- 博客(33)
- 收藏
- 关注
原创 Redis 从零到精通
本文系统梳理了Redis入门到精通的核心要点:强调需建立“内存存储、单线程执行、极简数据结构”的心智模型,理解其快与代价的三层根源。从类型选型、过期淘汰、持久化策略,到事务原子性、高可用架构(复制/哨兵/集群),再到安全运维与典型场景实践,全面覆盖使用中的关键决策与避坑指南。最终指出,所有复杂行为皆源于内存有限、串行执行、异步复制三大物理事实,掌握此逻辑即可自推多数问题答案。
2026-11-17 07:30:31
88
原创 PostgreSQL 零基础入门:从装好到会用
本文为PostgreSQL零基础入门指南,以小书店为例,按“装好→连上→存入→查询→防错”顺序,手把手教学建库、建表、插入与查询,强调约束与事务的重要性。通过11段可运行SQL,涵盖主键、外键、索引、事务、权限与备份等核心概念,避免过早学习调优或语法。重点提醒:先理解数据库是“带规则的状态机”,再掌握JOIN、NULL处理、事务回滚与备份恢复。附安装、排错与进阶建议,助新手快速上手并安全交付生产环境。
2026-11-17 00:34:51
226
原创 SDK 与 Proxy:同一层能力的两种形态
LiteLLM的SDK与Proxy是同一适配能力的两种部署形态:SDK嵌入进程,适合单应用、低治理需求场景;Proxy作为独立服务,支持跨应用额度管理、虚拟密钥、集中审计与强制限流。选择核心在于是否有治理需求——若多应用共用资源、需成本追踪或安全管控,应选Proxy;否则SDK更轻量。迁移需按“盘点→定别名→搭网关→灰度→对账→收口”七步走,避免双轨账不清。虽调用代码可近似零改,但需替换model名并处理401/403等平台错误。性能上,网关开销主要来自鉴权与日志写入,建议同批测试对比延迟。最终决策应基于实
2026-11-17 00:15:15
320
原创 LiteLLM 学习指南:从统一 SDK 到 AI 网关
LiteLLM通过SDK与Proxy双形态统一多模型厂商接口,解决N×M适配难题:SDK实现代码级兼容,让应用用同一套API调用不同厂商;Proxy提供虚拟密钥、预算控制、负载均衡与可观测性,支撑多团队治理。两者共享一致语义,但分工明确——前者面向开发者,后者面向平台运维。核心价值在于减少适配成本、提升治理能力,适用于需跨厂商统一管理、成本追踪与权限控制的生产场景。
2026-11-16 23:56:34
644
原创 PyCharm 从安装到精通
本文手把手指导PyCharm新手在20分钟内完成项目配置,实现“能跑、能调、能测、能提”。从选择专业版(支持FastAPI、HTTP调试等)到安装插件、正确打开项目根目录,重点讲解解释器配置(避免满屏红线)、标记src为SourcesRoot的误区、排除data目录防止索引卡顿。通过运行配置(Script/Module模式)、pytest集成、Ruff自动修复、断点调试(条件断点、Logpoint、Alt+F8表达式求值)和Git管理,解决常见坑点。附快捷键速查与五大练习,助你快速掌握开发全流程,提升效率。
2026-11-16 07:36:59
574
原创 Conda(Miniconda)从下载到精通
本文面向常遇“conda报错怎么办”的用户,系统讲解Conda(Miniconda)从安装到精通的核心逻辑。强调其核心优势:管理非Python二进制依赖与多版本Python共存。通过环境隔离、channel优先级、硬链接机制与求解器原理,阐明为何应避免手动修环境,而采用environment.yml+重建的工程化思维。重点指出:先conda后pip、禁用auto_activate_base、使用--from-history导出、配合conda-lock实现跨平台复现。附实战命令与故障排查手册,助你真正理解并
2026-11-15 22:26:24
452
原创 从零开始制作一个中国历史agent5——pyproject.toml 编写教程(histagent 版)
摘要(148字): pyproject.toml 是 Python 项目的“身份证+施工图+工具配置中心”,统一管理构建、元数据与工具配置。它取代 setup.py,解决执行副作用、依赖分裂等问题。核心三块:[build-system] 定义构建者与依赖,[project] 声明包信息与运行依赖(含 optional extras),[tool.*] 配置工具。通过 src 布局、dynamic 版本、editable 安装等机制,实现安全、可复现的项目管理。掌握后可从零编写、诊断他人配置,是现代 Pyth
2026-11-15 16:00:20
514
原创 Agent 参数配置速查手册
本手册提供三套可复用的Agent基线配置(B0/B1/B2),按“模型—循环—工具—上下文—治理”五层拆解参数,强调每个参数需权衡收益与成本。使用顺序为:先选档位,再取领域卡片,最后微调参数。涵盖编码、客服、研究等十大业务场景的完整配置示例与调参流程,倡导以评测集驱动优化,避免反模式,确保可复现、可控、可审计。
2026-11-13 20:18:02
470
原创 为什么需要 ReAct
ReAct通过将“思考”(Thought)与“行动”(Action)交替嵌入同一上下文,缝合了推理与外部交互的两大技术缺口。它使模型在调用工具前显式推理,又根据环境反馈修正策略,实现可解释、可迭代的智能决策。其核心在于:语言既是内部推理的载体,也是动作空间的一部分。该范式推动了从纯推理(CoT)到纯行动(Act-only)的演进,成为知识密集型任务与动态环境交互的基础架构,并催生了后续多种增强型框架。
2026-11-13 19:15:39
488
原创 Agent 技术分支全景与参数配置对比——截止时间2026-11-12
Agent技术本质是自主度不同的架构选择,而非框架差异。六条技术分支(工作流编排、ReAct循环、Plan-and-Execute、Reflection、多智能体、环境交互)构成从代码主导到模型自主的光谱。参数配置核心在于用“自主度预算”换取效果,关键在温度、推理强度、循环上限与人工介入点四组开关。选型应基于任务可分解性与结果可验证性:确定性场景用T=0+人工复核,创意类可提温至0.7–1.0。治理层需设硬性终止条件与审批节点,避免死循环与高风险操作。跨框架迁移须重算步数单位,禁用提示词依赖终止。最终,成熟
2026-11-12 22:50:27
312
原创 从零开始制作一个中国历史agent4——agent后端代码初步编写
本文实现一个基于FastAPI的中国历史问答系统,通过5个文件构建清晰架构:统一异常处理、模型调用入口隔离OpenAI、路由层不直接导入API。核心设计包括:使用同步client避免阻塞事件循环(def而非asyncdef)、异常不暴露堆栈、中间件注入trace_id支持全链路追踪。项目结构清晰,符合“路由层不直接import openai”原则,具备健康检查、请求日志与错误处理能力,可快速启动验证接口。
2026-11-12 06:52:19
181
原创 从零开始制作一个中国历史agent3——第一次大模型调用
本文介绍搭建历史研究类Agent的全流程:通过smoke_llm.py脚本验证OpenAI API调用,实现配置读取、非流式与流式对话,输出耗时、Token用量及逐字响应;基于FastAPI构建最小服务,支持健康检查与非流/流式聊天接口,集成Swagger文档;使用Docker启动PostgreSQL、Redis、MongoDB三件套;最后完成Git初始化与常见错误排查,涵盖环境配置、密钥安全、编码问题等关键点,为项目可持续开发奠定基础。
2026-11-11 22:57:07
235
原创 从零开始制作一个中国历史agent2——基于 Pydantic Settings 的生产级 Python 项目全局配置方案
本文介绍一套基于PydanticSettings的生产级Python全局配置方案,支持从.env加载环境变量、启动时强校验、密钥防泄露(repr=False+脱敏日志)、单例缓存(@lru_cache)及友好报错。通过字段校验拦截占位符、自动路径定位、跨平台兼容与清晰错误提示,适用于LLM/Agent后端项目,确保配置安全、可靠、易维护。
2026-11-11 22:28:15
396
原创 从零开始训练语言大模型9——训练参数与生成参数学习文档
本文基于RTX 3080显卡实测,系统梳理nanoGPT训练与生成参数配置,涵盖模型结构、优化器、批次设置、显存估算及参数耦合关系。提供可直接复用的两套配置(小语料/中等语料),强调“一次改一参”“以val loss为准”的调参方法论,并附症状-参数诊断表与速查卡,助力高效训练与排错。
2026-11-10 00:08:46
597
原创 从零开始训练语言大模型8——本地 HTTP 服务调用
将唐诗生成模型封装为OpenAI兼容接口,通过generate.py新增raw()方法支持自由前缀生成,并用FastAPI编写server.py提供 /v1/completions 和 /v1/chat/completions 接口。部署后可兼容OpenWebUI、CherryStudio、curl、Python等任意客户端调用,实现跨平台无缝接入,大幅提升模型可用性与扩展性。
2026-11-09 00:19:17
313
原创 从零开始训练语言大模型7——唐诗模型使用python代码本地调用
本文介绍如何本地调用训练好的唐诗生成模型,核心为加载ckpt.pt权重与meta.pkl词表,通过generate.py实现三步流程:加载模型→加载词表→编码提示词并生成。关键点包括:模型仅初始化一次以提升效率,提示词需严格遵循标题|作者|格式,且总长度不超过block_size=512(自动截断保护)。支持自定义温度与top-k参数,单首生成约0.3秒,可批量调用,适用于本地快速生成唐诗。
2026-11-09 00:17:47
479
原创 从零开始训练语言大模型6——分析唐诗模型与检测与优化
训练至10,000步后,模型验证损失(valloss)稳定在4.15附近,训练损失(trainloss)持续下降至2.69,表明已进入泛化平台期。继续训练至30,000步将导致过拟合,生成质量下降。当前瓶颈在于数据量不足(仅341万token,远低于Chinchilla建议的1.4亿),而非模型容量或训练步数。生成结果整体良好,个别语义漂移属正常现象。建议:停止续训,不缩小模型;优先扩充高质量古诗语料(如全宋诗、古诗文网),并优化采样参数与保存逻辑,确保最优权重可被有效利用。
2026-11-08 09:47:32
289
原创 从零开始训练语言大模型5——全唐诗5.2万首step=10000训练
本文详细介绍基于全唐诗数据训练中文诗歌模型的全流程:从克隆开源数据集、繁体转简体清洗数据,到生成训练文本、构建词表与二进制文件,最终使用nanoGPT框架进行模型训练。全程代码可复现,关键参数如模型规模、数据量、训练步数等均明确标注,适合新手入门大模型训练,强调数据处理与调参要点,助力高效产出高质量古诗生成模型。
2026-11-08 08:02:05
545
原创 从零开始训练语言大模型4——唐诗三百首调通训练通路
本文详细记录了基于nanoGPT训练字符级唐诗生成模型的全过程:从环境配置、数据备份与准备,到修正编码问题、训练参数设置及日志记录。训练结果显示模型过拟合严重,验证损失高于初始值,表明其本质为“背诵器”而非创作模型。因数据量远小于模型容量(2.8万token vs 2240万需求),模型仅能记忆训练集。尽管如此,该过程为后续调优与实现真正诗歌生成奠定了基础。
2026-11-07 23:18:03
323
原创 n8n从零搭建工作流10—— 批量 AI 处理 + 结构化输出
本工作流通过10条AI新闻数据,实现自动化分类:从手动触发开始,经循环处理与限速控制,调用DeepSeek模型进行结构化分类,提取要点、类别及机构名,最终汇总10条结果。全程使用JSON格式输出,确保高效准确,适用于批量新闻智能处理场景。
2026-11-07 21:18:47
368
原创 n8n从零搭建工作流9——接入deepseek
本文介绍如何利用DeepSeek API构建免费高效的工作流:注册并获取APIKey,创建ManualTrigger与Input节点输入新闻内容,通过BasicLLMChain调用DeepSeek模型,设置提示词要求模型输出结构化JSON,最后用EditFields解析结果。重点演示了从文本到结构化数据的自动化处理流程,适用于新闻摘要、分类等场景,强调提示词中需明确“不使用代码块”,确保输出可直接解析。
2026-11-06 22:48:23
341
2
原创 n8n从零搭建工作流8——RSS 读取与常用节点之触发器节点
本文介绍n8n中通过RSSRead节点读取并清洗博客更新内容的完整流程:在画布添加RSSRead节点,配置URL为https://www.qbitai.com/feed,执行后输出≥5条数据;接Code节点进行清洗,去除HTML标签并截取前300字符,保留title、link、content字段。文中还简要对比了n8n常用触发节点(如ManualTrigger、ScheduleTrigger、Webhook等)的功能与适用场景,强调各节点的使用注意点,助力高效构建自动化工作流。
2026-11-06 08:02:57
390
原创 n8n从零搭建工作流7——接入外部数据
本工作流通过定时触发(每10分钟一次),调用Open-Meteo天气API获取北京实时气温与湿度数据,经Code节点处理后将嵌套数据拍平为结构化字段:城市、温度、湿度及时间,实现外部数据自动拉取与标准化,适用于自动化数据采集场景。
2026-11-05 22:13:27
161
原创 n8n从零搭建工作流6——loop循环
本文演示如何构建一个自动化工作流:创建名为“loop”的工作流,通过ManualTrigger触发,使用Code节点定义三项任务(抓取新闻、清洗正文、生成摘要)。通过LoopOverItems循环处理每项任务,每次执行后记录任务名称与完成时间,并将结果汇总至Summary节点。最终验证:Process执行3次,Summary输出1条数据,数组长度为3,实现高效批量处理与聚合。
2026-11-05 07:48:39
270
原创 n8n从零搭建工作流5——Switch 三路分流
本文演示了在工作流中实现基于评分的新闻分类流程:通过ManualTrigger触发,MockData生成3条新闻数据;使用Switch节点按分数(≥80、≥60、<60)进行规则匹配,命中即停止;各分支通过EditFields添加level标签(高分/中分/低分),并重命名以增强可读性;最后用Merge节点合并三路输出,确保最终结果为3条完整数据。流程逻辑清晰,适用于条件分流与数据聚合场景。
2026-11-04 19:50:35
287
原创 n8n从零搭建工作流4——n8n实战:数据模型与表达式
创建Day1-数据模型工作流,添加手动触发节点(Start),随后插入Code节点生成模拟数据(3条新闻)。通过EditFields节点处理数据,设置字段:标题(label)、双倍分数(double_score)、摘要(summary),使用表达式{{}}动态引用。执行后输出正确格式的3行数据,验证成功。
2026-11-04 07:55:23
247
原创 n8n从零搭建工作流3——创建我的第一个工作流
点击+创建新工作流程,选择“浏览器翻译”。添加手动触发节点(ManualTrigger),用于启动流程。在右侧添加“编辑字段”节点(EditFields),配置两个字段:messageType为字符串“Hello”,countType为数字3。完成配置后,点击执行,流程将从手动触发开始运行。
2026-11-03 23:23:27
292
原创 n8n从零搭建工作流2——下载安装n8n
n8n是一款基于Node.js的开源低代码自动化平台,支持自托管与深度编码,是Zapier、Make的开源替代。本文介绍在Windows 64位系统上使用Node.js 22安装n8n的完整流程:配置非系统盘(D盘)的npm全局路径与缓存,设置国内镜像加速下载,全局安装n8n,手动处理sqlite3依赖,最后通过环境变量指定数据目录并启动服务,访问http://localhost:5678完成初始化。
2026-11-03 22:59:08
218
原创 n8n从零搭建工作流1——环境安装,node.js
创作不易,请各位看官点个免费的关注!选择add to path。选择windows版本。二:安装node.js。
2026-11-02 23:15:12
150
原创 从零开始训练语言大模型3——项目训练设定及准备语料之数据清洗1
进行到这一步,我们可以发现,文档的页码和目录没有处理干净,所以需要我们人工去看,编写相应代码:切记!out.append(f"无题|佚名|" + "".join(lines_of_poem) + "<eos>")SECTION = {"五言古诗", "七言古诗", "五言律诗", "七言律诗", "五言绝句", "七言绝句"}由于我的显卡只是单卡,目前只有20G显存,所以训练的模型都是M级别的,无法达到B级别。print(f"总行数 {len(lines)},问题行 {len(bad)}")
2026-11-02 21:20:45
635
原创 从零开始训练语言大模型2——安装 CUDA 版 PyTorch
成功创建conda环境后,激活llm环境并安装PyTorch,推荐使用清华源或阿里云镜像加速。安装完成后,通过pip install numpy、tqdm、tensorboard、tokenizers、datasets、transformers等依赖,并验证安装:运行python -c "import numpy, torch; print(numpy.__version__, torch.cuda.is_available())",若显示版本号且CUDA可用,则表明环境配置成功。
2026-10-31 14:52:30
139
原创 从零开始训练语言大模型1——conda环境的创建
env:.cache-dir='E:\\Q5_K_M 量化模型本地部署\\cache\\pip'global.cache-dir='E:\\模型训练\\.pip-cache'2.用下面的内容覆盖`C:\Users\PC\.condarc`二:一般来讲,内网访问不了,需要改为清华源。4.再看一下配置文件写在哪、写了什么。一:解决环境缓存在C盘的问题。3.删除 C 盘兜底路径。5.缓存也放到 E 盘。
2026-10-31 14:01:55
256
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
RSS订阅