<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[launch2020的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/launch2020</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; launch2020]]></copyright><item><title><![CDATA[大厂MongoDB开发运维规范]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152919973</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152919973</guid><author>launch2020</author><pubDate>Fri, 10 Oct 2025 13:59:14 +0800</pubDate><description><![CDATA[说明：在单个批处理操作中，3.6 之前版本限制为 1000 条，3.6 版本之后限制为 100000 条，控制好批次是为了减少对 MongoDB 的影响，大批量写入时，不仅会导致主从复制延迟增大，还会导致 MongoDB 频繁刷新太多脏页，使 MongoDB 使用更多的系统资源，如果用了写关注，性能还会有所下降，对于 4.0 版 本以上 MongoDB 支持多文档事务，在一个事务里面所有语句大小必须小于 16M(oplog 文档大小限制)，否则事务会被丢弃并且回滚。说明：如java里的索引注解。]]></description><category></category></item><item><title><![CDATA[中山大学计算机学院保研面试资料]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152900134</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152900134</guid><author>launch2020</author><pubDate>Fri, 10 Oct 2025 13:38:16 +0800</pubDate><description><![CDATA[定积分是求面积，是累加，只有1个解，所以叫定。可去（跳跃）间断点：极限存在，但不一定有定义或者极限不等于f(x0)，可以通过补充定义来修改。函数f(x)在[a, b]上连续且可导，则在(a,b)中存在一点。f(x)和g(x)在[a,b]上连续且可导，故存在点。，左右极限不相等，因此极限不存在，因此导数不存在。是一个数列，a是一个实数，若对于任意给定的正数。当且仅当左右极限都存在且相等的时候，才能说在。第一类间断点：左右极限都存在但不相等，责任心，团队合作能力，性格急躁。，存在正整数N，当n>N时，有。]]></description><category></category></item><item><title><![CDATA[AI量化投资决策Agent系列-比尔·阿克曼Agent]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152842514</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152842514</guid><author>launch2020</author><pubDate>Thu, 09 Oct 2025 22:45:28 +0800</pubDate><description><![CDATA[推理”: “英伟达虽然展现出卓越的运营质量 - 收入增长682.6%、强劲的营业利润率、出色的净资产收益率115.4%证明其技术护城河和竞争优势，但当前估值完全脱离基本面现实。项目代码不算复杂，核心的是Agent部分，项目目前（2025年9月）发布了18个Agent，包括LLM+量化的Agent，以及纯量化的Agent。比尔·阿克曼Agent是LLM+量化的Agent，包括LLM提示词以及量化计算数据，以下是提示词内容和英伟达公司的量化计算指标（2025年9月16日）。“信号”: “看空”,]]></description><category></category></item><item><title><![CDATA[大厂MySQL数据库规范文档]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152816340</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152816340</guid><author>launch2020</author><pubDate>Thu, 09 Oct 2025 22:30:33 +0800</pubDate><description><![CDATA[本文介绍了MySQL数据库开发规范，主要包括建表、索引、SQL编写、变更管理等方面的要求。重点规范了表名命名规则（小写、前缀+定义+后缀）、字段注释、索引命名、字符集设置等；强调必须使用唯一索引、自增主键和InnoDB引擎；SQL编写需避免性能问题；变更需通过Git管理；运维需最小权限原则；分库分表方案推荐按时间或ID哈希等。文档提供了详细示例和完整规范下载链接，适用于企业级MySQL数据库开发场景。]]></description><category></category></item><item><title><![CDATA[AI投资决策Agent系列-本杰明·格雷厄姆Agent]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152324715</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152324715</guid><author>launch2020</author><pubDate>Tue, 30 Sep 2025 15:57:10 +0800</pubDate><description><![CDATA[最近github有个热门的AI投资决策项目（https://github.com/virattt/ai-hedge-fund），目前有40k+的stars，更新的也很频繁。项目代码不算复杂，核心的是Agent部分，项目目前（2025年9月）发布了18个Agent，包括LLM+量化的Agent，以及纯量化的Agent。我将通过一系列的文章分享下各个Agent，让大家对AI投资决策Agent有所了解，并通过理解其中逻辑能有一些收获，欢迎持续关注！本文分享的是：本杰明·格雷厄姆Agent。]]></description><category></category></item><item><title><![CDATA[AI投资决策Agent系列-阿斯沃斯·达摩达兰Agent]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152169614</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152169614</guid><author>launch2020</author><pubDate>Sat, 27 Sep 2025 16:11:27 +0800</pubDate><description><![CDATA[最近github有个热门的AI投资决策项目（https://github.com/virattt/ai-hedge-fund），目前有40k+的stars，更新的也很频繁。项目代码不算复杂，核心的是Agent部分，项目目前（2025年9月）发布了18个Agent，包括LLM+量化的Agent，以及纯量化的Agent。我将通过一系列的文章分享下各个Agent，让大家对AI投资决策Agent有所了解，并通过理解其中逻辑能有一些收获，欢迎持续关注！本文分享的是：阿斯沃斯·达摩达兰Agent。]]></description><category></category></item><item><title><![CDATA[2014-2024高考真题考点分布详细分析（另附完整高考真题下载）]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152140717</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152140717</guid><author>launch2020</author><pubDate>Fri, 26 Sep 2025 23:58:30 +0800</pubDate><description><![CDATA[本文系统梳理了新高考改革后五大核心科目的分值分布与考点特征。语文科目现代文阅读占25%，写作占比最高达40%；数学科目函数与导数（20-22%）、解析几何（15-18%）为压轴重点；英语阅读理解占33%，新增读后续写题型；物理力学占比40-45%为体系基石；化学反应原理模块占30-35%难度最大。各科均呈现&quot;素养立意&quot;考查趋势，强调知识整合与实际问题解决能力，其中语文写作、数学函数与解析几何、物理力学、化学反应原理等模块是备考重点领域。]]></description><category></category></item><item><title><![CDATA[AI投资决策Agent系列——沃伦·巴菲特Agent]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/152129260</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/152129260</guid><author>launch2020</author><pubDate>Fri, 26 Sep 2025 16:51:59 +0800</pubDate><description><![CDATA[最近github有个热门的AI投资决策项目（网页链接），目前有40k+的stars，更新的也很频繁。项目代码不算复杂，核心的是Agent部分，项目目前（2025年9月）发布了18个Agent，包括LLM+量化的Agent，以及纯量化的Agent。我将通过一系列的文章分享下各个Agent，让大家对AI投资决策Agent有所了解，并通过理解其中逻辑能有一些收获，欢迎持续关注！本文分享的是：沃伦·巴菲特Agent。]]></description><category></category></item><item><title><![CDATA[快速理解LLM的temperature和top_p参数]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/149486620</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/149486620</guid><author>launch2020</author><pubDate>Sun, 20 Jul 2025 18:31:28 +0800</pubDate><description><![CDATA[摘要：本文介绍了LLM生成文本时的两个关键参数——temperature和top_p的作用机制。temperature控制输出的随机性，值越高生成结果越多样化；top_p通过核采样技术限定候选词元范围，值越高可选词汇越广。文章结合示意图展示了参数调整对词元选择的影响，并提供了不同场景下的参数配置建议：头脑风暴适合双高参数，邮件生成需要双低设置，创意写作宜高temperature低top_p，翻译则推荐低temperature高top_p的组合。这两个参数的灵活运用能有效调控生成文本的创造性与确定性。]]></description><category></category></item><item><title><![CDATA[Dify极简部署手册]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/149484351</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/149484351</guid><author>launch2020</author><pubDate>Sun, 20 Jul 2025 16:20:48 +0800</pubDate><description><![CDATA[本文介绍了如何通过docker-compose快速部署Dify 1.5.1生产版本，包含优化配置和实用技巧。主要内容包括：1）配置域名和HTTPS证书；2）调整上传文件大小限制至100M；3）使用unstructured.io提升文档内容提取兼容性；4）优化Python插件配置；5）实现主系统与Dify智能体的用户ID打通方案，通过URL参数传递sys.user_id而不需修改源码。文中提供了.env和docker-compose.yaml配置文件，以及用户ID编码函数代码下载链接，帮助开发者快速部署并实现]]></description><category></category></item><item><title><![CDATA[使用 GPTQ 进行 4 位 LLM 量化]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145726005</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145726005</guid><author>launch2020</author><pubDate>Wed, 19 Feb 2025 12:02:23 +0800</pubDate><description><![CDATA[在本文中，我们介绍了 GPTQ 算法，这是一种在消费级硬件上运行 LLM 的最先进的量化技术。我们展示了它如何基于具有任意顺序洞察、惰性批量更新和 Cholesky 重构的改进 OBS 技术解决分层压缩问题。这种新颖的方法**显著降低了内存和计算要求**，使 LLM 可供更广泛的受众使用。]]></description><category></category></item><item><title><![CDATA[使用 MergeKit 创建专家组合 (MoE)]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145723207</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145723207</guid><author>launch2020</author><pubDate>Wed, 19 Feb 2025 11:36:34 +0800</pubDate><description><![CDATA[在本文中，我们将详细介绍 MoE 架构的工作原理以及如何创建 frankenMoE。最后，我们将使用 MergeKit 制作自己的 frankenMoE ，并在多个基准上对其进行评估。该代码可在 Google Colab 上的一个名为LazyMergeKit的包装器中找到。]]></description><category></category></item><item><title><![CDATA[在 Colab Notebook 中微调您自己的 Llama 2 模型]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145620393</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145620393</guid><author>launch2020</author><pubDate>Thu, 13 Feb 2025 21:02:36 +0800</pubDate><description><![CDATA[在本文中，我们将了解指令调整为何有效，以及如何在 Google Colab 笔记本中实现它以创建您自己的 Llama 2 模型。]]></description><category></category></item><item><title><![CDATA[LLM Course系列：使用 Unsloth 高效地微调 Llama 3.1]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145618241</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145618241</guid><author>launch2020</author><pubDate>Thu, 13 Feb 2025 18:42:07 +0800</pubDate><description><![CDATA[在本文中，我们将全面概述监督微调。我们将将其与即时工程进行比较，以了解何时使用它有意义，详细介绍主要技术及其优缺点，并介绍主要概念，例如 LoRA 超参数、存储格式和聊天模板。最后，我们将通过在 Google Colab 中对 Llama 3.1 8B 进行微调，并使用 Unsloth 进行最先进的优化，在实践中实现它。]]></description><category></category></item><item><title><![CDATA[【建议收藏】docker常用命令手册]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145223449</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145223449</guid><author>launch2020</author><pubDate>Sat, 18 Jan 2025 10:56:56 +0800</pubDate><description><![CDATA[docker常用命令不啰嗦手册]]></description><category></category></item><item><title><![CDATA[CUDA编程极简入门（三）：CUDA实操]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145113396</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145113396</guid><author>launch2020</author><pubDate>Mon, 13 Jan 2025 14:34:27 +0800</pubDate><description><![CDATA[本练习将练习 1 中的向量加法扩展到使用多个线程块。内核可以启动多个线程块，这些线程块被组织成一个“grid”结构。第二章中，我们仅使用一个 GPU 线程在 CUDA 中实现了向量加法。使用 256 个线程，加法可以分散到各个线程并同时计算。要将线程分配给特定元素，我们需要知道每个线程的唯一索引。在本练习中，我们将使用具有 256 个线程的线程块并行化第2章中的向量加法。我们不使用线程块来迭代数组，而是使用多个线程块来创建。使用具有 256 个线程的线程块进行并行化。包含线程块的大小（线程块中的线程数）。]]></description><category></category></item><item><title><![CDATA[CUDA编程极简入门（二）：Hello World]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145057689</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145057689</guid><author>launch2020</author><pubDate>Fri, 10 Jan 2025 15:19:49 +0800</pubDate><description><![CDATA[在 CUDA 术语中，CPU 内存称为主机内存，GPU 内存称为设备内存。指向 CPU 和 GPU 内存的指针分别称为主机指针和设备指针。在本章中，我们演示了如何在 CUDA 中编写一个简单的向量加法。此外，我们还介绍了 CPU 和 GPU 之间分离内存空间的概念。该示例计算存储在数组和./vector_add.c中的两个向量的加法，并将结果放入数组 中。在 CUDA 工具包中提供了一个名为 CUDA 编译器来编译 CUDA 代码，通常存储在扩展名为 的文件中。CUDA 提供了几个用于分配设备内存的函数。]]></description><category></category></item><item><title><![CDATA[CUDA编程极简入门（一）：基础知识点]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/145056779</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/145056779</guid><author>launch2020</author><pubDate>Fri, 10 Jan 2025 14:13:47 +0800</pubDate><description><![CDATA[架构，基本的执行单元是线程束（warps)，线程束包含32个线程，这些线程同时执行相同的指令，但是每个线程都包含自己的指令地址计数器和寄存器状态，也有自己独立的执行路径。所以尽管线程束中的线程同时从同一程序地址执行，但是可能具有不同的行为，比如遇到了分支结构，一些线程可能进入这个分支，但是另外一些有可能不执行，它们只能死等，因为GPU规定线程束中所有线程在同一周期执行相同的指令，线程束分化会导致性能下降。当一个kernel被执行时，它的gird中的线程块被分配到SM上，一个线程块只能在一个SM上被调度。]]></description><category></category></item><item><title><![CDATA[面试场景题系列：设计news feed系统]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/144969423</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/144969423</guid><author>launch2020</author><pubDate>Mon, 06 Jan 2025 18:11:01 +0800</pubDate><description><![CDATA[在本章中，我们设计了一个1000万DAU的news feed系统。]]></description><category></category></item><item><title><![CDATA[提示词工程教程：任务分解]]></title><link>https://blog.youkuaiyun.com/launch2020/article/details/144958484</link><guid>https://blog.youkuaiyun.com/launch2020/article/details/144958484</guid><author>launch2020</author><pubDate>Mon, 06 Jan 2025 10:51:44 +0800</pubDate><description><![CDATA[本教程探讨了提示工程中的任务分解概念，重点介绍了分解复杂任务和链接提示中的子任务的技术。这些技术对于有效利用大型语言模型解决多步骤问题和执行复杂推理任务至关重要。]]></description><category></category></item></channel></rss>