<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[YF云飞的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/flyTie</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; flyTie]]></copyright><item><title><![CDATA[推荐系统时间分布迁移新突破]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/157365867</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/157365867</guid><author>flyTie</author><pubDate>Sun, 25 Jan 2026 23:42:26 +0800</pubDate><description><![CDATA[摘要：针对推荐系统在持续训练中面临的&quot;记忆衰退&quot;问题，Shopee傅聪团队与新加坡管理大学合作提出ELBO_TDS学习框架。该研究通过分析电商平台数据特征的时间分布规律，发现用户行为数据呈现&quot;稳定内核+波动干扰&quot;的双重特性。基于此，团队重构了推荐系统的数据生成模型，提出将稳定因素和波动因素共同作用于隐变量Z的生成式建模方法。ELBO_TDS框架通过联合优化重构项、预测项和先验约束项，使模型在保留关键信息的同时增强时间鲁棒性。实验表明，该方法在公开和工业数据集上均显著优]]></description><category></category></item><item><title><![CDATA[大模型长上下文窗口的真相与局限]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/156064280</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/156064280</guid><author>flyTie</author><pubDate>Thu, 18 Dec 2025 23:24:10 +0800</pubDate><description><![CDATA[大语言模型的长上下文窗口技术正经历快速演进，主流模型已突破百万token级别处理能力。然而，不同架构（Transformer、稀疏/混合、状态空间等）对上下文信息的处理方式存在显著差异，导致实际&quot;有效上下文&quot;通常仅为宣传值的一半左右。研究表明，模型在超长上下文中的表现呈现U型记忆曲线，存在明显的&quot;中间迷失&quot;效应。当前技术通过优化注意力机制、改进位置编码和引入状态空间模型等方式突破计算限制，但各方案在推理深度、记忆持久性和计算效率间存在固有权衡。开发者应根据任务特性而非]]></description><category></category></item><item><title><![CDATA[RAG嵌入模型选型指南]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154746806</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154746806</guid><author>flyTie</author><pubDate>Wed, 12 Nov 2025 18:41:47 +0800</pubDate><description><![CDATA[本文系统探讨了检索增强生成(RAG)系统中嵌入模型的选择策略。首先介绍了嵌入的基本概念及其在RAG系统中的核心作用，包括语义理解、高效检索和提升回答质量。然后详细阐述了各类嵌入模型的特点，从词嵌入到多模态嵌入，并分析了影响模型性能的关键参数，如上下文窗口、分词方式、向量维度等。通过医疗科研论文检索的案例，演示了模型选型的决策流程，强调需综合考虑领域相关性、上下文长度、成本效益和基准测试表现。最后指出，选择嵌入模型不能仅依赖基准测试分数，而应该基于具体应用场景，平衡模型性能、硬件兼容性和实际需求，才能为RAG]]></description><category></category></item><item><title><![CDATA[深度解析GPT 5 模型路由机制]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154378691</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154378691</guid><author>flyTie</author><pubDate>Tue, 04 Nov 2025 05:51:19 +0800</pubDate><description><![CDATA[文章深入剖析了 GPT-5 路由机制的四大决策支柱 ------ 对话类型、任务复杂度、工具需求与用户显性意图，并对比了其相较于 GPT-4、Toolformer 及早期插件系统的突破性进步。其次，详细拆解了该架构的技术实现路径、核心优势（如响应速度提升、资源成本优化、可解释性）以及潜在挑战（如延迟叠加、路由误判、调试困难）。文中还提供了基于开源工具构建轻量级 GPT-5 式路由器的可行方案，为开发者指明了实践方向。]]></description><category></category></item><item><title><![CDATA[Unity ComputeShader入门指南]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154154292</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154154292</guid><author>flyTie</author><pubDate>Thu, 30 Oct 2025 22:58:23 +0800</pubDate><description><![CDATA[本文详细介绍了Unity中ComputeShader的基本使用流程，通过矩阵相乘的示例展示了GPU并行计算的优势。主要内容包括：1) ComputeShader创建与内核函数定义；2) 线程组划分原理与调度方式；3) CPU与GPU间的数据传输方法；4) 完整实现矩阵乘法的ComputeShader和C#代码。文章特别强调了线程组织、内存管理和参数传递等关键点，并指出小规模运算可能不适用ComputeShader的情况。通过军事化的生动比喻，帮助开发者理解GPU并行计算的底层原理。]]></description><category></category></item><item><title><![CDATA[拟人AI GoCap：用机器学习打造真实玩家体验]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154154063</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154154063</guid><author>flyTie</author><pubDate>Thu, 30 Oct 2025 22:54:22 +0800</pubDate><description><![CDATA[GoCap是一种通过观察玩家行为来训练游戏AI的机器学习方法。它通过量化游戏环境变量（如血量、敌人数量等）建立映射表，记录玩家在特定条件下频繁执行的操作。在决策时，当当前环境符合训练记录的频繁状况时，AI会执行相应行为。该方法不需要复杂算法，代码实现简单，包含&quot;规则&quot;、&quot;行为&quot;和&quot;角色&quot;三个核心组件。以石头剪刀布为例，GoCap能学习玩家的出拳习惯，逐渐提高预测准确性。相比传统AI，GoCap能产生更拟人化的行为模式，为游戏提供更丰富的对抗体验。]]></description><category></category></item><item><title><![CDATA[AI编程：氛围狂欢还是工程灾难？]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154137106</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154137106</guid><author>flyTie</author><pubDate>Thu, 30 Oct 2025 18:58:39 +0800</pubDate><description><![CDATA[摘要：本文探讨了&quot;氛围编程&quot;(vibecoding)与专业化AI辅助工程实践的区别。氛围编程指开发者沉浸于与AI协作的创造性流程，快速生成代码但缺乏严谨审查，适合原型设计和学习项目。而AI辅助工程实践则强调结构化流程，将AI作为工具融入软件开发生命周期，保留人类控制权。文章分析了三种开发者类型：&quot;氛围编程者&quot;、&quot;竞技牛仔&quot;和&quot;困局囚徒&quot;，指出过度自由或约束都会阻碍可持续开发。多位行业领袖警告，未经审查的AI代码可能导致性能崩溃、]]></description><category></category></item><item><title><![CDATA[模型训练中的通讯——如何让成千上万块 GPU 高效协同工作]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154047179</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154047179</guid><author>flyTie</author><pubDate>Wed, 29 Oct 2025 01:50:45 +0800</pubDate><description><![CDATA[本文以训练大语言模型对海量算力的迫切需求为切入点，深入剖析了大规模 GPU 集群网络设计的核心挑战与解决方案：首先揭示了理想化 "全互联" 架构的不可行性，进而引入网络交换机及分层 "叶脊拓扑" 结构。接着系统对比了两种关键扩展策略 ------ 通过增加节点实现横向扩展与通过提升单节点算力密度实现纵向扩展，并重点强调节点内通信（如 NVLink/Infinity Fabric）凭借极短物理距离和专用互连技术，其速度与带宽远超节点间通信。最后结合神经网络训练流程（前向 / 反向传播、梯度更新），点明全归约。]]></description><category></category></item><item><title><![CDATA[LLM评估指南：从传统指标到智能体测试]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/154024070</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/154024070</guid><author>flyTie</author><pubDate>Tue, 28 Oct 2025 17:11:47 +0800</pubDate><description><![CDATA[本文系统梳理了LLM应用评估的方法论体系。第一部分介绍了传统NLP评估指标（如BLEU、ROUGE）和基准测试（MMLU等），并阐释了&quot;LLM-as-a-judge&quot;的创新评估范式。第二部分重点解析了三类LLM应用的评估：多轮对话系统需关注相关性、完整性、知识留存等指标；RAG系统需分别评估检索环节（Precision@k等）和生成环节（AnswerRelevancy等）；智能体则需扩展评估任务完成度和工具调用准确率等行为能力指标。最后对比了主流评估框架（RAGAS、DeepEval等）]]></description><category></category></item><item><title><![CDATA[SQLServer表统计信息实战指南]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151832948</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151832948</guid><author>flyTie</author><pubDate>Thu, 18 Sep 2025 16:21:38 +0800</pubDate><description><![CDATA[SQLServer表统计信息是优化查询性能的关键元数据，存储数据分布特征以指导优化器生成高效执行计划。本文详解统计信息的工作原理、采样策略与维护方法：1. 统计信息包含直方图、基数等关键数据，通过准确估算选择性提升查询效率；2. 采样策略需按表规模调整（小表全扫描/大表25%采样）；3. 维护应结合自动更新与手动更新（高波动表每日/数据仓库每周）。实践部分演示了统计信息创建、性能对比及过时影响分析，强调将统计维护纳入常规数据库管理的重要性。合理维护统计信息可使查询性能提升50%以上。]]></description><category></category></item><item><title><![CDATA[Hessian编码：Java对象转字节流的秘密]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151832128</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151832128</guid><author>flyTie</author><pubDate>Thu, 18 Sep 2025 15:54:45 +0800</pubDate><description><![CDATA[本文系统解析了Hessian序列化协议在Java生态中的核心机制。作为专为Java优化的二进制编解码器，Hessian通过对象图遍历和编码格式实现对象与字节流的高效转换。其特色在于采用数据块标签标记结构元数据，运用重复对象复用和POJO结构引用减少冗余，并针对小整数、短字符串等场景进行内联优化。相比JSON等文本协议，Hessian在保持Java语言特性支持的同时，显著提升了编解码效率和压缩率。文章深入剖析了其对象图遍历策略、数据块组织方式及各类数据压缩技术，为理解分布式系统中对象序列化提供了理论框架。这些]]></description><category></category></item><item><title><![CDATA[LVGL移植2048小游戏全攻略]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151616924</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151616924</guid><author>flyTie</author><pubDate>Fri, 12 Sep 2025 13:58:12 +0800</pubDate><description><![CDATA[本文详细介绍了将基于LVGL的2048小游戏移植到开发板的全过程。首先通过复制lv_g2d_test项目搭建基础脚手架，清理资源文件并修改Makefile配置。接着修改main.c文件，删除冗余代码并保留LVGL基础框架。然后对接lv_lib_100ask库，配置启用2048游戏功能，修改事件绑定以适配开发板的触摸屏输入。最后介绍了单独编译测试的方法，使用mmo命令编译lv_2048软件包，并在开发板上运行验证。整个移植过程涵盖了从环境搭建、代码修改到编译测试的完整步骤，为类似的LVGL项目移植提供了实用参]]></description><category></category></item><item><title><![CDATA[2025年大语言模型架构演进全解析]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151616680</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151616680</guid><author>flyTie</author><pubDate>Fri, 12 Sep 2025 13:46:31 +0800</pubDate><description><![CDATA[本文分析了2025年主流开源大语言模型的架构演进，重点探讨了DeepSeek-V3/R1、OLMo2、Gemma3和Mistral Small 3.1等模型的关键技术创新。DeepSeek-V3采用多头潜在注意力机制(MLA)和混合专家模型(MoE)提升效率；OLMo2通过后归一化变体和QK-Norm优化训练稳定性；Gemma3运用滑动窗口注意力机制降低计算开销；Mistral Small 3.1则通过精简架构实现更快的推理速度。这些创新表明大语言模型发展正朝着计算效率优化方向演进，同时保持或提升模型性能。]]></description><category></category></item><item><title><![CDATA[自定义Similarity：提升RAG检索效果的关键]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151583175</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151583175</guid><author>flyTie</author><pubDate>Thu, 11 Sep 2025 16:47:20 +0800</pubDate><description><![CDATA[本教程主要介绍如何使用自定义 Similarity 组件和 Transform 的方法，读完本教程，您将学会 LazyLLM 中自定义 Similarity 和 Transform 的方法，并基于 Similarity 和 Transform 分别搭建一个简单的 RAG 应用。]]></description><category></category></item><item><title><![CDATA[智能体构建新标准：MCP与工具调用]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151575639</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151575639</guid><author>flyTie</author><pubDate>Thu, 11 Sep 2025 11:55:30 +0800</pubDate><description><![CDATA[摘要：ModelContextProtocol(MCP)为AI智能体提供标准化工具调用接口，简化开发者集成外部工具的过程，而大语言模型(LLM)只需基于工具定义生成调用指令。MCP通过统一协议连接工具服务器，使开发者能快速构建智能系统，但LLM仍保持&quot;黑箱&quot;操作模式，仅关注工具功能而无需理解实现细节。这种架构将上下文工程与工具执行分离，MCP实质是为开发者服务的抽象层，通过模块化设计提升系统可维护性和扩展性，使工程师能专注于优化提示词而非基础设施。]]></description><category></category></item><item><title><![CDATA[结构化输入提升多模态文档理解性能]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151575404</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151575404</guid><author>flyTie</author><pubDate>Thu, 11 Sep 2025 11:49:00 +0800</pubDate><description><![CDATA[本文研究多模态大语言模型（MLLMs）在文档理解任务中的性能优化问题。针对传统无结构OCR文本输入导致注意力分散和性能下降的痛点，提出了一种基于LaTeX的结构化输入方法，通过保留文档层次结构（标题、表格、图像等）引导模型聚焦关键信息。实验表明，该方法在MMLongBench等数据集上显著提升模型性能（如Qwen2.5准确率从0.389提升至0.435），尤其对复杂图表理解效果突出。通过注意力机制分析发现，结构化输入能减少模型对边缘区域的关注，形成更高效的&quot;结构化注意力&quot;模式。该研究为无]]></description><category></category></item><item><title><![CDATA[AI应用开发三大模式解析]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151404410</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151404410</guid><author>flyTie</author><pubDate>Wed, 10 Sep 2025 15:18:50 +0800</pubDate><description><![CDATA[本文系统分析了AI应用的三种开发模式：基础API调用、结构化工作流和自主智能体。这三种模式分别对应不同复杂度场景：原子化任务适合简单调用，标准化流程适合工作流编排，开放性问题需要智能体自主决策。文章详细剖析了每种模式的技术架构、关键组件和调用流程，并提供了技术选型指南。建议企业根据业务需求复杂度，从简单模式逐步演进到高级模式，在控制风险的同时实现AI价值最大化。]]></description><category></category></item><item><title><![CDATA[AI原生应用开发全景图]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151404298</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151404298</guid><author>flyTie</author><pubDate>Wed, 10 Sep 2025 15:16:26 +0800</pubDate><description><![CDATA[AI原生应用开发全景图解析：从核心概念到关键技术 阿里云提出的AI原生应用开发框架包含四大核心模块：1）AIAgent架构，融合感知、大脑、工具和记忆能力；2）开发模式选择，在Workflow与Agentic模式间权衡；3）关键技术组件，包括SpringAIAlibaba开发框架、Nacos服务发现、HigressAI网关和RocketMQ消息队列；4）全链路可观测方案，通过LoongSuite开源探针采集TED（Token、Error、Duration）黄金指标，实现性能监控与质量评估。该架构特别设计了针]]></description><category></category></item><item><title><![CDATA[提升RAG检索性能的5w字优化指南]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151364358</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151364358</guid><author>flyTie</author><pubDate>Tue, 09 Sep 2025 16:17:21 +0800</pubDate><description><![CDATA[本文介绍了基于LazyLLM框架构建RAG系统的关键技术和优化策略。主要内容包括： 检索组件评估指标： 上下文召回率和上下文相关性两种评测方法 不同topk取值下的指标对比分析 检索优化策略： 查询重写（扩写/子问题/多步骤） 节点组切换策略（Coarse/Medium/Fine Chunk等） 多种检索方式组合（BM25/cosine） 召回-重排序两阶段算法 关键实现技术： 文档解析与节点组构造 内置和自定义Transform方法 多Embedding召回机制 相似度阈值过滤 综合优化方案]]></description><category></category></item><item><title><![CDATA[大语言模型推理机制全解析]]></title><link>https://blog.youkuaiyun.com/flyTie/article/details/151361470</link><guid>https://blog.youkuaiyun.com/flyTie/article/details/151361470</guid><author>flyTie</author><pubDate>Tue, 09 Sep 2025 14:51:34 +0800</pubDate><description><![CDATA[本文探讨了大语言模型测试时计算（test-time compute）技术的最新进展。该技术通过在推理阶段分配更多计算资源来提升模型性能，展现出与预训练相似的扩展规律。文章系统梳理了三大实现路径：1）N选1采样与多数投票机制；2）思维链技术及其训练方法；3）推理时搜索与其他辅助系统的集成。研究指出验证器质量、泛化能力、隐空间推理等关键因素将影响技术发展，并特别探讨了这些技术在智能体领域的应用前景。尽管在数学等结构化领域表现突出，但该技术能否实现跨领域泛化仍存疑，可能成为垂直领域智能体公司的核心竞争优势。]]></description><category></category></item></channel></rss>