<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fkyyly的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fkyyly</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fkyyly]]></copyright><item><title><![CDATA[企业 Agent 落地的两场战争：内部经营闭环与 ToB 外部规模赋能]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/166993450</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/166993450</guid><author>fkyyly</author><pubDate>Fri, 02 Oct 2026 18:05:00 +0800</pubDate><description><![CDATA[当前讨论企业 Agent 时，人们经常把两个不同问题混在一起：一类是企业如何让 Agent 在内部真正产生经营结果；另一类是技术或平台厂商如何把 Agent 能力卖给外部企业，并实现规模化交付。前者面对的是一个组织内部的流程、数据、权限和岗位重构，后者面对的是跨客户的产品标准化、多租户隔离、合同承诺、客户成功和单位经济模型。两类场景共享模型、知识、工具、评测和安全底座，但失败方式完全不同。内部 Agent 最常见的问题是“做出来却用不深，使用了却算不清价值”；]]></description><category></category></item><item><title><![CDATA[Paperclip_Agent编排平台]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/163707862</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/163707862</guid><author>fkyyly</author><pubDate>Thu, 13 Aug 2026 00:55:10 +0800</pubDate><description><![CDATA[Paperclip 是目前少见的从"公司运营"视角而非"Agent 开发"视角构建的 AI Agent 编排平台。它的核心价值不是教你怎么造 Agent，而是教你怎么管 Agent 组成的公司——组织架构、任务分配、预算控制、审批治理、成本追踪、定期调度，这些是 20 个 Agent 同时运行时真正需要的东西。适配器体系：BYOA（Bring Your Own Agent）设计，任何能接收 Heartbeat 的 Agent 都可接入，11 种适配器覆盖主流 AgentHeartbeat 调度。]]></description><category></category></item><item><title><![CDATA[Hermes 与 ReAct 模式对比分析_2]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/163646163</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/163646163</guid><author>fkyyly</author><pubDate>Mon, 10 Aug 2026 22:28:25 +0800</pubDate><description><![CDATA[ReAct 经典三段式Thought ─────→ "Thought: 我需要查天气" (文本)│Action ──────→ "Action: search(北京天气)" (文本，需解析)│Observation ─→ "Observation: 晴，32°C" (文本，拼回上下文)Hermes 结构化三段式Thought ─────→ assistant.reasoning (结构化字段)assistant.reasoning_content (6 种格式统一提取)]]></description><category></category></item><item><title><![CDATA[Hermes 与 ReAct 模式对比分析_1]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/163646074</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/163646074</guid><author>fkyyly</author><pubDate>Mon, 10 Aug 2026 22:21:23 +0800</pubDate><description><![CDATA[Hermes = ReAct 的思想 + Function Calling 的工程实现 + 并行 + 委派ReAct 思想层 Function Calling 工程层Thought → reasoning/scratchpad → API 原生 reasoning 字段Action → tool_calls → 结构化 JSON + schema 校验单线程 → 一次一个 Action → 多 tool_calls 并行执行无委派 → 不支持 → delegate_task 子 Agent。]]></description><category></category></item><item><title><![CDATA[hermes解读]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/163645887</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/163645887</guid><author>fkyyly</author><pubDate>Mon, 10 Aug 2026 22:12:05 +0800</pubDate><description><![CDATA[设计亮点详细说明1🔵 三协议统一用 api_mode 抽象层统一处理 OpenAI Chat Completions / Codex Responses / Anthropic Messages，上层逻辑无感知2🟢 防御性编程极强几乎每个可能失败的操作都有 try/except、重试、fallback，从管道断裂到 JSON 解析失败到连接失效全覆盖3🟠 上下文生命周期Preflight 压缩 → 运行中压缩 → 压力预警 → Grace Call，形成完整的上下文溢出防护链4。]]></description><category></category></item><item><title><![CDATA[code agent集合]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/163643071</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/163643071</guid><author>fkyyly</author><pubDate>Mon, 10 Aug 2026 18:24:20 +0800</pubDate><description><![CDATA[1.openclaw2.hermes。]]></description><category></category></item><item><title><![CDATA[Claude Code开源代码解读&快速部署（本地模型）]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/160079603</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/160079603</guid><author>fkyyly</author><pubDate>Sun, 12 Apr 2026 11:55:59 +0800</pubDate><description><![CDATA[claude code]]></description><category></category></item><item><title><![CDATA[deepseek3.2 exp tilelang]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/152520607</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/152520607</guid><author>fkyyly</author><pubDate>Sat, 04 Oct 2025 21:49:25 +0800</pubDate><description><![CDATA[https://mp.weixin.qq.com/s/Ci-t9U70A_LFkzXCUaqPMA]]></description><category></category></item><item><title><![CDATA[JoyAgent团队GAIA技术报告出炉了]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/152457340</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/152457340</guid><author>fkyyly</author><pubDate>Fri, 03 Oct 2025 16:36:34 +0800</pubDate><description><![CDATA[JoyAgent-JDGenie：京东团队打造的新一代通用智能体框架，GAIA 评测表现惊艳！]]></description><category></category></item><item><title><![CDATA[DeepSeek v3.2 exp技术详解]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/152408387</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/152408387</guid><author>fkyyly</author><pubDate>Thu, 02 Oct 2025 11:51:29 +0800</pubDate><description><![CDATA[与之前模型最大的不同是，DSA不再让每个Token关注序列中的所有其他Token。而是通过 Lightning Indexer  和 Top-k Token Selection 组件，使模型在处理长文本时只关注关键的历史Token，将注意力计算复杂度从 O(L²) 降至 O(LK)，其中K远小于L。这在处理长文本时，无疑带来了巨大的效率提升。]]></description><category></category></item><item><title><![CDATA[京东JoyAgent又又又开源了-对标阿里羚羊数据分析智能体]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/151894828</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/151894828</guid><author>fkyyly</author><pubDate>Sat, 20 Sep 2025 11:32:07 +0800</pubDate><description><![CDATA[JoyAgent，Dataagent，数据分析，归因分析，羚羊]]></description><category></category></item><item><title><![CDATA[BERT的3个Embedding的实现原理]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/121912934</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/121912934</guid><author>fkyyly</author><pubDate>Mon, 13 Dec 2021 19:52:45 +0800</pubDate><description><![CDATA[本文将阐述BERT中嵌入层的实现细节，包括token embeddings、segment embeddings, 和position embeddings.
目录
概览
1 Token Embeddings
作用
实现
2 Segment Embeddings
作用
实现
3 Position Embeddings
作用
实现
4 合成表示
概览
下面这幅来自原论文的图清晰地展示了BERT中每一个嵌入层的作用：

和大多数NLP深度学习模型一样，BERT将输入文本中的每一个词（token)送入token ]]></description><category></category></item><item><title><![CDATA[方案、论文8段论]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/117601816</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/117601816</guid><author>fkyyly</author><pubDate>Sat, 05 Jun 2021 18:06:56 +0800</pubDate><description><![CDATA[1 问题分析

2 相关工作调研

3 具体方案：方案图，模型图等

4 创新点，con't'ru

5 实验结果
]]></description><category></category></item><item><title><![CDATA[loss集合]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/115679010</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/115679010</guid><author>fkyyly</author><pubDate>Tue, 13 Apr 2021 21:11:29 +0800</pubDate><description><![CDATA[hinge loss

    loss=output-output_y+self.margin#contains i=y

    #remove i=y items

    loss[torch.arange(0,y.size()[0]).long().cuda(),y.data.cuda()]=0

    #max(0,_)

    loss[loss&lt;0]=0
]]></description><category></category></item><item><title><![CDATA[pytorch应用结构]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/114026192</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/114026192</guid><author>fkyyly</author><pubDate>Wed, 24 Feb 2021 16:16:57 +0800</pubDate><description><![CDATA[1 模型类

1.1 init()

1.2 forward()

2 怎么使用

2.1 模型类初始化model = Model_Class(args...)

2.2 model.train()

2.3 model(具体数据)，参数是按照forward()来的
]]></description><category></category></item><item><title><![CDATA[pytorch框架的使用]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/113887844</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/113887844</guid><author>fkyyly</author><pubDate>Sat, 20 Feb 2021 17:38:58 +0800</pubDate><description><![CDATA[介绍

相比TensorFlow的静态图开发，Pytorch的动态图特性使得开发起来更加人性化，选择Pytorch的理由可以参考：https://www.jianshu.com/p/c1d9cdb52548，这里也顺便介绍一下TensorFlow静态图和Pytorch动态图开发的区别：

总的来说，在TensorFlow里你只能通过定义数据、网络等，然后直接训练、预测啥的，中间过程到底发生了什么对我们来说都是未知的，只能等待训练完毕后查看结果如何，想要debug都debug不了，于是在学了一段时间以后还是一]]></description><category></category></item><item><title><![CDATA[torch cpu版本安装]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/113877913</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/113877913</guid><author>fkyyly</author><pubDate>Sat, 20 Feb 2021 10:26:31 +0800</pubDate><description><![CDATA[torch安装cpu版本

直接从官网安装由于网络问题，安装不成功，所以先把对应的包下载到本地然后再安装

https://blog.youkuaiyun.com/Jwenxue/article/details/107899734

pip install "torch-1.6.0-cp36-none-macosx_10_9_x86_64.whl" "torchvision-0.7.0-cp36-cp36m-macosx_10_9_x86_64.whl"
...]]></description><category></category></item><item><title><![CDATA[TensorFlow模型保存和载入方法汇总]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/112951247</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/112951247</guid><author>fkyyly</author><pubDate>Thu, 21 Jan 2021 15:10:53 +0800</pubDate><description><![CDATA[目录

一、TensorFlow常规模型加载方法

	保存模型
		加载模型
		1.不加载图结构，只加载参数
		 2.加载图结构和参数
		 3.简化版本
	
	二、TensorFlow二进制模型加载方法
	三、二进制模型制作
	四、从图上读取张量
	从二进制模型加载张量
		从当前图中获取对应张量
		从图中获取节点信息
	


『TensorFlow』第七弹_保存&amp;载入会话_霸王回马

回到顶部

一、TensorFlow常规模型加载方法



保存模型

tf.train.Saver...]]></description><category></category></item><item><title><![CDATA[torch安装]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/112259545</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/112259545</guid><author>fkyyly</author><pubDate>Wed, 06 Jan 2021 10:37:36 +0800</pubDate><description><![CDATA[安装如下官网的操作流程即可

https://pytorch.org/get-started/previous-versions/
]]></description><category></category></item><item><title><![CDATA[Key-Value Memory Networks for Directly Reading Documents]]></title><link>https://blog.youkuaiyun.com/fkyyly/article/details/111053491</link><guid>https://blog.youkuaiyun.com/fkyyly/article/details/111053491</guid><author>fkyyly</author><pubDate>Fri, 11 Dec 2020 21:16:31 +0800</pubDate><description><![CDATA[前两天在看MemN2N的代码，自己动手又实现了一遍，收获挺多，自己也写了挺多注释，应该对理解有帮助，而且之后的Gate MemNN、KVMemNN等Memory Network都可以在此基础上进行改进，需要的同学自取：

caijie12138/Memory-Networks​github.com

前言

在Memory Networks这个大家庭中有很多成员，我们介绍了MemN2N，GMemNN（给神经网络增强记忆|一文看懂Gate Memory NN的原理与实现），今天我们来聊聊从阅读文章开始就能回答]]></description><category></category></item></channel></rss>