- 博客(318)
- 收藏
- 关注
RSS订阅
原创 别再说AI编程就是Vibe Coding了，Agentic Engineering才是未来
文章摘要： AI编程正从"Vibe Coding"（氛围编程）向"Agentic Engineering"（智能体工程）演进。初期Vibe Coding虽提高效率，但导致代码质量下降、安全漏洞激增，维护成本高昂。2026年，Andrej Karpathy提出Agentic Engineering新范式，将开发者角色转变为"工程总监"，通过多智能体协作完成编码任务，强调结构化监督和质量管控。该方法通过定义项目宪章（AGENTS.md）、建立上下文管理
2026-04-16 08:00:00
2400
86
原创 深度拆解REITs全体系逻辑：百货公司发行路径、资产证券化本质与商业地产资本化终局
文章摘要 REITs（不动产投资信托基金）将百货商场等商业地产通过证券化拆分为可交易份额，使普通投资者能以小额资金参与大额不动产投资。中国公募REITs政策历经三次扩容，2023年将消费基础设施纳入试点范围，2026年全面放开商业不动产REITs，为百货商场资产证券化提供路径。百货公司发行REITs需满足权属清晰、土地合规、运营成熟（开业3年以上、出租率90%+）、现金流稳定（强制分红90%以上）等硬性条件。REITs区别于股票、债券和普通基金，具备强制分红、底层资产真实、收益来源清晰和流动性重构四大特征。
2026-07-03 16:24:22
377
2
原创 【银行合规 RAG 实战】一文搞懂 KM 知识库：内规外规、1-hop、Neo4j 侧车、RRF 融合检索
做过银行合规 / 监管科技项目的同学，大概率踩过这个坑：向量检索明明命中了《反洗钱管理办法》，却漏掉了外规里点名引用的《客户尽职调查实施细则》——不是文档没入库，是**「谁引用谁、谁约束谁」这条链，系统里根本没有**。我们团队在做AI 合规审查平台的 KM（Knowledge Management）模块演进时，从「能存能搜」走向「能连能溯」，中间一堆术语——内规外规、Phase 1、1-hop、Neo4j 侧车、RRF——把产品和开发都绕晕了。这篇文章用一个真实项目的演进路径，把这些概念一次讲透。
2026-06-30 20:20:14
370
1
原创 AI时代的知识图谱完全指南：从概念原理到企业落地的实战手册
当大模型在2024-2026年席卷整个AI行业时，一个被忽视的问题正在悄然浮现：大模型“幻觉”依然是企业级AI应用的最大拦路虎。据相关研究显示，传统ChatGPT-4在临床问答上的准确率仅为37%，即使是最先进的DeepSeek-R1也仅能达到52%。但当引入基于知识图谱的GraphRAG框架后，准确率飙升至98%，幻觉率从63%骤降至1.7%。这组数据揭示了一个关键事实：知识图谱正在从“技术冷门”走向“AI刚需”。
2026-06-30 15:04:05
475
1
原创 别再把POC当MVP交差：技术人必懂的落地逻辑，从三维差异到实操全解
文章摘要（149字）： POC（概念验证）与MVP（最小可行产品）本质不同：POC是技术团队的“实验室”，仅验证技术可行性（如AI客服能否处理咨询），无需考虑稳定性或用户体验；MVP是产品团队的“试验田”，需交付真实用户验证市场需求（如精简版SaaS能否闭环解决需求）。两者混淆将导致资源浪费——POC过度工程化或MVP功能残缺。正确逻辑应是先用POC排除技术风险（如OCR识别率），再用MVP验证商业价值（如用户付费意愿），避免错用验证对象或形态错位。核心区别：POC回答“能不能做”，MVP回答“该不该做”。
2026-06-30 12:59:33
316
原创 AI编程实战：如何开发一个谷歌浏览器插件，并上架 Chrome 商店？
浏览器插件开发，对 AI 编程新手来说，是一个很好的练习方向。它足够小，容易开始。它又足够真实，可以上架或者直接发压缩包让别人安装使用。
2026-06-28 20:38:09
279
原创 Windows 11 使用 openspec-cn 初始化 Codex 项目失败？PowerShell 执行策略报错完整解决教程
最近在 Windows 11 上使用初始化项目时，很多人会遇到一个非常典型的问题：命令明明已经安装好了，但一执行就报红，而且错误信息里出现了无法加载文件等字样。openspec-cn : 无法加载文件 C:\Users\evan\AppData\Roaming\npm\openspec-cn.ps1，因为在此系统上禁止运行脚本。有关详细信息，请参阅 https://go.microsoft.com/fwlink/?LinkID=135170 中的 about_Execution_Policies。
2026-06-27 22:49:06
386
原创 武圣关羽的封神之路：为何历代帝王都在拼命抬高他？拆解1800年历史，看透皇权统治的底层逻辑
去过关帝庙、了解过三国历史的人，大多会有一个疑问：关羽，一个三国时期兵败身死、丢了战略要地荆州的将领，既没有一统天下的不世之功，也没有安邦定国的治世之才，为什么能在死后一路逆袭，从区区“汉寿亭侯”步步攀升，最终成为与文圣孔子平起平坐的“武圣帝君”，甚至在民间的香火普及度远超孔庙？很多人把这一切归为《三国演义》的文学渲染。但真相是：早在《三国演义》成书的元末明初之前，关羽就已经被历代帝王加封了上千年。罗贯中从未凭空造神，他只是把官方与民间早已成型、深入人心的关羽形象，用文字固化进了小说里。
2026-06-25 18:35:33
367
2
原创 深入拆解Agent核心：系统提示词与用户提示词的本质区别、工程落地与全场景避坑指南
你可以把系统提示词理解为给AI发的入职通知书+员工手册+红线禁令。AI从启动到会话结束的整个生命周期里，都要严格遵守这些规则，无论用户说什么、问什么，底层的身份、底线、做事标准都不能变。它就像演员的“人设剧本”，一旦定下来，整场戏都要按这个人设来演，不能中途跳戏。系统提示词（System Prompt）是在Agent会话初始化阶段注入的全局元指令，属于大语言模型对话上下文中的system角色消息。
2026-06-25 18:14:56
606
原创 输入sj一键打出完整时间！Windows微软拼音保姆级设置教程，写文档效率直接拉满
相信很多经常写博客、填报表、记笔记的朋友都有这个痛点：每次要输入标准时间格式（），要么手动敲半天，要么去右下角复制时间，麻烦又容易出错。Windows自带的微软拼音输入法，默认输入sj只会弹出“14点55分”这种简易时间，完全满足不了办公需求。不用装第三方输入法，3分钟配置自定义短语，输入sj直接打出完整年月日时分秒，效率直接翻倍！本文全程保姆级截图教学，Win10/Win11通用，跟着点就行。在当前页面，点击词库和自学习选项找到「用户定义的短语」，先把右侧的开关打开（默认可能是关闭状态）
2026-06-20 16:21:14
345
13
原创 npm 和 npx 的区别：基本概念、核心原理、代码实战教学与企业项目落地
本文深入解析了npm和npx的核心差异及其应用场景。npm作为Node.js官方包管理器，负责依赖安装、版本管理和脚本执行；npx则是npm 5.2+引入的包执行工具，用于临时运行命令而无需全局安装。文章详细剖析了两者的工作原理，包括npm install的依赖解析算法和package-lock.json的作用，并对比了npm install与npm ci在CI环境中的适用性。通过代码示例和架构图，展示了npm生态的发展现状（截至2026年），强调掌握这些工具对于提升开发效率的重要性，特别适合不同经验水平的
2026-06-20 16:01:19
480
1
原创 SSO（单点登录）：基本概念、核心协议、代码实战教学与企业项目落地
今天，我们就来聊聊那个能让你"一票畅玩所有项目"的神器——SSO 单点登录（Single Sign-On）。周一早上，你打开电脑，准备开始一天的工作。打开邮箱要登录一次，打开OA审批要登录一次，打开CRM查客户要登录一次，打开代码仓库提交代码又要登录一次……一天输 20 遍密码，我到底是在工作还是在验证身份？更绝的是，每个系统的密码规则还各不相同：于是你把密码记在便利贴上，便利贴贴在显示器上，"密码.xlsx"存在桌面正中间——恭喜你，成功为黑客降低了攻击成本。公司收购了一家初创团队，对方技术团队虽然代码写
2026-06-17 20:12:14
690
53
原创 2026 最强容器技术指南：Kubernetes 和 Docker 关系深度解析，一文讲透核心原理与企业落地（建议收藏）
2026容器技术指南：Kubernetes与Docker核心解析 本文深入剖析Kubernetes和Docker的关系与协作机制。Docker作为容器化平台负责应用打包，解决环境一致性问题；Kubernetes作为编排系统负责容器调度，解决弹性扩缩容和集群管理难题。文章通过实际场景分析两者的互补性，解释Kubernetes 1.24版本移除Docker支持的技术原因（架构简化），并强调Dockerfile的持续价值（遵循OCI标准）。包含容器技术对比、核心组件解析和实用开发建议，帮助开发者掌握现代容器化应用
2026-05-16 19:08:07
599
7
原创 2026 最全 MinIO 深度解析：从 S3 兼容存储到 AI 数据底座的完整指南（建议收藏）
如果你正在为"海量文件存储选型"头疼，或者你的团队正在经历从 FastDFS 的"年久失修"到 Ceph 的"部署文档看了一周还没装好"的痛苦，那么这篇文章就是为你准备的。MinIO——这个 GitHub 星标突破 58.9K、Docker 下载量超 10 亿次的开源明星项目，正在 2026 年经历从"分布式存储工具"到"AI 数据底座"的战略升级。但与此同时，MinIO 社区版于 2025 年 12 月正式进入维护模式，这一变化对整个开源存储生态产生了深远影响。
2026-05-16 17:45:21
715
2
原创 大模型数据飞轮核心技术一篇讲透：原理、架构、企业级案例与2026最全实践指南
大模型数据飞轮核心技术解析与实践指南 本文系统剖析了大模型时代的数据飞轮技术体系，通过四大典型场景揭示了当前AI应用面临的核心困境：模型性能衰退、迭代周期过长、场景适配性差和成本失控问题。数据飞轮作为解决方案，通过"数据-模型-用户-反馈"的正向循环机制实现自我增强。 文章详细阐述了数据飞轮的四大构建层次（业务闭环、数据采集、模型训练和在线推理）和MAPE控制循环（监控、分析、规划、执行）的核心原理。通过NVIDIA、阿里云等企业案例证明，有效的数据飞轮可使模型推理成本降低98.6%，同
2026-05-05 20:33:51
1312
5
原创 TRAE AI编程工具终端乱码解决方案
TRAE终端乱码通常与系统本地化环境变量的字符编码设置有关。根据文档内容，TRAE CLI 会根据系统的本地化环境变量自动选择答复语言，若这些变量配置不当（如未使用 UTF-8 编码），可能导致终端显示乱码。
2026-05-04 18:53:22
861
3
原创 模型调好了怎么给老板看？用这玩意儿5分钟出Demo，连前端都不用学：Gradio 6全栈实战指南
Gradio 是一个开源 Python 库，允许开发者无需掌握 JavaScript、CSS 或 Web 部署知识，即可将任何机器学习模型、API 或 Python 函数直接转化为一个拥有现代界面的、可公开访问的 Web 应用。它基于 FastAPI 和 Svelte 构建，兼具高性能后端与现代前端渲染能力。通俗理解：Gradio 就像给 Python 函数穿上一件“自动生成的漂亮衣服”。你的模型脚本是原材料，Gradio 是一个全自动裁缝铺，它帮你把衣服剪裁、缝制、打包好，别人一打开网页就能看到成品。
2026-05-04 18:28:49
542
原创 面试官：“从 GPT-1 到 4，核心突破是？” 我：“不知道。” 面试官：“你可以走了。”
大白话：模型不只是输出文字，还能输出结构化的 JSON 告诉我“我要调用的 API 是哪一个，参数是什么”，从而让你连接外部工具执行实际操作。GPT-2 拿了 15 亿参数（当时巨大），发现“什么都不改，只是把模型和数据怼上去”，就能 zero-shot 完成很多任务。大白话：不给模型更新权重，而是直接在输入里塞几个“问题-答案”的例子，模型看过例子后，瞬间就能模仿着给出新答案。输入可以是图+文，输出文字。大白话：同一个模型，不专门做微调，直接就能翻译、写摘要、编故事，全凭预训练时看到的各种文字模式。
2026-05-01 22:33:35
988
3
原创 别再瞎学了！百川大模型保姆级实战指南，2026年AI应用开发就该这么干
真正有价值的大模型应用，不是更换一个API，而是深度理解一个领域的痛苦，并用模型的重推理、低幻觉、可追问等特性去解决它。别再浪费时间刷榜挑选“最强”模型了。选择一个像百川这样在垂直能力、部署友好度、开源生态上都做得很扎实的基座，扎到你的业务里，设计追问、控制幻觉、优化成本，把产品体验做到极致，才是这个时代开发者真正的护城河。2026 年，愿你不再“调参焦虑”，做出真正让人“哇塞”的 AI 应用。
2026-05-01 21:49:22
224
2
原创 AI应用开发术语翻译表
AI学习资源分享与术语解析 本文分享了一个系统化的AI学习渠道，并重点介绍了一份AI应用开发术语表。该术语表通过8条主线清晰划分核心概念边界：1)Prompt任务表达 2)RAG外部知识接入 3)微调模型行为 4)Workflow固定流程 5)Agent动态决策 6)Tool工具调用 7)MCP能力标准化 8)LangGraph复杂流程编排。包含大模型基础术语（如LLM/Token/Transformer）、训练方法（预训练/微调/RLHF）及技术方案（LoRA/MoE）的通俗解释，帮助学习者理清易混淆概念
2026-04-29 17:57:05
90
3
原创 什么是“多模态微调”？
文章摘要： 多模态微调通过预训练模型（如CLIP、BLIP-2）在特定任务（图文匹配、生成等）上优化性能，核心方法包括双编码对比和生成式架构。关键技术涉及参数高效微调（PEFT）如LoRA、Adapter，通过低秩分解或模块化设计减少计算开销。实操流程涵盖模型选择、数据准备（清洗、增强）、训练策略（冻结部分参数、学习率调整）及评估指标（BLEU、Recall@K）。代码示例展示了基于Hugging Face和PEFT工具的LoRA微调实现，适用于资源受限场景。该技术平衡性能与效率，是适配多模态任务的高性价比
2026-04-29 17:38:41
345
2
原创 面试官：“OpenAI 协议通用，你的价值在哪？” 我：“极端故障谁处理？
流式调用基于一个叫 SSE（Server-Sent Events，服务端推送事件）的协议。不需要深入了解 SSE 的所有细节，只要理解它的核心思想就行。普通的 HTTP 请求是一问一答的模式：客户端发一个请求，服务端返回一个完整的响应，然后连接就关闭了。SSE 不一样：客户端发出请求后，服务端不会一次性返回所有内容然后关闭连接，而是保持连接打开，持续地往客户端推送数据块。每个数据块是一行文本，以开头。当所有内容都推送完毕后，服务端会发送一个特殊的结束标记，然后关闭连接。
2026-04-27 22:10:38
908
2
原创 面试官：“AI 都自动写 Prompt 了。” 我：“边界场景谁抗？”
摘要（149字）： Prompt工程通过结构化指令优化大模型输出质量。核心框架包含五要素：角色（定义边界）、任务（明确目标）、约束（限制行为）、输入（规范数据源）、输出（定义格式）。示例显示，优质Prompt能精准控制模型仅依据参考资料作答，避免预训练知识干扰，并规范引用标注（如"[1]"）。在RAG场景中，需分隔输入块、排序关键信息、控制Token数，输出时要求先结论后依据、分点列举或条件分支，并严格遵循引用规则（无来源不输出）。Prompt工程本质是建立"输入-处理-输出&
2026-04-27 21:59:08
520
1
原创 《C盘/D盘满了？别再手动一个个翻文件夹了！用AI自动分析 + 精准清理，释放50G空间》
✅重复文件：同一个文件存在多份，删掉重复的✅下载的安装包：确认软件已安装，压缩包可以删✅临时/缓存文件：.tmp、.cache、.bak 等✅超过3个月未访问的日志文件：一般用不上了清理磁盘这事，工具不是重点，思路才是先扫描，再分类—— 不要盲目删除先备份，再清理—— 重要数据多留一份先评估风险，再动手—— 系统文件和程序文件要谨慎让 AI 做分析，自己做决策—— AI 告诉你能删什么，你决定要不要删硬盘空间是有限的，但只要思路对了，清理 50G、100G 都不是问题。
2026-04-26 21:25:36
615
2
原创 投资人说：“Claude Code 源码都解析透了，技术壁垒没了，你们的护城河在哪？” 我：“既然报告里啥都有，那为什么你投的那家‘完全复刻’团队，连个 Token 成本都降不下来，还得花大价钱来挖我
AI Agent 90% 的工作量都在"AI"之外。512,000 行代码的分布：├── 模型调用 & API 通信 ~5%├── 工具系统 & 权限管理 ~25%├── 上下文工程 & 压缩 ~15%├── UI/UX & 终端渲染 ~20%├── 生态集成 & 扩展 ~15%├── 会话管理 & 持久化 ~10%└── 遥测 & 监控 & 安全 ~10%信任工程：如何让 AI 在真实环境中安全运行——42 个工具的 14 步治理流水线、Fail-closed 设计、读前写约束。
2026-04-26 18:36:10
754
1
原创 没有这哥们的出现，微服务监控的连路都要断了：OpenTelemetry全栈可观测保姆级指南，附Python+阿里云生产实战
公司的技术栈百花齐放，也百花齐乱。同一个用户请求，前半段在 Java 服务里用 Jaeger 追踪，后半段在 Go 服务里用 Zipkin，中间还夹着一个 Python 脚本没有埋点。链路到这里就断了，像一部多机位拍摄的电影，每个机位拍了一段，但没有统一的时间线和剪辑师。OpenTelemetry 是一个中立、标准化的开源可观测性框架，提供统一的方式来生成、收集和导出遥测数据（Traces、Metrics、Logs），由 CNCF 托管，100% 开源且供应商中立。
2026-04-26 17:41:38
510
1
原创 Docker 学习血泪史：我从零到精通踩过的所有坑
Docker 学习血泪史：从零到精通的避坑指南 本文记录了作者从 Docker 新手到精通的实战经验，重点分享了环境一致性、部署效率和资源浪费三大痛点。文章分为两个核心阶段：基础篇（首次运行容器的常见错误解析）和镜像篇（磁盘空间优化技巧）。通过类比菜谱和炒菜的生动解释，详细介绍了 Docker 架构、核心概念和分层原理，并提供了企业级实战命令和避坑指南，包括容器操作、镜像优化和清理技巧，帮助读者快速掌握 Docker 实用技能。
2026-04-26 17:10:28
404
原创 Kubernetes是什么？(小白入门版)
摘要：Kubernetes（K8s）是智能化的应用管理平台，核心功能包括自动扩缩容、故障自愈和滚动更新。其核心概念通过生活化类比理解：Pod如同店铺单元，Deployment负责副本管理，Service提供固定访问入口，Namespace实现环境隔离，ConfigMap/Secret存储配置，Volume保障数据持久化。后端开发者借助K8s可轻松实现多实例部署、服务发现和配置管理，典型应用场景如电商系统能自动应对流量高峰，确保服务高可用。K8s通过基础设施自动化，让开发者聚焦业务逻辑开发。（149字）
2026-04-25 16:01:25
367
转载 建立一个清晰的 AI 学习认知框架和路线
写这篇文档的目的，是帮大家建立一个清晰的 AI 学习认知框架——知道学什么、怎么学、以及现在不需要学什么。别被营销号贩卖的焦虑带偏节奏。说到底，学 AI 应用开发和当年学 Java 后端没有本质区别——都是理解核心概念、熟悉技术栈、然后在项目中反复练。如果你已经有后端工程基础，上手甚至会比预期更快。
2026-04-24 18:42:51
190
原创 React 快速入门到精通教程：从零基础到能写项目
React 是一个用于构建用户界面的 JavaScript 库，采用组件化开发模式。本文从基础到进阶讲解了 React 的核心概念： JSX - 在 JavaScript 中编写类似 HTML 的结构 组件 - 将 UI 拆分为独立可复用的部分 Props - 父组件向子组件传递数据 State - 组件内部状态管理 事件处理 - 响应用户交互 条件渲染 - 根据条件显示不同内容 列表渲染 - 动态渲染数组数据 表单处理 - 获取用户输入 React 通过声明式编程和数据驱动视图的理念，让开发者能够高效构建
2026-04-24 17:38:07
822
原创 AutoDL 跨实例拷贝数据超详细教程：小白也能把 `/root/autodl-tmp/` 数据迁移到新实例
本文详细介绍了在AutoDL平台上跨实例拷贝数据的完整教程。文章首先解释了"源实例"和"目标实例"的概念，强调了区分两者的重要性。然后列出了适合使用该功能的四个场景，包括更换GPU、迁移数据集等情况。教程提供了十个详细步骤，从检查数据到完成拷贝的全过程，并针对不同拷贝需求（整个数据盘/特定文件夹/单个文件）给出了具体操作指引。最后，文章总结了四个常见问题及其解决方法，如实例不可见、文件查找失败等注意事项。该教程特别适合初学者，通过清晰的步骤说明和可视化截图，帮助用户顺
2026-04-24 16:22:45
839
1
原创 建议收藏：2026 AI Agent 终极指南：OpenClaw vs Hermes vs Harness Engineering，看这篇就够了
2026 AI开发新趋势：OpenClaw与Hermes框架深度解析 本文针对2026年AI开发从工具使用向系统架构转型的核心矛盾，深入分析了OpenClaw和Hermes两大主流框架的技术特性与适用场景。通过四大典型翻车场景案例，揭示当前开发者面临的技术选型、系统架构等痛点。文章提供： 框架定位对比：OpenClaw侧重企业级本地部署，Hermes强调自我进化能力 架构差异解析：Gateway-First与Agent-Loop-First两种设计哲学 六大维度评测：包括记忆系统、安全模型等关键指标 选型决
2026-04-22 08:00:00
1230
5
原创 干货｜GitHub 仓库推送避坑指南（附踩坑实录）
通过本文的教程，你已经掌握了从初始化 Git 仓库到切换到 main 分支的完整流程，以及如何解决推送过程中遇到的常见问题。正确的分支管理不仅能保持仓库结构清晰，还能与 GitHub 平台的最佳实践保持一致。延伸阅读GitHub 官方文档：设置默认分支Git 官方文档：分支管理希望本文能帮助你在 Git 和 GitHub 的使用过程中少走弯路，更加高效地管理代码仓库！
2026-04-21 20:55:31
420
1
原创 LoRA、QLoRA、SFT 是什么：基本概念、核心原理、Python 实战教学及企业项目落地
SFT（Supervised Fine-Tuning，有监督微调）是一种使用标注好的问答数据对预训练模型进行进一步训练的技术。通过让模型在特定领域的高质量数据上学习，使其掌握该领域的知识、术语和回答规范。可以通俗理解为：预训练是“上通识大学”，SFT 是“岗前专业培训”——教模型学会特定任务的行为范式，如客服回复风格、法律文书格式、医疗问答逻辑。LoRA（Low-Rank Adaptation，低秩自适应）由微软研究院于 2021 年提出，是一种参数高效微调（PEFT）方法。
2026-04-21 14:49:27
98
原创 Text-to-SQL与智能问数完全指南：基本概念、核心原理、Python实战教学及企业项目落地
本文介绍了Text-to-SQL与智能问数技术如何解决企业数据分析痛点。通过分析四个典型场景，揭示数据使用门槛高的问题。Text-to-SQL将自然语言转换为SQL查询，包含语义理解、数据库模式感知和SQL生成三大核心环节。智能问数则融合多种技术，实现自然语言交互式数据分析。文章对比了四种主流技术路线，并指出语义层在准确性上的优势。这项技术正在推动"人人都是数据分析师"的数字化转型。
2026-04-21 08:00:00
2873
93
原创 Text-to-SQL四重翻车实录：不懂SQL也能开口即得数据？
2026年Text-to-SQL技术将彻底改变数据查询方式，实现"开口即得数据"的愿景。文章通过四个典型场景揭示了当前数据查询的痛点：业务人员不懂SQL、分析师沦为"人肉SQL生成器"、决策层无法及时获取数据、以及技术演示与实际落地的差距。Text-to-SQL作为自然语言与数据库的"同声传译"，通过四步闭环流程（提问-绑定-生成-验证）和四代技术演进，正在解决这些痛点。该技术能实现秒级响应、提升决策效率、释放数据团队生产力，且成本效益显著。202
2026-04-20 18:49:14
661
1
原创 大模型时代，你真的懂Token吗？从概念到实战，解锁AI成本与效率的秘密
Token是大语言模型处理文本的最小语义单位，是将人类自然语言转化为机器可理解的离散序列的基础单元[4]。可以通俗地理解为：人类说话写字以“字、词、句子”为基础单位，而AI大模型只认Token，Token就是AI手里的积木块，只有把这些积木拼接组合，AI才能理解你的提问，再生成对应的回答 [5]。
2026-04-20 08:00:00
655
原创 Linux端口进程查找与终止教程
本文档记录了在Linux系统中如何查找并终止占用特定端口（如5501）的进程的完整流程。适用于需要释放被占用的端口、终止无响应服务或清理异常进程等场景。
2026-04-19 19:42:35
551
1
原创 LangChain 面试问答指南2
LangChain 面试问答指南摘要 LangChain 是一个用于构建基于语言模型应用的框架，提供模块化组件如链(Chains)、代理(Agents)、记忆(Memory)等。核心架构分为底层组件、中间层和高层应用，支持工具调用和RAG实现。关键技术包括： 链设计：组合多个步骤处理复杂任务 ReAct模式：推理与行动结合的代理工作方式 RAG实现：通过检索增强生成优化回答质量 最佳实践：模块化设计、提示优化和性能调优 面试重点考察对核心概念的理解、架构设计能力以及实际应用经验，特别是工具调用和RAG等高级
2026-04-19 15:05:52
246
1
原创 LangChain 面试问题集1
LangChain是一个用于开发基于语言模型的应用程序的框架，它提供了一套工具、组件和接口，使开发者能够更轻松地构建复杂的LLM应用。
2026-04-19 15:00:06
576
CPU-Z是一款专业的系统信息检测软件，能够详细显示计算机的硬件配置信息
2026-02-24
【AI大模型开发】-RAG系统Query改写以及支持联网搜索实战（附源码）
2026-01-23
【AI大模型开发】-创建RAG问答实战（LangChain+DeepSeek+Faiss）
2026-01-22
【AI大模型开发】-基于向量数据库的PDF智能问答系统（实战）
2026-01-17
【AI大模型开发】-基于FAISS的语义搜索系统（实战）
2026-01-17
【AI大模型开发】-基于 Word2Vec 的中文古典小说词向量分析实战
2026-01-17
资金流入流出预测比赛源代码以及答案
2025-12-27
二手车价格预测：新手导航手册Car-Price-Prediction-Full-Stack.pdf
2025-12-21
DirectX Repair4.4(64bit).zip
2025-12-10
WizTree-v4.27-x64-x86.exe
2025-12-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人