litlit023的专栏

它通过“眼睛”（摄像头）观察，用“双手”操作，在一次次尝试中理解物体的轻重、材质的软硬和动作的力度——这正是具身学习的典范。更重要的是，它提供了与数字世界进行物理交互的全新方式，人与机器的沟通将从屏幕上的点击，升级为更自然的物理协作。但可以预见的是，当AI突破虚拟的牢笼，拥有感知世界的“肌肤”和改变世界的“手脚”，一场比以往任何一次都更贴近人类本质的智能革命，正在拉开序幕。让机器拥有“身体”，并通过这个身体去感知、学习和互动，从而获得像人一样的智能——这正是前沿科技领域最激动人心的方向之一：具身智能。

在认识数据要素之前，我们先来回顾一下“传统数据”的概念，传统数据是在业务活动中产生的副产品，主要用于数据查询、分析，支撑企业的业务运行。数据要素是数字经济时代的生产要素，与土地、劳动力、资本、技术并列为五大生产要素，由此可见数据要素在社会生产经营活动中的重要性。数据要素具备以下三大特征：1. 可复用：数据流通使用的越多，其价值可能就越大，不像石油被使用一次就被消耗殆尽。2. 可增值：通过对数据进行整合、分析，可以催生新知识、新洞察，应用到商业活动中，创造新价值。

离线环境下安装Dify插件

本文将基于langchain4j实现一个简单的智能问答机器人。

为助力金融机构依托大模型实现业务创新突破，阿里云精心梳理过去与众多金融机构携手共创的业务场景，形成了Agent应用案例集合，下面一起速览下案例中的精彩内容。

本文介绍了Dify Web项目的源码启动流程。首先确保已按照前文完成API、Worker和中间件的启动。Web项目启动步骤包括：1) 检查Node.js版本需≥22.11.0；2) 使用pnpm安装依赖（npm会失败）；3) 执行pnpm build构建项目；4) 通过pnpm start启动服务，默认运行在3000端口。安装过程中出现的版本更新提示和构建脚本警告属于正常现象，不影响项目启动。最终可通过localhost:3000访问Web界面。

Dify最近迎来了里程碑式更新，v1.0.0 全新版本正式上线。v1.0.0的发布标志着 Dify 作为 AI 应用开发平台的重大飞跃，一睹新版本的核心亮点吧！（1）Dify v1.0.0镜像下载。

本文介绍了在Vue3+TypeScript项目中添加路由功能的步骤：1）创建router/index.js文件配置路由规则；2）在main.ts中引入并注册路由；3）在App.vue中添加router-view；4）安装vue-router依赖并启动项目。特别展示了添加Chat聊天页面的实现效果，可通过路由跳转查看对话框交互功能。文章简要说明了从项目搭建到路由集成的完整流程，为开发者提供了实用的技术参考。

本文介绍内容有在cpu服务器上使用docker安装vllm、模型下载、启动模型查看效果，适合用来在本地部署大模型进行功能开发。启动vllm工具，加载reranker模型。#下载QwQ-32B模型。

但是有一点需要注意的是，端口修改的还不彻底，当我们通过API的方式访问dify上面的智能体工作流时，接口文档页面中显示的url的端口，还是原来默认的80端口，我们继续查找 .env文件，发现还有3个和API相关的配置。修改nginx对外暴漏的端口，是上面docker内部的端口对外的映射，这两个参数改制后，就可以通过新端口，localhost:806来访问dify了。重启dify，这时我们无论是在浏览器上访问dify的页面，还是通过其他应用系统访问dify的API接口，就可以使用我们修改好的新端口了。

大模型Agent + MCP 在 ChatBI 问数场景下的探索实践

可以看到基于大模型工具，可以快速高效的将自然语音转化为SQL语句，降低我们与数据库沟通的门槛。后续将介绍如何执行自动生产的sql语句，将查询结果以表格、图表的方式自动呈现，同时自动生产数据查询分析报告。本文基于Dify+阿里通义千问大模型，实现自然语音自动生产SQL语句功能，话不多说直接上效果图。想要获取NL2SQL案例Dify的DSL文件，请跳转。想要获取Dify v.1.0最新版本的景象，跳转这里。将上述工作流发布后，在会话框中感受一下效果。关注作者及时获取更新动态！我们可以试着问他几个问题。

通义千问发布200亿参数图像模型Qwen-Image，具备出色的文本渲染与图像生成能力。该模型支持多元艺术风格创作，实现高阶图像编辑功能，并集成了多种图像理解任务。特别在中文场景下表现卓越，能生成文字与视觉元素自然融合的图片。目前已在魔搭等平台开放体验，用户可通过简单指令实现专业级图像处理。相关技术报告和模型已在GitHub、HuggingFace等平台开源。

大模型开发过程中，一般需要下载模型文件，在国内经常使用modescope工具，首先需要安装modescope工具。

当前项目主要实现了C端用户常用的功能，后续我们可以添加数据管理和数据应用的功能，为用户提供ChatBI的功能，实现数据查询、数据分析，利用大模型的能力，重塑企业数据管理和应用流程，为企业经营提质增效。最近没有更新技术方面的文章，主要是没有太多的时间，不过也在关注和AI相关的一些项目，今天介绍一个基于ruoyi框架的大模型应用开发平台，当前平台已实现的功能有：RAG、智能对话、AI绘画、PPT制作，具备多模态AI引擎。接下来让我们尝试着简单修改一下聊天页面中的元素，我们将对话框中的提示语，由。

pandas和numpy这两个库是数据科学和数据分析中经常使用的工具包，原生的Dify无法直接使用这两个库，需要手动安装后才可以使用。本文将介绍如何在Dify中安装pandas和numpy，并在代码执行节点中运行使用pandas和numpy。Dify的代码执行节点中的python逻辑，实际是运行在Dify沙盒中的，因此我们在沙盒中安装pandas和numpy就可以了。如果您有在Dify中添加pandas、numpy的应用需求，欢迎关注作者进行交流。

摘要： 企业引入大模型常陷入“先买硬件再想用途”的误区，导致资源浪费。科学落地的“三步走”策略为：1. 聚焦高价值场景（如智能客服），明确业务需求再匹配技术；2. 按业务量倒推算力，避免盲目采购GPU；3. 搭建工具链（如RAG、Agent），增强模型业务适配性。核心逻辑是“业务驱动技术”，优先选择知识密集、效率敏感的场景，通过需求量化与工具优化实现高效落地，避免技术冗余与项目僵局。（149字）

在大模型领域里，RAG和Function Calling是常见的概念，他们之间又是有区别的，RAG是为了让大模型获取足够的上下文，Function Calling 是为了让模型使用工具。

本文记录了在Windows环境下搭建Dify 1.4.2二次开发环境的完整过程。主要包括：1)基础环境准备（Python 3.12.x、Node.js 18等）；2)在CentOS虚拟机中通过Docker启动中间件服务（Redis、PostgreSQL等）；3)配置API服务环境，包括修改.env文件、安装uv依赖管理工具、执行数据库迁移；4)启动API服务和Worker服务。文章详细记录了每个步骤的操作命令和可能遇到的问题，特别是针对Windows环境给出了特殊处理建议。

上述命令会显示所有正在运行的应用。

记录学习数据分析的几个公众号

数据分析常见的5个步骤

1. 计算留存1.1 首选圈定一批用户假设以开始日期-结束日期的新注册用户作为新用户，首先找出新用户：select user, login_date from where login_date betweed xxx and yyy。select user_id, str_to_date(login_time,'%Y/%m/%d') login_timefrom user_infogroup by 1,2; -- 为了去重，只取用户某个日期的一条数据，以user_

参考资料SQL项目：淘宝用户行为数据分析 - 知乎数据集-阿里云天池

1. 有筛选条件的统计数量问题的万能模板select sum(case when <判断表达式> then 1 else 0end) as 数量from 信息表；select sum( case when 平均成绩>80 then 1 else 0 end) as 人数,sum( case when 平均成绩>80 then 1 else 0 end)/count(学号) as 人数占比from (

1. 用户活跃度定义将××天未访问的用户定义为流失用户，将××天内活跃×次的用户定义为高活跃用户2. 活跃度标签分类活跃度标签类型有：高活跃>中活跃>低活跃>流失3. 构建用户活跃度模型的步骤Step01.需要确定用户的流失周期在流失周期内，根据用户的活跃情况进一步将其划分为高活跃、中活跃、低活跃。业务上划分用户流失周期的方法：（1）根据用户方回访率来划分圈定的一批首次访问用户，一段时间后仍有访问的数量占最开始用户的比例。曲线出现明显下降时，可划分为流失周

目录1. 概述2. 构建FRM维表3. 层次划分 4.根据RFM高低层次表，生成RFM价值分类标签数据 5.查询用户RFM价值信息-进行验证6. 参考资料1. 概述用户价值类标签 RFM，流程总结2. 构建FRM维表从订单表中找出近一年中以下3个维度的数据R-最近一次消费时间- last_payid_dateF-最近一年中订单次数- last_1y_ordersM-最近一年中消费金额 last_1y_order_amount3. 层次划...

目录1. 基于hive数仓存储标签数据1.1 不同维度的标签，分表存储1.2 标签聚合处理：将同一用户的标签聚合成一个字段（map类型）2. ID-MAPING（缓慢变化维-拉链表处理方式）3. 参考资料1. 基于hive数仓存储标签数据1.1 不同维度的标签，分表存储人口属性、行为属性、用户消费、风险控制、社交属性等维度分别建立对应的标签表进行分表存储对应的标签数据。例如下面的基于人口属性的标签表dw.userprofile_attribute_all示例1

目录1、数据指标体系分类2、建立的用户标签分类3、标签主题（维度）：用户属性维度的标签4、标签主题（维度）：用户行为维度的标签5. 标签主题-购买品类（用户消费维度）6. 标签主题-风险控制（风险控制维度）7. 标签主题-社交属性（基于社交维度标签）8. 用户标签指标体系5大分类维度总结9. 通过引用场景对标签进行归类10. 标签ID命名规范11. 参考资料1、数据指标体系分类企业建立用户画像时，基于的一级维度分类。（用户/设备）（1）基于用户维度建立

总结一些和数据分析相关的学习资料和网站 ，内容会不断更新1、爱数据（数据分析从这里开始）http://www.itongji.cn/2、用户画像从0到100的构建思路http://www.itongji.cn/detail?type=999934873、Tableau 入门套件https://www.tableau.com/zh-cn/learn/starter-kitshttps://help.tableau.com/current/guides/get-start..

目录1. TGI（目标群体指数）2. 特征池3. 参考资料1. TGI（目标群体指数）TGI是用来识别哪些特征是突出特征的重要方法。相对于个人用户画像，TGI可用于评估人群的画像。2. 特征池所谓特征池，可以理解成标签范围。比如选定【用户地域】、【用户年龄】、【用户购买偏好】……等200个标签作为特征池。开放式的特征池是不切实际的。特征池的选择可以基于业务需求来选。3. 参考资料原文地址：http://www.woshipm.com/user-research/.

目录1. 正向应用（做分析）1.1 用户透视分析1.2 单人标签分析，实现用户管理2. 逆向应用2.1 进行人群圈定、做定向投放2.2 以标签为索引，进行人群分组3.接口化流式动态应用3.1风控系统，判定用户风险3.2个性化推荐、个性化页面，实现千人千面4. 参考资料1. 正向应用（做分析）正向应用的定义：是指确定好一个人或者一群人，针对这些（个）人，进行的落地应用。通俗点讲，就是我已经有了一群现成的人群，想对这群人，做点什么。1.1 用户透视分析...

这篇文章对自定义标签，如何让使用者自建标签，进行了一个概念层面的描述原文请参考这里：http://www.woshipm.com/pd/4271202.html

目录1. 概述2. 市面上BI工具分类3. 参考资料1. 概述（1）位于BI分析师和业务人员之间的一个系统，业务人员可以使用BI系统自主的分析业务。以往业务人员都是直接将需求丢给BI分析师。（2）降低了业务和分析之间的巨大沟通成本2. 市面上BI工具分类免费和付费两大阵营免费阵营为首的当然是GA（也就是谷歌分析）、PowerBI，但是由于有墙的限制，很多公司没法使用前者；付费阵营近两年比较火的主要就是神策数据了，传统的就是Tableau。3. 参考..

RFM分析，一种将用户分层、进而针对不同用户群体进行精细化运营的方法。原文地址：http://www.woshipm.com/operate/4326498.html

1. 众数（M）定义指在统计分布上具有明显集中趋势点的数值，代表数据的一般水平。也是一组书中出现次数最多的数值。众数（Mode）用M表示别名：范数、密集数特点：（1）有时会有多个众数，在一组数中，众数可以有多个，例如{1,2,3,3,4,5,5}，则该组数据的众数是3和5。（2）如果所有的数据出现次数都一样，那么这组数据没有众数。优缺点平均数：需要全组所有数据来计算；易受数据中极端数值的影响。中位数（Median）：仅需把数据按顺序排列后即可确定；不易受数据中极端...

目录1. 概述2. 参考资料1. 概述ROI(Return On Investment）是指通过投资而应返回的价值，即企业从一项投资活动中得到的经济回报，通俗点来说就是我们获得的收益和投入成本的比值。2. 参考资料http://www.pm28.com/878.htmlhttps://www.cifnews.com/article/45646...

在人人都是产品经理APP看到一篇文章，链接如下http://www.woshipm.com/data-analysis/4337716.html

1. 概述主要总结关于产品经理，数据运行方面的学习资料和书籍2. GrowingIO 官网电子书下载中心https://www.growingio.com/ebook