糖醋废咕-优快云博客

原创 Token 效率优先：DeepSeek 双模型在 AI 编码工具中的分工实践

大多数工具的默认行为是"塞满上下文"：把所有文件内容贴进去、把历史对话全量带入、让最贵的模型做最简单的搜索。它的核心竞争力来自于 OpenCode 原生的多 Agent 框架能力——代理调度、权限隔离、会话管理、技能系统，这些是这套设计能跑起来的平台基础。Token 效率不是一个"省点钱"的次要问题——它是 AI 辅助编码从"能用"到"好用"的关键变量。这是最贵的一个习惯。典型场景：一个"找到 XX 函数的定义"的请求，走 explore（Flash），成本大约是走 Oracle（Pro）的一半。

2026-07-12 12:40:09 177

原创深入浅出 Meta Chameleon：早期融合多模态大模型技术全解

Chameleon 证明了：不需要分离的视觉专家网络（如 CLIP），不需要复杂的交叉注意力机制（Cross-Attention Router），仅靠一个最纯粹、最经典的自回归 Transformer，就能完美地融汇理解与生成。如果某一种模态比例失衡，大模型会建立起有害的“无条件先验”（例如：哪怕你只让它回答文字，它也会因为画图先验太强，无条件地在结尾吐出 1024 个图像 Token，变成一个控制不住想画画的“疯子”）。为什么引入 GAN？普通的 VQ-VAE 在大幅压缩后恢复出的图像非常模糊。

2026-07-11 14:13:57 220

原创【机器人 / 强化学习】DIVL：分布隐式价值学习

1.1 IQL 的遗产：在已知数据中"沙里淘金"在深入 DIVL 之前，我们先快速回顾 IQL 的核心思路，因为 DIVL 正是建立在 IQL 的思想基础之上。IQL 解决了一个根本问题：传统 Q-learning 的maxaQs′a′在离线设定下会查询未见过的动作（OOD），导致价值崩盘。IQL 的解决方案是引入一个 V 网络，用rγVs′替代rγmaxaQs′a′。

2026-07-11 14:13:08 231

原创 c#从零开始：基于卷影复制的轻量级版本管理实现

RecoveryActionManifest 是每次动作提交时写入磁盘的核心记录，包含动作序号 ActionIndex、创建时间和备注之外，最关键的是 InverseSteps 列表——这是按特定顺序排列的可逆步骤序列，涵盖 delete_file（删除新增文件）、restore_file（从 blob 还原被修改/删除的文件）、rename（逆转重命名操作）、create_directory（重建被删除的目录）和 delete_directory（删除新增的目录）五种操作类型。

2026-07-10 15:18:22 207

原创用 SymPy 解决 Manim 曲线绘制速度不均的问题

运行这个动画，你会看到：花瓣尖端几帧就画完了，而花瓣中部却画得很慢。rate_func=linear 控制的是动画进度的均匀，但曲线本身点的分布就是疏密不均的，所以视觉速度必然忽快忽慢。用积分算出弧长函数Lθ——从起点到参数θ的弧长算总弧长，等分出一组目标弧长值s1s2对每个$ s_i反解方程得到对应的\theta_i $这三步，SymPy 都能帮上忙。

2026-07-10 15:17:31 179

原创在 strip 二进制 + 基址随机化的栈里做crash去重 —— 三阶段算法与一行 Crash Flag

模型 crash_info.py / trace.py / crash_detail.py / crashExtension.py / crash_flag.py 单条crash数据模型 / 原始crash文本解析 / 首个crash栈细节(trace_5/6、lib、anonymous、LocalTime) / 扩展元数据(cobalt base、groundMode、upTime、preload、userAgent) / Crash Flag 生成。,栈顶是触发crash的指令,往下是调用链。

2026-07-09 17:13:30 236

原创实现 GEO 监控：从多引擎探测到优化闭环

正常用户与智能体的对话 VS GEO 监控：维度对话 GEO 监控目标准确回答用户问题探测第三方模型的品牌曝光模型单一可控模型通义、DeepSeek、豆包、混元、Kimi、智谱等多引擎提示词业务导向、可注入知识库中性助手，避免诱导偏向输出自然语言回复结构化指标（提及率、排名、态度、竞品共现）后续动作会话结束诊断 → 内容草稿 → 发布向量库 → 基线对比2. 整体架构。

2026-07-09 17:12:59 192

原创 RoPE：现代 NLP 的位置编码范式

不仅解决了这个问题，还直接奠定了现代大模型中位置编码的事实标准，今天几乎所有主流开源大模型（LLaMA、Mistral、Qwen、GLM……）都在使用它。这套方案就是旋转位置编码 RoPE（Rotary Position Embedding）。我们再再再看一遍标准的自注意力：Attention(�,�,�)=softmax(��)�这里 �� 中的每个元素 ��⋅�� ，衡量的就是 token � 和 � 的内容相关性。一直以来的问题都是：这个点积本身不知道任何位置信息。比如同一个词出现在位置 1

2026-07-08 15:33:59 272

原创 Avalonia 制作复杂布局动画

其余部分并不难理解，Demo 中较为特殊的地方都已经解释过了。更多细节请直接阅读代码。

2026-07-08 15:33:08 167

原创 OOP1：粗通类、对象和方法

Java 修饰符就是用来定义类、方法和变量权限、特性、状态的关键字，相当于给代码加标签，控制它们能被谁访问、怎么使用、生命周期是什么。访问权限修饰符非访问修饰符。前者决定类、方法和变量能不能被其他类使用，后者控制功能、行为、生命周期。

2026-07-07 15:23:56 241

原创 LangChain开发核心技巧，动态切换AI大模型参数

若需灵活调整参数，我们可通过with_config()方法，在完整保留原有基础配置的前提下，快速修改目标参数并生成全新的模型实例；在 AI 大模型的参数配置体系中，90% 的常规业务场景，仅需配置model、temperature和max_tokens三个核心参数，即可完成模型的基础调用配置。以下为.env 环境配置文件的内容，记得必将其中的 API_KEY 占位值，替换为您自行在对应平台申请的有效API密钥。完成参数配置后，可直接通过invoke()方法调用 AI 大模型，接收并获取模型生成的回复结果。

2026-07-07 15:23:11 241

原创 BellMan-Ford算法

与Dijkstra算法一样，BellMan-Ford算法也是用于求有向图和无向图的单源最短路径的算法。但是，BellMan-Ford算法与Dijkstra算法的不同处，有以下2点：①、BellMan-Ford算法可以用于边的权值为负数的有向图中，但该图中不能存在负值圈，也就是说，BellMan-Ford算法在计算无向图时，该无向图不能存在负值边（无向图的负值边就会存在负值圈），Dijkstra算法所计算的有向图和无向图中，边的权值都不能为负数；

2026-07-05 15:11:50 541

原创 dubbo服务调用源码

进入到FailoverClusterInvoker类之前先进入到AbstractClusterInvoker类中java// 筛选出合适的invokers列表，基于方法和路由信息// 其中路由信息则是通过MockInvokersSelector类处理获取到invocation中attachments保存的mock信息去筛选合适的invoker，所以重点是筛选// 调试发现，一般情况下在这里面attachments字段并没有数据} else {

2026-07-05 15:11:16 221

原创 Flask框架01初始了解

lask 是基于 Python 开发的微型 Web 框架，被称作微框架，核心原因是本身不绑定任何专用工具与依赖库，原生不内置数据库抽象层、表单验证等通用 Web 组件。Flask 具备良好的扩展支持能力，可按需额外加装功能插件；目前已有 ORM 对象关系映射、表单校验、文件上传、开放认证及各类配套开发工具的成熟扩展，能按需补齐项目所需功能。

2026-07-04 17:07:07 238

原创 windows装gitlab服务器

首先，我们到docker官方网站，点击Download Docker Desktop下载完成后，不断点击安装就行。如果安装时，提示windows版本太低，则要升级windows系统。安装完毕后，我们打开docker，如果提示wsl版本低，则去powershell中运行以下命令：1。

2026-07-03 18:30:04 221

原创可变形池化 deformable RS RoI Pooling

比如一个 RoI 框住的是“人”，他可能左偏一点、头歪一点或者嘴张开一点，换成别的类别也一样，这些都是结构偏移，而不是类别差异。到这里，我们就梳理完了所有的改进点，之后再对每个 bin 中采样点的特征值进行池化，就可以得到最终输出，用于后续操作。这便是可变形池化，他实现了可学习的采样偏移，让池化可以不再按照“严丝合缝的固定方格”进行采样，而是可以灵活的进行偏移。我们知道，在标准的 PS RoI Pooling 中，每个 bin 的采样点是固定的。(Δ��,Δ��) 就是这个 bin 的偏移。

2026-07-03 18:29:13 162

原创可视化服务器管理和传统命令行区别是什么？新手教程：LINUX 运维到底该用图形界面还是 SSH 命令行？

传统命令行服务器管理，通常指通过 SSH 登录 Linux 服务器，然后用命令完成各种操作。ssh root@服务器IPdf -hfree -m这种方式是 Linux 运维的基础，也是很多专业运维和开发者最熟悉的工作方式。可视化服务器管理，是把原本需要通过命令、配置文件、路径记忆完成的服务器操作，封装成图形化界面、按钮、表单、仪表盘、文件管理器和可视化配置项。

2026-07-02 16:45:57 211

原创前端如何让图片、视频、pdf等文件在浏览器直接下载而非预览

我们尝试在前端实现文件下载时，经常会遇到浏览器直接打开文件（如 PDF、图片）进行预览，而不是弹出下载框的情况。

2026-07-02 16:45:08 188

原创 hermes安装使用

这边有几个需要注意的，按照上面流程安装完了，需要单独配置模型的apikey命令，如下。以管理员身份打开powershell，然后执行。以root身份打开ubuntu，

2026-07-01 18:58:16 176

原创 LINUX 运维命令管理工具怎么选？从命令堆积到可视化批量执行

回看，以及新人接手成本高。从产品品类上说，GMSSH 属于基于 SSH 的可视化 AI 运维系统。SSH 仍然是它的安全连接基础，但它不止提供终端，还把命令中心、批处理任务、可视化桌面和 AI 助手串成一个完整的服务器管理入口。

2026-07-01 18:57:27 250

原创买卖股票的最佳时机

给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。你只能选择某一天买入这只股票，并选择在卖出该股票。设计一个算法来计算你所能获取的最大利润。返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0。输入：[7,1,5,3,6,4]输出：5解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5。注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；

2026-06-30 23:00:30 219

原创 Log4J、Log4J2和LogBack的历史故事

使用过Log4J和LogBack的同学肯定能发现，这两个框架的设计理念极为相似，使用方法也如出一辙。其实这个两个框架的作者都是一个人，Ceki Gülcü，俄罗斯程序员。Log4J 最初是基于Java开发的日志框架，发展一段时间后，作者Ceki Gülcü将Log4j捐献给了Apache软件基金会，使之成为了Apache日志服务的一个子项目。又由于Log4J出色的表现，后续又被孵化出了支持C, C++, C#, Perl, Python, Ruby等语言的子框架。然而，伟大的程序员好像都比较有个性。

2026-06-30 22:59:31 238

BNO8d1lD6的博客