通信。

原创 vim快捷键总结

Vim的学习曲线较陡，建议每天练习几个快捷键，逐步形成肌肉记忆。增加set number 显示行号。- 插入模式（下一个字符）- 查找当前单词下一次出现。- 查找当前单词上一次出现。- 插入模式（当前位置）- 插入模式（下方新行）- 插入模式（上方新行）- 使用指定寄存器（如。- 选择寄存器（X11）（可视模式下选择多行缩进）从基础移动（hjkl）开始。命令可以获得交互式教程！- 跳转到指定行（如。- 跳转到指定行（如。- 全局替换（需确认）- 插入模式（行首）- 插入模式（行尾）

原创 PyTorch张量（Tensor）简介

images = torch.randn(10, 3, 128, 128) # [批次, 通道, 高, 宽]images = torch.randn(batch_size, 3, 224, 224) # 批次图像。tensor_3d = torch.randn(2, 3, 4) # 3维张量（如批次图像）vector = torch.tensor([1, 2, 3]) # 向量（1维张量）state = torch.tensor([0.5, -0.2, 0.8]) # 环境状态。

原创 GPU简介

独立显卡就像一台完整的台式电脑。GPU就像这台电脑里的CPU（中央处理器），是最核心的计算部件。所以，当在深度学习或游戏场景中关注“GPU性能”时，实际上关注的是独立显卡上那个名为GPU的计算核心芯片的性能，以及与之紧密配合的显存的容量与速度。

原创 项目经理处理技术接口不清晰的问题

在需求明确但技术接口不清晰、项目经理非技术背景且涉及多部门协作的场景下，项目经理的核心任务是。通过此方法，即使非技术背景的项目经理也能高效协调多部门，确保项目在技术不确定性中稳步推进。三大手段，将技术模糊性转化为可控风险。

原创 GPU显存详解：大模型部署的显存需求全解析

GPU显存 vs 系统内存# 查看GPU信息print(f"GPU数量: {torch.cuda.device_count()}")print(f"当前GPU: {torch.cuda.get_device_name(0)}")print(f"总显存: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.1f} GB")

原创 Batch Size简单介绍

是机器学习和深度学习中的一个核心超参数。它指的是。

原创 PyTorch与Transformer的关系

PyTorch是Transformer的"最佳拍档"和"首选实现平台"PyTorch：提供了构建和训练神经网络的基础设施：一种革命性的神经网络架构关系：PyTorch让Transformer从论文走向现实，Transformer推动了PyTorch生态的繁荣特性对Transformer的重要性PyTorch的优势动态计算图Transformer需要灵活的结构支持动态图，调试方便自动微分复杂的注意力梯度计算自动计算，无需手动GPU加速大矩阵运算必需CUDA深度集成模块化。

原创 C++应用开发转到大模型应用开发路径

从C++应用开发转到大模型应用开发转型路径。