<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fpfpanda的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fpfpanda</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fpfpanda]]></copyright><item><title><![CDATA[edurag项目讲解]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/162279310</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/162279310</guid><author>fpfpanda</author><pubDate>Sat, 27 Jun 2026 17:40:45 +0800</pubDate><description><![CDATA[将输入的query进行向量化（必须使用和构建数据库时相同的embedding模型，bge-m3），对向量数据库中的子向量进行检索（这里需要指定metric-type，需要和构建索引时的参数保持一致），参数设置方面传入limit=k以及检索字段，这里使用bge-reranker进行混合检索，分别检索稠密向量和稀疏向量；向量数据库中应当包含以下主要字段：id序号，子块内容，唯一标识（哈希），子块向量（稀疏向量/稠密向量），原数据（父块id/父块内容/文件来源/对应页码等）；]]></description><category></category></item><item><title><![CDATA[模型压缩_量化]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/161690801</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/161690801</guid><author>fpfpanda</author><pubDate>Thu, 04 Jun 2026 17:07:24 +0800</pubDate><description><![CDATA[对于量化感知训练而言，他的目的不是将模型进行量化，而是通过引入量化损失来提升后续模型量化的鲁棒性；而对于静态PTQ而言，这个scale是提前计算好的，具体的流程是，选出一批代表性数据，在原FP32模型上跑一轮forward，得到该代表性数据的统计特征，静态PTQ会根据这些统计特征计算scale并冻结他，后续推理过程中使用的scale不会再改变，静态PTQ的本质是使用一小批的数据来估计整体的分布，然后再用这个估计去代替真实分布（具体流程：data → 统计分布 → scale固定）；权重量化（INT8）]]></description><category></category></item><item><title><![CDATA[大模型基础.RAG概念]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160322538</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160322538</guid><author>fpfpanda</author><pubDate>Thu, 07 May 2026 20:13:04 +0800</pubDate><description><![CDATA[场景：用户问“这份报告讲了哪三个重点？扩展点：无论你怎么切块，模型可能都无法通过单块文本回答宏观问题。进阶做法是：对每个长文档或大段落先生成一个Summary（摘要），并将摘要向量化。检索时先匹配摘要，再进入具体的 Chunk。]]></description><category></category></item><item><title><![CDATA[力扣72.编辑距离]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160433800</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160433800</guid><author>fpfpanda</author><pubDate>Thu, 23 Apr 2026 11:40:49 +0800</pubDate><description><![CDATA[此处的dp[i][j]表示word1[:i]转变为word2[:j]所需要的最少操作数，与1143有所不同的是，我们在初始化dp[0][j]和dp[i][0]时需要注意到这是一个+1递增的序列（其中一个word为空，另一个需要执行删除/插入操作来进行转换，不同于1143的初始化最长公共子序列全为0）；当word1[i-1]!=word2[j-1]时，我们需要从[左上方dp[i-1][j-1]，左侧dp[i][j-1]，上方dp[i-1][j]]中选择一个最小值，进行+1传播（覆盖修改/删除/插入操作）]]></description><category></category></item><item><title><![CDATA[力扣1143.最长公共子序列]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160418580</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160418580</guid><author>fpfpanda</author><pubDate>Wed, 22 Apr 2026 23:27:22 +0800</pubDate><description><![CDATA[在从左往右遍历的过程中，dp[i-1][j]（上方），dp[i][j-1]（左侧）都可以轻易取得（直接获取dp[j-1]和尚未更新的dp[j]）,但是左侧dp[j-1]的更新会覆盖掉我们需要的dp[i-1][j-1]，所以这里需要使用一个临时变量pre_left_up来保存左上方的值（在当前dp[j]更新前就要取得，提供给下一个dp[j+1]使用）；事实上当前dp[i][j]的依赖元素有三个：dp[i-1][j-1]（左上角），dp[i-1][j]（上方），dp[i][j-1]（左侧）；]]></description><category></category></item><item><title><![CDATA[python.redis基础]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159996952</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159996952</guid><author>fpfpanda</author><pubDate>Sat, 18 Apr 2026 15:39:40 +0800</pubDate><description><![CDATA[和MySQL（关系型数据库代表）相比，redis（非关系型数据库）的优势在于对数据的读写，牺牲空间换时间，在内存中直接对数据进行操作，也支持把数据保存到磁盘，长期化管理；]]></description><category></category></item><item><title><![CDATA[大模型 提示词工程进阶]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160139923</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160139923</guid><author>fpfpanda</author><pubDate>Thu, 16 Apr 2026 20:44:40 +0800</pubDate><description><![CDATA[Prompt 4：“结合前面的技术横评和用户痛点分析 [注入前三步的所有精华内容]，为一家准备进入该领域的新型科技公司写一份 500 字的战略切入建议。最终输出：得到一份逻辑严密、数据支撑扎实、且经过多轮“质检”的高质量报告。]]></description><category></category></item><item><title><![CDATA[大模型.ReAct机制]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160176089</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160176089</guid><author>fpfpanda</author><pubDate>Wed, 15 Apr 2026 16:44:05 +0800</pubDate><description><![CDATA[把该轮的对话结果整合/压缩为一句话（summary）再添加到context中，避免原始信息（TAO）过多导致context迅速增长；这里要讲几种主流的压缩方式：1.全量压缩：在不改变原TAO内容的情况下，在每次的TAO结束并更新之后对已有的所有TAO内容进行总结和压缩；每次总结压缩的原文本都在增长；summary = LLM(全部历史context)context = [summary] （当前轮次用的context）成本极高每次都喂全部上下文给 LLM信息不断丢失（信息熵递减）]]></description><category></category></item><item><title><![CDATA[力扣79.单词搜索]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160171229</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160171229</guid><author>fpfpanda</author><pubDate>Wed, 15 Apr 2026 10:52:05 +0800</pubDate><description><![CDATA[为了判断图中是否有连贯的目标字符串，我们需要先找到头部字符再开始dfs；因为每个位置的元素只能使用一次，在这里构建了一个visited数组来标记该节点是否被访问（往深处找不到时再回溯visited为0）；优化：搜索的过程中只要找到一个匹配结果，则后续所有搜索直接跳过。单词必须按照字母顺序，通过相邻的单元格内的字母构成，其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。你可以使用搜索剪枝的技术来优化解决方案，使其在。更大的情况下可以更快解决问题？]]></description><category></category></item><item><title><![CDATA[力扣.39 组合综合]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160157246</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160157246</guid><author>fpfpanda</author><pubDate>Tue, 14 Apr 2026 22:20:48 +0800</pubDate><description><![CDATA[2.dfs回溯：每次递归从candidates中选数（允许复用，但是只能复用当前位置的元素，避免元素顺序混乱带来的重复，如[2,2,3]和[2,3,2],因此限定选数范围在[当前元素,candidates最右端元素],避免“往前选择”，保证左侧元素被“越过”后不会再次“出现”在组合的右侧）；题目中的所有元素都是可复用的，并且每个组合总和的结果可以通过前置的组合数得到，具体迭代为：dp[sum] = dp[sum-num],需要注意的这一迭代是需要执行n次的（n =7 也是一个候选， 7 = 7。]]></description><category></category></item><item><title><![CDATA[python函数对象创建机制，递归调用，闭包]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160114939</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160114939</guid><author>fpfpanda</author><pubDate>Mon, 13 Apr 2026 21:26:17 +0800</pubDate><description><![CDATA[当outer函数对象被调用的时候，他创建了一个栈帧（环境），并执行了内部的def inner()，（重点）正是这一def操作创建了一个inner()函数对象并放到了内存中，同时python编译器发现outer栈帧中的变量被他的内层函数inner()引用了（编译阶段打上的标记起作用了），因此inner()被识别为一个闭包函数__closure__，Python 会在outer的栈帧里创建一个。递归函数是层层递进的，因此执行递归函数时往往会有多个栈帧被创建、压入栈，随着递归的结束退出，栈帧逐个被弹出、销毁；]]></description><category></category></item><item><title><![CDATA[大模型基础1.提示词工程]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160110716</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160110716</guid><author>fpfpanda</author><pubDate>Mon, 13 Apr 2026 20:34:58 +0800</pubDate><description><![CDATA[在讲提示词工程之前，有一个前置问题：大模型幻觉问题大模型幻觉问题分为两类：事实性幻觉和忠实性幻觉；前者相当于‘乱讲话’，给了假数据；后者相当于‘不听话’，违背提示词要求。]]></description><category></category></item><item><title><![CDATA[Linux基础命令]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/160055438</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/160055438</guid><author>fpfpanda</author><pubDate>Sat, 11 Apr 2026 20:05:10 +0800</pubDate><description><![CDATA[操作前需要下载VMware & Finalshell；本篇简单讲一下Linux的基本操作命令；首先是格式：说明: - command : 命令名, 相应功能的英文单词或单词的缩写- [-options] : 选项, 可用来对命令进行控制, 也可以省略（例如ls中的 -a -l -h）- parameter : 传给命令的参数, 可以是 零个、一个 或者 多个（可以把他当成就是Linux中的文件路径or文件夹路径）四大命令（command）：ls，cd，pwd，clear；]]></description><category></category></item><item><title><![CDATA[python数据分析]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159928436</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159928436</guid><author>fpfpanda</author><pubDate>Sat, 11 Apr 2026 15:26:52 +0800</pubDate><description><![CDATA[关于python数据分析，这里提三个最常用的库：numpy，pandas，matplotlib简单讲一下：numpy：用于科学计算的库；矩阵运算/线性代数运算/傅里叶变换等，提供多维数组的运算服务，可以直接读硬盘上的数据pandas：提供数据结构的库；核心结构：Series（一维），DataFrame（二维，比较常用）；多用于数据清洗，数据格式转化matplotlib：提供数据可视化功能；包含多种类型的作图样式；提供了一整套和MATLAB类似的绘图API，非常适合交互式绘图。]]></description><category></category></item><item><title><![CDATA[python.pymysql基础]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159996450</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159996450</guid><author>fpfpanda</author><pubDate>Thu, 09 Apr 2026 21:19:05 +0800</pubDate><description><![CDATA[讲一下pymysql的具体使用，在此之前默认大家会写sql语句。DDL: 数据定义语言:简称DDL(Data Definition Language) 作用: 用来定义数据库对象：数据库，表，列/字段等。关键字: create，drop，alter等 DML: 数据操作语言:简称DML(Data Manipulation Language) 作用:用来对数据库中表的记录进行更新。]]></description><category></category></item><item><title><![CDATA[力扣98.验证二叉搜索树]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159916340</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159916340</guid><author>fpfpanda</author><pubDate>Tue, 07 Apr 2026 16:23:54 +0800</pubDate><description><![CDATA[因此为了充分利用这一特性，我们在curr的前驱的右节点（原本为空）中存放curr的地址作为一个临时的节点（这一操作在第一次访问curr的时候完成），当我们再次访问到curr的前驱并且发现前驱右节点已经被标记时，证明curr的左子树已经完成了遍历；对于中序遍历，当我们遍历到curr节点时，需要先将左子树全部输出后才能输出curr和右子树，而左子树输出完成的标志恰好是curr的前驱完成了输出（curr左子树的最右节点）；根节点的值是 5 ，但是右子节点的值是 4。输出curr，并把curr移动到右节点；]]></description><category></category></item><item><title><![CDATA[python_正则表达式]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159893254</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159893254</guid><author>fpfpanda</author><pubDate>Tue, 07 Apr 2026 08:38:46 +0800</pubDate><description><![CDATA[首先：正则表达式，用于提取符合表达式格式的字符串；正则在多种语言中都是通用的，在超长文本字符串的特定字符串提取任务中，使用正则效率会高很多；python中，字符串的匹配和提取要用到库：reimport rere库中有几个重要的方法：re.match() #从匹配串的头部开始匹配，返回符合目标串的第一个串re.fullmatch() #当且仅当匹配串从头到尾都符合目标串时，返回目标串re.search() #在匹配串找出第一个和目标串符合的子串。]]></description><category></category></item><item><title><![CDATA[力扣101.对称二叉树]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159893063</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159893063</guid><author>fpfpanda</author><pubDate>Mon, 06 Apr 2026 20:26:30 +0800</pubDate><description><![CDATA[1.使用递归往左右量方向检查，访问镜像位置的节点，检查两个节点的.val是否相等（或者是否为None），只要找到一个为False直接返回。2.使用bfs+回文哈希检查每一层（需要包含空节点）；图上直观，但消耗太多空间。你可以运用递归和迭代两种方法解决这个问题吗？给你一个二叉树的根节点。， 检查它是否轴对称。]]></description><category></category></item><item><title><![CDATA[python多任务编程补充_GIL_互斥锁]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159881296</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159881296</guid><author>fpfpanda</author><pubDate>Mon, 06 Apr 2026 20:04:04 +0800</pubDate><description><![CDATA[因此我们使用互斥锁来保证当其中一个线程对g_sum进行操作时，其余的线程只能等待不能操作g_sum，知道当前轮次对g_sum的操作完成了，再释放互斥锁，有下一个获得互斥锁的线程进行操作。但是因为没有限制对g_sum的访问，假设func1在写回前func2又读取了g_sum的值，这一+1操作将会‘作废’，因为func2拿到的并不是func1修改好的g_sum，而是func1修改前的g_sum；+1操作的过程有三步骤：读取内存中g_sum的值，进行g_sum+=1操作，将g_sum写回内存中；]]></description><category></category></item><item><title><![CDATA[力扣148.排序链表]]></title><link>https://blog.youkuaiyun.com/fpfpanda/article/details/159856909</link><guid>https://blog.youkuaiyun.com/fpfpanda/article/details/159856909</guid><author>fpfpanda</author><pubDate>Sun, 05 Apr 2026 22:06:10 +0800</pubDate><description><![CDATA[每一次递归操作将链表分割后，需要进行排序操作，也就是‘并’，这一操作从递归的最底层开始（也就是将子链分到只有一个节点长度的时候，此时两个子链都是有序的），定义merge()函数，将两个子链由小到大拼接后返回成品链的头节点（这里使用了一个临时的替身节点，逐个将两个子链头部中的较小值拼到temp.next中）；看到logn相关，思想上往二分的方向去靠，由此考虑使用归并排序的思想；一层层往上返回（自下而上，最底层子链长度为1，往上子链长度为2，再往上子链长度为4...）最终得到排序好的链表。]]></description><category></category></item></channel></rss>