<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[_realyin_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/bransyin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; bransyin]]></copyright><item><title><![CDATA[从“补知识”到“沉淀能力”：大模型时代的企业本体工程]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/164127402</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/164127402</guid><author>bransyin</author><pubDate>Fri, 28 Aug 2026 00:46:04 +0800</pubDate><description><![CDATA[这场讨论的核心不是为传统知识图谱辩护，而是重新界定大模型时代的知识工程：不要重复构建模型已经掌握的公开知识，而要精准找到私域盲区；不要把本体当成一次性的大型文档，而要把它当成与岗位智能体共同生长的动态系统；不要只沉淀客户的具体知识，而要沉淀获取、校准、治理和应用知识的能力。大模型越强，企业 AI 应用越广，市场和业务变化也越快，新的私域知识会不断产生。从这个意义上说，大模型并没有让本体工程过时，而是把它从“知识整理工程”推向了“企业智能的可靠性基础设施”。]]></description><category></category></item><item><title><![CDATA[【数据开发】字段怎么算、改了影响谁？我做了一个能直接问 AI 的 SQL 血缘工具]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/164000692</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/164000692</guid><author>bransyin</author><pubDate>Sun, 23 Aug 2026 18:37:45 +0800</pubDate><description><![CDATA[Scope Lineage 是一款面向 Spark/Hive SQL 的开源静态分析工具，能解析字段来源和加工过程。它无需连接集群，通过脚本实现 SQL 静态解析，不消耗 token。工具可解决三大痛点：1）快速定位字段计算逻辑；2）分析上游字段变更影响范围；3）自动生成字段 mapping 文档。支持通过 CLI 或 AI Agent 交互查询，能处理复杂 SQL（如 600+行涉及 19 张表的情况）。使用时需提供 SQL/任务文件及表结构元数据，安装简单（pipx install scope-line]]></description><category></category></item><item><title><![CDATA[一个 SQL 字段到底是怎么算出来的？我做了一个能给出“证据”的血缘工具]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/163802166</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/163802166</guid><author>bransyin</author><pubDate>Sun, 16 Aug 2026 19:44:34 +0800</pubDate><description><![CDATA[一个目标字段，到底是怎么算出来的？工具凭什么说这条关系成立？所以 Scope Lineage 最终关心的是三个层次：字段最终来自哪里，中间经历了什么加工，以及当前结论的证据边界在哪里。Scope Lineage 不只告诉你字段从哪里来，还试图还原它是怎么算出来的，并明确告诉你哪些结论已经被证明、哪些地方仍然缺少证据。如果你手里正好有那种 CTE 套 CTE、UNION套子查询、条件聚合一层又一层的 Spark/Hive SQL，可以拿来试。]]></description><category></category></item><item><title><![CDATA[用 AI 这件事，90% 的人卡在第一步，深度长文，耐心看完]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/161566661</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/161566661</guid><author>bransyin</author><pubDate>Sun, 31 May 2026 14:58:10 +0800</pubDate><description><![CDATA[荀子有句话，“君子生非异也，善假于物也”。意思是，君子也不是天生比别人强，只是更会借助外物罢了。工具不强的年头，这话的重点在“善假于物”，谁会用工具谁占便宜。工具越强，人跟人的差距，反而越来越只剩一件事，谁还守得住自己那份判断，能驾驭工具，而不是被工具牵着走。说到底，能不能把一个问题拆透、能不能用好 AI，最后拼的都是这身内功。]]></description><category></category></item><item><title><![CDATA[你可以外包思考，但不能外包理解]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/160774403</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/160774403</guid><author>bransyin</author><pubDate>Mon, 04 May 2026 23:22:30 +0800</pubDate><description><![CDATA[2026 年 Sequoia AI Ascent 的一次访谈中，Karpathy 被问到：当智能变得廉价，什么还值得深入学习？他引用了一句让他反复回味的话：你可以外包你的思考，但不能外包你的理解。这句话他显然反复想过，因为他接着说：信息仍然必须进入我的大脑。我正在成为那个瓶颈——要知道我们到底在构建什么、为什么值得构建、如何指挥我的 agents。]]></description><category></category></item><item><title><![CDATA[你赖以生存的能力，在 AI 时代还值多少钱？]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/159822265</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/159822265</guid><author>bransyin</author><pubDate>Sat, 04 Apr 2026 10:33:43 +0800</pubDate><description><![CDATA[走到这里，问题已经越来越清楚了。AI 的到来，确实让很多标准化认知劳动的供给迅速膨胀，也显著压缩了学习成本和执行成本。与此同时，它又把人的价值不断往更高责任、更强判断、更深整合、更高信任的位置推。未来人与人的差距，未必主要体现在谁更辛苦，谁更忙，谁更愿意加班。更可能体现在谁能更快借助 AI 放大自己，谁能把认知沉淀为判断，谁能把判断转成结果，谁能让别人持续信任他的结果。所以每个人都需要认真看一眼自己的能力结构。你今天最值钱的部分，究竟是什么？是重复执行，还是关键判断？]]></description><category></category></item><item><title><![CDATA[记录一下CausalDiscoveryToolbox的R包安装历程]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/131317810</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/131317810</guid><author>bransyin</author><pubDate>Wed, 21 Jun 2023 00:04:49 +0800</pubDate><description><![CDATA[使用python包CausalDiscoveryToolbox时，对R包是有依赖的，首先需要安装R，R完成安装后，修改CausalDiscoveryToolbox的配置文件，对于anaconda来说，配置文件为Lib\site-packages\cdt\utils目录下的Settings.py文件，]]></description><category></category></item><item><title><![CDATA[Sklearn中CountVectorizer的简单理解]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/127711453</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/127711453</guid><author>bransyin</author><pubDate>Sun, 06 Nov 2022 01:11:48 +0800</pubDate><description><![CDATA[对CountVectorizer的简单理解]]></description><category></category></item><item><title><![CDATA[关于py2neo中的merge,create，当反复执行时，会出现什么。。。]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/124428592</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/124428592</guid><author>bransyin</author><pubDate>Tue, 26 Apr 2022 19:25:20 +0800</pubDate><description><![CDATA[先导包和创建点和关系
先把包导了
from py2neo import Node, Relationship, Graph, NodeMatcher,Subgraph
import logging
logging.basicConfig(level=logging.DEBUG, format="%(message)s")


两个点，一条关系，一个subgraph
a=Node('test',name='a')
b=Node('test',name='b')
r=Relationship(a,'knows']]></description><category></category></item><item><title><![CDATA[关于Proximal Methods，近端梯度下降的理解]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/121689933</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/121689933</guid><author>bransyin</author><pubDate>Fri, 10 Dec 2021 17:32:12 +0800</pubDate><description><![CDATA[本文介绍了两种Proximal Methods的证明方法以及实现。内容主要来源于王然老师的《Proximal Methods》一文以及网络，加入了部分个人理解。由于水平有限，如有不妥之处，敬请指正。
为什么会有Proximal methods这个东东？
在机器学习的损失函数求解过程中，通过计算梯度然后迭代寻找最小值是一个常用的方法。而对于一些函数，是无法求导的，这时就无法用梯度下降等方法求解了。比如加了L1L1L1正则的损失函数。
argminβ1N∗∑i(yi−xi∗βt)+λ∗∥β∥1\mathop{\]]></description><category></category></item><item><title><![CDATA[假设u~N(0, 1), X|u ~ N(u, 1)$，我们一起来推导 u的 posterior(p(u|X))]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/121646001</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/121646001</guid><author>bransyin</author><pubDate>Wed, 01 Dec 2021 00:20:57 +0800</pubDate><description><![CDATA[假设μ∼N(0,1),X∣μ∼N(μ,1)\mu \sim N(0, 1), X|\mu \sim N(\mu, 1)μ∼N(0,1),X∣μ∼N(μ,1)，我们一起来推导 μ\muμ 的 posterior(p(μ∣X)p(\mu|X)p(μ∣X))
说明：X∣μX|\muX∣μ表示：(x1,x2,...,xn)∣μ(x_1,x_2,...,x_n)|\mu(x1​,x2​,...,xn​)∣μ
p(μ∣X)=p(X∣μ)p(μ)∫p(μ∣X)p(X)dμp(\mu|X) =\frac{p(X|\mu)p]]></description><category></category></item><item><title><![CDATA[Numpy和JAX中的随机数]]></title><link>https://blog.youkuaiyun.com/bransyin/article/details/121368652</link><guid>https://blog.youkuaiyun.com/bransyin/article/details/121368652</guid><author>bransyin</author><pubDate>Thu, 18 Nov 2021 01:21:40 +0800</pubDate><description><![CDATA[前言
本文主要翻译自colab上的一篇文档，增加了部分个人理解。
colab原文链接如下：
https://colab.research.google.com/github/google/jax/blob/main/docs/jax-101/05-random-numbers.ipynb#scrollTo=1Op_vnmkjw3z
关于伪随机数的生成，pseudo random number generation：
伪随机数并非真正的随机数，伪随机数是根据一定的算法，依据初始值（种子，key）生成的数值，当]]></description><category></category></item></channel></rss>