<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[MoSTChillax的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/MoSTChillax</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MoSTChillax]]></copyright><item><title><![CDATA[AI Agent 中的 Skills 到底是什么？从 Cursor、Claude 看 Skills 的使用方式]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/166735100</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/166735100</guid><author>MoSTChillax</author><pubDate>Sun, 27 Sep 2026 14:35:34 +0800</pubDate><description><![CDATA[Anthropic 对 Agent Skills 的定义是：把指令、脚本和资源组织成文件夹，让 Agent 在需要时动态加载，从而完成特定领域任务。my-skill/my-skill/这个 Skill 是干什么的；什么时候应该使用；应该按照什么步骤完成任务。而：references/ 可以保存专业资料；assets/ 可以保存模板、图片或其他资源。]]></description><category></category></item><item><title><![CDATA[UI规范设计：从视觉到交互的全面指南]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/163525402</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/163525402</guid><author>MoSTChillax</author><pubDate>Sat, 15 Aug 2026 10:15:00 +0800</pubDate><description><![CDATA[本文探讨了如何为前端设计建立一套有效的UI规范，重点解决了VibeCoding等AI设计工具产生的风格不一致问题。文章从五个维度展开：视觉基础（色彩、字体、圆角等）、布局间距、组件复用、交互反馈和页面状态。通过对比不规范设计的反例，作者指出统一规范应确保同类元素样式一致、信息层级分明、操作反馈可预期。核心观点是：UI规范不是固定数值标准，而是保证同一产品内部长期一致的视觉与交互约定。文章提供了颜色语义划分、字体层级设置、间距网格系统等具体实施方案，强调通过约束实现设计协调性而非限制创意。规范化的设计能帮助A]]></description><category></category></item><item><title><![CDATA[数字人竞品分析（下）：商业化、竞争格局与产品启示]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/163570336</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/163570336</guid><author>MoSTChillax</author><pubDate>Fri, 07 Aug 2026 18:19:16 +0800</pubDate><description><![CDATA[本文对比分析了七牛云、火山引擎和蝉镜三款数字人产品的商业化路径与近期发展方向，总结出&quot;标准化入口-持续付费-企业级延伸&quot;的递进模式。研究发现，三者分别侧重企业交付（七牛云）、云服务用量（火山引擎）和内容生成（蝉镜）。当前数字人竞争重点正从形象数量转向知识接入、实时交互和企业部署能力。基于此，教育数字人&quot;知小伴&quot;应聚焦课程资料的准确问答与稳定交互，将内容生产、私有化等能力作为后期扩展，核心差异化应建立在可追溯的问答质量和学习闭环上，而非数字人形象或视频生成能力。]]></description><category></category></item><item><title><![CDATA[数字人竞品分析（中）：核心功能、产品使用与技术能力对比]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/163512516</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/163512516</guid><author>MoSTChillax</author><pubDate>Wed, 05 Aug 2026 20:54:39 +0800</pubDate><description><![CDATA[本文对比分析了七牛云、火山引擎和蝉镜三家数字人解决方案的核心功能、产品界面、服务方式及技术能力。七牛云以配置式控制台为核心，整合数字人形象、语音生成、视频创作及实时互动功能，适合企业标准化内容制作；火山引擎采用模块化架构，通过API/SDK灵活组合数字人、RTC、语音识别等技术，需企业较强研发能力；蝉镜提供SaaS化编辑平台，侧重模板化批量生产，适合内容创作者。]]></description><category></category></item><item><title><![CDATA[数字人竞品分析（上）：行业背景和产品定位]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/163470942</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/163470942</guid><author>MoSTChillax</author><pubDate>Tue, 04 Aug 2026 14:26:40 +0800</pubDate><description><![CDATA[本文聚焦数字人行业发展趋势与竞品分析，通过研究七牛云、字节跳动和蝉镜三家代表性企业，探讨数字人技术在教育场景的应用潜力。研究显示，数字人正从内容生产工具向具备语义理解、实时交互能力的业务入口演进，核心市场规模预计2025年达480亿元。三家厂商分别代表企业解决方案（七牛云）、技术能力组件化（字节跳动）和内容创作工具（蝉镜）三种发展路径。教育数字人需重点关注交互质量、知识准确性及业务系统集成能力，下篇将深入比较技术实现与商业模式。]]></description><category></category></item><item><title><![CDATA[新手小白必须知道的claude code 和 github 使用技巧]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/160591369</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/160591369</guid><author>MoSTChillax</author><pubDate>Sun, 24 May 2026 21:34:58 +0800</pubDate><description><![CDATA[本文提供AI项目开发的实战指南，重点解决两大核心问题：1.本地代码上传GitHub的完整流程及常见问题解决方案，包括git add死循环、地址配置错误等；2.Claude桌面端接入自有大模型API的详细教程，涵盖CCSwitch工具配置和路由设置。文章通过具体命令和截图演示，帮助开发者快速完成环境配置和代码管理，避免常见陷阱。]]></description><category></category></item><item><title><![CDATA[新手 3 个文件跑通前端 + Flask + MySQL（最小可行 CRUD）]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/158300303</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/158300303</guid><author>MoSTChillax</author><pubDate>Mon, 09 Mar 2026 19:30:00 +0800</pubDate><description><![CDATA[本文介绍了如何通过最小架构实现前端页面与MySQL数据库的CRUD操作。作者强调了数据库Schema决定前端设计的理念，并提供了3个核心文件（Flask路由、数据库连接层、HTML模板）的代码示例。关键点包括：1)数据库连接需手动commit写操作；2)前端按钮必须绑定正确的HTTP方法；3)API层负责解析请求并执行SQL。通过这种三层对齐的方式，可以确保页面操作真实写入数据库，而非仅修改前端展示。文章还提供了常见问题排查方法，帮助开发者快速验证数据是否真正落库。]]></description><category></category></item><item><title><![CDATA[Figma Make：可复用 Prompt 把设计图画“准”]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/156867284</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/156867284</guid><author>MoSTChillax</author><pubDate>Sun, 22 Feb 2026 23:28:06 +0800</pubDate><description><![CDATA[本文探讨了如何建立一套「组件提示词库」以提高AI设计工具（如FigmaMake）的使用效率。作者指出当前AI设计工具存在生成结果与预期不符的问题，并提出通过积累标准化组件描述提示词来解决。文章重点介绍了四类组件的Prompt写法：进度控件类（如Stepper多步骤流程）、表单输入类（如FormCard表单卡片）、时间选择器以及反馈弹层组件（如Toast和Modal）。每个组件都提供了详细的Prompt示范和通用模板结构，强调通过固定句式实现高复用性。最后建议读者分类归纳常用组件，形成可复用的提示词库，避免每]]></description><category></category></item><item><title><![CDATA[Figma Make 提示词设计：从布局、组件、交互到风格]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/156115416</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/156115416</guid><author>MoSTChillax</author><pubDate>Wed, 24 Dec 2025 21:15:00 +0800</pubDate><description><![CDATA[本文针对FigmaMake提示词使用中的常见问题（如设计不一致、组件混乱等），提出了构建&quot;可复用Prompt框架&quot;的解决方案。作者建议将提示词结构化分为System/Goals/Pages/Components/Interactions五大模块，并详细介绍了PC端布局、常用组件（对话列表、Tab等）和交互设计的规范化描述方法。此外，文章还提供了视觉风格模板，涵盖色彩、字体、间距等设计系统要素，帮助实现原型设计的一致性。通过这种规范化、结构化的提示词撰写方式，可以有效提升设计输出的稳定性和]]></description><category></category></item><item><title><![CDATA[用 Figma Make 提示词生成可交互应用原型：从入门到避坑]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/156111557</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/156111557</guid><author>MoSTChillax</author><pubDate>Wed, 24 Dec 2025 15:12:12 +0800</pubDate><description><![CDATA[本文分享了使用提示词在FigmaMake快速生成可交互应用原型的经验总结。文章首先介绍了FigmaMake的优势（快速生成页面骨架、建立跳转链路）和局限性（无法处理复杂业务逻辑、精细视觉稿），并强调提示词应包含页面、组件、布局、交互四要素。通过一个三页面登录流程的实例演示了提示词的具体应用，提供了结构化中文模板和错误修正方法。最后建议借助AI工具生成完整提示词，并给出了常见布局问题的补救方案，帮助用户高效创建均衡美观的原型设计。]]></description><category></category></item><item><title><![CDATA[大模型训练语料（通俗易懂）第二篇]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/152719295</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/152719295</guid><author>MoSTChillax</author><pubDate>Tue, 21 Oct 2025 09:08:55 +0800</pubDate><description><![CDATA[本文详细介绍了数据采样配比和模型训练优化的方法。在采样配比方面，提出&quot;三步走&quot;策略：分类建桶、设定比例、温度采样动态调整权重，实现&quot;主域稳定+长尾覆盖&quot;。文章以电商问答数据为例，展示了温度参数对采样比例的影响。在模型训练部分，比较了CausalLM自回归模型和遮挡式训练（MLM/T5）两种方法，分别用于预测下一个token和理解上下文内容，并解释了序列打包、屏障损失等关键技术。全文系统阐述了从数据准备到模型训练的全流程优化方案。]]></description><category></category></item><item><title><![CDATA[大模型训练语料（通俗易懂） 第一篇]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/152667088</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/152667088</guid><author>MoSTChillax</author><pubDate>Fri, 10 Oct 2025 22:28:01 +0800</pubDate><description><![CDATA[本文系统介绍了从原始数据到高质量训练语料的完整处理流程。首先规范数据来源与许可信息，确保合规可追溯；其次进行统一格式的原始清洗，包括编码转换、噪音剔除等；然后通过混合策略去除重复和近重复内容；接着进行质量与合规过滤，识别低质和敏感信息；再对文本进行结构化分块处理，保持语义完整；最后优化分词与词表构建，确保训练一致性。整个流程将杂乱数据转化为标准化、高质量的训练语料，为模型训练奠定基础。]]></description><category></category></item><item><title><![CDATA[一文搞懂 Transformer 模型执行过程（附详解）]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/149965571</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/149965571</guid><author>MoSTChillax</author><pubDate>Thu, 07 Aug 2025 11:01:23 +0800</pubDate><description><![CDATA[本文深入浅出地解析了Transformer架构的核心处理流程。首先介绍数据预处理：通过分词、Token化和词嵌入将文本转换为向量表示，并加入位置编码保留顺序信息。然后详细讲解编码器部分的多头自注意力机制、残差连接和层归一化、前馈神经网络等关键组件。解码器部分则重点说明带掩码的注意力机制和交叉注意力机制的工作原理。最后通过线性变换和Softmax输出预测结果。文章通过清晰的流程分解，帮助读者理解Transformer如何实现从输入到输出的完整处理过程，为理解BERT、GPT等大型语言模型奠定基础。]]></description><category></category></item><item><title><![CDATA[一文看懂三种经典排序算法：冒泡、快速、插入排序（含Python代码+解析）]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/149102869</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/149102869</guid><author>MoSTChillax</author><pubDate>Wed, 09 Jul 2025 23:17:20 +0800</pubDate><description><![CDATA[本文介绍了Python实现三种经典排序算法：冒泡排序通过相邻元素比较交换，快速排序采用分治策略，插入排序将元素插入有序序列。详细解析了各算法的原理、实现代码及关键点，并比较了它们的时间/空间复杂度、原地性和稳定性。建议初学者从冒泡和插入排序入手，大数据量场景推荐快速排序。文章提供了完整代码示例和实用建议，适合编程学习者掌握基础排序算法。]]></description><category></category></item><item><title><![CDATA[一举拿下！用python完成堆排序、桶排序（含代码+注释解析）]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/149135611</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/149135611</guid><author>MoSTChillax</author><pubDate>Wed, 09 Jul 2025 23:17:05 +0800</pubDate><description><![CDATA[本文详细介绍了两种高效排序算法：堆排序和桶排序。堆排序通过构建大顶堆实现排序，分建堆和排序两阶段，核心是递归堆化函数；桶排序则采用分治策略，将数据分配到多个桶中分别排序后合并。文章提供了完整的Python实现代码，并解析了关键步骤，包括堆排序的递归堆化过程、桶的创建与合并策略。这两种算法在处理大规模数据时表现优异，掌握其原理和实现有助于提升算法能力。]]></description><category></category></item><item><title><![CDATA[BERT 模型详解：结构、原理解析]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/149029838</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/149029838</guid><author>MoSTChillax</author><pubDate>Mon, 30 Jun 2025 19:30:37 +0800</pubDate><description><![CDATA[BERT作为自然语言处理领域的突破性模型，基于Transformer编码器实现双向上下文建模。其核心在于MLM（掩码语言模型）和NSP（下一句预测）两个预训练任务，通过12层编码器提取768维语义向量。虽然训练与推理存在MASK差异，但动态掩码和Span掩码等改进策略有效缓解了这一问题。BERT在语言理解任务上展现出卓越性能，成为NLP领域的重要基石。]]></description><category></category></item><item><title><![CDATA[用Gini基尼系数，徒手‘种’出一棵决策树（含完整案例+手算）]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/148981591</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/148981591</guid><author>MoSTChillax</author><pubDate>Sun, 29 Jun 2025 08:59:54 +0800</pubDate><description><![CDATA[本文介绍了决策树中的Gini系数原理与应用。Gini系数(0-1)衡量数据集纯度，值越低表示分类越纯净。通过Gini Index计算属性划分后的加权平均纯度，选择最优划分属性。以贷款审批为例，逐步计算年龄、收入等属性的Gini Index，确定&quot;收入水平&quot;为最佳根节点（Gini=0.1665）。决策树构建遵循整体最优原则，允许牺牲个别样本准确性以保证泛化能力。关键点包括：Gini系数定义、属性划分评估方法、决策树的构建逻辑和泛化特性。]]></description><category></category></item><item><title><![CDATA[Python切片全解析」list、字符串、DataFrame切片行为及差异，一篇全懂！]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/148916902</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/148916902</guid><author>MoSTChillax</author><pubDate>Thu, 26 Jun 2025 17:10:40 +0800</pubDate><description><![CDATA[Python切片语法遵循sequence[start:stop:step]格式，具有左闭右开特性（不包括stop索引），适用于字符串、列表等序列对象。切片参数可省略：[:4]表示从0到3，[2:]表示从2到末尾，[::-1]可实现反转。值得注意的是，pandas的DataFrame.loc切片采用闭合区间（包含两端），与原生Python序列行为不同。理解这些差异对数据处理至关重要，原生序列切片长度可用stop-start计算，而.loc更类似于SQL查询的包含逻辑。]]></description><category></category></item><item><title><![CDATA[Linux常用命令实用手册：网络连接、进程控制与文件压缩]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/148830868</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/148830868</guid><author>MoSTChillax</author><pubDate>Mon, 23 Jun 2025 16:47:12 +0800</pubDate><description><![CDATA[本文系统介绍了Linux运维中的三大核心操作：网络测试、进程管理和文件处理。在网络部分详细解析了ping、ifconfig和netstat命令的使用方法及参数含义；进程控制部分重点讲解ps、kill、nohup及进程前后台切换技巧；文件处理则涵盖wget下载及tar/gzip/zip压缩解压命令。这些基础但至关重要的命令操作，不仅能提升日常工作效率，也是深入学习Linux运维的必备技能。全文通过清晰的语法解析和实用示例，帮助读者快速掌握Linux系统操作的精髓。]]></description><category></category></item><item><title><![CDATA[Linux 系统管理核心命令详解：系统监控 + 用户管理全攻略]]></title><link>https://blog.youkuaiyun.com/MoSTChillax/article/details/148843878</link><guid>https://blog.youkuaiyun.com/MoSTChillax/article/details/148843878</guid><author>MoSTChillax</author><pubDate>Mon, 23 Jun 2025 12:43:20 +0800</pubDate><description><![CDATA[【Linux核心命令实战指南】本文系统讲解了Linux运维必备的系统监控、用户管理和进程控制命令：1）资源查看类：df查磁盘、free看内存、uptime显示系统负载；2）进程管理类：ps展示进程快照、top实时监控资源占用；3）用户管理类：passwd设密码、groupadd/usermod管理用户组，详解userdel删除用户时的目录残留问题解决方案。所有命令均配有参数解释和输出示例，涵盖磁盘、内存、进程、用户组等核心运维场景，帮助开发者快速掌握服务器管理技能。]]></description><category></category></item></channel></rss>