<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[BNO8d1lD6的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/BNO8d1lD6</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; BNO8d1lD6]]></copyright><item><title><![CDATA[Token 效率优先：DeepSeek 双模型在 AI 编码工具中的分工实践]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162812008</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162812008</guid><author>BNO8d1lD6</author><pubDate>Sun, 12 Jul 2026 12:40:09 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[深入浅出 Meta Chameleon：早期融合多模态大模型技术全解]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162790862</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162790862</guid><author>BNO8d1lD6</author><pubDate>Sat, 11 Jul 2026 14:13:57 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【机器人 / 强化学习】DIVL：分布隐式价值学习]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162790834</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162790834</guid><author>BNO8d1lD6</author><pubDate>Sat, 11 Jul 2026 14:13:08 +0800</pubDate><description><![CDATA[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′。]]></description><category></category></item><item><title><![CDATA[c#从零开始：基于卷影复制的轻量级版本管理实现]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162765034</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162765034</guid><author>BNO8d1lD6</author><pubDate>Fri, 10 Jul 2026 15:18:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[用 SymPy 解决 Manim 曲线绘制速度不均的问题]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162764992</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162764992</guid><author>BNO8d1lD6</author><pubDate>Fri, 10 Jul 2026 15:17:31 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162735453</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162735453</guid><author>BNO8d1lD6</author><pubDate>Thu, 09 Jul 2026 17:13:30 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[实现 GEO 监控：从多引擎探测到优化闭环]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162735442</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162735442</guid><author>BNO8d1lD6</author><pubDate>Thu, 09 Jul 2026 17:12:59 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[RoPE：现代 NLP 的位置编码范式]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162699295</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162699295</guid><author>BNO8d1lD6</author><pubDate>Wed, 08 Jul 2026 15:33:59 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[Avalonia 制作复杂布局动画]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162699256</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162699256</guid><author>BNO8d1lD6</author><pubDate>Wed, 08 Jul 2026 15:33:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[OOP1：粗通类、对象和方法]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162667393</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162667393</guid><author>BNO8d1lD6</author><pubDate>Tue, 07 Jul 2026 15:23:56 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[LangChain开发核心技巧，动态切换AI大模型参数]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162667368</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162667368</guid><author>BNO8d1lD6</author><pubDate>Tue, 07 Jul 2026 15:23:11 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[BellMan-Ford算法]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162606345</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162606345</guid><author>BNO8d1lD6</author><pubDate>Sun, 05 Jul 2026 15:11:50 +0800</pubDate><description><![CDATA[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；]]></description><category></category></item><item><title><![CDATA[dubbo服务调用源码 ]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162606339</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162606339</guid><author>BNO8d1lD6</author><pubDate>Sun, 05 Jul 2026 15:11:16 +0800</pubDate><description><![CDATA[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 {]]></description><category></category></item><item><title><![CDATA[Flask框架01初始了解]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162583941</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162583941</guid><author>BNO8d1lD6</author><pubDate>Sat, 04 Jul 2026 17:07:07 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[windows装gitlab服务器]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162558649</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162558649</guid><author>BNO8d1lD6</author><pubDate>Fri, 03 Jul 2026 18:30:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[可变形池化 deformable RS RoI Pooling]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162558633</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162558633</guid><author>BNO8d1lD6</author><pubDate>Fri, 03 Jul 2026 18:29:13 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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？]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162524220</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162524220</guid><author>BNO8d1lD6</author><pubDate>Thu, 02 Jul 2026 16:45:57 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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 ]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162524196</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162524196</guid><author>BNO8d1lD6</author><pubDate>Thu, 02 Jul 2026 16:45:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[hermes安装使用]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162495054</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162495054</guid><author>BNO8d1lD6</author><pubDate>Wed, 01 Jul 2026 18:58:16 +0800</pubDate><description><![CDATA[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，]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162495047</link><guid>https://blog.youkuaiyun.com/BNO8d1lD6/article/details/162495047</guid><author>BNO8d1lD6</author><pubDate>Wed, 01 Jul 2026 18:57:27 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>