- 博客(28)
- 收藏
- 关注
RSS订阅原创 01｜OceanBase发布“湖库一体”AI数据库：杨冰称中国有机会定义下一代数据库范式
重排序（Reranking）是RAG（检索增强生成）系统中的关键环节，位于“初检索”和“生成回答”之间。它的作用是：在向量检索返回一批候选文档后，用更精细的模型对它们重新排序，把最相关的文档放在最前面，从而提高最终生成回答的质量。
2026-07-06 14:44:54
304
原创 谁是谁非，只是想和大家探讨一些理性的看法，以期抛砖引玉吧！
对于博客而言，它最大的优势在于极大降低了个人发布信息的成本，让个性得到最大程度的发挥，新近火热的微博则让这个优势得到了更为长足的进步。我们当看官的，爱看就看，不看直接跳过便是了，如果有不同的意见，我们顶多也就写写可以被删除的评论。与博客园各个子博客的主页不同，首页应该是个崇尚共性的地方，我们从管理团队对首页发布文章的严格要求就能看出：首页是入住园子的朋友们的共性展示区。是的，Michael以前看首页的文章真的可以一篇一篇地看下来，还结识了一帮好朋友，但是，那时候的注册用户可是经过dudu一个个筛选的啊！
2026-07-05 15:04:25
178
原创 我刚用 VS 2010 测试了一下，才确认这项消息的正确性。
但就我在网络上所看的，Oracle 自家的 ODP.NET，功能虽然强劲，但与微软的 .NET / Visual Studio 集成性不算好。且其 library 的版本，在 ODP.NET 10.2.0.4 之前的版本，必须用对应版本的 Oracle ，像 Oracle 10g 就必须安装 10g ODP.NET，Oracle 9i 就必须安装 9i ODP.NET (这点是该文的后续讨论提到的，我未测试过，不确定是否正确)，而微软的 OracleClient 则无此问题，不必花时间安装和设置。
2026-07-05 15:03:06
192
原创 ObjectContext的处理机制
它帮我们把添加的实体放到添加队列里，把修改的实体放到修改的队列里，当然还有删除等的。当然，我们要了解EF的生成SQL的机制我们才能更好的使用EF帮我们生成效率更高的SQL脚本。思路：无需先查出实体，因为我们知道EF通过ObjectStateManage来控制添加、修改、删除队列以及实体的状态，我们所有可以通过在直接将DTO转化成实体，然后将实体对应的队列中，并且我们手动的将实体的状态处理好，再调用ObjectContext的保证修改方法，这样就避免了先查询后修改，两次数据库连接的问题了。
2026-07-04 15:09:54
196
原创 git寻根——^和~的区别
在git操作中，我们可以使用checkout命令检出某个状态下文件，也可以使用reset命令重置到某个状态，这里所说的“某个状态”其实对应的就是一个提交(commit).我们可以把一个git仓库想象成一棵树，每个commit就是树上的一个节点。家家都有一本自己的祖谱。祖谱记录了一个家族的生命史，它不仅记录着该家族的来源、迁徙的轨迹，还包罗了该家族生息、繁衍、婚姻、文化、族规、家约等历史文化的全过程。
2026-07-03 19:09:16
244
原创 我设计的网站的分布式架构
第一大类的，它可以告诉你你不知道的信息，信息也许不好听，但是是很有效的信息，比如，退休前的任志强写的那些挨骂的博客。Google是互联网公司的代表。智能手机是浪花，是催化剂，它会帮我们培养用户使用小型设备的使用习惯，帮我们完善人和小型设备的交互模式和交互体验，它的发展会让无线通讯加速发展，会让小型计算设备的成本大幅度下降，计算能力飞速提高，会让这方面的人力成本变得便宜。在它（大设备）的立场上，你是外行，但是，一旦你能满足用户的主要需求，那么你就成了市场的主导者了，那时，它就是外行了，而你，是规则制定者。
2026-07-03 19:08:18
207
原创 不是技术也能看懂云计算，大数据，人工智能
我今天要讲这三个话题，一个是云计算，一个大数据，一个人工智能，我为什么要讲这三个东西呢？因为这三个东西现在非常非常的火，它们之间好像互相有关系，一般谈云计算的时候也会提到大数据，谈人工智能的时候也会提大数据，谈人工智能的时候也会提云计算。所以说感觉他们又相辅相成不可分割，如果是非技术的人员来讲可能比较难理解说这三个之间的相互关系，所以有必要解释一下。一、云计算最初是实现资源管理的灵活性我们首先来说云计算，云计算最初的目标是对资源的管理，管理的主要是计算资源，网络资源，存储资源三个方面。1.1 管数据中心就像
2026-07-02 21:36:27
233
原创 十倍效能提升——Web 基础研发体系的建立
web 基础研发体系指的是， web 研发中一线工程师所直接操作的技术、工具，以及所属组织架构的总和。在过去提升企业研发效能的讨论中，围绕的主题基本都是——”通过云计算、云存储等方式将底层核心技术封装成基础设施“。而我们在实践中发现，在这样的多重背景下，除了底层核心技术外，一线 web 研发效能的问题也逐渐成为决胜战场的重要因素。然而在现实中我们看到，因为一线的研发工作可替换性强，所以并没有受到足够的重视，同时也缺少更统一、更有深度的规划和管理。
2026-07-02 21:35:04
186
原创 lru记录的是对象最后一次被命令程序访问的时间，占据的比特数不同的版本有所不同（如4.0版本占24比特，2.6版本占22比特）。
综上所述，redisObject的结构与对象类型、编码、内存回收、共享对象都有关系；
2026-07-01 16:50:49
241
原创 阿里云ECS的CPU100%排查
初创公司，架构lanmp，web前端和后端分开服务器，业务驱动主要是nginx和apache，nginx主要是处理静态文件和反向代理，前后端、搜索引擎、缓存、队列等附加的服务都是用docker容器部署。后来一看阿里云的云监控，上面有数据，似乎也可以佐证网络这个说法，因为云监控是阿里云内部的监控，可以内网获取到监控数据。cat了一下，打开文件数是66080，果然超了！4）监控容器的资源使用，里面很不稳定，首先是xunsearch容器使用80%的CPU，关掉xunsearch，又变成了其他容器使用CPU最高。
2026-07-01 16:50:11
177
原创 allure的安装allure安装包括三部分
3.点击"新建" （我的解压后的bin文件地址为 D:\anzhuangbao\allure-commandline-2.21.0\allure-2.21.0\bin）3.1先检查文件是否确实存在： dir "D:\anzhuangbao\allure-commandline-2.21.0\allure-2.21.0\bin\allure.bat"# 应显示：D:\anzhuangbao\allure-commandline-2.21.0\allure-2.21.0\bin\allure.bat。
2026-06-30 15:59:10
239
原创 C++ 中的 list
由于它是链表，它支持一些操作极其高效，或者提供了。的元素（全部或部分）直接 “剪切” 并 “粘贴” 到另一个。在头部插入 / 删除操作极其低效（），而。无法随机访问，标准库算法（如。，没有数据拷贝，所以速度极快。
2026-06-30 15:58:06
230
原创 x01.weiqi.15: AI 对弈
项目名称: x01.weiqi (围棋对弈系统)技术栈: Python 3.8+ + FastAPI + WebSocket + KataGo AI引擎主要功能: 在线围棋对弈平台，支持人机对弈、人人对弈、棋谱管理、VIP会员系统等
2026-06-29 16:02:31
152
原创 方法一：Manim 原生拆分法
作为初学者，面对这两种方法可能会纠结。场景推荐方法理由需要分步动画方法一 (拆分法)你需要控制每个部分单独出现、移动或高亮，拆分法能让每个部分成为独立对象。公式复杂且静态方法二 (LaTeX 法)比如一个巨大的分式，只想给分子的一部分上色，拆分字符串太痛苦，直接用 LaTeX 命令更快捷。初学者练习方法一 (拆分法)更能帮助你理解 Manim 的“对象化”思维，方便后续调试。完整参考代码# --- 方法一：Manim 拆分设置颜色 ---# --- 方法二：LaTeX 原生颜色设置 ---
2026-06-29 15:52:12
239
原创 《动手学深度学习》第一章笔记:机器学习问题到底怎么分类
好家伙,这次我把《动手学深度学习》第一章读完了。先说一下,我为什么会突然翻这本书。更直接的原因是,前面我在做一个从零学习 AI 的小项目。写一个小项目去用,去学习ai(所谓干中学)写到训练循环时,代码里开始出现这些东西:再具体一点,是为了看懂这行代码:这行代码背后其实是在回答:当时我一路追下去,就追到了:让我的codex老师给我解释,越解释越晕所以我才去翻《动手学深度学习》。为了理解第一章它先把机器学习问题的大框架铺开了。
2026-06-28 16:02:36
224
原创 一文读懂AI落地的三驾马车：大语言模型、RAG、多模态AI
你有没有遇到过这种情况：跑去问AI一个问题，它回答得滔滔不绝，逻辑清晰，听起来像模像样，但你就是有一种"哪里不对劲"的感觉。要么数据过时，要么答案与你的实际情况毫不相干，要么语气信心满满，内容却一本正经地偏了题。这种"AI大聪明"的尴尬，困扰过太多人。其实问题的根源不在于AI笨，而在于技术架构本身的限制。要真正解决它，三项核心技术缺一不可：大语言模型、RAG（检索增强生成）、多模态AI。今天这篇文章，我们就来拆开说清楚，这三项技术分别在解决什么问题，又是如何互相配合的。
2026-06-28 16:01:25
258
原创 零基础认识大语言模型工作原理
直观上判断确实可以这样去做，但是为了提升大模型输出内容的多样性和灵活性（对于同一个输入，大模型每次推理输出不尽相同），实际并不是直接选取概率值最大的Token ID映射回Token，而是根据事先配置，选取概率值从大到小前Top K个Token IDs再根据一定规则“摇骰子”从中选取最终要输出的Token。大模型每次推理输出一个Token，将每次输出的Token接在原来输入的尾部，再继续作为模型的输入，可以源源不断地得到连续的Tokens，直到模型输出【结束】标记。它并不真正“理解”输出文字的含义，它只是。
2026-06-27 19:43:33
173
原创 Claude Code 实战 400 万 Tokens：接入 DeepSeek V4，从$26降到$2
400 万个 tokens。Claude Sonnet 4.6，$3 输入 / $15 输出，保守估算下来将近 $26。不是说它贵，是突然意识到：这只是一周的编码量。如果是个认真用 AI 工具的工程师，每个月的消费可能超过一台云服务器。然后 2026 年 4 月 24 日，DeepSeek 发布了 V4，并在三天后（今天，4 月 27 日）宣布 V4-Pro 限时降价 75%。我把 Claude Code 的后端切换到 DeepSeek V4 跑了一遍，用了同样量级的 tokens，账单是 $2.3。
2026-06-27 19:42:38
299
原创 Kubernetes Gateway API 完全指南
Kubernetes Gateway API 代表了 Kubernetes 流量管理的未来方向。核心概念:理解了 GatewayClass、Gateway、HTTPRoute 等资源的作用和关系架构原理:了解了控制平面和数据平面的交互机制实践能力:能够从零搭建 Gateway API 环境并配置各种路由场景最佳实践:学会了安全管理、性能优化、可靠性保障等生产环境技巧下一步学习建议深入研究特定 Gateway Controller 的文档探索服务网格与 Gateway API 的集成。
2026-06-25 19:15:12
231
1
原创 Microsoft Agent Framework 创建智能体
可以看到Microsoft Agent Framework (MAF) 是一个强大的框架，用于创建基于大语言模型的智能代理。通过本笔记，方便后续的知识回顾。可以通过MAF看到，微软在AI领域的持续跟进，让我们在AI智能体领域有了更多的选择，当然如果已经有了LangChain的相关基础，那么这个上手起来会更快。后续会进一步对比Tools以及Skills等方法的实现。
2026-06-24 16:51:54
181
原创 Variance in Adversarial Attack for Customized Diffusion Models
我们旨在最大化未受扰动的生成图像与受扰动的生成图像之间的身份一致性差异，其中g是身份保留生成器。为了统一对不同模型的保护，我们可以找到一个能同时干扰多个特征空间的δ，降低相似度值的总和。如果在训练时假设矩阵 是固定的，但在实际推理时，由于添加了噪声 ，人脸关键点检测可能会发生微小偏移，导致实际使用的对齐矩阵 与训练时的 不同。这类方法借鉴了经典“不可学习样本”（Unlearnable Examples）的思想，旨在生成一种特殊的数据，使得模型即使在上面进行训练，也无法学到任何有用的概念。
2026-06-24 16:50:23
218
原创 Kthena + vLLM-Ascend：云原生大模型推理的编排与调度实践
云原生技术与AI基础设施深度融合，大模型在 Kubernetes 上的生产级部署成为行业当前核心课题。在千亿参数模型普及的今天，单机显存已无法承载，TP（张量并行）与 PP（流水线并行）成为标配。然而，这种分布式范式的转变，使得习惯于处理无状态微服务的 Kubernetes 原生工作负载抽象（如 Deployment/Service）显得力不从心。
2026-06-23 16:44:11
242
原创 基于 Irrlicht 和 WASAPI 的 Simple Audio Visualization 技术开发报告
在 Windows 环境下使用(基于 GCC) 编译原本为 MSVC 设计的 Irrlicht，面临的首要挑战是符号导出逻辑的差异。
2026-06-23 16:42:54
162
原创 深度学习进阶（二十五）RoPE：现代 NLP 的位置编码范式
最终，在 NLP 这个 RPE 的"原产地"，酝酿出了一种新的范式：2021 年的论文：RoFormer: Enhanced Transformer with Rotary Position Embedding 给出了答案。它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：Att
2026-06-22 19:55:21
242
原创 编程语言的用户群体是谁？
一开始我以为所有的程序员都可以成为这个语言的用户。但事实并不是这样。那些上班的程序员不会使用新语言，因为他们不可能随意更改工作中使用的技术栈，那付出的代价远高于收益｡所以他们给的最多的建议就是“不要再重复造轮子了，没有生态的东西肯定是没人用的。既然专业的程序员不用，那给非程序员用总可以吧。但这个想法也很幼稚。一个没有学过编程、不是以编程为职业的人，永远不会有自己去开发程序的想法。所以开发一个面向编程小白，比如以中文为卖点的编程语言，受众会少很多，少到无法支撑项目的开发成本。
2026-06-22 19:54:12
260
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人