- 博客(40)
- 收藏
- 关注
原创 Nginx网关讲解_小白版
后端服务器 = 发电厂;Nginx = 国家电网的变电站 + 输电网。高性能:著名的C10K 问题解决者(能同时扛 1 万个连接不卡),单机轻松数万并发。靠"事件驱动 + 异步"机制,不像老 Apache 一个请求开一个进程那样费资源。高可靠:系统的"防波堤",挡住流量洪峰 + 后端故障,用户无感。灵活性:静态网页、微服务路由、甚至数据库代理(四层)都能干。一句话总结:Nginx 是互联网基础设施的"瑞士军刀",任何想稳定对外提供服务的 Web 系统,几乎都离不开它。
2026-07-13 21:58:28
214
原创 脚手架架构设计_小白版
脚手架 = 项目的"地基 + 水电管道"盖房子不能从挖坑开始就糊水泥——得先搭脚手架(把框架立起来),穿水电管(把公共基础设施铺好),然后再砌墙装修。盖房子: 搭脚手架 → 铺水电 → 砌墙 → 装修做项目: 写Base模块 → 装数据库/缓存 → 写业务功能原文里说的脚手架,指的就是项目中Base 模块——所有业务功能都依赖于它的"基础设施层"。一个类只能创建一个实例,不能创建多个。生活类比✅ 适合单例的:公司打印机 —— 全公司只需要一台,大家排队用。
2026-07-12 14:03:39
331
原创 Transformer_小白完全解读版
AI 为什么要处理"序列"?在讲具体细节之前,先理解大框架。Transformer 做的是"序列到序列"任务机器翻译。输入(中文):"我喜欢吃火锅"↓↓输出(英文):"I like hotpot"它怎么从中文变成英文的?第1步:Encoder(编码器)"我喜欢吃火锅"↓把这句话"读"进去,理解每句话的含义输出:一个"含义向量"(包含了整句话的理解)↓第2步:Decoder(解码器)拿到"含义向量"↓一个一个生成英文单词:"I" → "like" → "hotpot"
2026-07-10 09:00:07
158
原创 数据仓储处介绍_小白版
Service层:退货Service ← 业务调度者│ └── 开启事务│ ├── orderDao.update_order() ← 订单表操作│ ├── kucunDao.update_kucun() ← 库存表操作│ └── payDao.update_pay() ← 支付表操作│ └── 结束事务(全部成功 → 提交 / 任一失败 → 回滚)│Dao层: 订单Dao 库存Dao 支付Dao ← 数据执行者每个Dao只管自己的表核心思想。
2026-07-08 16:53:38
176
原创 Repository-学习指南_小白版
连接池 = 数据库连接的"停车场"。"""用户表模型"""# ━━━━ 第1部分:表名和建表SQL(可选)━━━━table_alias: ClassVar[str] = "users" # 指定表名create_table_sql: ClassVar[str] = """ # 建表SQLage INT,"""# ━━━━ 第2部分:字段定义(必填)━━━━id: Optional[int] = None # 主键,None表示"新记录,还没存入数据库"
2026-07-08 16:53:05
221
原创 Models-学习指南_小白版
❌ 魔法数字——status == 1 是什么意思?print("会话可用")# 1 = 什么?2 = 什么?时间久了谁记得住?Models 层 = 系统的"数据模具"│ ││ 关系型模型(BaseModuleDBModel → MySQL) ││ → 精确查询:WHERE / 分页 / 统计 ││ → 类比:图书馆的索书号 ││ ││ 向量模型(BaseVDBModel → Milvus) ││ → 语义搜索:找"最相似的" ││ → 类比:图书馆的智能推荐 ││ │。
2026-07-07 21:51:23
219
原创 AI软件工程化落地概念框架
✅ 清晰的工具定义(带类型、约束、描述)TOOLS = ["description": "在公司内部知识库中搜索。当用户询问产品信息、公司政策、技术文档时使用。","query": {"description": "搜索关键词,不超过 200 字符"},"top_k": {"description": "返回结果数量",},
2026-06-30 22:24:59
267
原创 AI编程工具框架原理深度总结
本文档系统性地梳理了 OpenClaw、Claude Code 以及当前主流 AI 编程工具(Cursor、Windsurf、Aider、OpenHands、GitHub Copilot、Devin)的架构设计、核心原理与技术细节,力求详细且通俗易懂。
2026-06-30 22:24:20
358
原创 08_09_Agent模块更新补充说明
"""在LangChain 1.0版本中,Agent 记忆是通过 checkpointer 实现的。checkpointer 是 LangChain 1.0 新增的功能,用于持久化 Agent 的状态。它可以用于保存 Agent 的历史消息、工具状态等。conversationMemery 是 checkpointer 的实现之一,用于保存 Agent 的历史消息。thread_id 就像聊天软件的"会话 ID"——同一个会话的消息自动关联,不同会话互不干扰。"""场景原因函数名不直观。
2026-06-29 21:59:03
181
原创 07_综合实战项目与工程化
RAG(Retrieval-Augmented Generation,检索增强生成)是目前大模型落地最主流的架构模式。知识截止日期:大模型训练完成后知识就固定了,无法知道最新信息。例如 GPT-4 的知识截止于 2023 年,问它 2024 年的新闻它无法回答。幻觉问题:大模型在不确定答案时会"编造"内容,看起来像真话但实际上是错的。RAG 通过检索真实文档来约束模型的回答,大大降低幻觉。不直接让大模型回答问题,而是先到知识库中检索相关文档,把文档作为"参考资料"交给大模型,让大模型基于参考资料来回答。
2026-06-29 21:58:27
234
原创 06_检索方法与混合检索实战
在 RAG(检索增强生成)系统中,检索是整个流程的第一步,也是最关键的一步。如果检索不到相关信息,大模型再聪明也无法给出正确答案。然而,没有任何一种检索方法能覆盖所有场景。场景用户查询期望匹配哪种方法合适找"Transformer"这个技术名词Transformer 是什么?包含"Transformer"的文章关键字检索(精确匹配)找"计算机如何看懂图片"的相关内容计算机如何看懂图片?计算机视觉相关的文章向量检索(语义匹配)找"2024年AI类的付费文章"AI相关的付费文章。
2026-06-26 22:02:00
249
原创 05_文本切片与Embedding向量化
模拟摘要"""取第一句话作为摘要(简化版)"""?。!?else:LLM 摘要prompt = f"""请为以下文本生成一个简短的摘要(def generate_summary_with_llm(chunk , summary_length = 50) : prompt = f"""请为以下文本生成一个简短的摘要( {summary_length } 字以内): {chunk } 摘要要求:1. 概括核心内容2. 保持语义完整3. 适合用于检索匹配。
2026-06-26 22:01:29
210
原创 04_向量数据库Milvus
*向量数据库(Vector Database)**是一种专门设计用于存储、管理和检索向量数据的数据库系统。向量(Vector)和近似最近邻搜索(ANN, Approximate Nearest Neighbor)。向量是数学中的概念,简单理解就是一组有序的数字。在 AI 领域,我们通过 Embedding 模型将文本、图像、音频等非结构化数据转换成向量。"我喜欢猫" → [0.12, -0.34, 0.56, 0.78, ..., 0.91] (1024 维)
2026-06-25 08:53:00
298
原创 03_Agent智能体与LangGraph
Agent(智能体)是"LLM + 工具 + 决策循环"的组合体。它不止会"说话",还会"行动"。对比维度普通 LLMAgent能力范围只能生成文本能调用工具、访问数据库、执行代码决策方式一次回答结束多轮思考-行动循环对外交互无(纯文本输出)有(通过工具操作外部系统)典型输出“北京今天可能会下雨”调用天气API获取实时数据后回答Agent 的核心三要素│ LLM (大脑) │ ← 推理决策│ 决策│ ││ Tool (手) │ │ Memory │ ← 记忆。
2026-06-25 08:52:15
351
原创 02_RAG检索增强生成
RAG(Retrieval-Augmented Generation,检索增强生成)是一种结合信息检索和大语言模型(LLM)的 AI 架构。先检索相关知识,再由 LLM 基于检索结果生成答案。生活化比喻:开卷考试 vs 闭卷考试普通 LLM(闭卷):凭"记忆"回答,可能记错、编造,不知道私有数据RAG(开卷):先翻书查资料,再写答案,更准确、可溯源用户问题 → 检索相关文档 → 拼接(文档 + 问题)→ LLM 生成答案方法语义完整性实现复杂度存储开销推荐场景固定大小低极低低。
2026-06-24 21:56:50
430
原创 01_LangChain框架核心知识
LangChain是一个用于开发大语言模型(LLM)应用的框架,而不是模型本身。它由 Harrison Chase 于 2022 年创建,目前是最流行的 LLM 应用开发框架之一。LangChain = AI 应用的乐高积木。不用框架(和泥、烧砖、砌墙):每个 AI 应用都需要重复处理 API 调用、Prompt 拼接、结果解析、对话管理等底层工作,复杂且耗时。用 LangChain(用乐高积木拼接):现成的标准化组件,像搭积木一样快速构建 AI 应用。
2026-06-24 21:56:16
428
原创 docker快速入门
命令说明文档地址拉取镜像推送镜像到DockerRegistry查看本地镜像docker rmi删除本地镜像docker rmidocker run创建并运行容器(不能重复创建)docker run停止指定容器启动指定容器重新启动容器docker rm删除指定容器查看容器docker ps查看容器运行日志进入容器保存镜像到本地压缩文件加载本地压缩文件到镜像查看容器详细信息用一副图来表示这些命令的关系:补充:默认情况下,每次重启虚拟机我们都需要手动启动Docker和Docker中的容器。
2026-06-21 21:41:41
329
原创 RAG_切片与检索_知识点总结
BM25 是一种基于词袋模型的关键词检索算法,是目前工业界最常用的文本检索方法之一。它是对 TF-IDF 的改进版本。RRF(Reciprocal Rank Fusion,倒数排名融合)是一种不依赖分数绝对值的多路召回结果融合算法。
2026-06-19 17:18:00
331
原创 Milvus_知识点总结
向量(Vector)是一组浮点数,用数学方式表示数据的"语义"。"人工智能" → [0.125, -0.034, 0.789, ..., 0.456] (1024 维)大模型(如 DeepSeek、GPT)的Embedding 模型负责将文本、图片等内容转换为向量。向量中每个维度的数值编码了语义信息,语义相似的文本在向量空间中距离更近。
2026-06-19 17:13:43
222
原创 NL2SQL 技术原理与业务价值
本次培训围绕:NL2SQLChatBISQL自动生成SQL安全控制RAG优化数据资产沉淀进行了完整讲解。课程核心思想包括:整体内容兼顾:AI工程实践BI智能分析数据安全企业级NL2SQL架构对于 AI 应用开发、智能问数、ChatBI 系统建设具有较强的实战参考价值。
2026-06-16 21:45:51
229
原创 03_WSL 与 Docker 入门指南
WSLDocker作用在 Windows 上跑 Linux把应用打包成可移植的容器关系Docker Desktop 依赖 WSL 2 作为后端引擎在 WSL 2 上运行最流畅开发者价值不用装虚拟机就有完整的 Linux 环境开发和生产环境一致,部署不踩坑先装 WSL 2 → 再装 Docker Desktop → 开启容器化开发。./images/Docker千问换源示意图.png./images/Docker搜索引擎换源示意图.png./images/Docker自带AI换源示意图.png。
2026-06-15 19:44:50
250
原创 vibe_coding使用
vibecoding 是基于智能代理框架的 AI 协作开发模式,无需使用者手动逐行编写代码、调试 Bug、撰写测试用例,只需通过自然语言清晰描述产品愿景、定义业务逻辑与视觉审美,即可由 AI 多智能体分工协作,完成从设计到落地的全流程开发。示例:搭建一款 AI HR 管理工具,面向中小企业 HR,解决简历筛选效率低、面试安排繁琐、入职流程不规范的问题,实现简历自动筛选、面试智能安排、员工入职流程自动化,提升 HR 工作效率。AI 时代,会梳理需求、会高效学习,远比死记硬背技术知识点更重要。
2026-06-11 19:34:35
358
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