<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dad_of_Object的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dad_of_Object</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dad_of_Object]]></copyright><item><title><![CDATA[Redis 学习笔记（1）]]></title><link>https://blog.youkuaiyun.com/Dad_of_Object/article/details/164840737</link><guid>https://blog.youkuaiyun.com/Dad_of_Object/article/details/164840737</guid><author>Dad_of_Object</author><pubDate>Thu, 10 Sep 2026 13:58:59 +0800</pubDate><description><![CDATA[Redis 学习笔记（1）摘要： Redis 支持多种数据类型，其中 GEO 用于地理空间查询，基于 Geohash 编码复用 Sorted Set，实现高效附近位置搜索。Redis 6.0 引入 I/O 多线程，仅在读写网络操作中并行，核心命令仍单线程执行，保障线程安全。其事务不支持回滚，运行时错误不影响其他命令，强调开发阶段正确性。原子性问题可通过 Lua 脚本（实现“读-判断-写”闭环）或 WATCH 乐观锁解决。Redis Cluster 采用 16384 个槽位，平衡网络开销与负载均衡，槽位分配影]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/Dad_of_Object/article/details/164750121</link><guid>https://blog.youkuaiyun.com/Dad_of_Object/article/details/164750121</guid><author>Dad_of_Object</author><pubDate>Wed, 09 Sep 2026 17:21:24 +0800</pubDate><description><![CDATA[MCP（Model Context Protocol）基于JSON-RPC 2.0，采用轻量级、无状态设计，支持STDIO与可流式HTTP传输。通过SSE实现服务端实时推送，结合OAuth 2.1认证保障安全，支持多客户端并发与会话隔离。新版本摒弃传统SSE长连接，转向按需流式通信，提升资源效率与灵活性，是AI应用中高效、安全的协议选择。]]></description><category></category></item><item><title><![CDATA[炸穿时序数据痛点！5分钟学会IoTDB 原生AI直接预测+告警]]></title><link>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159200516</link><guid>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159200516</guid><author>Dad_of_Object</author><pubDate>Wed, 18 Mar 2026 09:40:05 +0800</pubDate><description><![CDATA[Apache IoTDB V1.3.x为Java开发者提供了时序数据库原生AI解决方案，5分钟即可完成接入。该版本新增AINode功能，支持SQL直接调用预测、异常检测等AI能力，无需数据导出或依赖外部平台。文章详细介绍了IoTDB的核心优势、Java快速接入方法、AINode三大功能（时序预测、异常检测、缺失值填补）的具体实现代码，并提供了生产环境最佳实践和典型应用场景。IoTDB实现了时序数据存储、查询和AI推理的一体化，大幅降低业务落地成本，特别适合物联网、工业监控等时序数据处理场景。]]></description><category></category></item><item><title><![CDATA[Transformer原理全解析：小白也能看懂的实战模拟]]></title><link>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159158647</link><guid>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159158647</guid><author>Dad_of_Object</author><pubDate>Tue, 17 Mar 2026 11:10:07 +0800</pubDate><description><![CDATA[摘要： Transformer是现代AI的核心架构，由编码器(Encoder)和解码器(Decoder)组成，通过注意力机制实现智能处理。编码器负责理解输入内容并建立语义关系，解码器则根据编码器的记忆库逐步生成输出。本文以&quot;我爱吃苹果&quot;的翻译为例，详细演示了Transformer的工作流程：从输入预处理、编码器分析语义关系，到解码器逐词生成英文翻译的全过程。核心原理可概括为：编码器用自注意力理解内容，解码器通过掩码自注意力和交叉注意力生成输出，注意力机制则是模型自动抓重点的关键。这种架构]]></description><category></category></item><item><title><![CDATA[从本地模型到MoE核心，一文读懂大模型底层逻辑（分类梳理版·含Ollama实操）]]></title><link>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159128333</link><guid>https://blog.youkuaiyun.com/Dad_of_Object/article/details/159128333</guid><author>Dad_of_Object</author><pubDate>Mon, 16 Mar 2026 20:25:34 +0800</pubDate><description><![CDATA[Dense模型（稠密模型）：一体化网络结构，无专家分工、无门控调度，整个模型是一个“全能选手”，每次处理任务时，所有参数都会参与计算。比如Ollama部署的DeepSeek-R1、Llama 3，均为Dense模型，也是普通用户本地实操的首选。MoE模型（混合专家模型）：核心是“分工合作”，由「专家网络+门控网络」组成。每个专家是独立的小模型（FFN），擅长不同领域；门控网络作为“调度员”，给每个任务分配最适配的2-4个专家（Top-K激活），未被选中的专家不参与计算。]]></description><category></category></item></channel></rss>