<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Celeste的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lango_LG</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lango_LG]]></copyright><item><title><![CDATA[Agent 技术摘要 06 —— Harness、原生视觉、Jev、mmproj、dsh]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/166993506</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/166993506</guid><author>lango_LG</author><pubDate>Fri, 02 Oct 2026 18:01:08 +0800</pubDate><description><![CDATA[本文为作者实习期间对Agent领域关键技术的简要记录，涵盖Harness（CI/CD平台与测试框架）、原生视觉（模型直接处理图像）、Jev（结构化决策模型）、mmproj（多模态投影权重）及dsh（开源Agent框架）等概念，以通俗类比方式解析其核心功能与应用场景，助力同行快速理解。]]></description><category></category></item><item><title><![CDATA[Agent 技术摘要 05 —— BP、SaaS、B2B、C2B、B2C]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/166993498</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/166993498</guid><author>lango_LG</author><pubDate>Fri, 02 Oct 2026 17:58:22 +0800</pubDate><description><![CDATA[本文为AI实习期间的技术笔记，简要介绍Agent领域常见术语：BP（商业计划书，阐述盈利模式）、SaaS（软件即服务，云端使用）、B2B/B2C/C2B（企业对企/个人、个人对企业），帮助初学者快速理解核心概念，内容通俗易懂，适合作为入门参考。]]></description><category></category></item><item><title><![CDATA[Agent 技术摘要 04 —— AI4S、VLM、VLA、VLN、WM、AI Infra]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/166993484</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/166993484</guid><author>lango_LG</author><pubDate>Fri, 02 Oct 2026 17:55:33 +0800</pubDate><description><![CDATA[本文为实习期间对Agent领域关键技术的通俗摘要，涵盖AI4S（如AlphaFold、盘古气象模型）、VLM/VLA/VLN（多模态理解与动作生成）、世界模型（WM）及AI基础设施（AI Infra），简要介绍其核心思想与应用价值，助力同行快速掌握关键概念。]]></description><category></category></item><item><title><![CDATA[Agent 技术摘要 03 —— 基座模型、推理模型、Flash、联邦学习、分布式机器学习]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/166993473</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/166993473</guid><author>lango_LG</author><pubDate>Fri, 02 Oct 2026 17:53:35 +0800</pubDate><description><![CDATA[本文为实习期间对Agent领域关键技术的通俗摘要：基座模型如GPT-4o擅长快速回答，推理模型（如DeepSeek-R1）通过“打草稿”式思维链提升逻辑能力；Flash模型以小参数、MoE架构与量化技术实现高效推理；联邦学习（FL）实现数据隐私下的协同训练，结合安全聚合与差分隐私保障安全；分布式学习则通过数据并行、模型并行（TP/PP/FSDP）突破大模型训练瓶颈。核心在于“让AI学会思考”与“高效协作”。]]></description><category></category></item><item><title><![CDATA[Agent 技术摘要 02 —— 区块链、比特币、挖矿、ETF、比特币疯涨事件、以太坊、以太币、显卡荒事件]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/165485062</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/165485062</guid><author>lango_LG</author><pubDate>Tue, 15 Sep 2026 17:06:26 +0800</pubDate><description><![CDATA[的机制，简单来说，就是让全世界的电脑比赛解一道极难的数学题，比如哈希计算，谁先解出来，谁就有资格记录这一页账单，系统就会奖励他一定数量的 ETH，因为当时 ETH 价格暴涨到了 3 万多人民币一个，所以。数学题的本质，是规定要找一个数，使得 SHA256 的结果前20位都是0，只能暴力试，但验证极快，目的是让记账者付出真实成本，包括电费和硬件，这样他们就不会乱记账，否则亏本，本质是用。2020年，美联储印了5万亿美元救市，聪明钱寻找抗通胀资产，比特币总量固定，2100万枚，被当成。]]></description><category></category></item><item><title><![CDATA[Agent 技术摘要 01 —— 产品、运营、开发、算法、QA、需求预评审、需求评审、技术方案评审、TC 评审]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/165472806</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/165472806</guid><author>lango_LG</author><pubDate>Tue, 15 Sep 2026 14:09:45 +0800</pubDate><description><![CDATA[注：PRD = Product Requirements Document（产品需求文档），产品写的"施工说明书"，技术团队看的"需求圣经"，避免"我以为你要的是 RGB 灯，结果你想要呼吸灯"。产品 + 开发 + 算法 + QA + 运营，所有人对需求理解一致，QA 开始写测试用例，产品把需求文档讲透，技术团队确认"我听懂了你要什么"。产品 + 技术负责人（开发/算法组长），快速判断需求是否靠谱，避免浪费时间做详细设计，这是"可行性快筛"，不纠结细节，只看大方向值不值得投入。]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 08 Embeddings（One-hot、Word、Word2Vec、Glove、FastText）]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/153125987</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/153125987</guid><author>lango_LG</author><pubDate>Sun, 12 Oct 2025 17:29:16 +0800</pubDate><description><![CDATA[本文介绍了四种常见的文本表示方法：One-hot编码、Word Embeddings、Word2Vec和FastText。One-hot编码通过创建对角矩阵表示分类变量，避免数值间的序关系误导模型。Word Embeddings将词汇转化为数字向量，通过神经网络优化词向量表示。Word2Vec（包括CBOW和Skip-gram）利用上下文信息构建词向量，并通过负采样提高效率。Glove引入全局共现矩阵捕获词间关系。FastText通过子词结构解决未登录词问题，提升词向量质量。这些方法各具优势，为自然语言处理]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 07 Tokenizers（BPE、WordPeice、SentencePiece、Unigram）]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/153124858</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/153124858</guid><author>lango_LG</author><pubDate>Sun, 12 Oct 2025 17:17:36 +0800</pubDate><description><![CDATA[本文介绍了四种主流的分词器算法： BPE分词器：通过统计高频子词对逐步扩充词汇表，将常见字符组合合并为新词元。 WordPiece分词器：类似BPE但采用概率评分机制，优先合并互信息高的子词对，非词首字符添加特殊标记。 SentencePiece分词器：直接处理原始字符流（含空格），适用于无空格语言（如中文），通过下划线保留空格信息。 Unigram分词器：基于统计语言模型，从大词汇表开始迭代剪枝，保留使语料概率损失最小的词元。 各算法核心差异体现在词汇表构建策略与合并规则上，BPE/WordPiece采用]]></description><category></category></item><item><title><![CDATA[Attention is All You Need，一文速通 Transformer 基本架构！（Tokenization、Embedding、Attention、Feed Forward）]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/153123796</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/153123796</guid><author>lango_LG</author><pubDate>Sun, 12 Oct 2025 17:06:25 +0800</pubDate><description><![CDATA[目前，流行的大型语言模型训练时的框架为和Pytorch，但是，在模型的演变历史当中，采用了各式各样的类神经网络框架。]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 05 有关影像的生成式 AI]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/153076442</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/153076442</guid><author>lango_LG</author><pubDate>Sat, 11 Oct 2025 21:51:46 +0800</pubDate><description><![CDATA[本文系统介绍了生成式AI在影像处理中的技术原理与应用。主要内容包括：1）影像生成AI的五大类型：图文互转、影像修复、语音生成影像等；2）AI处理影像的机制，通过神经网络对像素进行多维压缩编码；3）训练方法，如使用LAION等开源数据集进行patch接龙训练，并引入CLIP模型评估质量；4）文字生成影片的挑战与优化方案，包括减少Attention运算和分步处理；5）四大经典生成方法（VAE、扩散模型等）及其&quot;脑补&quot;机制，通过联合训练实现信息抽取与生成。文章还探讨了个性化图像生成等前沿应用。]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 04 为什么语言模型用文字接龙，图片模型不用像素接龙呢？]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/153076281</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/153076281</guid><author>lango_LG</author><pubDate>Sat, 11 Oct 2025 21:41:37 +0800</pubDate><description><![CDATA[生成式AI通过自回归(AR)和非自回归(NAR)两种方式生成内容。AR通过逐步&quot;接龙&quot;生成文字、图像或声音，但效率较低；NAR可同时生成多个部分，但存在多模态问题。解决方案包括：1)结合AR和NAR，先用AR生成精简版本，再由NAR扩展；2)使用Auto-Encoder压缩数据；3)采用多次NAR迭代优化。此外，投机解码(Speculative Decoding)技术通过预测后续token来加速语言模型生成。这些方法在不同场景下各有优势，共同推动生成式AI的发展。]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 03 大语言模型安全性评定]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152416618</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152416618</guid><author>lango_LG</author><pubDate>Thu, 02 Oct 2025 19:35:32 +0800</pubDate><description><![CDATA[本文探讨了大型语言模型的四个关键问题：1）错误信息问题，可通过事实核查和有害词检测补救；2）固有偏见问题，提出了使用红队模型检测偏见的方法；3）AI生成内容识别难题，讨论了分类和水印技术；4）模型安全风险，分析了越狱攻击和提示注入等攻击手段。文章通过实验数据展示了这些问题的存在，并简要讨论了可能的解决方案，但指出这些领域仍存在优化空间。]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 02 大语言模型能力评定]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152416557</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152416557</guid><author>lango_LG</author><pubDate>Thu, 02 Oct 2025 19:29:07 +0800</pubDate><description><![CDATA[本文探讨了评估语言模型性能的不同方法及其局限性。对于选择题，模型输出可能包含文字、概率或推断，难以标准化评判；开放性问题则更难统一标准。解决方案包括wit人类评审、使用更强模型模型（如GPT-4）评判，但需注意&quot;内卷&quot;（过长输出）的影响。测试应涵盖多样化任务（如BIG-bench中的200多个特定任务）或专项能力（如长文理解）。此外，研究表明语言模型可能为达成目标而降低道德标准，心智理论能力较弱，且存在记忆训练数据的问题。还需考虑价格、速度等实际因素。评估需综合多种方法，避免单一标准带来]]></description><category></category></item><item><title><![CDATA[LLM 笔记 —— 01 大型语言模型修炼史（Self-supervised Learning、Supervised Learning、RLHF）]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152415841</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152415841</guid><author>lango_LG</author><pubDate>Thu, 02 Oct 2025 19:22:01 +0800</pubDate><description><![CDATA[在第二个阶段，人类比较辛苦，需要收集大量的资料来告诉模型什么是对的，而到了第三阶段，人类比较轻松，模型对某个问题会给出两个答案，人类只需要判断哪个答案更好一些即可。大型语言模型在训练的过程中，需要不断调整超参数以实现效果的最佳化，因为训练可能会失败，需要更换一组超参数重新训练，超参数的数量是上亿级的，需要大量的算力支持。但是，过度跟虚拟人类学习，训练出来的结果也是有偏差的，今天一些大语言模型的一些不尽如人意的行为，可能就是过度跟虚拟人类学习的结果。吗，答案是不行，我们没有高质量资料，不过，可以对。]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 26 SpringBoot 原理]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152229857</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152229857</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 20:40:19 +0800</pubDate><description><![CDATA[摘要： SpringBoot通过起步依赖和自动配置简化了开发流程。起步依赖利用Maven的依赖传递特性，减少pom.xml配置；自动配置则在应用启动时自动将Bean注册到IOC容器，省去手动声明。其核心原理包括： 组件扫描（@ComponentScan）和导入机制（@Import），支持加载第三方依赖； 条件装配（如@ConditionalOnClass）动态控制Bean的注册； 注解驱动（@SpringBootApplication整合配置类、扫描与自动配置）。 掌握这些机制能提升开发效率，理解框架设计思]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 25 Bean 的管理类]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152229717</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152229717</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 20:35:04 +0800</pubDate><description><![CDATA[SpringBoot配置与Bean管理总结 SpringBoot支持properties、yml/yaml三种配置文件格式，优先级依次递增。除了配置文件外，还支持Java系统属性和命令行参数配置，且命令行参数优先级最高。项目打包后可通过java命令设置参数运行jar包。 Spring默认在启动时创建所有单例非延迟加载的Bean并存入IOC容器，可通过ApplicationContext的getBean方法获取Bean，支持按名称、类型或两者结合三种方式获取。 Bean支持五种作用域，通过@Scope注解配置]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 24 AOP 面向切面编程]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152229525</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152229525</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 20:29:03 +0800</pubDate><description><![CDATA[本文介绍了Spring AOP的基本概念与实现方式。AOP（面向切面编程）通过动态代理机制对特定方法进行编程，解决代码重复性问题。文章以统计方法执行耗时为例，演示了Spring AOP的快速入门步骤：导入依赖、编写切面类、定义切入点表达式。核心概念包括连接点、通知、切入点等，并详细讲解了AOP的执行流程和五种通知类型。此外，还介绍了通知顺序规则、切入点表达式语法（@execution和@annotation）及其通配符使用技巧，提出了书写切入点表达式的优化建议。最后展示了如何通过自定义注解实现更灵活的AOP]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 23 事务管理]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152228564</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152228564</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 20:17:25 +0800</pubDate><description><![CDATA[本文介绍了Spring事务管理的基本概念和应用。事务是一组原子性操作，通过@Transactional注解实现。文章以解散部门为例，展示了事务的回滚机制（rollbackFor）和传播行为（propagation）。重点说明了当需要将不同操作分离为独立事务时，使用REQUIRES_NEW传播行为的重要性。通过日志记录案例，演示了如何确保关键操作不受主事务异常影响。这些机制有效解决了数据一致性问题，是Spring事务管理的核心功能。]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 22 登录校验]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152228389</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152228389</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 19:29:32 +0800</pubDate><description><![CDATA[本文介绍了JavaWeb中的过滤器Filter和拦截器Interceptor在登录校验中的应用。主要内容包括：1) Filter过滤器的作用与快速入门，通过@WebFilter注解配置拦截路径；2) Filter过滤器链的执行顺序；3) 登录校验实现步骤，包括获取请求URL、判断登录操作、校验Token令牌等；4) Interceptor拦截器的基本概念与快速入门方法。通过代码示例演示了如何实现登录校验功能，并对比了Filter和Interceptor的区别，两者均可用于请求拦截和统一处理，但Interce]]></description><category></category></item><item><title><![CDATA[JavaWeb 课堂笔记 —— 21 登录认证]]></title><link>https://blog.youkuaiyun.com/lango_LG/article/details/152228155</link><guid>https://blog.youkuaiyun.com/lango_LG/article/details/152228155</guid><author>lango_LG</author><pubDate>Sun, 28 Sep 2025 19:18:30 +0800</pubDate><description><![CDATA[文章摘要：本文介绍了Tlias智能学习辅助系统的登录功能实现与登录校验机制。登录功能通过POST请求验证用户名密码，成功后发放JWT令牌；登录校验采用统一拦截方式，通过JWT令牌验证用户状态。同时对比了两种会话跟踪技术：客户端Cookie和服务端Session，分别展示了设置和获取方法。文章还提供了SQL查询语句、接口测试结果和代码实现示例，完整呈现了系统认证模块的开发流程。]]></description><category></category></item></channel></rss>