<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[HYY的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/HYY_2000</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; HYY_2000]]></copyright><item><title><![CDATA[让 AI 下次接着干：一次网站迁移后，我把“交接班”写进了 Markdown]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/168775824</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/168775824</guid><author>HYY_2000</author><pubDate>Sat, 24 Oct 2026 10:30:00 +0800</pubDate><description><![CDATA[网站搬完，页面能打开，AI接口却还是503；查回源时，编号2又误匹配到了20。这次迁移让我开始认真写Agent的“交接班记录”：留下做到哪、别动什么、下一步从哪里接。本文记录真实踩坑、修正过程，以及几份Markdown怎样进入日常工作流。]]></description><category></category></item><item><title><![CDATA[从零理解 GraphCodeBERT 与 Sentence-BERT]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/158537312</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/158537312</guid><author>HYY_2000</author><pubDate>Sun, 01 Mar 2026 20:54:54 +0800</pubDate><description><![CDATA[本文介绍了Transformer及其衍生模型BERT、Sentence-BERT和GraphCodeBERT的核心原理与应用。Transformer通过自注意力机制实现并行处理，成为大模型基础架构。BERT在此基础上采用双向编码器和预训练任务（MLM和NSP），提升语言理解能力。Sentence-BERT通过孪生网络结构优化句子向量表示，实现高效语义相似度计算。GraphCodeBERT则专为代码理解设计，融合代码结构信息。这些模型在不同场景下各具优势，如Sentence-BERT适合语义检索，GraphC]]></description><category></category></item><item><title><![CDATA[深度解构 Trae Agent：大模型如何像资深工程师一样“操刀”千万行代码库]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/155825224</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/155825224</guid><author>HYY_2000</author><pubDate>Thu, 11 Dec 2025 19:34:29 +0800</pubDate><description><![CDATA[TraeAgent创新性地将确定性工具链与大模型结合，解决了AI编程中的关键难题。其核心突破在于：1）采用基于精确字符串匹配的编辑工具，通过&quot;唯一性匹配&quot;机制确保代码修改的准确性；2）构建代码知识图谱(CKG)实现结构化检索，结合传统Bash工具完成文本检索，形成混合检索策略。这种设计将LLM定位为&quot;决策者&quot;，而将易错操作交由确定性工具执行，有效降低了AI编程的不确定性。]]></description><category></category></item><item><title><![CDATA[2天开发自定义样式MD转PDF工具：AI辅助编码（Claude Code+GLM）实践全记录]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/153485380</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/153485380</guid><author>HYY_2000</author><pubDate>Sat, 18 Oct 2025 16:50:53 +0800</pubDate><description><![CDATA[记录使用 Claude Code + GLM 4.6 开发 Markdown 转 PDF 工具的两天实践：实时预览、主题和背景自定义、数学公式与原生打印导出。2026年10月补回线上入口，修复取消打印后正文及样式丢失，并合并首个外部 README PR。]]></description><category></category></item><item><title><![CDATA[深度解读：Youtu-GraphRAG — Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/152329705</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/152329705</guid><author>HYY_2000</author><pubDate>Tue, 30 Sep 2025 18:22:27 +0800</pubDate><description><![CDATA[Youtu-GraphRAG提出了一种基于知识图谱的检索增强生成框架，通过种子Schema约束抽取、混合社区检测构建四层知识树，并采用Agentic Retriever进行查询拆解与反思，显著提升了复杂多跳推理任务的准确率与效率。实验表明，该方法在多个基准测试中实现了最高90.71%的token节省和16.62%的准确率提升。核心创新点包括Schema感知的纵向统一流程、结构语义混合的社区检测技术，以及配套发布的AnonyRAG评测数据集。论文与代码均已开源，支持知识树可视化与跨领域迁移。]]></description><category></category></item><item><title><![CDATA[模型生成的Mermaid语法修复]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/151047047</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/151047047</guid><author>HYY_2000</author><pubDate>Sun, 31 Aug 2025 19:32:09 +0800</pubDate><description><![CDATA[本文探讨提升大模型生成Mermaid语法图的准确率。通过两个优化方向：1）优化提示词降低初次生成错误率（从12%降至5%）；2）开发实时校验修复方案。重点介绍使用Mermaid官方API和JSDOM构建Node环境校验器，解决DOMPurify兼容性问题，最终通过补丁修改实现100%修复成功率。测试数据显示初始错误率4%，经修复后全部成功，为Mermaid图生成提供了可靠解决方案。]]></description><category></category></item><item><title><![CDATA[论文评价指标之（n-gram、BLEU、MRR、ANLS）]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/149155898</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/149155898</guid><author>HYY_2000</author><pubDate>Sun, 06 Jul 2025 17:50:01 +0800</pubDate><description><![CDATA[本文介绍了NLP中的四种关键评估方法：n-gram、BLEU、MRR和ANLS。n-gram通过滑动窗口提取文本片段，用于语言建模和特征工程；BLEU基于n-gram匹配度评估生成文本质量，结合精确度和短句惩罚；MRR（Mean Reciprocal Rank）衡量检索系统排名质量；ANLS（Average Normalized Levenshtein Similarity）用于评估OCR文本识别准确率，通过归一化编辑距离计算相似度。这些方法分别从不同角度评估NLP任务性能，为文本处理提供量化标准。]]></description><category></category></item><item><title><![CDATA[【Agent】LangManus深度解析：AI自动化框架的对比与langgraph原理]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/147410434</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/147410434</guid><author>HYY_2000</author><pubDate>Fri, 25 Apr 2025 23:04:03 +0800</pubDate><description><![CDATA[LangManus是一个由社区驱动的开源AI自动化框架，其核心价值在于通过分层多智能体系统，协调语言模型（如通义千问）与专业工具（如Tavily搜索、Jina神经搜索、Python执行环境），解决跨平台数据采集与分析、自动化代码生成与调试、复杂决策任务的分解与执行等场景。langgraph是由LangChain团队开发的一个专门用于构建LLM应用工作流的框架，它的核心理念是将复杂的LLM应用工作流表示为有向图（Directed Graph）。]]></description><category></category></item><item><title><![CDATA[HTTP/2 服务器端推送：FastAPI实现与前端集成指南]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/145757306</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/145757306</guid><author>HYY_2000</author><pubDate>Sun, 02 Mar 2025 18:39:29 +0800</pubDate><description><![CDATA[本文将会讲解HTTP2协议和相关配置实践。但是不要混淆，SSE的实现完全基于HTTP/1.1的持久连接机制，通过长连接实现实时数据推送。尽管HTTP/2的服务端推送也能主动发送数据，但其设计目标和应用场景与SSE不同，两者属于互补而非替代关系。若需实现服务端到客户端的单向实时通信，SSE仍是更轻量且兼容性更优的方案。]]></description><category></category></item><item><title><![CDATA[【Datawhale wow-agent】深入浅出：构建你自己的 LLM 工具调用Agent与 RAG 系统]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/145195328</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/145195328</guid><author>HYY_2000</author><pubDate>Fri, 17 Jan 2025 02:25:31 +0800</pubDate><description><![CDATA[首先，我们需要创建一个自定义的 LLM 类来封装大语言模型的调用。CustomLLM,@property通过以上步骤，我们实现了一个基础的 LLM 工具调用和 RAG 系统。执行基础的数学运算查询数据库解析和检索 Markdown 文档回答基于知识库的问题你也可以基于这个框架，根据自己的需求扩展更多功能。]]></description><category></category></item><item><title><![CDATA[【GraphRAG】LEGO-GraphRAG框架解读]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/144825378</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/144825378</guid><author>HYY_2000</author><pubDate>Mon, 30 Dec 2024 14:34:20 +0800</pubDate><description><![CDATA[LEGO-GraphRAG框架为我们提供了一个强大的工具，以应对GraphRAG在实际应用中的挑战。通过模块化设计和系统化的解决方案分类，LEGO-GraphRAG不仅提高了检索准确性和推理效果，还为未来的研究和应用指明了方向。随着技术的不断发展，我们期待LEGO-GraphRAG能够在更广泛的领域中发挥其潜力，推动基于知识图谱检索增强生成的发展。]]></description><category></category></item><item><title><![CDATA[【机器学习】CatBoost 模型实践：回归与分类的全流程解析]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/144162527</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/144162527</guid><author>HYY_2000</author><pubDate>Sat, 30 Nov 2024 22:42:07 +0800</pubDate><description><![CDATA[CatBoost 是由俄罗斯搜索巨头 Yandex 于 2017 年开源的机器学习库，其名称来源于 “Category” 和 “Boosting” 的组合，旨在高效处理类别特征的梯度提升算法。支持类别特征：无需对类别特征进行独热编码，直接处理类别数据，避免数据膨胀。对缺失值的鲁棒性：无需特殊预处理即可直接处理缺失值。防止过拟合：内置多种正则化手段，减少梯度偏差和预测偏移，提高模型的准确性和泛化能力。对称树结构。]]></description><category></category></item><item><title><![CDATA[【报告研读】旅程学习 Journey Learning: A New Paradigm for AI Training]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/143197179</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/143197179</guid><author>HYY_2000</author><pubDate>Thu, 24 Oct 2024 01:22:06 +0800</pubDate><description><![CDATA[旅程学习是一种新兴的AI训练方法，强调不仅仅依赖“捷径”获得结果，而是学习整个探索过程，包括试错、反思和回溯。与传统的“捷径学习”相比，旅程学习更加关注AI系统的持续进步，能够应对复杂、动态和开放性问题。作者的复刻探索本身也可以看作一个旅程学习。最近在10.16 他们还发布了一个327条记录的训练数据集：旅程学习是一种革命性的方法，它超越了传统的捷径学习，提供了更强的泛化能力和推理深度。旅程学习已成功应用于复杂数学问题的求解，以及开放式问题的推理。]]></description><category></category></item><item><title><![CDATA[【论文导读】Graphusion (LLM + KGC)]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/141861700</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/141861700</guid><author>HYY_2000</author><pubDate>Mon, 30 Sep 2024 14:50:00 +0800</pubDate><description><![CDATA[本研究探讨了大型语言模型（LLM）在自然语言处理教育领域的应用潜力，着重于概念图谱恢复和问答任务。研究人员评估了LLM在零样本情况下的概念图谱恢复能力，并引入了一个由专家验证的NLP专注于科学图论推理和问答的新基准TutorQA。CGLLM是一个将概念图谱与LLM集成以回答各种问题的工作流。实验结果表明，LLM在零样本情况下具有与监督方法相当的概念图谱恢复能力，并且在TutorQA任务中实现了高达26％的F1得分提升。此外，人类评价和分析显示，CGLLM可以生成更细粒度的概念答案。]]></description><category></category></item><item><title><![CDATA[【Datawhale AI 夏令营】第四期 基于2B源大模型 微调]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/141403543</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/141403543</guid><author>HYY_2000</author><pubDate>Wed, 21 Aug 2024 23:12:15 +0800</pubDate><description><![CDATA[Datawhale第四期源大模型 微调实践记录]]></description><category></category></item><item><title><![CDATA[【Datawhale AI 夏令营】第四期 基于2B源大模型RAG 的三体问答]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/141133269</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/141133269</guid><author>HYY_2000</author><pubDate>Wed, 14 Aug 2024 11:54:30 +0800</pubDate><description><![CDATA[【Datawhale AI 夏令营】第四期 基于2B源大模型RAG 的三体问答，特点：手工文档切块、调优。]]></description><category></category></item><item><title><![CDATA[【Datawhale AI 夏令营】第四期 浪潮源模型部署测试+解析]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/141070477</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/141070477</guid><author>HYY_2000</author><pubDate>Sat, 10 Aug 2024 18:13:37 +0800</pubDate><description><![CDATA[定位：Datawhale AI 夏令营 第四期 Task1 笔记内容：小结实践顺序 + 记录过程疑惑点。]]></description><category></category></item><item><title><![CDATA[【GraphRAG】微软 graphrag 效果实测]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/140488771</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/140488771</guid><author>HYY_2000</author><pubDate>Wed, 17 Jul 2024 15:22:47 +0800</pubDate><description><![CDATA[本次测试中，global的测试输出不够理想。但是local的输出十分nice。简单的如果不是local和global的含义错了，即便是local的似乎也能进行全局性总结？local的生成基于更加细致的节点，比global的生成更加自然。如果以博客内容为准，也可能是因为复用同一个处理摘要总结时候的prompt，但是GPT4和豆包对这个prompt的响应敏感程度和生成倾向不同。]]></description><category></category></item><item><title><![CDATA[【强化学习】DQN走迷宫（一）]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/139878695</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/139878695</guid><author>HYY_2000</author><pubDate>Mon, 24 Jun 2024 00:47:07 +0800</pubDate><description><![CDATA[本文只是实现了一个简易版的DQN走迷宫，想要一个泛化能力超级好的DQN还没有实现。]]></description><category></category></item><item><title><![CDATA[Cocos2dx 编译游戏安装包制作教程]]></title><link>https://blog.youkuaiyun.com/HYY_2000/article/details/139552224</link><guid>https://blog.youkuaiyun.com/HYY_2000/article/details/139552224</guid><author>HYY_2000</author><pubDate>Mon, 10 Jun 2024 01:40:08 +0800</pubDate><description><![CDATA[本篇博客希望你不仅掌握了如何在 Visual Studio 项目中设置 .exe 文件的图标，还学会了使用 Inno Setup 创建包含自定义图标和安装路径的安装包。我们还探讨了如何解决在目标机器上运行游戏时可能遇到的 DLL 缺失问题。希望这篇教程能帮助你更顺利地发布和分享你的游戏。]]></description><category></category></item></channel></rss>