FQBQG-优快云博客

原创 Python 基础：zip() 的妙用与 @property 方法属性化

本文系统讲解 Python zip() 内置函数的实用技巧与 @property 装饰器的方法属性化。zip 部分涵盖基本打包、长度不一致处理、构建字典、矩阵转置、解压、并行排序及批量分组等七种实战场景，并附速查表。@property 部分从语法糖本质出发，演示只读计算属性、带校验赋值、getter/setter/deleter 三件套用法。最后结合两者封装 DataAnalyzer 数据分析类，展示 zip 并行统计与 property 暴露结果的综合实战

2026-09-01 20:33:56 310

原创 FastAPI lifespan 用法详解：优雅管理应用生命周期

<think>我们只需要根据用户要求生成≤150字的文章摘要。用户提供的内容是系统讲解FastAPI的lifespan上下文管理器，包括废弃on_event原因、基本结构、传递共享状态、实战场景等。需要提炼核心：lifespan替代on_event，用于管理启动关闭资源，与app.state共享状态，实战包括数据库、ML、Redis。摘要要≤150字。注意输出是摘要，不是文章。我们要简短概括。构思：本文系统讲解FastAPI lifespan上下文管理器，用于替代已废弃的on_event，在应用启动/

2026-09-01 20:31:16 297

原创 LangGraph 实战指南：节点、边、状态与 Send 并行扇出

LangGraph 用三块积木构建 Agent：节点干活、边指路、状态贯穿全局。本文基于 1.2.11 实测，覆盖五个实战：Send 并行扇出、Map-Reduce 计算、Send 加 LLM 批量文档摘要、子图不同 Schema 隔离、子图共享字段自动传递。每段代码可直接运行并附结果。文末归纳七条避坑（Send 须由条件边返回、并行结果须声明 reducer、调 LLM 需设 PYTHONPATH 等）和选型表，帮你判断串行用边、并行用 Send、子图隔离用不同 Schema、共享数据用同名字段。

2026-08-27 20:39:01 506

原创 LangGraph 中 Send 和 Command 的区别：动态并行扇出 vs 节点内自路由

LangGraph 中 Send 与 Command 都负责节点路由，机制却完全不同：Send 是运行时动态并行扇出（map-reduce），一个任务拆成 N 个分支，只能由条件边返回，分支只见自己的 payload；Command 是节点内"更新状态+自路由"一体指令，可配合 interrupt() 做人工确认恢复。本文基于 langgraph 1.2.11 实测，用三个可运行示例、对比表和避坑清单，讲清两者本质区别、组合用法与常见坑，帮你正确选型。

2026-08-27 11:41:09 287

原创 LangGraph 入门教程：从概念到实战

文章摘要：LangGraph 是 LangChain 团队推出的 Agent 编排框架，采用有状态图模型解决传统 Agent 在控制流、状态管理和持久化等工程难题。文章首先分析从单向 LLM 流程到复杂 Agent 系统的演进需求，指出传统 Agent 存在状态混乱、循环控制困难等问题。核心部分详解 LangGraph 三大组件：State（显式结构化状态管理）、Node（支持函数/工具/子图的执行单元）和 Edge（控制流程走向），强调其通过图结构实现多分支、人工介入等复杂逻辑。最后通过架构图展示编译型设

2026-08-20 20:08:34 435

原创 RAG 实战教程：基于 FastAPI + LangChain + Milvus 构建知识库问答系统

本文介绍了一个完整的政务政策RAG问答系统，从文档管理到问答生成的全流程技术实现。系统支持PDF/DOCX/TXT上传，采用父子块切分技术平衡上下文与检索精度，结合向量检索、BM25和RRF融合排序实现混合检索，并引入Reranker重排提升准确率。关键技术包括查询改写、引用校验和流式响应，配备召回率、MRR等评估指标。技术栈基于FastAPI、Milvus、SQLAlchemy等组件，采用模块化设计，支持云端与本地LLM切换。系统通过Pydantic实现类型安全配置，采用父子块ORM模型存储文档结构，为政

2026-08-20 20:03:38 510

原创 DashScope Embedding 分批处理实战——单批 20 条的完整解决方案

摘要阿里云DashScope向量模型(text-embedding-v2)单次请求限制为最多20条文本，批量处理时容易触发"batch size is invalid"报错。解决方案是采用分批处理机制：核心工具函数batch_split将长列表分割为≤20的小批次批量向量化时通过batch_embed_documents函数分批调用API 写入向量库时采用batch_add_documents或batch_insert_with_vectors分批操作文中提供了完整的分批处理工具类代码，包含惰性生成

2026-08-10 21:18:16 342

原创 Python 字符串转对象的多种解法——从 JSON 到 Document 对象

本文探讨了Python中将字符串安全高效地转换为Python对象的五种方法，并通过两道实战题目进行演示： JSON字符串转列表：推荐使用json.loads()（标准JSON）或ast.literal_eval()（Python字面量），避免使用危险的eval()。正则和字符串操作适用于简单场景但灵活性差。解析Document对象的repr字符串：正则提取：直接匹配目标内容，但表达式脆弱。 ast.literal_eval()+预处理：通过替换字符串为合法Python字面量后解析，安全且灵活，推荐用于复

2026-08-10 20:37:05 694

原创 RAG 文档切分中父子块关联的设计与实现

本文介绍了RAG系统中父子块策略的设计与实现。该策略通过将文档切分为父块和子块两个层级，解决传统分块方法在检索精度和上下文完整性之间的平衡问题。文章详细阐述了数据模型设计，包括内存中的ChunkDraft临时结构和数据库中的DocumentChunk持久化模型，重点说明了父子块关联关系的建立方式。同时深入解析了切分逻辑，包括章节识别、窗口切分算法以及父子块生成流程，特别是标点感知截断机制如何避免句子被切断。这种设计既能保证向量检索的精准度，又能为LLM提供充分的上下文信息。

2026-08-06 20:37:35 504

原创 PyTorch 深度学习笔记（五）张量拼接与自动微分——构建神经网络基础

本文是PyTorch深度学习系列教程的第三篇，重点讲解张量操作和自动微分机制。主要内容包括：1）张量拼接方法（cat/stack）和拆分操作（chunk/split）的使用场景与规则；2）自动微分原理与计算图可视化，通过torchviz工具展示计算过程；3）梯度计算实践，包括标量和向量张量的求导方法、requires_grad参数作用；4）使用注意事项，如禁止将求导张量直接转NumPy、梯度累加问题及detach()方法的应用。文章通过代码示例演示了PyTorch的核心梯度计算功能，为后续神经网络训练奠定基

2026-08-03 18:47:45 397

原创 PyTorch 深度学习笔记（六）PyTorch 实战——线性回归预测房价完整案例

本文介绍了使用PyTorch实现线性回归预测房价的完整流程。项目通过生成带噪声的房屋面积-价格数据（50-150㎡，y=3x+50+噪声），构建包含nn.Linear的单层神经网络，采用均方误差损失和SGD优化器进行8000轮训练（学习率0.00005）。训练后模型参数接近真实值（w≈3，b≈50），可视化结果显示拟合直线能有效反映数据趋势。最终模型对新面积（75/100/120/150㎡）的预测结果与真实价格误差在1%以内，验证了线性回归在简单特征预测任务中的有效性。完整代码包含数据生成、模型定义、训练循

2026-08-03 18:44:20 390

原创 PyTorch 深度学习笔记（四）张量运算与变形——数值计算与索引进阶

本文是PyTorch系列教程的第二篇，主要讲解张量的数值计算、统计函数、索引操作和形状变换四大核心功能。重点内容包括：点乘与矩阵乘法的区别及实现方式（mul/matmul/@运算符）常用统计函数的使用及dim参数含义多种索引方式（基础索引、布尔索引、高级索引）形状变换操作（reshape/view、squeeze/unsqueeze、transpose/permute）内存连续性概念及contiguous()方法的应用文中通过代码示例详细演示了各操作的实现，并标注了重要程度（⭐⭐⭐⭐为最高），帮

2026-07-31 17:17:13 387

原创 PyTorch 深度学习笔记（三）PyTorch 张量基础——从零开始掌握 Tensor

PyTorch张量基础教程摘要本文是PyTorch系列教程的第三篇，系统讲解了PyTorch核心数据结构——张量（Tensor）。主要内容包括：张量概念：多维矩阵数据结构，支持GPU加速和自动微分，是PyTorch的核心抽象维度类型：从0维标量到4维批量数据，通过ndim查看维度数关键属性：形状(shape)、数据类型(dtype)、元素数量(numel)、存储设备(device) 创建方式：从数据直接创建(torch.tensor) 指定形状创建(torch.Tensor) 特殊张量：随机(ra

2026-07-31 17:13:57 389

原创 PyTorch 深度学习笔记（二）PyTorch 优势全解析——为什么科研和工业都爱它

PyTorch凭借四大核心优势成为主流深度学习框架：1）动态计算图机制实现研究友好，支持运行时修改网络结构和直观调试；2）集成张量运算、GPU加速与自动微分三合一，提供NumPy式编程体验；3）覆盖CV/NLP等全领域的完善生态，被学术界和Meta/OpenAI等企业广泛采用；4）API设计贴近Python语法，学习曲线平缓。PyTorch尤其适合研究、原型开发和学习场景，而生产部署可考虑TensorFlow。下篇将详解PyTorch张量基础操作。

2026-07-30 21:40:17 231

原创 PyTorch 深度学习笔记（一）PyTorch 入门——深度学习框架的选择与安装

PyTorch 是基于 Python 的深度学习框架，核心数据结构为张量（Tensor），支持动态计算图、自动微分、GPU 加速，广泛用于计算机视觉、自然语言处理、强化学习、大模型训练等领域。

2026-07-30 21:34:44 394

原创机器学习笔记（五）逻辑回归原理与分类评估实战

本文介绍了逻辑回归（Logistic Regression）的基本概念、应用场景、实现方法和评估指标。逻辑回归虽然名称中包含"回归"，但实际是一种用于解决分类问题的统计方法，特别适用于二分类任务。其核心特点包括输出概率值、可解释性强以及在工业界的广泛应用。文章首先通过实际案例（信用卡申请预测和红酒分类）展示了逻辑回归的API实现，强调了数据预处理（如标准化）的重要性。随后详细解析了逻辑回归的数学原理，包括Sigmoid函数的作用、对数似然损失函数以及梯度下降优化方法。最后，文章介绍了分类模型的评估指标，

2026-07-27 20:45:00 549

原创机器学习笔记（三）线性回归原理与损失函数详解

本文介绍了线性回归的基本概念与应用。线性回归通过建立特征与目标值之间的线性关系进行预测，可分为一元和多元形式。文章以体重预测血压为例，演示了sklearn实现线性回归的完整流程，包括数据准备、模型训练、参数查看和预测评估。重点讲解了损失函数（MSE）及其数学推导，并对比了MAE、MSE、RMSE三种评估指标。最后分析了正规方程法的局限性（多重共线性、特征数限制等），提出根据特征规模选择正规方程或梯度下降的建议。线性回归作为基础模型，具有结构简单、可解释性强等优势，是机器学习的入门关键。

2026-07-23 23:24:03 501

原创机器学习笔记（四）梯度下降与正则化实战

摘要：梯度下降是一种高效的一阶优化算法，通过沿负梯度方向迭代更新参数来最小化损失函数。其核心优势包括易于实现、计算高效（尤其适用于高维特征）和灵活的参数调整（如学习率）。算法类比于下山过程，通过计算梯度确定最优下降方向。学习率（步长）和梯度公式（参数更新依据）是关键要素。实战部分对比了正规方程法与梯度下降法在广告投放预测和房价预测中的表现，后者通过调参（如自适应学习率）可达到较好效果。此外，文章还探讨了过拟合问题及正则化解决方案，通过多项式特征实验展示了欠拟合与过拟合的区别及应对策略。

2026-07-23 23:15:58 368

原创机器学习笔记（二）模型评估与特征工程实操

文章摘要（150字）：本文系统介绍了机器学习模型评估与优化的关键技术。首先分析了过拟合与欠拟合的表现及解决方案，对比了准确率、精确率、召回率等核心评估指标。重点讲解了交叉验证的实现方法，通过K折分层验证和Pipeline构建避免数据泄露，并展示学习曲线诊断模型状态。在特征工程部分，详细演示了数值特征标准化、特征选择（F检验/随机森林/互信息法）等实用技巧，强调特征质量决定模型上限。最后整合为完整Pipeline流程，包含数据预处理、特征选择、模型训练与调参的标准化实践方案，为实际项目提供可复用的方法论框架

2026-07-22 19:51:37 341

FQBQG的博客