- 博客(893)
- 资源 (5)
- 收藏
- 关注
RSS订阅
原创 199-大作文 知识笔记
论说文写作需紧扣立意准确、结构完整、论证充分三大维度，时间分配建议：审题5分钟、列提纲5分钟、书写22~25分钟，确保28字/分钟落笔速度。命题作文直接以标题为论点，分三论点展开；材料作文则遵循“找核心对象→抽象普遍道理→检验立意”三步法，避免过度引申。推荐使用并列式结构，开头宜用引用式、现象式或对比式，观点句须在前100字内明确呈现。素材积累聚焦8个万能人物，如苏轼，其屡贬不坠志、于逆境中创作《赤壁赋》的事迹，可支撑“逆境中的坚持与精神自由”等主题，实现一材多用。
2026-11-02 17:07:31
156
原创 199 - 管理综合时间分配
180分钟完成200分试卷，需高效分配时间：数学（75分）共55–60分钟，问题求解与条件充分性判断各25–30分钟；逻辑推理60分用50–55分钟，平均每题1.5–3分钟；小作文30分25分钟，审题5分钟、写作20分钟；大作文35分30–35分钟，立意提纲8分钟，正文25分钟；最后10分钟涂卡并检查。严格控时，难题跳过，确保答题完整。
2026-10-26 14:31:09
195
原创 199-数学-错题本
(2022' 22题)：由(1)知$\sqrt{x}+\frac{1}{\sqrt{x}}$不能唯一确定$x-\frac{1}{x}$（因$\sqrt{x}$与倒数对称），不充分；(2)中利用平方差与对勾函数单调性，可推出$k=x-\frac{1}{x}$唯一，充分。 (2022' 23题)：(1)得关于$\frac{a}{b}=k$的方程$k^2+k-1=0$，两解，不充分；(2)仅限制符号，不充分；联立仍无法排除两解，故不充分。
2026-10-25 21:10:25
221
原创 英语 发音 知识笔记
短元音发音短促不拖长，不发字母本音。判断标准为：不读字母名称的元音。常见短元音包括 /æ/（cat）、/e/（bed）、/ɪ/（sit）、/ɒ/（hot）、/ʌ/（cup），均出现在特定拼写语境中，是英语发音基础之一。
2026-10-04 18:07:47
285
原创 英语 词法/拼写 知识笔记
口诀：去e优先，重读闭音节才双写。以不发音e结尾的动词变-ing时去e不双写，如writing、making；若为短元音+单辅音且重音在末尾，则双写辅音，如running、beginning。双写旨在锁定短元音发音，避免读音变长，判断不清时可朗读验证。
2026-10-04 18:06:16
82
原创 英语 写作 知识笔记
204考研英语二作文题型分为小作文（100词，书信/通告类）和大作文（150词，图表类）。小作文需涵盖所有要点，使用丰富句式与词汇，避免堆砌短句，注意字数控制（约10词/行），书写建议采用手写印刷体。大作文聚焦图表分析，要求数据描述准确、逻辑清晰。紧扣评分标准，确保内容完整、表达多样、格式规范。
2026-10-01 14:49:32
271
原创 论证有效性分析——模板与套路总结
本文总结了论证有效性分析的写作模板：采用五段式结构，正文每段用“引述—定性—分析—补刀”四步法剖析漏洞，并归纳偷换概念、以偏概全、强加因果等六大高频谬误，附实战找错技巧与字数控制建议。
2026-08-31 17:21:07
304
原创 Python 装饰器 decorator
装饰器（Decorator）是 Python 中一种非常优雅的语法糖，它允许你在不修改原函数代码的前提下，为函数动态增加额外的功能。简单来说，装饰器就是一个接收函数作为参数、并返回一个新函数的高阶函数。装饰器最常见的应用场景包括：日志记录、性能计时、权限校验、缓存结果等。它让代码更加简洁、可复用，是 Python 进阶路上必须掌握的核心技能之一。本质：装饰器是一个接收函数、返回新函数的高阶函数。语法糖@decorator等价于。通用性：使用*args和**kwargs让装饰器适配任意函数签名。
2026-08-25 17:44:01
178
原创 lang-chain/graph agent 开发库介绍
LangChain 的 Tool 设计其实很直观——工具就是一个注册方法(函数),写清楚它能干啥, 什么时候用, 由 LLM 来决定具体的调用时机与传参。
2026-08-24 20:56:43
198
原创 英语 翻译 知识笔记
`翻译` 与 `写作` 是紧密相连的 . 翻译练出来的句子拆解能力，直接决定你写作时敢不敢写长句、会不会写从句。因此同时放在本文中.
2026-08-22 23:12:05
294
原创 英语句法全景入门(两大句型与三种从句)
英语句子由五种基本句型构成：1）主谓（SV）；2）主谓宾（SVO）；3）主系表（SVC）；4）主谓间宾直宾（SVOO）；5）主谓宾宾补（SVOC）。系动词分为状态类、感官类和变化类，后接表语。此外，句子可通过定语（修饰名词）、状语（修饰动词/全句）和补语（补充说明）进行扩展。掌握这五种骨架结构和修饰成分，就能解析任何复杂句式。
2026-08-19 20:34:26
446
原创 LLM 大模型的 SFT 及 DPO 实践
本文介绍了监督微调(SFT)在预训练模型专业化应用中的作用，并以Qwen2-VL-2B-Instruct模型为例详细展示了SFT实践流程。内容包括：1) SFT的必要性，作为通用模型适应特定需求的关键技术；2) Qwen2-VL实操指南，涵盖模型文件结构、4GB权重配置；3) SFT数据准备要点，强调小规模高质量数据要求；4) 训练精度配置说明，区分存储精度与训练精度；5) 相关工具推荐。文章提供了从理论到实践的完整SFT技术路径，适合需要定制化大模型的开发者参考。
2026-08-02 15:26:28
267
原创 hp 打印机在 mac 下的使用
摘要：苹果电脑自带的AirPrint驱动功能有限，不支持双面打印。解决方法是通过HP官网下载对应型号的HP_Easy_Start驱动（约10MB），安装后自动识别USB连接的打印机并下载完整驱动（约240MB）。注意避免使用HP官方应用商店的软件，因其仅支持网络连接打印机，功能较差。安装完成后即可实现双面打印等完整功能。
2026-07-29 22:32:03
396
原创 AI-Native 原生工程
文章摘要： AI原生工程的核心是让AI代理深度参与开发流程，实现自然语言需求理解、自主开发、高质量代码审查和CI/CD自动化。关键在于构建skill体系（项目总览、编码规范、架构约束等）作为AI的知识库，配合harness自动化测试框架进行质量把控。新项目适合直接采用这种模式，而存量项目需要补充大量历史知识。这种模式将人工审核聚焦于架构合理性等高层问题，显著提升开发效率和质量。
2026-07-27 17:32:28
312
原创 agent 开发与 harness
本文介绍了大模型应用中的Agent编排（orchestration）概念及实现模式。主要编排方式包括：顺序链（串行执行）、并行分发汇总（Fan-out/Fan-in）、路由（基于输入分发）和分层委托（多级任务分解）。通过表格对比了各模式在速度、复杂度、调试难度等方面的差异，其中并行模式最适合独立子任务场景。文章还探讨了桌面Agent采用LLM-as-Orchestrator的动态编排特点，强调上下文管理是关键。发展趋势显示编排正从显式流程图向模型自主决策演进，未来可能形成确定性框架与灵活Agent相结合的混
2026-07-24 17:21:46
406
原创 LangChain agent 开发框架学习笔记
LangChain是一个Python框架，用于构建AI Agent应用，提供统一接口连接大模型、Prompt模板、工具调用等组件。其核心功能包括LLM对接、多步骤工作流、记忆系统和RAG支持。通过示例代码展示了两种调用方式：简洁的LCEL管道风格和分步调用流程。底层通过httpx发起HTTP请求与LLM交互，支持丰富的参数配置。相比JavaScript版本，Python版LangChain生态更完善、更新更及时。
2026-07-22 16:44:23
292
原创 codegraph, 给agent用的本地代码知识图谱
Codegraph是一个本地代码知识图谱工具，专为AI agent设计。它能将代码库解析为图结构（符号为节点，调用关系为边），存储在SQLite中，支持Python/Java/TS/Go等语言。安装后通过CLI命令（init/index建索引、query/callers查询等）操作，可分析调用链、影响范围等。示例展示了Java项目的索引创建、SQLite数据验证及调用关系查询。工具适用于代码影响分析、依赖追踪等场景，为AI编程助手提供结构化代码知识支持。
2026-07-11 09:20:57
456
原创 Qwen-VL 视觉大模型 计算图拆解及SFT实操
Qwen-VL是基于Qwen-7B开发的多模态视觉语言大模型，支持图文理解、文档解析等任务。其架构在Qwen-7B基础上增加了视觉编码器（ViT）和位置感知适配器，训练分为三个阶段：ViT预训练（建立视觉-文本关联）、全参数预训练（多任务学习）、SFT微调（使用35万条ChatML格式指令数据优化对话能力）。评测显示其在图像描述、视觉问答等任务表现优异。该模型通过冻结视觉编码器、仅微调语言模块的策略，实现了高效的多模态对齐。
2026-07-08 20:51:39
398
原创 claude code 高级用法
Claude Code是一个本地运行的AI代理工具，集成了编排引擎、大模型云端调用、工具系统和终端UI。它支持跨会话知识传递（通过全局或项目级CLAUDE.md文件）和命令执行（bash/git-bash）。2026年新增的"deep research"功能支持多步骤信息调研：发散搜索、原文阅读、交叉验证和生成带引用报告，显著优于普通单次搜索模式。该工具通过持久化工作流（类似plan模式和skill模式）保持任务连续性。安装配置可参考作者博客文章。
2026-06-27 10:54:21
634
原创 autoResearch 官方项目复现笔记
人类不直接写 py 源代码, 而是 为 智能体 提供一个规模不大但功能完备的语言模型训练环境，并让它在夜间自主进行实验。
2026-06-03 19:50:24
439
原创 LLM 的关键技术(模型架构, 训练与推理)
摘要： BBPE（Byte-level BPE）是一种从字节级别构建词表的分词方法，通过合并高频字节对逐步形成词表，彻底解决未登录词问题。主流大模型（如GPT、LLaMA、Qwen）均采用此方法，通过扩大词表（如Qwen词表达15万）确保中文等多语言的高效编码。BBPE初始会将汉字拆为字节，但训练中会重新合并为完整token，兼顾编码效率与字符覆盖能力。
2026-04-30 11:47:09
161
原创 nodejs 介绍
Node.js是基于Chrome V8引擎的JavaScript运行环境，使前端开发者也能编写本地程序。其特点包括非阻塞异步I/O、事件驱动、跨平台兼容性以及强大的npm生态。安装可通过官网下载Windows安装包。npm作为Node包管理器，会将安装的包存储在用户目录的AppData/Roaming/npm文件夹中。
2026-04-06 22:35:45
276
原创 OpenClaw/Hermes 等本地优先的 ai-agent 助手
AI 助理在 2025 年已经全面普及，由 ChatGPT 率先破圈引爆大众使用热潮. 它们以云端浏览器交互为主，只能接收 图/文/附件, 根据用户提问给出文字回答, ai 只动嘴不动手., 是指 OpenClaw 直接接管了你的电脑, 能 操作本地文件、浏览器自动化、定时任务调度、系统指令执行等.它还能接受, 即人不在家也能通过 聊天软件 (飞书 / 微信 / 钉钉) 远程指挥家里电脑上的 OpenClaw.但 openClaw 背后的, 需要购买 大模型服务.
2026-04-06 08:49:56
321
原创 AI编程 发展史与工具(cursor, claude code, codex)介绍
AI编程正经历从辅助协同到自主代理的演进。当前阶段，AI可完成代码补全、文件生成、代码解读等任务，并逐步发展为能跨文件修改的工程级代理。未来发展方向是让AI具备AST（抽象语法树）深度理解能力，实现语义级编程推理。为突破大模型上下文限制，需要智能文件检索、渐进式上下文构建和高效压缩等技术。人类角色正从编码者转变为需求定义和结果审查者。
2026-03-29 14:17:40
786
原创 数据仓库分层体系
表前缀： ods_核心职责： 数据引入层，与源业务系统保持同构，完成原始数据的采集和备份。特点： 数据是原始的、未经清洗的，可能存在数据质量问题。通常只做简单的字段脱敏和格式转换。
2026-03-17 16:43:47
433
原创 大模型 ai 应用热门概念
摘要：大语言模型(LLM)作为对话系统核心，通过prompt生成文本回复。在此基础上，Agent赋予了LLM调用工具执行动作的能力，包含任务规划、工具调用、记忆存储和自检修正四大组件。例如面对数学计算时，Agent能像人类一样借助计算器获得精确答案，而不仅是近似回答。这种架构展现了从被动对话到主动执行的智能化演进。（99字）
2026-02-08 12:22:37
351
原创 app信息流中的重排与强化学习
摘要：本文探讨了互联网推荐系统中传统top-K排序的不足，提出了三种优化策略。首先分析了多样性策略，包括MMR打散和基于DPP（行列式点过程）的算法，提供了Python实现代码示例。其次提到生成式混排方法（待补充）。最后介绍了强化学习在推荐中的应用框架，将排序视为马尔可夫决策过程，通过用户反馈优化会话级指标。这些方法旨在解决用户兴趣漂移和浏览疲劳问题，提升推荐效果。
2025-10-10 18:01:09
448
原创 sql 中的 over, group 窗口函数
SQL窗口函数摘要： 作用场景：在保留原行数的同时附加计算，用于排名、累积和、环比分析等 核心语法： OVER()定义计算窗口 可选PARTITION BY分组（类似GROUP BY但保留所有行） 可选ORDER BY定义窗口内排序 典型应用： 计算占比（全表为分母） 生成累积值（有序累计） 执行顺序：窗口函数在GROUP BY之后、SELECT之前执行 特点：通过OVER()实现"行级计算"而不聚合结果，适合分析型查询
2025-09-11 15:41:24
614
原创 蒸馏学习 Knowledge Distillation
本文介绍了知识蒸馏技术及其应用。知识蒸馏是一种模型压缩方法，通过让小型学生模型学习大型教师模型的输出，在保持性能的同时显著减少计算资源需求。该方法适用于将云端大模型（如ResNet-152、BERT）压缩为移动端小模型（如MobileNet、TinyBERT）。核心原理包括： 利用教师模型的软标签（概率分布）传递"暗知识"； 设计联合损失函数（任务损失+KL散度蒸馏损失）； 特征蒸馏扩展，通过对齐中间层特征提升学习效果。该技术能有效平衡模型性能和部署效率。
2025-09-09 15:38:15
1231
原创 accelerate transformers 搭配下的 torch gpu 并行加速
自己写的 model, 在使用 transformers 框架中的 Trainer 训练时，是会默认使用 gpu 的。前提是 显卡，cuda，等环境已就绪。原理是 Trainer 类中的 _move_model_to_device（） 和 _prepare_input（）方法。
2025-06-05 11:43:30
579
原创 互联网竞价广告基础知识
广告主, Advertiser, 付费推广自家产品.广告平台媒体, 提供广告展示的流量资源, 如app的信息流广告, 朋友圈的广告用户. 使用app中会看到广告的人.
2025-04-24 11:45:13
1044
原创 transformers 预训练模型的 PreTrainedTokenizer
预训练模型用的 PreTrainedTokenizer 需要完成 truncate, [pad] 以便保证 batch 内的序列长度统一. 还需要搭配相应的 attention mask 来标记 pad 的位置, 以便在计算自注意力时忽略填充部分，避免引入噪声信息。它不再属于 hugging-face 出品的独立 tokenizer 库, 而是归属于 transformers 库, 位于。
2024-12-18 15:22:33
635
原创 torch 内置 attention (sdpa) 实现
transformer 架构的 qkv-attention 太流行了, 以至于 torch 官方直接给出了 C 实现, 位于 torch._C._nn.py, 性能更高.
2024-12-16 15:13:29
1311
DirectSound开发手册
2013-02-01
win7防音量过大自干预程序_ vs2010完整解决方案.zip
2013-09-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人