- 博客(210)
- 收藏
- 关注
RSS订阅
原创 毕业季期末大关将至，你的代码跑通了吗？
其实，很多时候你离成功只差一个**“外部视角”**。每天盯着满屏幕飘红的 Error，或者面对几百页的英文 Paper 无从下手，这种头秃的痛苦，作为一名在代码坑里摸爬滚打多年的老司机，我真的太懂了！发消息时可以简单附带上你的**【技术栈 + 遇到的问题/项目方向】**，我会第一时间回复你，帮你评估并给出最合理的解决路径。既然来了，也不能让大家空手而归，分享几个我多年总结的 Debug 心法：！，期待能用我的经验，帮你真正掌握核心科技，顺利通关。，欢迎随时**【私信】**滴滴我。
2026-04-04 00:03:56
1307
原创 撕下“全能助手”的伪装：Workspace-Bench 1.0 深度解析 —— 当 AI 面对 20GB 真实办公数据时，为何集体智商掉线？
Workspace-Bench 1.0》为企业级 AI 助手的落地敲响了架构重构的警钟。
2026-05-20 10:25:41
386
原创 告别“败家式”大模型调度：深度解剖 Uno-Orchestra 动态智能体路由框架
Uno-Orchestra》就像一把尖刀，无情地扯下了当前多智能体系统“高能耗、低效率、靠 Prompt 瞎猜”的遮羞布。未来的 AI 架构之争，不仅要拼底层模型的“智商”，更要拼系统级调度的“艺术”。从静态流水线走向选择性委派，从无脑调用走向精打细算。对于每一个致力于大模型应用落地、AI 架构设计或具身智能的工程师/研究者来说，这不仅是一篇必读之作，更是我们亲手构建真正意义上的Agent OS（智能体操作系统）的起点。
2026-05-20 09:58:25
312
原创 深度拆解 Skill1：告别“缝合怪”架构，大模型 Agent 是如何用强化学习实现技能“自我进化”的？
Skill1 真正做到了让 Agent。
2026-05-20 09:37:40
604
原创 撕开长文本处理的“黑盒”：深度解密 MemoRAG 全局记忆架构（The Web Conf 2025 顶会剖析）
《MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation》这篇文章的链接如下：这篇论文（发布于 2024 年 9 月，并已被 The Web Conference 2025 接收）提出了一种名为 MemoRAG 的新型检索增强生成框架，旨在解决大语言模型（LLMs）在处理超长且非结构化上下文时面临的计算成本高和性能不足的问题。该框架采用双系统架构：通过这种“记忆引导检索”的机制，
2026-05-20 09:24:21
760
原创 撕裂大模型的“记忆短视”：深度拆解 COS-PLAY 协同演化 Agent 架构
高级的智能不仅需要聪明的脑子去执行，更需要理性的机制去复盘。无论是将它与 PPO 和课程学习结合去挑战物理极限，还是将其拆分部署到 RK3588 与 ROS 生态中打造真实的机器人大脑，亦或是让它自动生成精美的学术拓扑图，读懂并吃透这种 Manager-Worker（管理者-打工人）的系统架构，你就能真正站在 Agent OS 时代的最前沿，掌握从学术界走向工业级落地的破局密码。
2026-05-19 10:09:25
602
原创 彻底驯服小模型！SOD 步级蒸馏算法深度解析：让 7B 模型拥有顶级 Agent 智商的“动态调教术”
对于研究生或硬核开发者，我们必须深入到 Loss 函数。传统的蒸馏损失函数在整条轨迹上的权重是相等的（即权重wt1w_t = 1wt1LSOD∑t1Twt⋅DKLπteacherat∣st∣∣πstudentat∣stLSODt1∑Twt⋅DKLπteacherat∣st∣∣πstudentat∣。
2026-05-19 09:52:22
725
原创 告别暴力拉长上下文！揭秘 δ-mem：用 8×8 矩阵让大模型拥有“永动记忆”
δ-mem》用极其克制的工程哲学告诉我们，大模型时代的终极赢家，不一定属于那些有无限预算去“堆算力、卷上下文”的巨头。在百亿参数的钢铁丛林中，精巧的数据结构（如O1O(1)O1的状态矩阵）和经典的计算机科学算法（如在线学习、进程隔离），依然能打出四两拨千斤的降维打击。告别盲目的显存焦虑，抛弃低效的“全文背诵”。作为新时代的 AI 工程师与研究者，是时候去拥抱这种更聪明、更轻量、更具极客精神的“动态记忆流转”了！
2026-05-19 09:28:55
594
原创 经典深度学习核心常识到大模型时代的底层原理面试指南
交叉熵（Cross-Entropy）*用于衡量两个概率分布之间的差异。在分类任务中，它负责测量模型的*预测概率分布 ppp 与真实标签分布 yyy** 之间的“距离”。其本质源自信息论：交叉熵越小，模型对世界的预测就越精准。对于多分类任务，单个样本的交叉熵损失公式为：L=−∑c=1Myclog(pc)L = -\sum_{c=1}^{M} y_c \log(p_c)L=−c=1∑Myclog(pc)在构建大模型智能体（AI Agent，如 ReAct 架构的智能助理）时，第一步通常需要通过一个轻量级
2026-05-18 11:37:40
573
原创 面向大模型算法与 AI 智能体（Agent）应用工程师岗位的 Python 基础与工程实践面试指南
数据结构核心查询 x in obj尾部追加 Add/Append内存开销级别线程安全 (GIL下)ListONO(N)ON(需线性遍历)O1O(1)O1(均摊)中等 (存在超额分配)非绝对安全TupleONO(N)ON(需线性遍历)不支持极低(大小固定)读操作绝对安全DictO1O(1)O1(哈希计算)O1O(1)O1(均摊)较高 (哈希表空间换时间)非绝对安全SetO1O(1)O1(哈希计算)O1O(1)O1(均摊)
2026-05-18 10:56:44
472
原创 大模型算法工程师、Agent智能体工程师、AI应用架构师的求职者准备的系统设计深度指南
工业级的会议总结系统绝不仅仅是“调个大模型 API”。它是一条横跨数字信号处理（DSP）、语音识别（ASR）、聚类算法到大模型长文本处理的极长链路。代码段fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;🎤 原始会议音频 (长达3小时)✂️ VAD 语音端点检测(剔除静音/白噪音)🔪 按物理时间或静音切片(如每10分钟/段)
2026-05-17 13:48:18
695
原创 大模型与 Agent 智能体工程师面试指南：Prompt Engineering 核心解析
作为算法工程师或 AI 应用开发者，在实际的工业落地（如边缘设备部署、复杂机器人协同、Agent 架构设计）中，Prompt 绝不仅仅是“和 AI 聊天”，它是用自然语言进行系统编程的过程。在传统的认知中，Prompt Engineering（提示词工程）往往被简单理解为“如何高情商地和 AI 聊天”🗣️。但对于大模型算法工程师和 AI 应用开发者而言，它本质上是一种面向非确定性系统（LLM）的全新编程范式 🧑💻。从数学本质上看，LLM 是一个基于自回归的条件概率分布模型 P(Y∣X,Prompt)
2026-05-16 22:54:44
521
原创 深度指南：RAG 系统评估框架与工业级实践
这是一份为你量身定制的 RAG（Retrieval-Augmented Generation）系统评估全景指南。作为即将面试大模型算法工程师或 Agent 智能体工程师的候选人，掌握 RAG 评估不仅是为了回答面试题，更是为了在实际构建本地化知识库或私有化 Agent 时，拥有系统的 Debug 和优化能力。在深入具体问题之前，我们先用一张图厘清 RAG 评估的核心逻辑。RAG 系统的本质是一个 Query (问题) -> Context (上下文) -> Response (回答) 的三元组。所有的评估指
2026-05-16 22:15:29
372
原创 大模型与 Agent 工程师面试通关指南：向量数据库与检索工程深度解析
在面试 LLM 算法工程师、Agent 智能体工程师或 AI 应用工程师时，向量检索与知识库工程化（RAG） 是核心必考点。面试官不仅看重你对算法原理的理解（如 HNSW、PQ），更看重你在实际生产环境中处理高性能、多租户、数据一致性等工程问题的落地能力。本篇文档将针提出的 20 个核心问题进行逐一深度剖析，并结合具体场景与代码进行详细讲解。在 AI 智能体与 RAG 落地中，向量数据库（Vector DB）是整个大脑的“海马体”。这五款工具代表了目前工业界四种完全不同的技术路线：算法库派、云原生微服务派、
2026-05-16 16:49:32
417
原创 RAG（检索增强生成）从基础理论到工程落地的核心细节
如果打个比方：纯粹的大模型（LLM）就像是一个“闭卷考试”的文科状元，它博学强记，但如果遇到它没背过的偏门知识，或者考官问它“今天的头条新闻是什么”，它就会因为不知道而开始“瞎编”。而 RAG 技术，就是给这位状元配了一个“超级图书馆管理员”，把闭卷考试变成了“开卷考试”。从技术架构上讲，RAG 是一种将“信息检索系统（Information Retrieval）”与“大语言模型（LLM）”深度结合的 AI 范式。
2026-05-16 16:00:45
529
原创 深度长文：多智能体（Multi-Agent）系统面试全指南
🧠多智能体系统（Multi-Agent System, MAS），本质上是一个由多个自治的、以大语言模型（LLM）为认知核心驱动的智能体（Agent）所组成的协作微型社会。如果说单 Agent 是一个“全栈超级个体”（容易因为上下文过长而导致幻觉和注意力涣散），那么多 Agent 系统就是一个高度专业化的流水线团队。每个 Agent 都有严格的边界，它们在共享环境中通过特定拓扑结构进行信息交互，通过协作、辩论或分工来解决单体模型无法处理的复杂工程问题。场景。
2026-05-16 12:15:09
733
原创 进阶指南：Agent 规划能力与架构深度解析
Agent 的规划能力，本质上是其“大脑”的核心功能：将抽象、模糊的宏观目标（High-level Goal）精准拆解为可被系统执行的具体子任务序列（Executable Sub-tasks）的能力。在现代大模型工程与架构落地中，规划能力的实现路径主要分为以下三种。针对面试，你需要展现出对这三种路径的演进逻辑、适用场景以及代码级实现的深刻理解。通过特定的 Prompt 范式（如 ReAct, CoT, Plan-and-Solve），直接在推理阶段激发大模型（LLM）的 In-context 规划能力。核心
2026-05-16 10:11:40
561
原创 Function Calling（工具调用）深入到工程落地中的极端边界情况（Corner Cases）。资深的实战经验。
Function Calling 是大语言模型（LLM）从“被动知识库”进化为“主动执行引擎”的决定性能力。它允许模型在生成文本的过程中，智能地识别出“我什么时候不知道答案”或者“我什么时候需要采取行动”，从而暂停文本生成，转而严格按照开发者预先定义的接口规范（Schema），输出可以直接被代码解析、执行的结构化参数（通常是 JSON 格式）。打个比方：如果 LLM 是一个被关在小黑屋里的超级大脑（🧠），那么 Function Calling 就是你给它递进去的一套对讲机和遥控器（🛠️）。
2026-05-15 13:51:19
927
原创 LangGraph 的高频面试题2
当面试官问你“这个项目为什么一定要用 LangGraph？“它不仅管‘计算’，更管‘状态’。传统的业务场景里，状态流转往往靠数据库里的status字段（如 0: 待审核, 1: 已通过）结合各种 Cron 定时任务或消息队列（MQ）来回传导，逻辑被碎片化在各大微服务里。LangGraph 将这种复杂的异步业务状态机和LLM 逻辑结合在一起，在一个 Graph 配置文件里就能看清全局流转脉络。“突破单点智力瓶颈的唯一解。
2026-05-13 15:59:05
376
原创 LangGraph 的高频面试题
🚀 LangGraph 是建立在 LangChain 核心之上的一款高阶编排库，专门用于构建有状态（Stateful）、多参与者（Multi-actor） 的循环计算图（Cyclic Graphs）。如果说传统的工作流是一条单向的高速公路，那么 LangGraph 就是一个具备环岛、红绿灯和检查站的立体交通枢纽。在底层抽象上，它本质是一个状态机引擎。整个图共享一个全局状态（State），每一个节点（Node）的执行都可以看作是一次状态转移，其数学过程可以简化描述为 St+1=Nodek(St)S_{t+1
2026-05-13 15:54:27
854
原创 LangChain 技术深度指南
大语言模型本质上是被困在服务器（或算力芯片）里的“缸中之脑”，它无法直接联网、无法读写本地文件、也无法控制硬件。Tool（工具）就是为大模型安装的“API 手脚”与“物理接口”。它是 Agent 与现实世界（如数据库、文件系统、物理机器人、外部 Web 服务）交互的唯一桥梁。在 LangChain 中，不论你用哪种方式定义工具，都必须向 LLM 清晰暴露以下三个元数据。LLM 正是基于这三点进行语义路由决策工具的唯一标识符（只能是英文字母、数字和下划线）。最核心的要素！
2026-05-13 10:02:28
397
原创 大模型落地全解析：从缺陷攻克到企业级应用工程实践
AI Agent（人工智能代理/智能体） 绝不仅仅是一个“聊天框”。它是一个以大语言模型（LLM）为“大脑”，具备感知外部环境（Perception）、自主拆解与规划任务（Planning）、维持多轮状态（Memory）、并能通过调用外部 API 或控制硬件执行动作（Action/Tool Use）的自主智能实体 🚀。用一个最经典的公式化表达：对于即将面试算法或 AI 应用岗位的工程师来说，我们需要从底层机制和交互范式上来拆解它们的区别：我们可以通过下面这个拓扑图直观地看到 Agent 是如何打破 LLM
2026-05-12 16:39:55
397
原创 大模型落地挑战与工程化实战指南
在自然语言处理领域，幻觉指的是模型生成的文本在语法结构上完美无瑕、逻辑看似严密，但其内容与客观世界的事实不符，或者与用户（如 RAG 系统）提供的输入上下文发生剧烈冲突。从工程落地的视角来看，大模型就像一个“极度自信的瞎子”，它在没有依据时往往不会承认“我不知道”，而是通过概率拼接强行给出一个答案。针对长期的、动辄上百轮的 AI Agent 对话场景，RAG 不太适用（因为对话有明显的时间线）。此时需要用到“记忆蒸馏”。设置一个 Token 阈值，当对话长度逼近红线时，在后台静默触发一个便宜的小模型（如。
2026-05-12 14:54:49
1012
原创 大模型推理与解码：全栈面试指南
提到 vLLM 的 PagedAttention 解决了传统分配方式导致的显存浪费（虚高的显存占用）。推理时，显存的大小决定了最大并发量 (Batch Size)和最大上下文长度，而显存的带宽 (Bandwidth) 决定了生成的快慢 (Tokens/s)。面试时提到：虽然 Batch Size 增加会增大显存压力，但在 Decode 阶段增加 Batch Size 其实非常高效。因为加载一次模型权重（静态显存）可以同时处理多个请求，从而极大提升显存带宽的利用率。提到。
2026-05-12 11:06:18
523
原创 大模型推理与工程优化全景指南
工程逻辑：当对话 Token 达到危险水位（如 80%）时，在后台触发一个低成本、高速度的小模型（如 Qwen-1.5B 或 GPT-3.5-Turbo），让它将前MMM轮对话压缩成一段 200 字的摘要。架构运用：将这段摘要存放在 System Prompt 的下方作为[背景记忆]，然后丢弃原始的MMM轮对话，只保留最近几轮的原文。进阶技巧：为了不阻塞主线程，摘要操作通常是异步 (Asynchronous)执行的。
2026-05-11 18:34:28
437
原创 进阶大模型算法工程师面试指南：训练、微调与对齐
一个强大的大语言模型（LLM）的诞生，宛如人类的心智发育过程。从“混沌初开”到成为一个“超级智能体”，通常需要经历四个核心训练阶段。为了更直观地理解，我们可以先看整个大模型训练生命周期的结构树形流程图：代码段算力消耗: 99%目标: 词接龙 Next-Token算力消耗: <1%目标: 指令跟随 Masked Loss路线 1: 经典且复杂PPO 强化学习路线 2: 现代且高效构建偏好对 win/lose直接优化策略🌐 海量无标签互联网数据网页/代码/书籍🧠 预训练基座模型 Base Model💬 指
2026-05-11 14:07:36
680
原创 大模型与Agent工程师核心面试指南2
如果说经典的 Sin/Cos 绝对位置编码是在词向量里“掺沙子”（相加，会污染原始词义），那么 RoPE 就是让词向量在多维空间里“转圈圈”。假设我们把QQQ和KKK的特征向量拆成两两一组（二维平面）。RoPE 的做法是：如果一个 Token 出现在第mmm个位置，我们就把它的QKQ/KQK向量在这个二维平面上旋转m⋅θm⋅θ的角度。在 2D 平面上，向量的旋转用复数乘法表达最优雅。位置mmm的查询向量QmQ_mQmQmeimθQmeimθ。
2026-05-11 09:37:23
568
原创 大模型与Agent工程师核心面试指南
这份文档为你打通了从“底层算法理论（SFT/LoRA架构）”到“数据工程（清洗与构造）”，再到“系统落地（端侧量化与防崩溃排查）”的全栈任督二脉。在即将到来的面试中，遇到原理题就画拓扑图，遇到场景题就甩工程代码，这能让你迅速建立起高维的专业壁垒。针对上面展开的这些硬核模块，在你的下一阶求职准备中，你希望我们先针对哪一个部分进行更深度的“模拟面试对练”？是深入抠一抠RK3588等 NPU 平台上模型 INT8 量化掉精度的具体补救细节？还是手写一段基于 ReAct 范式的。
2026-05-09 16:06:11
260
原创 告别“黑盒盲猜”！一文读懂多模态大模型 Omni 的“上下文展开”(Context Unrolling) 魔法
在讲这套“魔法机制”之前，我们必须先好好认识一下今天的主角，也就是施展魔法的底层基座——Omni 模型🧑💻。在过去，很多所谓的多模态大模型其实是个“拼凑怪” 🧟♂️。业界最常见的做法是什么？拿一个训练好的大语言模型（LLM）当大脑，硬外接一个视觉编码器（比如 CLIP）当眼睛，遇到 3D 数据时，再用渲染器把 3D 模型“拍扁”成 2D 图片强行喂给网络。这种“贴牌”多模态存在严重的信息损耗，跨模态对齐非常生硬。但 Omni 完全不同，它是一个真正从底层构建的“原生统一”多模态基础模型 🛡️。
2026-05-09 14:53:07
439
原创 深度解析 SkillClaw：告别“单机版”大模型，Agent 生态的“集体进化”革命
/ 💡 SkillClaw 核心轨迹模型 (概念重构)// 涉及的技能名称// 原始用户提示// 模型生成的工具参数// 终端返回的物理结果 (核心：报错就在这里)// 基于反馈的成功判定// 逻辑链快照我们需要引入联邦学习（Federated Learning）的思想。本地 Agent 不上传报错日志，而是在端侧运行一个小型的“脱敏提取器”，只将“技能失效的抽象特征结构”加密上传。[ 💻 端侧本地环境 (Local-first Agent) ]
2026-05-09 14:13:01
270
原创 大模型应用架构与核心考点深度剖析
结构是降维打击：代码段fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;高层概览具体细节用户问题: RK3588 性能如何?Router: 路由层Summary Index: 摘要索引Vector Index: 向量索引文档 A 综述文档 B 综述算力参数 Node硬件接口 NodeSynthesizer: 答案合成器最终回复。
2026-05-09 11:56:26
620
原创 拒绝“每次重造轮子”！深度解析《SkillCraft》：如何让大模型从“工具人”进化为“资深架构师”？
SkillCraft》这篇文章残酷地扒开了当前 AI 工程界的一层遮羞布——只靠堆砌无穷无尽的超长上下文（Long Context）和拼凑散落的原子工具，是堆不出真正的通用人工智能（AGI）的。真正的专业主义，是懂得将高频的、复杂的、机械的操作，抽象为系统底层的“肌肉记忆”。无论你是准备在学术界开疆拓土，还是在工业界带队研发 Agent 架构，吃透这篇论文中关于“Composition (组合)”与“Reuse (复用)”的设计哲学。
2026-05-09 11:12:35
662
原创 撕裂“数据天花板”：一文拆解 CoEvolve 架构——大模型与数据的“左脚踩右脚”上天神技
CoEvolve》这篇论文，可以说是彻底撕下了大模型只能做“应试教育（静态数据训练）”的标签，向我们展示了“素质教育（自我探索与进化）”的恐怖潜力。它不再把 AI 当作一个被动塞入知识的“词库”，而是赋予了它像人类工程师、研究员一样的闭环试错能力。对于有志于科研的同学来说，看懂这篇论文的内核，就等于握住了通往下一代通用人工智能（AGI）核心演化机制的钥匙。这扇门后的世界不仅属于堆算力的巨头，也属于那些能在对抗学习算法、课程学习设计、以及端侧算力极致压榨上做出精妙创新的年轻极客们。
2026-05-09 10:47:36
562
原创 告别套壳聊天！ClawGym 框架深度解析：基于 RL 打造真正的 Local-First 数字特工
对刚读研的同学来说，理解它的底层数据结构非常有帮助。在 ClawGym 的世界里，一个任务不再是一句简单的文本 Prompt，而是一个高度封装的状态机对象# 💡 [代码解析] ClawGym 任务定义的核心逻辑 (伪代码重构)# 1. 🛡️ 物理沙盒隔离：每个任务分配一个阅后即焚的虚拟工作区# 2. 🎯 注入用户意图# 3. 🦾 挂载合法的“爪子”（工具集）# 4. 🧪 自动化验收标准 (Definition of Done)
2026-05-09 10:20:51
552
原创 拒绝死记硬背！Ctx2Skill：让大模型像人类专家一样从文档中“悟”出真技能
RAG/ICL是在消耗模型的“阅读理解能力”，上限受限于上下文窗口（Context Window）的注意力分配。Ctx2Skill是在构建模型的“逻辑建模能力”。它把冗长的、充满噪声的文档，压缩成了高纯度、可迁移的规则（Rules）。这种从“Finding Information” (找信息)到“Acquiring Skills” (获技能)的转变，正是大模型通往真正“专家系统”的关键一步。有趣的小发现：这种自演化机制非常像我们做算法题目（如 LeetCode）。
2026-05-08 18:29:24
314
原创 拒绝“玩具级”测试！当AI成为多日打工人，ClawMark基准揭开了大模型的残酷真相
ClawMark》不仅仅是一篇 Benchmark 论文，它是对当前 AI Agent “理想主义”的一记极其清醒的耳光。它毫不留情地指出了真实世界工作流中的泥泞、突变与复杂。这正是算法工程师们施展拳脚的地方。未来的 AI 不应该是躺在温室里做题的“学神”，而应该是戴着安全帽、能在嘈杂多变的业务流中摸爬滚打的“数字打工人”。如果你对 AI 落地应用、具身智能或者本地私有化部署感兴趣，这篇论文绝对值得你把 GitHub 开源仓库git clone。
2026-05-08 16:59:25
491
原创 告别大模型“记忆崩溃”！让 AI 学会“开子线程”，32K 算力如何暴打 327K 上下文？—— Context-Folding 深度解析
为了防止显存溢出（OOM），许多现有的框架会设定一个阈值，一旦 Token 超标，就调用另一个小模型对历史记录进行总结压缩（Summarization）。代码级痛点：这就相当于把具体的粗暴地压缩成了你刚才遇到了一些报错并尝试修复。逻辑断层：这就像是你在解一道极其复杂的微积分大题，写到一半有人强行把你的草稿纸抢走，只给你留下一句“你刚才算到了第三步”。这种被动的、生硬的截断，直接破坏了智能体细粒度的推理连贯性（Reasoning Flow），导致后续动作失去依据，疯狂报错。
2026-05-08 16:28:21
445
原创 [特殊字符]【通俗解读】告别“碰运气”！Claw-Eval 如何打破 AI 智能体评估的“黑盒”魔咒？
在真实的机器人团队（通常包含嵌入式、Java、Android 和算法等多个工种）中，让 AI 智能体接入 ROS（机器人操作系统）进行跨节点调度，试错成本极高。如果在代码仿真里翻车最多是报个错，但在现实中，智能体一个错误的消息，就可能导致机械臂直接撞毁测试台，引发严重的跨部门联调推诿。Claw-Eval 的全轨迹审计机制，完美契合了机器人连续控制的安全验证。它可以在指令下发到底层硬件之前，进行一次“数字快照拦截”。代码段底层硬件 (机械臂/底盘)ROS Master 节点Claw-Eval 审计墙。
2026-05-08 16:02:07
697
智能家居-Django+Vue3+ECharts+机器学习+AI接入-家庭能耗分析与短期预测平台-全栈开发与教学参考
2026-04-07
计算机视觉+RIDNet-PL图像去噪+训练评估推理与Web部署+科研复现与工程实战
2026-04-03
基于Vue2+SpringBoot+DeepSeek AI校园代取跑腿互助系统-全栈开源大作业
2026-03-20
智慧养老 + AI语音交互/大模型安全护栏 + 老人陪伴提醒与紧急求助系统 + 项目实战
2026-03-16
智能客服 + DeepSeek RAG + 场景知识库问答系统 + 企业AI客服中枢搭建
2026-03-12
加州大学伯克利分校（UC Berkeley）CS61A 课程中非常经典的 "Ants vs. SomeBees"（基于植物大战僵尸开发的塔防游戏）项目
2026-03-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人