- 博客(128)
- 收藏
- 关注
RSS订阅原创 用 CodeBuddy 创建自定义 Agent：让 AI 按要求干活
很多人用 AI 编程助手，都停留在「问答」模式：问一句、答一句，AI 的回答泛泛而谈，还需要自己手动把结果复制到项目里。真正高效的用法，是让 AI 变成一个懂你项目、守你规矩、能自行调用工具完成任务的 Agent。在 CodeBuddy 里，「自定义 Agent」的核心不是写一堆复杂代码，而是通过规则（Rules）、技能（Skills）、工具（MCP）和清晰的任务指令，把 AI 约束在你定义的边界内干活。自动遵守团队的代码规范、命名约定熟悉项目目录结构，知道哪个模块该改哪里。
2026-09-14 19:10:53
284
原创 2026年AI智能体（Agent）十大技术趋势深度解析
2026 年 AI Agent 的发展，已经从“模型能不能调用工具”进入“系统能不能在生产环境稳定运行”的阶段。十大趋势背后有一条共同主线：标准化、工程化、可观测、可控制。无论是多智能体协同、MCP 工具协议，还是长程记忆与安全对齐，最终目标都是让 Agent 从炫酷 Demo 变成可靠生产力。对于开发者和企业来说，与其追逐每一个新概念，不如围绕自身业务构建一条最小可用的 Agent 链路：明确任务边界、接入高质量工具、保留关键人工环节、建立完整追踪与评估体系。
2026-09-14 17:28:44
620
原创 【Redis 初阶】数据结构与单线程模型深度解析：对外接口与底层编码的双重智慧
回到开篇的问题：Redis 为什么快？答案是多个设计决策叠加的结果单线程串行执行命令：把内存操作做到极致快，换取无锁的简单与安全；多路复用 I/O：单线程也能支撑海量并发连接；简洁稳定的对外接口：五种类型覆盖大多数场景，使用成本低；随规模变化的多态编码：小数据紧凑省内存，大数据平滑切换到高效结构。规避慢命令：生产环境禁用KEYS，用SCAN替代；避免对超大集合执行HGETALL。排查时使用SLOWLOG定位慢查询。控制键的规模。
2026-09-13 21:37:47
322
原创 什么是 AI Agent？它与直接调用大模型 API 有何区别
AI Agent 是一种以大语言模型（LLM）为核心决策引擎，能够自主规划任务、调用外部工具、观察执行结果并持续迭代，直到完成目标的智能系统。简而言之，如果大模型是「大脑」，那么 Agent 就是「大脑 + 手脚 + 计划表」。一个完整的 Agent 不仅会「想」和「说」，还会「做」。AI Agent 和直接调用大模型 API 的关系，并非互斥，而是递进。直接调用 API是所有 LLM 应用的基础，适合单轮问答、文案生成、摘要总结等确定性输入输出的场景。AI Agent。
2026-09-13 21:29:22
103
原创 2026年三大AI桌面智能体横评：Codex vs Hermes vs WorkBuddy
优点代码与命令执行能力突出。本地执行，隐私控制直接。开发者生态完整。缺点对非技术任务支持一般。长文档与表格处理偏弱。上手需要一定命令行背景。2026 年的桌面智能体已经过了「能不能用」的阶段，进入「好不好用、敢不敢用」的比拼。Codex、Hermes、WorkBuddy 分别代表着开发者工具、自动化平台和办公助手三种方向，背后是三种不同的产品哲学。未来一年，桌面智能体的竞争大概率会围绕权限安全、长期记忆和跨应用协作展开。
2026-09-11 19:44:36
842
原创 去中心化 AI 反馈系统：数据不上链，凭证与激励分开管
去中心化 AI 反馈系统的核心不在于「把一切都搬上链」，而在于用最小化的链上足迹构建可信基础数据不上链解决了成本与隐私，让系统可以承载大体积、多形态的 AI 反馈；凭证层提供不可篡改的证明，用哈希锚定链下数据，兼顾可信与合规；激励层保留灵活的评估空间，让奖励规则可以随业务需求独立演化。当数据、凭证、激励各司其职，系统才能在可信、成本与可演化之间找到平衡。对于工程团队来说，最重要的不是追求「完全去中心化」的绝对理想，而是在每一个层级上选择最合适的信任边界，真正支撑起 AI 模型的长期进化。
2026-09-11 19:35:59
133
原创 新一代 AI Agent 架构：PDA 记忆反思闭环落地指南
让 Agent 的每一次执行，都为下一次执行积累资产。感知层负责把环境与记忆组织成高质量上下文；决策层在记忆增强的上下文上做规划；行动层执行并把结果写回记忆；记忆与反思构成反馈回路，让 Agent 持续进化。这套架构并不复杂，复杂的是落地时对记忆质量、反思节奏和成本的控制。建议从本文的最小骨架开始，先把闭环跑通，再逐步引入向量检索、记忆衰减和生产级工具接入。当你的 Agent 开始能在第二次遇到同类问题时「想起」上次的经验，它就真正迈入了新一代 Agent 的门槛。
2026-09-10 17:20:49
138
原创 多Agent协作：多个AI共同完成复杂任务
人工智能正在经历从「单体智能」到「群体智能」的关键跃迁。单个大模型在写作、推理、编程等任务上已经表现出色，但面对真实世界中充满多步骤、多约束、跨领域的复杂任务时，单Agent往往暴露出明显的短板：上下文窗口有限、推理链路过长、单点故障风险高、难以同时兼顾多个专业维度。在这样的背景下，多Agent协作（Multi-Agent Collaboration）应运而生。
2026-09-10 17:11:22
246
原创 Codex使用技巧：深度解析 Plan Mode 与 Goal Mode
Goal Mode 最容易失控的地方，是模型以为完成了，但你想要的还没做完。因此，强烈建议在任务开头就写明Definition of Done（完成定义）。功能层面：什么样的输入会产生什么样的输出，涉及哪些正常路径与异常路径。质量层面：必须通过哪些测试、通过哪些 lint 检查、满足哪些性能或安全指标。范围层面：哪些属于任务范围之外，明确排除，避免模型顺手“优化”无关代码。示例：目标：为文章模块新增草稿自动保存功能。
2026-09-09 21:01:09
473
原创 读懂 MCP 与 A2A 架构：AI 多智能体时代的企业级开发实践
连接能力与连接协作。把企业内部系统封装成标准化的 MCP Server，形成「能力中台」；用 A2A 编排多个专业智能体，形成「协作网络」；在安全、可观测、治理上建立统一规范，而不是各团队各搞一套。可以预见，随着多智能体系统的规模扩大，围绕这两个协议的工具链、网关、注册中心与治理平台还会持续成熟。对开发者来说，现在读懂 MCP 与 A2A，就是提前掌握 AI 多智能体时代的基础设施语言。
2026-09-09 20:50:53
114
原创 Windows 部署 OpenClaw 避坑手册：路径、权限、拦截问题全部梳理
先解决“路径对不对”，再解决“权限够不够”，最后排查“有没有被拦截”。路径：统一使用无空格、无中文的短路径，优先用正斜杠或原始字符串；权限：普通用户跑开发、服务账户跑生产，端口与目录权限分开管理；拦截：从 Defender、防火墙、SmartScreen 到第三方杀软逐层放行，必要时设置代理与白名单。把这三个维度排查清楚，绝大多数启动失败、端口不通、文件丢失的问题都能迎刃而解。建议把这套检查顺序固化成你的排障清单，下次遇到 Windows 部署问题直接从路径开始排查，会比盲目搜报错高效得多。
2026-09-08 16:20:20
287
原创 Agent 敢开写权限吗？——AI 智能体自主行动的安全边界与权限设计
回到最初的问题：Agent 敢开写权限吗？可以开，但必须建立在可控、可审、可回滚的基础之上。从 L0/L1 起步：任何 Agent 先以只读和沙箱模式运行，验证其行为稳定性后再逐步放宽；把权限当作代码来管理：用显式的白名单、风险分级和审批流管理写权限，不要依赖口头约定或默认全开；把回滚和审计做成默认能力：每一次写入都应有备份、有日志、有撤回路径，这比任何事后补救都重要。以风险等级匹配权限等级。低风险环境可以大胆放权，高风险环境必须严格管控。
2026-09-08 16:14:20
294
原创 Agent 之 skills：ponytail——让 AI 代理“像房间里最懒的资深工程师一样思考”的详细攻略
在 AI Agent 生态中，Skills是为代理补充结构化能力的一种轻量机制：它不修改模型权重，而是把“规则、清单、常用脚本、速查表”注入代理的上下文，让代理在特定场景下表现得更专业、更一致。如果把 Agent 比作一名刚入职的员工，那么 Skill 更像是一份岗位说明书和一整套经过验证的操作手册。它不会让模型“变聪明”，却能让模型在遇到特定任务时，不再从零开始摸索，而是直接按照一套成熟的方法来思考和行动。如何让 Agent 在动手之前，先学会像资深工程师那样偷懒。ponytail。
2026-09-06 21:39:28
336
原创 AI 编程的未来趋势：2025-2026 年你必须关注的六大技术方向
序号技术方向关键词1多 Agent 自主协作任务拆解、角色分工、闭环2全流程智能化需求、设计、编码、文档3AI 驱动测试生成、执行、修复、覆盖4自然语言生成可运行系统原型、全栈、快速验证5RAG 与上下文工程检索、项目理解、规范注入6低代码与专业开发融合可视化、协作、治理从手工编写每一行代码，转向定义目标、约束与验收标准，并监督 AI 完成执行与验证。那些能够理解业务、设计系统、驾驭 AI 工作流的开发者，将在这一轮变革中获得更大的价值释放空间；
2026-09-06 21:34:35
313
原创 【AI】Java 调用大模型 API 实战：从 OpenAI 协议到 SiliconFlow 流式响应解析
非流式：一次send拿到完整 JSON，适合批量处理、后台任务；流式：解析 SSE 增量，适合对话产品、实时生成场景；平台切换：依托 OpenAI 兼容协议，仅需更换 baseUrl、API Key 与模型名即可从 OpenAI 切到 SiliconFlow。最终封装的LlmClient零第三方重量级依赖，可直接嵌入 Spring Boot 服务。掌握这套模式后，你就能用 Java 技术栈轻松接入绝大多数兼容 OpenAI 协议的大模型平台。
2026-09-04 20:25:27
401
原创 Codex 配置自定义 AI API 完整指南：从零到一接入你的专属模型
Codex CLI 是 OpenAI 推出的命令行编程助手，它把大语言模型直接搬进了终端：你可以在项目目录里发起对话、让模型查看文件、执行命令、修改代码，并且每一步都保留在会话上下文中。官方安装后，Codex 默认使用 OpenAI 的 API 服务，但对很多开发者和团队来说，这并不是唯一或最优的选择。降低成本：第三方模型（如 DeepSeek、Kimi、智谱 GLM）在编码场景下性价比更高，尤其是长会话、大规模批处理时，费用差异非常明显。数据隐私。
2026-09-04 20:19:29
652
原创 【AI】一文讲清 RAG：从大模型局限到企业级知识库落地流程
它把“企业私有知识”和“大模型通用能力”连接了起来。通过检索，企业可以让 LLM 的回答建立在真实、可更新、可追溯的资料之上；通过生成，企业又能把检索结果转化为自然、易读的答案。一个成熟的 RAG 系统，涉及文档解析、文本切分、向量化、混合检索、重排序、Prompt 工程、评估反馈等多个环节。它不是简单的“向量库 + 大模型”，而是一条需要围绕数据质量与业务目标持续迭代的工程流水线。对大多数企业来说，不必一开始就追求复杂的多路召回和重排序，建议先以“最小可用系统”跑通闭环，再根据真实反馈逐步优化。
2026-09-03 21:21:19
392
原创 OpenCode 完全指南：从安装到 Skill 配置，打造你的 AI 编程助手
OpenCode 的价值不仅在于「能用自然语言写代码」，更在于它把终端工作流、Agent 能力和自定义配置结合在一起。通过合理的 Skill 与 Rules 配置，你可以让 AI 助手真正理解你的项目、遵循你的规范、按照你的节奏工作。本指南覆盖了从安装到配置再到实战的完整路径：从环境准备、安装验证，到配置文件与模型接入，再到交互式使用会话管理，最后延伸到 Skill、Rules 与 AGENTS.md 的项目级定制。建议你从一个小项目开始练习，逐步积累属于自己的 Skill 库。
2026-09-03 21:17:09
351
原创 DeepSeek Harness 深度解析：从评测架构到实战落地
多数情况下，你会想接入自己的数据集。DeepSeek Harness 的扩展方式通常有两种。DeepSeek Harness 的价值不在于发明新的评测指标，而在于把模型接入、任务调度、推理执行和结果汇总这些环节工程化、标准化。对于需要频繁评测 DeepSeek 系列模型的研究者和工程师来说，它能显著降低重复劳动，同时提升结果的可信度与可复现性。随着 DeepSeek 生态继续演进，harness 也会在长上下文评测、多模态任务和 Agent 场景上不断扩展。
2026-09-02 17:23:10
500
原创 Codex 高级进阶使用技巧：从提示词工程到项目实战详解
完成实战二后，模块从「无测试、高耦合」变为「核心路径有测试、关键依赖可注入」。过程中 Codex 自动完成了大量机械性工作：写测试样板、跑测试、读报错、修代码。而开发者只负责做关键决策：判断哪些重构是安全的、哪些测试口径是正确的。Codex 的价值上限并不由模型单方面决定，而是由使用者对上下文、提示词和协作流程的把控共同塑造。本文介绍的高级技巧，本质上是把软件工程中的需求拆解、规范治理、测试驱动等成熟方法，迁移到「与编程智能体协作」的新场景中。
2026-09-02 17:14:24
360
原创 AI 大模型通用上下文标准（MCP）深度解析：从原理到实战
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 于 2024 年 11 月开源的开放协议，旨在为大语言模型与外部数据源、工具之间建立一套统一、标准的连接方式。它于 2025 年被捐赠给 Linux 基金会，成立独立的治理组织，目前已成为 AI Agent 生态中最受关注的基础设施标准之一。简单来说，MCP 之于大模型，就好比 USB-C 之于外接设备：在 MCP 出现之前，每接入一个工具或数据源，开发者都要针对特定模型、特定框架写一套胶水代码；
2026-09-01 17:33:00
354
原创 大模型技术全景（一）：AI、机器学习、深度学习，三者的关系到底是什么？一文搞懂
人工智能（Artificial Intelligence，AI）是一个「目标」，而不是一种具体技术。它的目标是让机器具备类似人类的智能，能够完成那些通常需要人类智力才能完成的任务——比如理解语言、识别图像、下棋、开车、做决策。这个目标可以追溯到 1956 年的达特茅斯会议，当时一群科学家第一次正式提出「人工智能」这个词，并畅想机器能够模拟人类的学习和推理能力。AI、机器学习、深度学习，三者的关系到底是什么？
2026-09-01 17:28:03
402
原创 AI Agent 的四根支柱：LLM、工具、记忆与规划是如何协同的
AI Agent 的四根支柱——LLM、工具、记忆与规划，本质上是把一个纯粹的语言模型，升级为一个能够自主完成任务的智能体。LLM提供理解、推理与决策能力，是整个系统的大脑。工具让 Agent 能够真正作用于外部世界，把知识转化为行动。记忆赋予 Agent 跨步骤、跨会话的连续性与学习能力。规划负责把大目标拆解为小步骤，并在执行中动态调整。
2026-08-31 16:24:38
413
原创 深度解析 MCP 协议：AI 大模型系统的“万能插座”与标准化工具调用桥梁
MCP 是由Anthropic于 2024 年底提出并开源的一套开放协议，用于标准化 AI 模型与外部工具、数据源之间的通信。让连接 AI 应用与外部系统，像插拔 USB 设备一样简单。MCP 不隶属于某一家模型厂商，而是一个开放标准，任何模型、任何工具、任何应用都可以基于它互相对接。MCP 的意义，不在于它发明了多少新技术——JSON-RPC、JSON Schema 都是老面孔——而在于它用一个开放标准，终结了 AI 工具连接的“战国时代”。
2026-08-31 16:18:50
196
原创 AI工作流的自动化趋势：从手动实验到自主Agent的研究范式转变
当基础执行工作被 Agent 承接后，研究者的角色必然发生位移。这种转变不是「人被取代」的线性叙事，而是分工结构的变化。从手动实验到自主 Agent，AI 工作流的自动化不是一条平滑的直线，而是一次研究生产关系的重塑。它降低了探索的成本，提升了试错的效率，同时也把「如何定义好问题」「如何严谨地验证」这些更难的能力，推到了研究者的面前。
2026-08-28 21:12:25
342
原创 告别项目混乱！2026开工季：DooTask如何用“轻量化+AI”破解开发团队协同困局
开发团队最宝贵的资源是注意力，而不是时间。轻量化工具降低操作摩擦，AI 消化重复劳动，最终目标是让每个人专注于真正创造价值的代码与产品迭代。2026 开工季，与其在多个工具之间疲于奔命，不如选一个足够轻、又足够智能的协同入口，把混乱留在上个版本，把清晰带进新的迭代。本文基于 DooTask 的协同理念与常见研发场景整理，具体功能以官方最新版本为准。
2026-08-28 21:06:49
208
原创 从“金鱼脑”到“大象记忆”：AI Agent 短期记忆与长期记忆的存储与检索全解
更好的折中是“摘要记忆”（Conversation Summary Memory）：随着对话进行，持续用 LLM 把历史对话压缩成一段精炼摘要，只把摘要放进上下文。memory.chat_memory.add_user_message("我们的订单服务使用 PostgreSQL，部署在 K8s 上")memory.chat_memory.add_ai_message("明白，我会在设计中考虑 PostgreSQL 和 K8s 的约束")
2026-08-27 21:08:40
339
原创 给 Agent 一把懂数据库的钥匙：KEMCC 如何支撑下一代智能运维
下一代智能运维的关键，不再是「模型能不能写 SQL」，而是「模型能不能被信任地接入数据库」。KEMCC 的价值在于，它把数据库的知识、连接、执行和治理统一收敛到一个标准层，让 Agent 拥有了一个真正「懂数据库」的入口：既知道库里有什么、业务怎么说，也知道自己能做什么、不能做什么。从趋势看，随着 MCP 等 Agent 协议的普及，数据库会越来越像一种「可被模型理解和调用的服务」。届时，比拼的不会再是单个模型的跑分，而是谁能够把“知识增强 + 上下文控制 + 受控执行”这套基础设施做扎实。
2026-08-27 20:57:46
344
原创 OpenClaw 原理深度解析：当 AI 拥有了“手”和“眼”，7×24 小时替你干活
如果只把 OpenClaw 当成一个“聊天机器人框架”，就小看它了。它的定位更接近一个常驻的、可编程的、跨设备的 AI Agent 运行时。消息网关：对接 Telegram、WhatsApp、CLI 等多种入口，你在手机上发一句“把本周工作周报草稿写好”，它就能收到指令；执行引擎：把自然语言指令翻译成一连串工具调用和系统操作；调度中心：支持定时任务、条件触发，让任务在后台按计划运行；记忆系统：保存对话上下文、用户偏好和长期知识，越用越“懂你”。
2026-08-26 17:23:17
225
原创 解锁超级生产力：手把手教你构建与GitHub深度集成的自动化工作流，让AI成为你的编程副驾驶
对于大型项目，一个 PR 可能涉及几十个文件、上千行改动。审查者常常需要先花大量时间理解「这个 PR 到底做了什么」。SUMMARY_PROMPT = """请阅读以下代码差异，用简洁的中文生成变更摘要。要求：1. 开头用一句话概括本次变更的核心目的2. 用要点列出主要改动点（不超过 6 条）3. 指出是否需要特别关注的风险点"""将摘要通过 GitHub API 更新到 PR 描述即可。这样审查者在打开 PR 的第一时间就能掌握全局。
2026-08-26 17:18:23
321
原创 零基础学AI大模型之Embedding与LLM大模型对比全解析
Embedding（嵌入/词向量），本质是一种把文字转换成数字向量的技术。这串数字的长度（维度）可能是 768 维、1024 维甚至更多。为什么要把文字变成数字？因为计算机只认识数字。我们要想让计算机"理解"文字之间的相似性，就必须把文字映射到一个"数字空间"里。LLM（Large Language Model，大语言模型），是一种参数量巨大、经过海量文本训练的生成式模型。你给它一段文字（提示词 Prompt），它生成一段新的文字。
2026-08-25 17:31:13
238
原创 上下文窗口的预算分配：让 AI 编程助手在有限 token 下发挥最大价值
上下文窗口的预算分配，本质上是一种“信息经济学”：在有限的注意力资源下，决定什么该进、什么该留、什么该丢。对 AI 编程助手而言，最有效的使用方式不是把窗口塞满，而是让每一个 token 都为当前的决策服务。能讲清楚“当前要解决什么”，比堆积大量背景更重要；能给出可验证的标准，比反复要求“再优化一下”更有效；能按阶段收敛上下文，比把一个会话用到地老天荒更聪明。下次当你准备把一大段背景粘贴给 AI 时，不妨先停下来问自己三个问题：这段信息对当前任务是否必要？能不能用更结构化的方式表达？
2026-08-25 17:23:55
389
原创 AI 数据安全治理框架：模型能力与数据权限的边界在哪里
AI 数据安全治理的本质，是在模型能力持续增强的前提下，仍然让数据按照既定规则流动。模型能力决定了它能做多少事，数据权限决定了它当前这件事能不能做。边界不是一条静态的线，而是一套随身份、上下文、数据敏感度动态变化的策略体系。一个稳健的治理框架，应当让数据权限在检索前生效、在生成中约束、在输出后校验、在运行后审计，形成完整闭环。对团队而言，与其追逐“绝对安全的模型”，不如先把数据分级、身份注入、检索过滤、输出审计这四件事做扎实。边界清晰了，模型的能力才有更大的发挥空间。
2026-08-24 20:18:46
384
原创 FDE（前沿部署工程师）：AI时代年薪百万的新贵，到底值不值得冲？
FDE 确实是一个处在 AI 浪潮交汇点上的岗位：它离技术近，离业务也近，因此既有技术成长，又有商业回报。对于喜欢解决问题、愿意接触客户、不想只做螺丝钉的人来说，它是这个时代少有的“好机会”。但它绝不是轻松暴富的捷径。它的高薪背后，是持续学习和高强度交付，是不断在“技术”和“人”之间切换频道的能力。真正能让你在这个岗位上走得长远的，不是“我懂很多模型”，而是“我能让模型在现实里帮人解决问题”。如果你的驱动来自“把 AI 真正用起来”的成就感，而不是“年薪百万”的标签，那么 FDE 值得冲；
2026-08-24 20:14:08
415
原创 告别 Copilot？Codex 本地化部署指南：从模型选型到 IDE 接入全流程
本地化部署 Codex 的核心收益是数据自主、模型可控、成本可预期，代价则是硬件投入、部署维护和学习成本。它适合数据敏感、追求长期自主、具备一定运维能力的个人与团队；如果你追求极致省事、对延迟敏感且代码合规要求不高，Copilot 依然是高效的选择。更现实的路线往往是混合使用：敏感项目走本地 Codex，公开或低敏感任务继续用云端 Copilot，在安全与效率之间动态平衡。
2026-08-23 20:58:10
509
原创 AI Agent 在数据分析领域的落地判断：哪些场景真的需要 Agent
数据分析领域的 Agent，最大陷阱不是「能力不够」，而是**「能力用错了地方」**。真正能落地的 Agent，从来不是替代整条数据流水线，而是在可校验、可观察、可恢复的边界内，解决那些「路径不固定、需要边走边看」的探索性问题。把确定性留给 SQL 和规则，把不确定性交给 Agent，才是当前阶段最务实的工程判断。与其问「我的团队能不能上 Agent」，不如改问一个更具体的问题：**你手头那个场景上，Agent 能比一句 SQL 多解决什么？**想清楚这个答案，落地判断就已经完成了一大半。
2026-08-23 20:46:37
417
原创 拉开差距的不是会不会用 AI，而是会不会管 AI
AI 的门槛已经低到几乎人人可及，但 AI 的价值天花板，却只对少数人开放。我真正要解决的目标是什么？我如何把任务拆解得更清楚？拿到结果后，我如何验证和沉淀？从「会用 AI」到「会管 AI」，差的不是技巧，而是意识。而正是这种意识，正在悄悄拉开人与人的差距。
2026-08-21 21:19:41
205
原创 Python 基础语法（一）：常量、变量、输入输出与运算符
这样做的好处是：当其他人阅读你的代码时，一眼就能看出哪些值是「不应改变的约定常量」，哪些是「会变化的普通变量」。可以做类型层面的常量标注，配合类型检查工具能在一定程度上提示开发者不要重新赋值，但它同样不阻止真正的运行时修改。需要特别说明的是，Python 曾经有两个不兼容的大版本：Python 2 和 Python 3。本篇文章是 Python 基础语法系列的第一篇，我们将从最基础的内容讲起：常量、变量、输入输出与运算符。的：变量的类型由它现在指向的值决定，同一个变量可以先后保存不同类型的值。
2026-08-21 21:10:53
366
原创 把真实的时间序列数据喂给 TimechoAI，让它帮你找异常
把真实时间序列数据喂给 TimechoAI 的完整链路可以概括为：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;采集真实指标数据清洗并按时间排序TimechoAI 学习周期与趋势输出 anomaly_score按阈值触发告警人工确认并反哺模型真实数据往往带周期、噪声和缺口，依赖固定阈值很容易漏报或误报。
2026-08-20 16:56:34
174
原创 AI入门系列：AI入门者的困惑：常见术语解释与误区澄清
本文梳理了 AI 入门阶段最常见的术语，包括 AI、机器学习、深度学习、模型、参数、训练、推理、大语言模型、生成式 AI、提示词、Token、微调、RAG、蒸馏、量化、Agent、多模态等，并澄清了「AI 有意识」「回答一定正确」「参数越大越好」「微调能解决一切知识更新」「AI 会取代所有工作」等常见误区。回顾这些术语，可以归为两条主线：一是“模型怎么来”，涉及训练、参数、微调、蒸馏、量化；二是“模型怎么用”，涉及推理、提示词、Token、RAG、Agent、多模态。
2026-08-20 16:43:00
334
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