gregmankiw的博客

原创 Rust 文件组织实战案例详解

本文以 [rust-learning-demo](https://github.com/anomalyco/TauriProjects/tree/main/rust-learning-demo) 项目为贯穿全篇的实战案例，逐文件、逐行拆解 Rust 的模块系统、可见性、重导出、条件编译、测试组织、Feature 开关等核心机制。读完本文，你不仅能理解 Rust 文件组织的"规则"，更能看到这些规则在真实项目中如何落地。

原创 ASP.NET Core 架构入门——以 GA-Fuzzy-PID 项目为案例

本文以GA-Fuzzy-PID项目为例，介绍ASP.NET Core的核心架构和关键概念。文章首先概述了该项目通过遗传算法优化模糊PID控制器参数的技术方案，然后系统性地讲解了ASP.NET Core的架构层次，包括Kestrel服务器、中间件管道、依赖注入容器等核心组件。通过分析项目结构、启动流程、请求生命周期等实际案例，帮助读者理解Minimal API、SignalR实时通信、后台服务等技术的应用场景。最后对比了ASP.NET Core与传统ASP.NET的区别，为开发者提供了学习路径建议。

原创 基于OpenClaw与DeepSeek V4 Flash的新闻因果时序自动化分析系统

基于OpenClaw与DeepSeek V4 Flash的新闻因果时序自动化分析系统——完整项目开发方案摘要本方案提出一个基于开源AI智能体框架OpenClaw与DeepSeek V4 Flash模型的新闻因果时序自动化分析系统的完整开发方案。系统旨在实现对每日新闻的自动采集、事件抽取、时序关系建图与因果链条推理，构建可用于舆情监测、信息溯源与态势研判的动态新闻知识图谱。本方案从项目背景与问题定义出发，详细阐述系统架构、核心模块设计、技术选型、工程实现、部署运维、性能优化与成本控制等全生命周期环节，为技术团

原创 公理引擎（Project Axiom）：基于神经符号验证的可执行智能体架构设计方案

公理引擎（Project Axiom）摘要 Project Axiom提出了一种融合神经符号验证与可执行代码化的智能体架构，旨在解决大模型“不遵循指令”的核心问题。通过将LLM从概率生成器转变为逻辑规划与代码生成器，该系统结合神经网络的感知能力、符号系统的逻辑约束以及代码执行的确定性，构建了“生成-执行-验证-修正”的闭环流程。核心模块包括神经符号解析器、代码生成器、动态验证引擎和反思修正回路，通过结构化约束、沙盒执行和多维度验证确保指令的精确执行。该架构从根本上实现了从概率推理到可验证执行的范式转移，为构

原创 万字完整项目开发方案：DSH（Dual-Stream Hybrid）混合记忆架构

DSH混合记忆架构项目方案摘要（148字）： DSH架构创新性地融合四种记忆机制：TTT-E2E动态流处理长程语义（O(1)复杂度），滑动窗口确保局部精确召回，Engram静态流实现高效模式匹配，InfiniRetri完成远程精准检索。通过门控网络动态融合各模块输出，在保持恒定推理成本的同时，实现接近全注意力的2M token长上下文处理能力。关键技术包括： TTT-E2E的元学习权重更新 滑动窗口局部注意力 Engram哈希表快速查询 InfiniRetri全局索引 自适应门控融合 该架构相比传统Tran

原创 HALO-MoE 完整技术报告

HALO-MoE技术报告摘要： HALO-MoE是一种面向超长上下文(≥128K)的混合架构语言模型，创新性地融合了多种技术：Mamba-3状态空间模型提供线性复杂度全局状态追踪，滑动窗口注意力增强局部建模，Engram静态记忆提升事实召回，Latent MoE在低维空间实现高效专家路由。模型引入边界回溯机制精准提取历史信息，采用异步MAKER投票修正状态累积错误，并通过多Token预测辅助训练与推理。完整的推理时增强架构整合外部索引与多轮检索能力。该设计在保持线性复杂度的同时，显著提升了长上下文建模中的事

原创 HALO-MoE V1.0技术报告

HALO-MoE V1.0 是一种面向超长上下文的混合架构语言模型，将状态空间模型（Mamba‑3）、静态记忆检索（Engram）、滑动窗口注意力、潜在混合专家（Latent MoE）与多 Token 预测（MTP）有机融合，并引入了边界回溯机制与异步 MAKER 投票等关键改进。· 自适应深度：维护滑动窗口（最近 100 次推测）的接受率，动态调整 k：接受率 >0.8 时 k 增加 1（最大 5），接受率 <0.4 时 k 减少 1（最小 1）。r_t]) ，可学习。MLP 为两层，隐藏维度 512。

原创 Nemotron架构(Mamba3+Transformer+Moe)

Nemotron-Mamba3是一个混合架构模型，结合了Mamba3状态空间模型(SSM)、Transformer和混合专家(MoE)技术。模型配置包含2层Mamba3和4层Transformer，512维隐藏层，8个注意力头(Q)/2个头(KV)，64维状态空间，2048维FFN中间层，以及8个MoE专家(激活2个+共享1个)。前向传播测试显示模型成功处理了输入序列，经过词嵌入、交替的Mamba3和Transformer层处理，最终输出32000维词汇表预测。该架构融合了SSM的高效序列建模能力和Tran

原创 Windows 7 部署 Gitea 服务器指南

本文详细介绍了在Windows 7系统上部署Gitea自托管Git服务的完整流程。内容包括：下载所需软件（Gitea 1.11.8、NSSM 2.24、SQLite和Git客户端）、创建安装目录、配置Gitea服务（包括防火墙设置）、使用NSSM创建Windows服务、首次访问初始化配置，以及常用管理命令和注意事项。特别强调了Windows 7的兼容性问题、SQLite 32位版本的必要性，以及管理员权限要求。该指南提供了从零开始搭建Gitea服务器的完整解决方案，适合在Windows环境下搭建轻量级Git

原创 艾略特波浪理论智能选股系统

ElliottWaveScanner 是一个 .NET 8 C# 控制台应用程序，实现了艾略特波浪理论的自动化分析。自动识别股票的波浪结构（1-2-3-4-5 推动浪和 A-B-C 修正浪）根据波浪位置生成买入/卖出/持有建议支持多种数据源（通过 MooTdx 集成通达信数据）生成详细的分析报告（控制台、CSV、JSON 格式）提供波浪置信度和风险等级评估。

原创 DeepSeek arXiv论文总览

DeepSeek 2024年发布了系列开源大模型，涵盖语言、代码、数学和多模态领域。1月推出DeepSeek LLM，研究扩展法则并发布7B/67B模型；同期发布DeepSeek-Coder代码模型系列(1.3B-33B)。2月推出数学推理模型DeepSeekMath 7B。3月发布多模态模型DeepSeek-VL。5月推出高效混合专家模型DeepSeek-V2(236B参数)。6月发布代码模型DeepSeek-Coder-V2，性能媲美GPT4-Turbo。12月发布升级版DeepSeek-V3(671B

原创 障碍期权做市商定价与对冲系统

本文介绍了一个障碍期权定价与对冲模拟系统的C#实现。该系统采用蒙特卡洛方法对欧式向下敲出看跌期权进行定价，并提供了完整的风险管理功能。 系统核心特性包括： 增强型蒙特卡洛定价引擎，支持方差缩减技术和布朗桥监测 全面的希腊字母计算（Delta、Gamma、Vega等） 动态对冲策略模拟 风险限额管理和流动性评估 系统采用模块化设计，包含定价引擎、风险分析、对冲策略等核心组件。通过并行计算和有限差分法实现高效定价，同时提供敲出概率、风险敞口等关键指标。该系统可作为做市商管理障碍期权头寸的完整解决方案。

原创 量化多因子选股开发完整指南

本文系统介绍了量化多因子选股开发的完整流程，包括因子开发、检验处理、策略构建和回测评估三大核心环节。在因子开发部分，详细阐述了因子设计原则、计算方法及六步检验流程（IC、回测、多空等）；策略构建部分解析了单因子、多因子等四种策略类型及回测开发要点；最后提供了从数据获取到验证优化的五步实战开发指南。全文采用技术文档风格，包含C#代码示例和量化指标说明，为量化选股策略开发提供了清晰的技术路线图。

原创 lm-studio本地部署glm-4.7-flash并配置opencode使用

本文介绍了如何配置和运行GLM-4.7-Flash模型。主要内容包括：1) 获取模型文件和运行指南，建议禁用重复惩罚并使用特定参数；2) 提供jinja模板用于对话处理；3) 详细说明在Windows系统下配置opencode连接LMStudio的步骤，包括创建配置文件、设置环境变量和验证API服务。最后可通过opencode命令选择并运行LMStudio中的模型。

原创 Windows 11 + WSL2 + vLLM 本地部署 Qwen3 8B AWQ 指南

本文提供了在Windows 11系统上通过WSL2部署Qwen3 8B AWQ模型的完整指南。主要内容包括：系统硬件要求（NVIDIA显卡、16GB内存）、WSL2环境配置、Ubuntu系统安装、NVIDIA驱动和CUDA环境设置、Python虚拟环境搭建、vLLM框架安装，以及通过国内镜像站下载Qwen3 8B AWQ模型的方法。指南详细说明了从系统准备到模型部署的全流程，包含必要的命令行操作和配置参数，特别针对国内用户提供了加速下载方案。最后还提供了API测试验证步骤和常见问题解决方案，帮助用户顺利完成

原创 Nested Learning 架构设计文档

本文档详细介绍了Nested Learning(HOPE)项目的系统架构设计。该系统采用层级化记忆系统和多频率更新机制，包含输入层、嵌入层、HOPE Blocks处理层和输出层。核心创新点在于TITAN长期记忆模块、持续记忆系统(CMS)和层级时钟(LevelClock)等组件，通过教学信号(Teach Signal)和惊喜检测(Surprise Detection)实现智能更新。文档还详细解析了四种HOPE Block变体结构(hope_attention、hope_hybrid、hope_selfmod

原创 Rust错误处理

// 自动转换为 MyErrorOk(())顶层捕获：在 main 函数或最外层使用或 panic 钩子隔离失败：将可能失败的部分隔离在单独线程或进程中监控重启：对关键服务实现监控和自动重启优雅降级：准备好降级方案，在部分功能失效时仍能提供服务资源清理：确保 panic 时能正确释放资源记录诊断：记录足够的诊断信息以便调试用户友好：向用户显示友好的错误信息，而不是崩溃堆栈通过这些策略，即使遇到未预期的错误，程序也能优雅地处理，避免崩溃，保持最大可能的可用性。

原创 迁移Parlant库为VS Code插件

Parlant VS Code扩展将AI代理开发集成到Visual Studio Code环境中，提供一站式解决方案。该扩展支持代理管理、指南配置、工具集成和实时测试等功能，采用客户端-服务器架构实现与Parlant服务器的交互。开发者可直接在熟悉的编码环境中创建和管理AI代理，通过直观的界面设计代理行为、测试响应性能，并支持多种NLP服务提供商。扩展适用于客户服务、代码辅助和教育辅导等场景，显著提升AI代理开发效率。安装简单，通过VS Code扩展市场或.vsix文件即可快速部署。

原创 ClaudeCode+ClaudeCodeRouter+LMStudio+Qwen3Coder

本文介绍了如何配置Claude Code开发环境，包括安装Claude Code、Code Router和LMStudio，并下载Qwen3-Coder模型。重点讲解了配置文件设置，其中指定了两种服务提供商（ollama和lmstudio）的API参数和模型路径，并将lmstudio设为默认路由方案。配置文件中还设置了日志、主机端口、超时时间等参数，并附有多张配置界面的截图展示。整个配置过程旨在搭建一个基于Qwen3-Coder模型的本机AI开发环境。

原创 使用Rust原生实现小波卡尔曼滤波算法

本文提出了一种基于小波变换与卡尔曼滤波融合的信号去噪方法，并实现了Rust语言的高效算法实现。方法核心包括：1）采用Haar小波进行多尺度分解，将信号分离为高频（噪声）和低频（主体）分量；2）对不同频段独立应用卡尔曼滤波，低频采用低观测噪声参数保留信号特征，高频采用高噪声参数抑制噪声；3）通过小波重构获得最终滤波结果。Rust实现包含对称延拓处理边界效应、多级分解/重构、卡尔曼滤波预测-更新机制，并通过日志系统和绘图模块验证了算法对含噪正弦信号的有效去噪效果。

原创 卡尔曼滤波组合导航的组合怎么理解

卡尔曼滤波组合导航通过融合异构导航系统实现性能优化，主要体现在三方面：1）异构互补，如INS（短时高精度）与GNSS（长期稳定）协同工作；2）动态融合，卡尔曼滤波通过预测-更新循环修正误差；3）性能提升，精度可达0.5米，且在信号丢失时保持定位能力。这种"1+1>2"的组合方式，通过数据融合突破了单一系统的局限。

原创 Rust交互式编程环境Jupyter Lab搭建

【代码】Rust交互式编程环境Jupyter Lab搭建。

原创 c#调用rust的dll怎么处理rust的panic

在C#调用Rust DLL时处理panic需要特别注意跨语言边界的安全性问题。完整实现应包含错误码约定、日志记录和资源清理机制，确保跨语言调用的可靠性。此代码通过catch_unwind捕获panic并转换为错误码。

原创 C#调用Rust动态链接库DLL的案例

摘要：演示C#调用Rust动态链接库的案例，包含C#主程序(Program.cs)和Rust库(rust_to_csharp)。Rust项目配置为生成cdylib类型的动态库，定义hello_world函数返回字符串。C#通过DllImport调用DLL，使用Marshal转换指针获取字符串。注意需匹配32/64位平台，Rust字符串需null终止，并将DLL复制到C#输出目录。

原创 C#代码自动生成UML图：TraeCN+PlantUML+CSharp to PlantUML+Graphviz+.NetCore6.0Runtime

本文介绍了在Windows环境下配置和使用C#代码生成PlantUML类图的工具链。所需工具包括TraeCN 0.5.8、PlantUML 2.18.1、CSharptoPlantUML 1.3.4、Graphviz 12.2.1和.Net Core 6.0 Runtime 6.0.36。安装步骤包括通过Visual Studio Marketplace安装CSharptoPlantUML扩展，以及下载并安装Graphviz和.Net Core Runtime。使用方法涉及使用dotnet工具全局安装Pla

原创 第二个简单的SpringBoot和Vue前后端全栈的todoapp案例

全栈项目实践：1小时快速入门SpringBoot+vue3+element-plus_哔哩哔哩_bilibili。其他的根据视频来就行，没要到视频代码，自己手敲一份，附上代码部分。项目源于哔哩哔哩，按视频手敲了一下，补充上代码和一些细节。SpringBoot先网络测试要出现200成功。H2数据库的安装和使用。

原创 SpringBoot+Vue全栈的一个简单入门案例

编辑server/Daos/JdbcUserDao.java，添加代码打断点后得到加密后的密码字符串；新建数据库finalproject，并执行create-script.sql建立表。修改数据库用户admin登录密码为1234567890；IDEA打开server/pom.xml导入工程。将生成的密码替换到数据库表user；启动SpringBoot服务；

原创 Java框架“若依RuoYi”前后端分离部署

原创 DeepSeek - R1 核心技术体系

突破性实现无监督强化学习训练（DeepSeek - R1 - Zero），完全脱离监督微调（SFT）依赖，使基座模型通过自我进化提升推理能力，在数学推理（AIME 2024）和代码生成（Codeforces）等任务中取得突破性进展。实现自适应拓扑感知通信（Topology - Aware AllReduce）和气泡消除流水线（Bubble - Free Pipeline），在1024卡集群上降低37%通信开销，175B参数模型训练吞吐量提升21%。

原创 一个Ollama+Cline+VSCode+qwen2.5-coder-cline+MCP的例子

【代码】一个Cline+VSCode+qwen2.5-coder+MCP的例子。

原创 llama-factory下使用unsloth微调DeepSeek-R1-Distill-Qwen-1.5B

【代码】llama-factory下使用unsloth微调DeepSeek-R1-Distill-Qwen-1.5B。

原创 基于QuantConnect的强化学习多因子选股策略示例，使用技术指标作为状态特征

以下是一个基于QuantConnect的强化学习多因子选股策略示例，使用技术指标作为状态特征。建议先在研究环境开发模型，再在QuantConnect部署推理逻辑，因为平台对在线训练的计算资源有限制。

原创 在Quantconnect上实现强化学习多因子选股策略

roe = self.GetFundamental(symbol, "OperationRatios.ROE", 4) # 季度数据。注意强化学习模型在金融市场中的过拟合风险，需采用严格的前向验证方法。self.state_dim = len(self.factors) + 2 # 因子数 + 持仓状态 + 时间特征。self.action_dim = 3 # 买入/持有/卖出。# 获取多因子数据（示例数据源）2. 添加基准比较（如等权重组合、单因子策略）- 分阶段训练（预训练+在线学习）

原创 基于QuantConnect写一个强化学习多因子选股交易策略

self.state_size = self.num_factors + 3 # 因子值 + 市场状态特征。elif action == 0 and price_change < 0: # 正确卖出。if action == 2 and price_change > 0: # 正确买入。if self.Time.month % 3 == 0: # 每季度重新训练。self.action_size = 3 # 0: 卖出，1: 持有，2: 买入。elif action == 0: # 卖出。

原创 基于QuantConnect写一个强化学习多因子选股交易策略

self.QLearn(state, 1, reward, state) # 简化更新。self.factors = ['PE', 'PB', 'ROE', 'MOMENTUM'] # 使用的因子。return tuple(np.round(scaled_factors, 1)) # 离散化状态。return np.random.choice([0, 1]) # 随机探索。- 跟踪四个关键因子：市盈率(PE)、市净率(PB)、净资产收益率(ROE)和价格动量。# 更新Q值（简化版奖励：组合收益率）

原创 多因子选股策略在QuantConnect上的实现

QuantConnect平台上多因子选股的一个实现，

原创 Ubuntu20.04安装Miniconda3和gymnasium以及CPU版本Pytorch

1.因为Ubuntu20.04 配套的 Python 版本是3.8，所以从官网下载 Miniconda3-py38_23.11.0-2-Linux-x86_64.sh的版本；7.编辑测试代码atari_demo.py并运行python atari_demo.py；0.虚拟机Ubuntu20.04环境搭建；6.安装gymnasium[atari]；2.授权并安装Miniconda；4.创建py311虚拟环境；5.进入py311虚拟环境；3.初始化Conda；

原创 局域网Git版本控制网络系统的构建

VMware Workstation Pro虚拟机搭建Ubuntu的GitLab服务器Windows下使用GitHub Desktop进行版本控制。

翻译 Alpha 2 ： 使用深度强化学习发现逻辑公式化 Alpha

Alpha2: Discovering Logical Formulaic Alphas using Deep Reinforcement LearningAlpha2： 使用深度强化学习发现逻辑公式化 AlphaFeng Xu1,2∗, Yan Yin∗, Xinyu Zhang1,2, Tianyuan Liu1,2,徐1,2∗峰 ， 尹彦∗， 张新宇1,2， 刘天元1,2，Shengyi Jiang3, and Zongzhang Zhang1,2†江3胜义和张1

原创 Rust Udp组播：0 - 一个入门例子

实现Rust Udp组播。以上就是今天要讲的内容，本文仅仅简单介绍了rust Udp 组播的使用，而std::net提供了大量能使我们快速便捷地处理数据的函数和方法。