- 博客(41)
- 收藏
- 关注
RSS订阅原创 Python 全栈应用最佳实践完整指南
本文揭示了AI生成代码与可上线项目之间的“默会知识”鸿沟，提出从零构建完整全栈应用的全景路线：以React+FastAPI+PostgreSQL为核心，通过规范目录结构、分层设计、容器化部署与CI/CD流程，系统解答“为何如此设计”。强调开发者需掌握架构决策能力，而非仅依赖AI写代码，最终实现从“许愿者”到“指挥者”的质变。
2026-10-28 20:00:00
185
原创 在 Harness 上搭建 Agent-Native 应用：可迁移经验
（零 LLM 的程序计算）与 LLM 裁判指标在同一 runner/缓存/报告里；②是否库形态（如 pytest 骨架）而非黑盒服务。端到端测法：headless 跑 harness 本身（
2026-10-23 17:20:09
244
原创 AI 时代做 3D 场景的完整认知地图
Tripo 造零件，Blender 修零件，引擎让零件动起来，CAD 只提供尺寸读数，大模型负责指挥这一整套流程。先定交付形态，再选工具；先让一个三角形动起来，再往里填东西。最后一句提醒尤为重要，它也是新手最容易犯的顺序错误。许多人第一步就用 AI 生成一个超精细城市塞进网页，卡死后便得出 AI 不行的结论。其实并非 AI 能力不足，而是管线顺序错了。如果要动手，建议的学习顺序是：先不碰 3D，用二维框架做一个方块能跳、能捡金币的小程序，先把玩法循环做出来；
2026-10-23 17:13:04
144
原创 【Agent应用开发】上下文工程实践：从微观细节进行确定性构建
本文分享了Agent开发中的三个真实工程实践案例：1) 通过语义降级工具命名(如将"get_conversation_detail"改为"get_raw_data")减少异常调用；2) 采用8位Short-UUID解决流式响应中的引用映射问题，平衡一致性与效率；3) 在检索结果尾部追加"就近提示"微指令，对抗长上下文中的注意力涣散现象。这些实践表明，Agent的稳定性不仅依赖Prompt优化，更需要关注工具命名、标识符设计和指令位置等微观工程细节。
2026-05-09 14:23:02
378
原创 【系统架构】可观测性设计及其应用——面向智能体开发视角
摘要 本文探讨了大型语言模型(LLM)驱动的智能体系统在可观测性方面面临的新挑战。与传统软件不同，智能体系统具有非确定性推理、复杂状态管理和多组件协作等特征，导致传统可观测性方法难以适用。文章首先分析了智能体系统的架构特点及其带来的独特可观测性需求，包括推理链路追踪、状态可视化和工具调用审计等。随后提出了一种分层可观测性架构方案，包含数据采集、聚合分析和可视化展示三个关键层次。最后讨论了该方案在监控、故障诊断和合规审计等场景的应用价值，为构建可靠可控的智能体系统提供了架构指导。
2026-05-08 12:03:31
549
原创 【Debug】解决Claude Code的WebFetch错误
2.mac,在 Finder（访达）中按下快捷键：Command + Shift + G,在弹出的对话框输入如下代码:~/.claude,按下回车键,进入配置目录,修改目录下的settings.json文件加上配置即可。1.windows,找到"C:\Users\你的用户名.claude\settings.json",加上配置。
2026-04-29 15:34:01
2977
1
原创 大模型做导师之学习推荐
摘要：针对初级程序员代码中的问题，让AI推荐需要补充的知识，推荐8个核心知识体系：1）数据库连接池管理（防连接泄漏）；2）并发编程与线程安全（解决数据竞争）；3）内存管理（防止内存爆炸）；4）异步编程（正确处理异步资源）；5）面向对象设计模式（规范工厂模式实现）；6）SQL性能优化（索引创建与查询优化）；7）日志监控（异常追踪）；8）缓存策略（防并发写入损坏）。每个知识点包含学习路径、核心概念、推荐资源和实践代码示例，涉及数据库编程、并发处理、系统优化等关键领域。
2025-12-18 15:42:08
1018
原创 利用大模型生成图表提示词
文章梳理了三种AI智能体可视化指令方案：Python绘图代码、MCP工具、ECharts配置，并分析其与前端对接的差异。ECharts配置以JSON直接渲染，适合Web交互；Python代码产出静态图片，需额外文件链路，适报告场景；MCP工具介于两者间，依赖服务端实现，利于灵活协作。实际选择需结合数据、环境与交互需求。
2025-06-17 15:15:27
111
原创 MiniRAG检索流程详细图解
fill:#333;color:#333;color:#333;fill:none;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;important;
2025-03-28 17:10:47
1208
原创 大模型做导师之复杂设计
总体而言，这种设计在模块化和灵活性方面是有益的，但也需要注意复杂性和命名的清晰性。适当的文档和示例可以帮助开发者更好地理解这些组件的用途和相互关系。如果在实际使用中发现性能问题或复杂性过高，可以考虑简化设计或优化实现。
2025-02-21 10:59:49
448
原创 大模型做导师之技术盲点
从学习项目的角度来看，我建议你先了解 async/await 的基础知识，因为这是 LightRAG 项目的一个核心设计特性。
2025-02-21 10:58:34
879
原创 fun-transformer学习笔记-Task2——Attention机制和Transformer模型
编码器-解码器结构编码器：将输入序列映射为隐藏表示。解码器：基于编码器输出生成目标序列。核心组件自注意力机制：捕捉序列内部的依赖关系。前馈网络：对注意力输出进行非线性变换。位置编码：为模型提供序列位置信息。
2025-02-15 22:36:35
528
原创 fun-transformer学习笔记-Task1——Transformer、Seq2Seq、Encoder-Decoder、Attention之间的关系
这种发展脉络体现了从最初的序列映射（Seq2Seq、Encoder–Decoder），再到利用 Attention 改进信息传递，最终到用 Transformer 架构构建大规模、并行高效的模型的过程。“Seq2Seq”（sequence‐to‐sequence）是一类用于将一个变长序列映射为另一个变长序列的任务（例如机器翻译、对话生成等）。传统的 Encoder–Decoder 模型将整个输入序列压缩成一个固定的向量，这在处理长序列时往往会丢失关键信息（即所谓的信息瓶颈问题）。
2025-02-12 23:02:41
523
原创 大模型做导师之方案版本比较
在阅读lightRAG项目时，利用LLM辅助进行理解，当询问LLM如何自定义一个符合项目要求的大模型调用函数时，LLM给出了两个不同的版本。借此想提升一下自己的编程质量，于是让LLM对两个版本进行点评比较。
2025-02-07 18:20:11
549
原创 neo4j备份2-恢复数据
个人推断此错误是由于当前apoc.import.json方法没有正确处理label中存在空白的情况，直接修复此错误并不容易，因此选择了另外一个方法进行导入。即使用apoc.load.json，该方法仅仅是读取json文件，需要结合Cypher语句创建节点和关系。
2024-09-28 19:18:11
793
原创 Langchain 使用LCEL实现时，如何保留中间数据
对于很多常见的任务，它可以极大地简化链条配置。看一个具体的例子，这个例子对用户输入的问题进行实体识别，然后对识别的结果进行实体链接，同时完成schema的获取；最后，利用这些中间结果，将用户问题改写为针对neo4j数据库的查询语句。例如，我们可以利用LCEL语法轻松的将不同组件连接起来(类似于管道），形成一个完整的链条，让程序顺着链条一步一步执行下去。执行这样一个简单的链条可以直接获得最终的结果，但是如果想保留中间每一步计算的结果，应该如何修改呢？查看官方文档，可以找到这两段描述。
2024-09-20 17:22:16
723
1
原创 LangChain学习:如何评估模型
如何构建中提到了真实用户数据(real users)和合成数据(synthetically）对于问答系统来说，通常不期待应用输出精确的gold答案，而是输出similar答案。可以手动获取10-20数据项就开始评估，然后living constructs。仅10-50个数据也可以提供大量的价值，随时向数据集添加。验证大模型应用的第一步就是定义用于评估的数据集。无法准确定义Input对应的Ouput没有关系。所以评估时候可以使用LLM as judge。
2024-08-20 22:59:35
439
原创 安装pygraphvis
但是虽然安装了graphvis，也加入了系统变量，也重启了电脑，再次执行pip install pygraphvis 依然报错。找到了安装的正确姿势，使用下面的命令进行安装。如果你的Graphviz没有安装在默认位置，记得调整命令行中的路径。网上有的方案是去下载.wheel文件进行安装，但是能找到的.wheel文件都太久没有更新了。这个库依赖于graphvis， 所以首先需要做的就是去下载并安装graphvis。
2024-08-02 23:11:35
1605
1
原创 测试llama3-8b的信息抽取能力 2
通过简单的主观测试发现，即使是相对简单的NER任务，原始的llama3-8b量化模型也不能满足信息抽取的需求。我们找到了面向信息抽取的微调好的LoRA，加载该模型测试效果。
2024-06-13 16:04:22
421
原创 Debug记录：TypeError: TextEncodeInput must be Union[TextInputSequence, Tuple[InputSequence, InputSequen
如何批量编码数据。encode方法仅针对单条数据虽然存在decode方法对应的batch_decode方法，但是，并不存在与encode对应的batch_decode方法
2024-06-11 18:32:43
1843
原创 测试llama3-8b的信息抽取能力 1
目前开源大模型在信息抽取任务上做的怎么样了。测试llama3-8b模型，通过huggingface transformers库加载模型并进行推理。
2024-06-05 16:55:55
697
原创 面试问题记录（LLM）
一个良好Prompt的结构是怎么样的，说一下关于如何调整Prompt的经验针对一次生成，如何自动的判断生成的质量是否符合要求？ 是通过规则还是利用LLM反馈？ 具体如何实现？？微调一个信息抽取LORA模型，如何构造设置微调数据？如何进行多轮对话？ 多轮对话时如何管理session？有没有比较过量化前后的差别？BF16 和 FP16 有什么差别？有没有用过GPT Store这类开发平台？说一下你对Agent的理解？
2024-05-24 07:07:37
239
1
原创 DEBUG记录 RuntimeError: cuDNN version incompatibility
解决pytorch报错 RuntimeError: cuDNN version incompatibility
2024-05-08 10:02:53
1647
1
原创 GPT是否解决了信息抽取问题？
在信息抽取任务上，GPT还落后于专用的有监督模型； 对于困难的任务，落后的更多；提出使用软匹配更准确的评估效果；对鲁棒性和错例进行了分析
2024-03-28 18:07:29
1248
2
转载 使jieba用户词典支持空格
将原始jieba字典中的空格更改为 @@ 1.原来：雅不可攀 3 nr 2.现在：雅不可攀@@3@@nr将自定义用户词典加入的词与词性中间的空格更改为@@ 1.原来：牵连关系 50 n 2.现在：牵连关系@@50@@n 更改jieba根目录下的__init__.py文件下代码: 1.原来：re_userdict = re.compile('^(.+?)( [0-9]+)?( [a-z]+)?$', re.U) 2.现在：re_userdict = re.compile('
2022-05-31 14:59:16
541
原创 常用公式latex记录
余弦相似度：cos(θ)=∑i=1n(xi×yi)∑i=1n(xi)2×∑i=1n(yi)2cos(\theta) = {\sum_{i=1}^{n}{(x_i \times y_i)} \over {\sum_{i=1}^{n}{(x_i)^2} \times \sum_{i=1}^{n}{(y_i)^2}}}cos(θ)=∑i=1n(xi)2×∑i=1n(yi)2∑i=1n(xi×yi)cos(\theta) = {\sum_{i=1}^{n}{(x_i \times y_i)} \
2022-01-13 10:09:10
1530
原创 安装Stanza(处理Stanza无法下载语言模型的错误：ConnectionError)
安装Stanza处理Stanza无法下载语言模型的错误:ConnectionError
2021-12-11 09:58:54
9797
8
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人