XN5Dd3751的博客

原创 15天学会AI应用开发（一）搭建AI大模型应用开发环境

在接下来的15天里，我们将从零开始，一步步掌握如何利用大模型（如GPT、通义千问等）构建自己的AI应用。## 第五步：使用Jupyter Lab进行交互式开发（可选但推荐）对于AI应用开发，Jupyter Lab能让你边写边看结果，尤其适合调试prompt和数据处理。## 第二步：创建虚拟环境虚拟环境就像是一个独立的“小房间”，里面只装这个项目需要的包，互不干扰。## 第三步：安装核心库现在虚拟环境已激活，我们来安装AI应用开发的核心依赖。，教你如何写出高质量指令，让大模型输出你想要的答案。

原创 我用了 8 个月 Codex CLI，总结出这套 AI 编程工作流

我一用就是 8 个月，从最初的“这玩意儿能干啥”到现在的“没它我写代码像原始人”，中间踩了无数坑，也总结出了一套高效的工作流。## 总结：AI 编程不是取代你，而是放大你8 个月下来，我的感受是：Codex CLI 不是“自动编程机”，而是“超级辅助”。所以，别怕 AI 抢你饭碗，它只是把“写代码”的门槛降低了，但“设计代码”的门槛依然很高——而那个门槛，正是我们程序员的价值所在。但问题也来了：它偶尔会写出一些“看似正确、实际有坑”的代码，比如生成了一个不存在的库函数，或者忘了处理边界情况。

原创 高性能服务器的基石：从并发模型到状态机

在互联网时代，高性能服务器是支撑亿级用户请求的核心。无论是电商平台秒杀系统、实时聊天应用，还是游戏服务器，其底层都离不开两个关键概念：并发模型 和 状态机。 今天，我们就用通俗的语言和代码实例，揭开高性能服务器的神秘面纱。—## 一、并发模型：如何同时处理成千上万的请求？服务器的本质是“处理请求”。假设你开了一家奶茶店，顾客（请求）排长队，你该怎么服务？1. 单线程阻塞：你一个人，一次只能服务一个顾客，其他顾客干等。 → 缺点：CPU 利用率极低，吞吐量极低。2. 多线程/多进程：雇佣多个店员，每

原创 Openai Codex 重大更新 已支持接入任意开源大模型

原创 House of apple2手法及部分源码解析

ptmalloc。

原创 Python中绘制R的科研级可视化图

## 5. 与R语言的对比与迁移技巧| 功能 | R（ggplot2） | Python（plotnine/seaborn） ||------|--------------|---------------------------|| 基础语法 |科研人员可根据项目需求灵活选择，无需纠结于语言之争，重要的是产出清晰、可复现的图表。本文将从实战角度出发，通过代码演示，展示如何在Python中复现R风格的科研可视化，涵盖统计图、热图、箱线图等常见类型。生成模拟数据，模拟科研中常见的基因表达、药物剂量等场景。

原创 15天学会AI应用开发（八）使用向量数据库实现RAG功能

简单来说，RAG就像一个“AI大脑外挂”：当大语言模型（LLM）遇到不知道的问题时，它能从外部知识库中“查资料”来辅助回答。向量数据库（如ChromaDB）就像AI的“第二大脑”，让它能实时调用外部知识，解决知识过时和幻觉问题。## 实战案例：打造一个“AI知识助手”我们的目标是：创建一个能回答“关于Python编程”问题的AI助手。传统的关键词搜索（比如SQL的LIKE）无法理解语义，比如“苹果”和“iPhone”在语义上相关，但关键词不匹配。：把检索到的文档作为上下文，和你的问题一起拼成完整的提示词。

原创 过去三个月对我帮助最大的一个 skill：grill-me

从基础的公式优化，到中级的数据结构选择，再到高级的性能分析和重构，每一步都是对代码的“拷问”。如果你能养成这个习惯，三个月后，你也会发现自己的代码质量、效率和可读性都有了质的飞跃。记住：最好的代码不是一次写成的，而是不断被“grill”出来的。## 中级用法：数据结构与算法优化当处理更复杂的数据时，grill-me 会引导你选择合适的数据结构。它并非某个现成的工具或库，而是一种思维模式与代码实践的结合体：通过“拷问”自己的代码，持续优化逻辑、提升性能。高级的 grill-me 还会考虑代码的可维护性。

原创 .NET Core跨平台的奥秘[中篇]：复用之殇

csharp// 抽象层：定义与平台无关的设置存储接口public interface ISettingsProvider{ string GetSetting(string key, string defaultValue);

原创 什么是内存(二)：虚拟内存

当你看到“缺页中断”或“段错误”时，就能明白背后的原因——要么是页不在内存中，要么是访问了未映射的地址。在现代计算机系统中，虚拟内存是一个核心概念，它让每个进程都以为自己拥有独立且连续的内存空间，而实际上物理内存可能被多个进程共享、分页甚至交换到磁盘。此外，CPU使用TLB（Translation Lookaside Buffer，快表）缓存最近使用的页表项，避免每次都要访问内存中的页表。由于我们映射了前10个虚拟页，访问范围在20页内，TLB缓存了最近使用的页表项，命中率很高。：替换最久未使用的页。

原创 C语言中的数据结构和变量

其实，C语言正是计算机运行的“翻译官”，它把复杂的数据关系用简单的内存模型呈现出来。今天，我们就用通俗的语言和代码示例，来拆解C语言中的数据结构和变量。你可以把变量想象成一个“小盒子”，每个盒子有名字（变量名）、大小（类型）和里面装的东西（值）。## 6. 链表：动态的“数据链条”链表是动态数据结构的典型代表，它由节点组成，每个节点包含数据和指向下一个节点的指针。），需要逐成员比较。## 4. 指针：内存的“地址导航器”指针是C语言的精髓，也是最让初学者头疼的概念。数组的索引从0开始，这是C语言的传统。

原创 层级树的构建与节点增删改全解析：从设计到落地

原创 形式化方法 × UML

这个例子模拟了UML时序图中的时间约束，并用形式化方法中的时态逻辑思想验证了“超时后不能操作”的属性。从基础的状态机图约束检查，到复杂的时序属性验证，我们看到了如何用代码将UML图形转化为可执行的逻辑断言。虽然本文的示例采用了Python简化模拟，但在实际工业应用中，我们可能需要使用专门的工具（如Alloy、TLA+或Event-B）来对大型系统进行形式化验证。### 高级用法：结合UML状态机图与形式化时序逻辑在更复杂的系统中，我们需要验证跨时间的属性，比如“用户登录后，必须在30秒内完成操作”。

原创 让 3 个 AI 一起写公众号：一篇 Hermes 多 Agent 实操

pythonfrom hermes import Agent, MessageBusimport asyncio# 1. 定义消息总线（所有 Agent 共享）bus = MessageBus()# 2. 选题 Agent：负责市场分析和选题策划topic_agent = Agent( name="选题编辑", system_prompt="""你是一个专业的公众号选题编辑。根据用户提供的行业关键词，给出 3 个当前热门的选题方向。每个选题需要包含：标题、核心观点、目标读者。输出格式为 JSON 数组。

原创 Fable 5 与 GPT-5.6 Sol 实战经验分享：什么任务该用哪个--更高效的使用你的token

代码任务用 Fable 5 省 token 保精度，创意任务用 GPT-5.6 Sol 提质量扩思路。

原创 【学习笔记】斜率优化 DP

下凸壳。

原创 kokoroi-rs 的 WASM 实践

kokoroi-rs 的 WASM 模块正是这样一个尝试——将 Kokoro TTS 的核心能力编译为 WebAssembly，让高质量语音合成直接运行在用户的浏览器中，无需任何后端服务器。kokoroi-rs 的 WASM 模块将 Rust 代码编译为 wasm32-unknown-unknown 目标，通过 wasm-bindgen 生成 JavaScript 胶水代码，最终交付一个约 3MB 的 WASM 二进制文件。文本到音素的转换是 TTS 的第一步，也是中文场景中最复杂的环节之一。

原创 PipedReader和PipedWriter的源码分析和使用方法详细分析（windows操作系统，JDK8）

/标记符：true表示与这个 PipedReader （消费者）相关联的PipedWriter（生产者）已经持有了这个PipedReader （消费者）对象（或者叫已经连接上了），反之，反之。一、PipedWriter（生产者）源码——向PipedReader（消费者）中的缓冲区（char[]数组）写入字符数据的字符输出流（生产者）二、PipedReader（消费者）源码——从自己的缓冲区（char[]数组）读取字符数据的字符输入流（消费者）3.2、加锁循环写和非加锁循环读到byte[]数组b中再处理。

原创 Kimi K3悄悄上线：1M上下文、专攻编程，月之暗面的最强底牌亮了

就在今天上午，GPT-5.6刚刚在Tracking AI的离线IQ测试中拿下136分，破了LLM的天才线。K2.6能把任务拆成300个子任务并行跑，K3在这个基础上把上下文拉到1M——这两件事放在一起看，逻辑很清晰：月之暗面在赌AI Agent的未来。Kimi的API和第三方工具集成度一直是弱项，K3模型ID虽然已经开放，但开发者文档、SDK支持、社区生态能否跟上，决定了K3是天上的卫星还是地上的高铁。按K2系列的经验，Kimi在性价比上一直有竞争力，但K3如果要在1M上下文下保持低延迟，推理成本不会低。

原创 OpenCode 中构建分层多智能体协作系统：DeepSeek 双模型成本感知调度实践

这套方案最核心的启示或许是：在多 Agent 系统中，"什么不交给谁做"比"谁做什么"更重要。能力边界的清晰定义、执行与探索的严格分离、读写的权限隔离、写作用域的冲突检测——这些约束机制才是系统稳定性的基石，而非 Agent 数量或模型能力。评论纪律：不写 AI 样板注释（“Initialize the service”），只写解释 WHY 而非 WHAT 的注释，不留被注释掉的代码——它们属于 Git 历史，不属于源文件。这不是"永不停止"的理想化循环，而是工程化的有界收敛。

原创 24万星和5.7万星的两个框架，我焊在一起后它们封神了

第一个，AI 在「要构建什么」还没想清楚的时候就开始写代码。你跟它讨论需求，聊了三轮，它突然来一句「我来帮你实现吧」，然后一顿输出，写完一看，方向跑偏了。代码能跑，但不是你想要的。删了重来，token 已经烧掉了。第二个，规划倒是写了，但实现的时候还是漂移。代码和 spec 各走各的路，到最后 review 的时候才发现对不上。为了解决这两个问题，我分别找到了两个框架。OpenSpec，GitHub 5.7 万星，Fission AI 开源的 spec-driven 规划引擎。

原创 从矩阵乘法到多模态大模型

显然，我在 CS336 中 Tokenizer 的 encode() 函数对长文本的效果很不好，于是我用 AI 快速跑了一个快速 Tokenizer，依旧使用的了 C++ 来写核心的循环合并部分（毕竟 C++ 的哈希表还是太强了），又加入了并行计算，然后就以 8 核全部 98.7% 以上榨干极致性能实现了快速的 Token 化。这个项目的起源在于斯坦福的 AI 神课 CS336。CLIP-ViT : 预算实在有限，训练的成本还是太高了，只能在了解其原理、感慨 OpenAI 财大气粗之后直接使用成品了。

原创 图形渲染中的透明混合

现代 GPU 默认采用的是经典的 Source Over 混合公式。设：当前绘制颜色（Source）为Cs，透明度为αs。帧缓冲已有颜色（Destination）为Cd, 透明度为αd。

原创 各向异性 (1) 数学意义

在计算机图形学中，几何体的形态特征通常分为两类：各向同性：物体在各个方向上的性质（如尺寸、密度）都是相同的。例如一个完美的球体，无论从哪个角度看，它的“宽度”都一样。各向异性：物体在不同方向上的性质表现出差异。例如一个椭球体，它在长轴方向上看起来很宽，但在短轴方向上看起来很窄。在 3DGS 的语境下，各向异性指的就是高斯椭球体在三维空间中呈现出的这种“非均匀”的拉伸或压缩特性。这种特性并非随意产生，而是由协方差矩阵Σ的内部结构严格决定的。

原创 完成任务，需要哪些能力？

我们把整个任务过程拆开，我们会发现，一个真正能够完成工作的 AI，至少需要具备下面几种能力。因此，Agent 与聊天机器人的最大区别，并不是它拥有更多工具，而是：它拥有完成任务的能力。更准确地说：Agent 是一个基于LLM能够围绕某一个目标持续工作的 AI 系统。所以到了这里,我们就会发现,这已经不再是一次推理，而是一个持续运行的过程。而是不断的：思考->行动->观察->调整->直到目标完成。这一章，我们完成了从 LLM 到 Agent 的认知转变。现在，我们终于可以回答最开始的问题了。

原创 升级Hermes Web UI

方式一：内置升级命令（推荐）在 WSL 终端执行：或这个命令会自动清理 npm 缓存、安装最新版并重启服务。方式二：手动 npm 升级。

原创 Magicodes.IE.IO：零依赖、流式低分配的 .NET Excel 读写库

Magicodes.IE 团队在维护老 Magicodes.IE.Excel（基于 EPPlus）的过程中吃够了这个苦，于是从头实现了一个 零运行时依赖、流式低内存、多 TFM 覆盖 的 Excel I/O 引擎——Magicodes.IE.IO。我们在 BenchmarkDotNet 中跑了 Magicodes.IE.IO、EPPlus、MiniExcel、ClosedXML、OpenXML SDK 的横向对比。基于 .xlsx 模板，把单元格里的 {{属性名}} 占位符替换为数据值；

原创 一种适合程序员的 Agent 协作方式的实践

构思与实践前提在展开具体实践之前，先交代三个前提条件。第一，使用集成开发环境（IDE）作为 Agent 协作的面板。本实践的 IDE 限定为 TRAE，因为它免费，且功能足以满足需求。更重要的是，IDE 本身就是可观测性和可交互性的来源——你能实时看到 Agent 在做什么，也能随时介入调整。第二，使用 DeepSeek 作为 AI 模型。它足够便宜，即便是 Flash 这样较轻量的模型，产出质量也足够好。第三，笔者有一个长期保持的习惯：使用单独的 Git 仓库作为日常工作区和知识库。

原创 数据分析05 numpy案例

温度数据分析计算平均气温，最高气温，低气温找出气温超过30的天数。

原创 wso2~关于workbuddy中mcp在wso2中的授权端点

统一地址：https://test-apim-gateway.xxx.com/mcp-agg/1.0.0/.well-known/oauth-protected-resource返回样式],“openid”,在apimgt.org.wso2.carbon.apimgt.gateway项目中做了相关适配合在admin平台添加自定义的key manager ,状态为关闭，避免对其它api产生影响image。

原创 Dry-Run Harness (预演执行)

核心工作流: ① Generator 参考 gold 库中的高质量样例生成输出 → ② Critic 评估输出质量 → ③ 未通过则修订后重新提交（循环直到通过或达上限） → ④ 通过审批的输出存入 gold 库，供后续任务参考。核心工作流: ① Agent 提出有副作用的动作 → ② 以 dry_run=true 模式执行生成预览（零副作用） → ③ 将预览呈现给人工审批 → ④ 批准则以 dry_run=false 真实执行，拒绝则中止。这是对"LLM 必须是中控器"这一假设的最大挑战。

原创 0x04 17 种架构逐一分析

核心工作流: ① LLM 推理当前状态并决定下一步行动 → ② 执行工具调用（Action） → ③ 接收工具返回的观测结果（Observation） → ④ 循环回到①直到 LLM 判断任务完成，输出最终答案。核心工作流: ① 任务分解为子领域 → ② 角色分配（给各专家 Agent） → ③ 按流水线协作（前一个的输出是后一个的输入） → ④ 由 Synthesize Agent 汇总所有角色产出，生成最终结果。核心洞察: Planning 不是"更聪明的思考", 而是 把控制流变成可检视对象。

原创 P15799 [GESP202603 五级] 找数

查找 find() auto it = ages.find(“Bob”);检查存在 count() if (ages.count(“Bob”)) 存在返回 1，不存在返回 0。AC 记录 : https://www.luogu.com.cn/record/273884639。键已存在时会忽略插入。判空 empty() if (ages.empty()) 无元素时返回 true。删除 erase() ages.erase(“Alice”);sort()（排序）、find()（查找）、copy()（复制）等。

原创 为什么统计Token个数而非文字个数

改进方式是按照文字长度来截断历史对话，不过字跟字又有所不同，不如“猪”是个单字词，而“鹦鹉”是个双字词。对于大模型来说，“猪”和“鹦鹉”具有同等权重，它们都占用一个Token，也就是词元。所以，更好的办法是统计Token数量，而非统计文字数量。Token不是单个字、也不是单个字母，而是大模型训练时固定好的“最小词块”。早期的AI库主要适配英文，常用单词、词根、词缀直接就是一个Token。对于中文则没有完整常用中文预制词块，大多只能拆成偏旁、笔画、字节片段。