巴菲特,被炼化成了Skills

dirty_sock:通过快照Linux特权升级漏洞(CVE-2019-7304) dirty_sock:Linux特权升级(通过快照) 在2019年1月,由于快照API的错误,发现当前版本的Ubuntu Linux容易受到本地特权升级的影响。 该存储库包含原始漏洞利用POC,可将其用于研究和教育。 有关此漏洞和漏洞的详细演练,请参阅的。 默认情况下,Ubuntu附带了snapd,但如果安装了此软件包,则任何发行版都应可利用。 您可以轻松检查系统是否容易受到攻击。 运行以下命令。 如果您的snapd是2.37.1或更高版本,那么您是安全的。 $ snap version ... snapd 2.37.1 ... 请注意,某些系统在运行此命令时会返回snapd的分发程 立即下载

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

👉这是一个或许对你有用的开源项目

国产Star破10w的开源项目,前端包括管理后台、微信小程序,后端支持单体、微服务架构

RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、AI大模型、IoT物联网等功能:

  • 多模块:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • 微服务:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK17/21+SpringBoot3、JDK8/11+Spring Boot2双版本 

来源:小姐姐味道


项目地址:https://github.com/agi-now/buffett-skills

打开电脑,他就在那里。

不是图片,不是语录,不是你收藏了三年但从没认真读完的股东信。是他真正的思维框架,活生生跑在你的Claude里,等着你输入一家公司的名字。

从今以后,你分析每一只股票,他都坐在你旁边。你冲动想追高的时候,他拦着你。你被管理层PPT忽悠得热血上头,他帮你把承诺一条条对账。你觉得自己找到了下一个百倍股,他平静地问你:护城河是什么,趋势在扩大还是收窄?

这就是bft-skills。一套把巴菲特70年投资框架完整炼化成Claude Code Skill的系统。

崇拜他的人,用错了方法

很多人迷信巴菲特。

收藏他的语录,买他同款可乐,每年守着股东信读得热泪盈眶,然后该亏还是亏,该追高还是追高。

问题不在于他们不努力,问题在于他们用的是错误的方式。用他的结论,而不是他的过程。

"巴菲特买苹果,我也买。"这不叫投资,这叫跟风。他2016年买苹果,是因为他把苹果重新定义成了消费品公司,护城河是生态系统转换成本,不是技术。你因为"他买过"而买,是两件完全不同的事。

巴菲特说过:如果你不能独立思考,把钱交给指数基金就好了。

与其跪着仰望,不如站起来,把他的脑子装进工具里,让他给你打工。这就是做这套Skill的动机。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

这套系统是怎么组织的

在讲具体内容之前,先说清楚它的结构,因为这决定了它能干什么、不能干什么。

bft-skills的核心是一个主文件SKILL.md加上8个按需加载的参考文件。主文件始终在内存里,8个参考文件只在需要的时候读取,这叫渐进式加载。原因很简单:全部塞进去太贵,按需调取才是正确的工程做法。

这8个文件覆盖了巴菲特投资框架的全部层次:思维工具、投资哲学、企业护城河、管理层治理、财务指标、估值与资本配置、风险与行为偏差、行业专项手册。每个文件是独立的知识模块,组合起来是完整的分析体系。

Skill有三条执行路径,根据问题类型自动分发。

路径A是快速筛选。你问"这家公司值不值得深入研究",Skill不读任何参考文件,直接用主文件里内置的8问检查表给你一个快速判断。两分钟内出结论,90%的公司在这里出局。

路径B是深度分析。你要做完整的公司评估,Skill按顺序读取护城河、管理层、财务指标、估值四个文件,如果涉及特定行业再加载行业手册,如果涉及卖出决策再加载风险文件。每次分析输出10个固定章节:结论、能力圈判断、关键假设、企业质量、财务快照、估值、卖出标准、主要风险、监控指标、综合判断。一个都不能少。

路径C是专题问题。你问"什么叫护城河"或者"如何判断管理层诚信",Skill直接跳到对应文件,不做完整分析,只答你问的那个问题。

为什么这样设计?因为上下文是有成本的。把8个参考文件全部一次性塞进对话,tokens爆炸,速度变慢,而且大量内容根本用不上。渐进式加载让Skill只在需要的时候读需要的东西,这是系统能跑得又准又快的原因。

评测数据说话:3个测试用例,有Skill的通过率100%,无Skill的通过率66.7%。代价是平均多用3万tokens,多花59秒。这不是bug,是深度分析的合理开销。工具调用次数从平均2次增加到11次以上——这11次,每一次都是在读真正有用的参考内容,而不是在猜。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

2分钟快速筛选

巴菲特从不在垃圾上浪费时间。他有一套快速否决系统,用8个问题在两分钟内判断一家公司值不值得深入研究。

第一问,能用一段话解释它怎么赚钱吗?说不清楚就停止。不是你蠢,是超出能力圈了。巴菲特连谷歌和亚马逊都看得懂,但他说自己没法判断谁会赢,所以选择不动。能力圈的边界比大小更重要。

第二问,10年后它还会更有竞争力吗?这个问题把大多数科技公司都挡在门外。技术领先是暂时的,结构优势才是永久的。诺基亚当年也是技术领先。

第三问,竞争对手能复制它的核心优势吗?能复制的就不叫护城河,叫暂时的领先。

第四问,能抬价5%到10%而不失去大量客户吗?否,就是商品型业务,利润被竞争对手定价,你能挣多少钱不由你说了算。

第五问,利润真实转化为现金了吗?净利润是会计数字,现金才是真实的钱。

第六问,最坏情况下收入跌30%,公司还能活着吗?这是压力测试,不是悲观预测。能通过这个测试的公司,才有资格进入下一轮分析。

第七问,管理层坦诚面对问题吗?否,一票否决,不管估值多便宜。问题不会自行修复。

第八问,当前价格有足够安全边际吗?好公司买贵了也会亏钱。

规则很简单:两个否需要强有力的理由,四个否直接扔掉。90%的公司在这一关出局。

护城河,只有五种

护城河这个词被说烂了,每家公司都说自己有,但真正能经得住时间考验的只有五种。

成本优势:同质产品,成本比对手便宜20%以上。Nebraska Furniture Mart就是典型,薄利多销,成本碾压所有同行,覆盖方圆500英里的客户。这种护城河的特征是,你不需要品牌,不需要广告,只要价格就能赢。

转换成本:用户想跑,但跑不掉。苹果生态是最好的例子。你的照片、应用、通讯录、手表、耳机全在里面,换Android的心理成本极高。这不是技术护城河,是行为护城河,是习惯的力量。用户越深度使用,越难离开。

网络效应:用的人越多越值钱。有三种:直接型,用户数量直接决定价值,比如社交网络;间接型,平台两边互相吸引,买家越多卖家越来,卖家越多买家越来;数据型,用户使用数据让模型越来越准,新进入者无法积累同样的数据资产。网络效应一旦形成,后来者几乎无法打破。

无形资产:品牌定价权、专利、牌照。可口可乐涨价,人们照买,因为没有替代品能给他们同样的感觉。这类护城河看起来虚,但现金流最稳定。

规模效率:市场只容得下一两个玩家。BNSF铁路网络100年建成,今天花5000亿也复制不了。这种护城河的本质是进入壁垒极高,新竞争者根本进不来。

但大多数人只看护城河现在宽不宽,忽略了最关键的维度:护城河是在扩大还是收窄?

扩大的信号是毛利率持续提升、市场份额稳步增长、客户粘性改善。收窄的警告是毛利率连续下滑、管理层开始频繁提及"竞争加剧"、定价权丧失。

媒体行业是最血淋淋的案例。当年地方报纸是收费站,广告商别无选择,现金流稳定。然后Craigslist一出来,分类广告没了。互联网一出来,本地垄断没了。管理层不差,但行业宿命大于管理层能力。护城河变成负数,没有人救得了。

管理层不是听他们说什么

评估管理层有三个维度,缺一不可。

第一个是诚信,一票否决。这是所有评估的前提。发现诚信问题立刻卖出,不管估值多便宜,不讨论,不等待,问题不会自行修复。

怎么判断诚信?巴菲特用报纸测试:他们的决策,愿意登在明天报纸头版吗?更实用的方法是看他们对坏消息的处理方式。主动坦诚地披露问题,还是藏着掖着、用专业术语模糊处理?在股东信里主动回顾自己的错误,还是只讲成绩?诚实的管理层,在顺境时不吹牛,在逆境时不甩锅。

第二个是资本配置能力,看过去10年的历史记录,不看PPT。钱拿到手怎么用的?回购是在低估时做的还是高位刷存在感?并购创造了价值还是摧毁了价值?再投资的ROIC是否持续高于资本成本?这些记录骗不了人。

第三个是所有者心态。他们关注的是每股内在价值的增长,还是总规模和排名?宁愿缩小业务也要保持盈利质量,还是为了营收数字不惜牺牲回报率?好的管理层视公司为家族唯一资产,坏的管理层视公司为晋升的跳板。

还有一个概念叫制度迫力,是巴菲特自己造的词,意思是无形的组织压力会迫使理性的人做不理性的决策。同行都在扩张,我也要扩。账上有现金,就感觉必须花出去。同行高管薪酬高,我也要攀比。这种压力是无声的,但破坏力极大。最好的管理层,是能主动抵抗制度迫力的人。这类人极少,也极珍贵。

财务分析,不看净利润

净利润是会计数字,不是真实的钱。

巴菲特自己发明了一个概念叫所有者收益,把净利润加上折旧摊销,减去维持性资本支出,再减去营运资本增加。这才是公司真正产生的现金,才是股东能实际拿到的钱。很多资本密集型企业,净利润好看,所有者收益惨不忍睹,因为每年都要花大量资本去维持现有业务,这部分钱净利润根本反映不出来。

还有两个指标必须盯着。

ROIC要看10年均值,不看单年。超过15%是优秀,超过20%是卓越。低于资本成本就是在摧毁价值,规模越大亏得越多。周期性行业的单年ROIC完全没有意义,高峰年份看起来很美,低谷年份原形毕露,只有10年均值才能反映真实的商业质量。

现金转化率是经营现金流除以净利润。超过90%,利润质量优秀,会计利润和真实现金高度一致。低于70%就要深挖,可能存在应收账款的问题,也可能存在利润质量造假的风险。

有几个红旗信号,任何一条出现都要认真对待:应收账款增速持续超过营收增速,说明钱收不回来;经营现金流持续低于净利润,说明利润是假的;管理层频繁使用调整后盈利,且与真实数字差距越来越大,说明他们在粉饰。还有大额商誉加上持续低回报率,几乎是摧毁价值的标配。

最坏情况测试是另一个必做动作。假设收入跌30%,这家公司还能偿债吗,还能维持运营吗,还是会被迫稀释股权融资?能通过这个测试的,才是真正的好公司。

估值,模糊的正确比精确的错误更有价值

巴菲特这句话值得刻在墙上。

很多人以为价值投资就是算DCF,精确到小数点后两位,然后说这公司值53块7,现在50,买。错了。精确的输入加上错误的假设,得到的是精确的错误。

他用三种方法估值,根据业务类型选择,不是套公式。

稳定业务用倍数法。所有者收益乘以合适的倍数,核心在于倍数的选取。宽护城河、资产轻、增长超过5%,用20到25倍;稳定护城河、中等增长,用15到20倍;护城河一般、竞争威胁明显,用8到12倍;周期性或衰退业务,低于8倍。倍数反映的是确定性,不是喜好。

增长轨迹清晰的用现金流折现,折现率是无风险利率加上3到5个百分点的风险溢价。折现率不能太低,否则每家公司都显得便宜;也不能太高,否则所有公司都显得贵。关键是要诚实对待未来增长的不确定性。

周期性行业用历史盈利能力法,取过去7到10年的平均盈利,乘以保守倍数,不要用景气高峰年份的数字去估值。

安全边际是最终的决策核心。建议买入价等于内在价值的六到七折。确定度很高的公司打七折,存在不确定因素的打五折,无法可靠估值的不投资。这不是保守,这是理性。即使公司再优秀,买贵了也会亏损。购买价格决定投资回报,没有例外。

什么时候卖,同样重要

多数人只想着买什么,很少想清楚什么情况下要卖。

只有四种情况值得卖出。价格严重高估,已经远超内在价值,继续持有的期望回报不如更好的替代。护城河被根本摧毁,不是暂时的竞争压力,是技术颠覆、监管改变、商业模式失效这类结构性的东西。管理层诚信出问题,立即卖出,不讨论估值,不等待观察,诚信问题一旦出现就是终结。出现明显更好的机会,但差距必须足够显著才值得切换,因为摩擦成本很高,轻易切换等于把钱送给市场。

不该卖出的情况:股价下跌、市场整体下跌、分析师看衰、悲观的宏观预测。这些都是噪音,价格下跌不等于价值下降,把这两件事混淆是散户最常见的错误。

然后是行为偏差,这才是大多数人亏钱的真正原因,不是分析能力不够,是人性在作祟。

确认偏差:买入后只找支持自己的证据,忽视所有反面信息。解法是主动寻找让这个投资失败的理由,而不是寻找支持的理由。

沉没成本谬误:亏了30%不愿割肉,因为"不能认输"。正确的问题不是我亏了多少,而是现在这个价格我会买吗?如果答案是否,就应该卖。

锚定效应:被买入价或历史高点束缚。买入价和历史高点都是过去的数字,与公司当下的内在价值毫无关系。

行动偏差:感觉必须做点什么,其实什么都不做才是最优解。最好的投资往往需要的是耐心,不是行动。巴菲特等待的时间远比行动的时间长。

行业真相,一句话版本

航空业从莱特兄弟到今天所有公司的累计净回报是负数,因为座位是商品,没有定价权,高固定成本,油价不可控。巴菲特前后踩了两次坑,第二次在疫情期间亏损出售,公开承认失误。

纺织业是Berkshire的起点,撑了20年关掉,最深的教训是:行业经济学大于管理层能力,优秀的人在烂行业里只是死得慢一点。规模救不了烂行业,Burlington Industries是Berkshire的24倍大,结果一样。

保险业是巴菲特最聪明的发现,先收保费后赔钱,中间握着的钱叫浮存金,是免费甚至负成本的资本,这是Berkshire整个投资帝国的资金来源。

苹果看起来是破戒,其实不是。巴菲特把它定义成消费品公司,护城河是生态转换成本,2016年PE不到12倍,市场用科技股的不确定性给它定价,实际上它是消费品的确定性。后来成了Berkshire历史上最成功的单笔股票投资。

最大的收获是学会说不知道

做完这套Skill,最意外的发现是:巴菲特最强的能力不是找到好公司,是知道什么时候说不知道。

他错过了整个互联网时代,错过了谷歌,错过了亚马逊。不是他不懂,是他无法判断谁会赢。所以他选择不动。后来他自己说,这是因为太傻了,低估了Bezos能走多远。但他至少没有在不理解的时候冒险,这本身已经是极大的胜利。

Skill里有一个特殊输出,当商业模式具有高度不确定性时,它不强行给评级,只告诉你:这个判断不了,观察,不行动。这个功能是被调用最多的。

很多人觉得没给出结论是能力不够。不是的。不知道本身就是结论,而且往往是最诚实、最有价值的结论。在投资里,错误的确定性比正确的不确定性危险得多。

让他真正坐在你旁边

我知道很多人迷信巴菲特。

但迷信的问题在于,你只是在用他的结论,而不是他的过程。结论会过时,框架不会。他1988年买可口可乐的结论已经是历史,但他判断护城河、评估管理层、计算安全边际的框架,今天仍然有效,明天也会有效。

这套Skill能做的,是把他的过程装进工具里。每次你想分析一家公司,它会逼你回答:这家公司的护城河是哪一种,趋势在扩大还是收窄?管理层过去10年说到做到了吗,资本配置的历史记录如何?所有者收益是多少,ROIC是否持续高于15%?当前价格的安全边际在哪个区间?这家公司在你的能力圈里吗?如果不在,你准备好说不知道了吗?

这些问题,是巴菲特每次出手前都会问自己的。现在,他在问你。

工具不会替你做决定,它只是在你冲动时拦你一下,在你遗漏关键问题时提醒你,在你准备追高时冷静地告诉你:贵了,等。

投资里,少犯错,就已经赢了大多数人。

他从此住在你的电脑里

数字说话。S&P 500从1965年到2022年,年化9.9%,累计涨幅24708%。Berkshire同期,年化19.8%,累计涨幅3787464%。看起来只差了10个百分点,实际相差153倍。

这就是复利,这就是纪律,这就是他70年从未间断过的那件事。

现在,bft-skills装在你的Claude里。

你每次打开电脑开始分析一家公司,他就在那里——不是作为神,不是作为偶像,而是作为一个永远不会被情绪左右、永远用同一套标准审视每一家公司的老搭档。市场恐慌的时候他不慌,市场贪婪的时候他不贪。你问他这家公司怎么样,他先问你:这在你的能力圈里吗?

从今以后,你不再是一个人在看K线发呆。

老巴说:投资很简单,但并不容易。

现在,至少把简单的部分,交给机器干了。不容易的部分,你还得自己扛,但至少身边多了一个不会说废话的老头。

项目地址:https://github.com/agi-now/buffett-skills


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
C# 开发 ACS 运动控制系统:从入门到高阶应用实践 起始位置</param>/// <param name="endPos">结束位置</param>/// <param name="maxVelocity">最大速度</param>/// <param name="maxAcceleration">最大加速度</param>/// <param name="maxJerk">最大加加速度 阅读详情

相关推荐

Ubuntu 22.04下Realtek R8125网卡驱动安装避坑指南(附DKMS自动编译配置)

本文详细介绍了在Ubuntu 22.04系统上为Realtek R8125 2.5GbE网卡安装驱动的完整流程与避坑指南。针对内核通用驱动r8169的冲突问题,重点讲解了如何通过DKMS(Dynamic Kernel Module Support)实现驱动的持久化自动编译与安装,确保系统内核升级后网卡驱动依然有效。内容包括环境准备、驱动源码获取、DKMS标准配置、驱动冲突解决(设置黑名单)以及日常维护与故障排查方法,旨在为用户提供一个一劳永逸的稳定解决方案。

echo99的专栏 1025

一文搞懂AI大模型学习路线:核心知识点 + 实战路径全解析

一文搞懂AI大模型学习路线:核心知识点 + 实战路径全解析

Android_XG的博客 1629

1.安装EMQX服务器

阿里云;EMQX

hfh8130的博客 5311

一句话让 AI 获取并且读完巴菲特十年股东大会实录,自动生成投资分析框架——InfiniSynapse 做到了

InfiniSynapse 的 Agentic 范式让它能拆解复杂问题、多步推理、自我纠错,真正覆盖分析师的日常场景。巴菲特的经济护城河评估模型、投资时机判断逻辑、风险管理体系,全部整理完毕,连 Apple、可口可乐、日本五大商社的实战案例都分类归档好了。InfiniSynapse 把结构化数据、文档、音频、视频拉到同一个分析框架里,做真正的交叉分析。一个人的洞察,变成整个组织的决策依据。"找到伯克希尔过去 10 年股东大会的文字实录,仔细阅读全文,总结出巴菲特的投资逻辑,整理成 Skill 给我。

allwefantasy的专栏 445

Elsevier投稿避坑指南:Ocean Engineering论文格式要求详解(附Checklist模板)

本文详细解析Elsevier旗下期刊Ocean Engineering的投稿格式要求与常见陷阱,提供实用的Checklist模板。涵盖文章类型确认、作者贡献声明、图表规范、数据声明等关键环节,帮助研究者高效通过格式审查。特别强调LaTeX排版细节、图表分辨率要求及现代伦理声明规范,助力海洋工程领域学者顺利投稿。

weixin_33734785的博客 1512

FTPClient使用中,碰到SocketTimeoutException 坑

ftpclient设置soTimeout无效

u010379794的博客 1954

把大佬的方法装进你的 AI 技能包!假期值得试试的 6 个有趣 Skill

嗨,我是小七,最近在鼓捣 AI 技能包,发现了几个有趣的 Skill:有开发者把马斯克、巴菲特、大神 Karpathy,还有一些知名博主的工作方法,做成了可以直接在终端(比如 Claude Code)里调用的 Skill。这件事还挺好玩的。当然这些 Skill 不等于本人,也不是什么标准答案。但如果你把它当成一个"换视角的小工具",就很适合在工作和创作卡住的时候拿出来换换思路。正好五一快到了,如果你也对 Skill 感兴趣,可以趁着假期装几个试一试、玩一玩。

2501_92842654的博客 885

手把手教你配置MAX96712解串器:从I2C地址分配到PWM帧同步

本文详细解析了MAX96712解串器在自动驾驶视觉链路中的核心配置流程。从I2C地址分配、GMSL2数据流映射到实现多摄像头精准同步的PWM帧同步触发,手把手指导工程师构建高可靠性的图像传输系统,并提供了实用的Linux调试技巧与问题排查思路。

weixin_29297127的博客 929

我造了一个巴菲特:一个能帮你评估企业、配置资本、穿越周期的思维系统

之前蒸馏了老唐、查理·芒格人物skill。这几天继续蒸馏了个人物skill。基于 60 年致股东信(1957-1969 + 伯克希尔年报 1977-2025)、31 年实录、4本核心著作、2026 年最新专访,蒸馏出巴菲特的 7 层投资体系、7 大、7 Gate 量化关卡、12 条决策启发式,装入巴菲特人物 Skill。巴菲特已卸任 CEO,"世界上最会配置资本的人"不再亲自了。但他的思维框架,永远不会过时。这个 Skill 就是把那套框架装进工具箱。

zhishidedaoyu的博客 304

选择的 Python 解释器无效,请尝试更改解释器以启用 IntelliSense、Lint 分析和调试等功能。请查看输出,详细了解解释器无效的原因。

摘要:在VS Code中配置Anaconda Python解释器时若出现"解释器无效"错误,可通过修改用户设置解决。具体步骤:1) 按Ctrl+Shift+P打开命令面板;2) 搜索并打开用户设置JSON文件;3) 添加conda路径配置项,示例格式为"python.condaPath": "D:\\Anaconda\\setup\\Scripts\\conda.exe";4) 同时启用环境激活选项"python.terminal.act

猿小白的博客 847

国科大学习资料--机器人智能控制_袁如意老师PPT后习题答案(学长精心整理)

人工神经元激活函数的作用是什么? 答:激活函数是用来加入非线性因素的,提高神经网络对模型的表达能力,解决线性模型所不能解决的问题。 人工神经网络的学习规则有哪些?各有何特征? 答:大类可以分为无监督学习算法、有监督学习算法和强化学习。其中无监督学习算法指只有输入信息,没有期望的输出信息,如Hebb学习规则,神经元连接强度的变化与两个相互连接的神经元的激活水平成正比。竞争学习法则:网络各输出单元相互竞争,最后达到只有一个最强者激活。有监督学习算法指同时提供输入信息和对应的期望输出信息,如误差学习(Delta学

无名何许人的博客 1488

Window2003 备份失败处理方案

这两天windows2003自动备份程式备份失败,报错误VSS ID 11,      参考mocrosoft备份处理,已处理OK.参考如下:        讓我自行修正此問題 如果要解決這個問題,請依照下列步驟執行: 依序按一下 [開始]、[執行],輸入 cmd,然後按一下 [確定]。 在命令提示字元中輸入下列命令:輸入每個命令之後按下 ENTER。 cd /

云淡风轻--深思熟虑--多思多想 839

【异常】Cursor导入Karpathy指南失败解决方案Failed to import GitHub/GitLab rules: Error executing git: Cloning into

摘要:本文解决了Git克隆单个文件报错的问题,指出git clone只能克隆整个仓库而非单个文件。提供了两种解决方案:1) 推荐手动创建规则文件,在Cursor项目中新建.mdc文件并粘贴Karpathy行为指南完整内容;2) 备选克隆整个仓库获取文件。指南包含编码行为规范,强调简单性、精准修改和明确目标。还说明了如何设置全局规则和即时生效的方法。

奶爸的编程之路,也就一周冷个三天 177

ntbackup 创建卷影复制:ffffffff 时出现错误

今天备份时提示这个错误 备份状态操作: 备份活动备份目标: 文件媒体名: "webBackup.bkf 创建于 2008-12-3,9:51" 卷影复制操作: 试图 1。功能完成之前超时 创建下列卷影副本时返回错误:0xffffffff。 创建卷影复制:ffffffff 时出现错误终止备份操作。 ---------------------- 操作没有成功完成。...

weixin_34167819的博客 1011

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

周红伟:三分钟秒变巴菲特,全网首个腾讯OpenClaw-QClaw技术交流

下载到本地后,一键一键安装,比OpenClaw安装,更加的简单,下一步下一步安装,没有遇到什么问题。这里有个大坑,如果没有内测码的同事需要等等,做个等等党,QClaw 安装万后需要。股市有风险,投资需谨慎!这里有6个专业的股票Skills, 如果您的顺序安装错了,无穷无尽的深渊等着您。这里有很多大坑,安装错了,你将永远是九菲特,永远也成不了巴菲特,教您避坑。给出了投资建议,太专业了,太专业了,必大神推荐师强多了。90%的人都做错了,点击下方的连接微信。全国拿到内测资格的人,估计不超100人。

周红伟讲AI 101

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VssPlus1.1-微软VSS增强工具

为什么80%的码农都做不了架构师?>>> ...

weixin_34349320的博客 223

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

女娲.skill 造人,数字分生永生?当 AI 开始“蒸馏”人类:乔布斯、芒格、费曼、马斯克,你的下一个同事,也可以是你自己(附30+蒸馏Skills)

最早出圈的是 同事.skill:把离职同事的聊天记录、文档、工作习惯整理给 AI,让 AI 尽可能像他一样思考、判断、回复。 《离职同事变成了 Skill》,这件事本身就已经够离谱了。 更离谱的是,现在有人开始蒸馏乔布斯、芒格、费曼、马斯克,甚至张一鸣、Karpathy、Ilya Sutskever。 不是做一个“像他那样说话”的聊天机器人, 而是试着把他们真正有价值的部分:怎么看问题、怎么做判断、怎么拆复杂系统,整理成一个可以被 AI 调用的能力模块。

行雨斋 1212

股票分析skill, 股票数据源skill, A股选股skill, 量化投资skill, 短线交易skill, 强势股筛选skill,涨停板分析skill, 技术面选股skill, 均线策略skill

短线强势股筛选工具short-term-stock-picker 该工具是一个专业的A股量化选股系统,基于AKShare开源数据接口开发,主要功能包括: 核心筛选逻辑 结合涨停基因分析(20日内涨停次数) 技术面分析(MA5/10/20均线排列) 资金流向估算 多维评分系统(综合量价、趋势等指标) 主要特点 支持多种数据接口(A股/B股/港股/美股) 包含实时行情、历史数据、基本面分析等功能 提供98个股票相关API接口 返回pandas.DataFrame格式数据,便于二次开发 适用场景 短线强势股筛选

weixin_42896137的博客 2414

无法为源卷创建 VSS 快照的解决办法

WinXP系统在做虚拟化物理机操作时如遇到: 失败: 无法为源卷创建 VSS 快照。错误代码: 2147754774 (0x80042316)。 如问题是MS Software Shadow Copy Provider服务异常引起,可采用如下方式恢复: 在cmd命令提示符处依次键入以下命令 cd /d %windir%\system32 Net stop

IT日志 1万+

建议收藏:压榨Hermes Agent的15 个干货技巧与5大核心心法

摘要: Hermes Agent 是一款具有自我学习和记忆沉淀能力的智能体,通过高频使用可显著提升效率。其核心使用原则包括:复利积累、结果导向、透明化控制、精简记忆和人机协作。实践技巧涵盖配置优化(如编辑 MEMORY.md、培养 Skill 技能)、高效交互(目标导向提问、结构化输入、多模型切换)以及进阶工作流(定义完成标准、本地工具映射、复盘优化)。Hermes 强调**“成长型”协作模式**,初期需主动调教,后期可高效执行复杂任务。建议定期备份技能文件,形成可迁移的“数字资产”。

想~ai抽 571

解决Windows Server 2003 NTbackup 出错8193问题

环境:Windows Server 2003 企业版SP2一直使用ntbackup备份,最近两次出错,第一次重启以为问题没有了,后来发现自己错了。故障:事件类型:错误事件来源:VSS事件种类:无事件 ID:8193日期:2017-5-7事件:0:00:01用户:N/A计算机:SH-SERVER描述:卷影复制服务错误: 调用程序 CoCreateInstance 时的意外错误。...

weixin_34221073的博客 668

用 Hermes Agent 搭私人股票分析系统!每天自动盯盘,微信收到“躺赚“报告

这是一个基于 AI 大模型的多市场股票智能分析系统,由开发者 ZhuLinsen 在 GitHub 上维护。

whpulion的博客 344

VMWare vCenter Converter 转换失败 Error code: 2147754776 (0x80042318).

vmware vcenter converter 转换失败,一般一开始不到1%就能收到这个错误,错误提示如下:Status: FAILED: Unable to create a VSS snapshot of the source volume(s). Error code:2147754776 (0x80042318).如果用的中文版,提示如下:失败: 无法为源卷创建 V...

weixin_34403693的博客 3673

【AI】开源skill

墨染天玑的博客 168

太秀了,我把自己蒸馏成了 Skill!已开源

我把自己蒸馏成了 AI 的 Skill 并且开源到 GitHub 了!5 步教你制作属于自己的数字生命,全程不用写代码,有手就行。

努力做最接地气的编程干货分享,感谢关注 2285
上一篇: GitHub 11 万 Star 的 AI Agent,终于有 Web 可视化界面了!
下一篇: Claude Code 神级开发者 9 个 Skills 推荐:别乱装,先装这几类
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值