<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[a120136591的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a120136591</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a120136591]]></copyright><item><title><![CDATA[Agent认证与依赖注入]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/170147416</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/170147416</guid><author>a120136591</author><pubDate>Thu, 05 Nov 2026 19:27:34 +0800</pubDate><description><![CDATA[服务端不需要存 session，只要能用密钥验签，就信任 Token 里的身份。这套涉及三块代码——密码哈希、登录接口（签发 Token）、鉴权依赖（验证 Token），下面逐个实现。bcrypt 的特点是**单向不可逆**（无法从哈希反推明文）且**自带盐值**（同样的密码每次哈希结果都不同），很适合存密码。③ 签发一个 JWT Token（里面装着 user_id/role/tenant_id），返回给前端。它负责从请求头取出 JWT、解码、验证，返回当前用户身份。至此你已经能真正登录系统了。]]></description><category></category></item><item><title><![CDATA[Agent三层兜底与重试机制]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/169950687</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/169950687</guid><author>a120136591</author><pubDate>Tue, 03 Nov 2026 20:14:41 +0800</pubDate><description><![CDATA[不是所有错误都值得重试。网络抖动、LLM 超时重试一下可能就好了；但「用户输入非法」「认证失败」重试一万次也没用，应该立刻抛出。所以先把异常分成两类 是一个**装饰器工厂**——它接收参数 ，返回一个真正的装饰器。所以这里有三层嵌套函数，第一次见会有点绕，理解了就一通百通：


③ 第一层：带超时的自动重试循环¶

核心是一个  循环，最多跑  次（第 0、1、2 次）。每次用  给单次调用加 30 秒超时：重试全失败后， 按  找对应的降级策略（问答跳过检索直接答、批改标记教师复核等）。如果降级也抛异常，]]></description><category></category></item><item><title><![CDATA[在Agent用 SQLAlchemy 异步操作数据库]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/169463638</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/169463638</guid><author>a120136591</author><pubDate>Thu, 29 Oct 2026 19:50:51 +0800</pubDate><description><![CDATA[我们不直接跟数据库对话，而是通过。]]></description><category></category></item><item><title><![CDATA[AI Agent进阶：从单次调用到多智能体协作]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/169168179</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/169168179</guid><author>a120136591</author><pubDate>Mon, 26 Oct 2026 20:14:10 +0800</pubDate><description><![CDATA[形态一：单次调用没有Anget的效果形态二：固定工作流流程为认为编排好的流程形态三：单 Agent把决策权交给 LLM，让它自己决定调用哪些工具、循环多少次。灵活但有时不可控。形态四：多 Agent 协作把复杂问题拆给多个专精 Agent，再由一个编排者统一调度。]]></description><category></category></item><item><title><![CDATA[什么是混合检索与重排序]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/169066841</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/169066841</guid><author>a120136591</author><pubDate>Sun, 25 Oct 2026 17:58:30 +0800</pubDate><description><![CDATA[2.使用BGE-M3生成稠密和稀疏向量4.为稠密向量和稀疏向量构建AnnSearchRequest6.使用WeightedRanker进行到排序融合使用CrossEncoder进行进行夫文档排序。]]></description><category></category></item><item><title><![CDATA[LangGraph 速成]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/168976609</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/168976609</guid><author>a120136591</author><pubDate>Sat, 24 Oct 2026 19:59:25 +0800</pubDate><description><![CDATA[编译时绑定一个 Checkpointer（本地用。），它负责在每次执行后把 State 存下来；，作为「这是哪一段对话」的标识。的多次调用，会接续同一份记忆。1.第一步：定义 State。3.第三步：搭图、编译、运行。]]></description><category></category></item><item><title><![CDATA[揭秘RNN与词嵌入：自然语言处理核心原理]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/167701399</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/167701399</guid><author>a120136591</author><pubDate>Mon, 12 Oct 2026 20:06:17 +0800</pubDate><description><![CDATA[2. h0的表示形式为[numlzyer,batch,hiddensize],即[numlzyer隐藏层层数,batch批次,hiddensize隐藏测维度]1.x的表示形式为[seqlen,batch,inputsize] ,即[seqlen句子长度，batch批次,inputszie输入的词维度]1.output的表示形式：[seqlen,batch,hiddensize] ,即。2.hn的表示形式：[[句子的长度，batch的大小，输出向量的维度]即[隐藏层层数，批次，隐藏层的维度]]]></description><category></category></item><item><title><![CDATA[大模型压缩三剑客：量化、蒸馏与剪枝]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/167496320</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/167496320</guid><author>a120136591</author><pubDate>Sat, 10 Oct 2026 20:44:58 +0800</pubDate><description><![CDATA[在保证一些模型性能损耗不大的情况下，使得模型尽可能的小，就是我们要解决的问题。模型蒸馏是一种通过将一个复杂模型（教师模型）的知识转移给一个简单模型（学生模型）的方法，以提高学生模型的性能。学生模型 学 教师模型的三种'学习目标'(Loss,即:差距),Loss是 学生输出和教师输出的不同程度差距越小,说明学生学的越好.4.训练完成后丢掉老师模型，只用小巧的学生模型上线，小巧，速度快，精准和大模型差不多。剪枝 +蒸馏:先用教师模型 指导 剪枝后的学生模型的 训练。SOTA的效果，就是模型剪枝的原动力。]]></description><category></category></item><item><title><![CDATA[Milvus向量数据库]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/167396615</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/167396615</guid><author>a120136591</author><pubDate>Fri, 09 Oct 2026 20:06:55 +0800</pubDate><description><![CDATA[Milvus是一款开源向量数据库，专为存储和管理大规模嵌入向量而设计，支持图片、音频、视频等非结构化数据的相似度搜索。其核心概念包括Collection（类似表）、Field（字段）、主键与维度等。通过多种索引（如IVF-FLAT、HNSW、IVFPQ）和度量方式（欧氏距离、内积等），实现高效向量检索。具备高性能、易扩展、多语言支持及混合搜索能力，广泛应用于AI场景。]]></description><category></category></item><item><title><![CDATA[LangChain组件介绍]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/167224099</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/167224099</guid><author>a120136591</author><pubDate>Wed, 07 Oct 2026 20:46:44 +0800</pubDate><description><![CDATA[主要有：StrOutputParser 主要是为字符串 ,CommaSeparatedListParser主要为列表, JsonOutputParser 主要为字典格式 ，PydanticOutputParser主要为 Pydantic强类型格式。是一种特殊类型的数据库，它的作用是存储由嵌入创建的向量，提供相似查询等功能。Chat Models （聊天模型）：输入特定格式的聊天消息数据，输出聊天消息。chunk_size指的是分割出来的每个块的大小，查询嵌入：将用户的查询通过嵌入模型转化为向量表示。]]></description><category></category></item><item><title><![CDATA[RAG原理与LangChain介绍]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/167176855</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/167176855</guid><author>a120136591</author><pubDate>Tue, 06 Oct 2026 20:17:49 +0800</pubDate><description><![CDATA[第二步：基于query实现Mysql数据库检索，如果阈值>=0.85，就认为问题比较明确，直接返回对应的答案；第四步：基于milvus的向量数据库：将query进行向量表示，并从向量数据库检索出相似的top-k的文本片段。第三步：搭建本地知识库：本地文件加载，文档分词，转化词向量，存库（milvus）第五步：并将query和 检索出的的top-k片段拼接送大模型，并预测。Prompts:提示，包括提示提管理，提示词优化，提示词序列化。Indexs:索引 ，用来结构化文档，便于和模型交互。]]></description><category></category></item><item><title><![CDATA[神经网络基础]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/166371472</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/166371472</guid><author>a120136591</author><pubDate>Wed, 23 Sep 2026 19:25:47 +0800</pubDate><description><![CDATA[特点：同一神经元之间没有连接，第N层的神经元是第N-1每个神经元相连接，前一层的神经元输出是当前层神经元的输入，每个连接都有神经元。让神经元以超参数P的概率或者激活置为0，未被置0的进行缩放公式为1/（1-p）tanh:输入映射-1到 之间，[-3,3]之间效果好。损失函数是衡量模型参数的质量函数，衡量的方式是比较网络输出和真实输出的差异。sigmoid：任意输入在0到1区间，[-3,3]之间效果好。神经网络基本部分：输入层，隐藏层，输出层。在pytorch中实现时使用nn.BCELoss()]]></description><category></category></item><item><title><![CDATA[深度学习简介以及pytorch基本使用]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/166012039</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/166012039</guid><author>a120136591</author><pubDate>Sat, 19 Sep 2026 20:20:26 +0800</pubDate><description><![CDATA[深度学习是人工神经网络，深度是使用多层网络每层都使用非线性比那花你处理数据提取更负责数据，更抽象特征，torch.rand/randn() 创建随机浮点类型张量和randint整数型张量。torch.arange() 和torch.linspace()创建线性张量。torch.cat()函数可以将多个张量根据指定的维度拼接起来torch.stack()类似于numpy的张量计算，自动微分，深度学习库，动态计算图等。torch.tensor根据指定数据创建张量。语言的深度学习框架，它将数据封装成张量（]]></description><category></category></item><item><title><![CDATA[NLP迁移学习fasttext]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/165888388</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/165888388</guid><author>a120136591</author><pubDate>Fri, 18 Sep 2026 20:07:59 +0800</pubDate><description><![CDATA[优势原因：模型结构简单，使用softmax层结构霍夫曼树（提高模型训练速度），采用负样本（提交计算速度），使用n-gram特征提取文本特征。bert-base-chinese:有12个隐藏层768维张量12个注意力头共110M的参数，适用于简体和繁体的文本上训练而得到的。迁移学习有两种：第一种是预训练模型也是开箱即用，第二种是微调的训练模型（预训练+微调参数）Seq2Seq编码解码模型：主要是语言的理解和生成（T5）迁移学习的特征：  特征迁移，模型迁移，知识迁移。作用：进行文本分类，词向量训练。]]></description><category></category></item><item><title><![CDATA[NLP RNN模型及其变体模型]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/165629050</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/165629050</guid><author>a120136591</author><pubDate>Wed, 16 Sep 2026 21:15:40 +0800</pubDate><description><![CDATA[RNN有输入层，隐藏层，输出层组成上一时间步的隐藏层输出作为下一步隐藏层的输入。每个时间步有三个输入：数据的输入，上一步的时间步细胞状态，上一步时间步的输出。每个时间步有三个输出 ：数据的输入，上一步的细胞状态，上一步的时间步的输出。GRU每个时间步有2个输出： 当前的输出的输出和上一步时间步的输入。每个时间步的输出有两个，数据层的输出和隐藏层的输出。rnn=nn.RNN(输入的维度，隐藏层的维度，隐藏层个数))       (隐藏层的层数，句子的批次，隐藏层的维度)LSTM也叫长短时记忆结构。]]></description><category></category></item><item><title><![CDATA[NLP文本预处理主要环节]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/165356053</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/165356053</guid><author>a120136591</author><pubDate>Mon, 14 Sep 2026 20:27:41 +0800</pubDate><description><![CDATA[分词使用jiaba分词器的三种方式精确查找模式，全模式，搜索引擎模式。人名，地名，机构等专有名词统称为命名实体。Skip-gram：中间预测两侧。也叫稀疏词向量表示. 记忆一个词为1其它为0。CBOW：两侧预测中间。对此的一种分类方法，简称POS。三，文本预料的数据分析。二，文本张量便是方法。]]></description><category></category></item><item><title><![CDATA[从零搭建AI知识平台：架构与治理实践]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/161194375</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/161194375</guid><author>a120136591</author><pubDate>Mon, 18 May 2026 14:32:49 +0800</pubDate><description><![CDATA[本文分享从零搭建AI技术知识聚合平台的实践：通过构建清晰的内容分类体系、自动化资源抓取与清洗流程，实现高质量内容结构化聚合；设计创作者协作机制，提供主页与数据回传面板，以阅读完成率、收藏率等指标反哺选题优化，推动内容生态可持续发展。]]></description><category></category></item><item><title><![CDATA[AI帮你找出赚钱商品和亏钱商品]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/161194050</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/161194050</guid><author>a120136591</author><pubDate>Mon, 18 May 2026 14:21:24 +0800</pubDate><description><![CDATA[✓ 热销/问题商品识别
✓ 优化建议（核心价值）
✓ 基本图表 广告ROI趋势、类别饼图、亏损图
✓ 趋势分析
✓ PDF专业报告
✓ 深度AI决策（补货建议、趋势预测、多维度分析）
✓ 竞品简单对标
✓ 多店铺支持（最多 10 个店铺）
✓ AI小Q助手不限]]></description><category></category></item><item><title><![CDATA[npm ssl错误，和加载依赖包报错问题]]></title><link>https://blog.youkuaiyun.com/a120136591/article/details/130150348</link><guid>https://blog.youkuaiyun.com/a120136591/article/details/130150348</guid><author>a120136591</author><pubDate>Fri, 14 Apr 2023 11:46:50 +0800</pubDate><description><![CDATA[运行前端报ssl错误配置。]]></description><category></category></item></channel></rss>