<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[longxibo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/longxibo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; longxibo]]></copyright><item><title><![CDATA[从零搭建一套板材智能套料系统：DXF解析 + 自动排料算法 + 利用率优化实战]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/164167414</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/164167414</guid><author>longxibo</author><pubDate>Sat, 29 Aug 2026 11:49:07 +0800</pubDate><description><![CDATA[✅ DXF 零件自动解析，支持异形件、带孔件；✅ 多板材、多数量配置，支持混料排料；✅ 工艺参数可配置（割缝、边界、时长）；✅ 60 秒内出排版方案，综合利用率 82%+；✅ 逐板预览、利用率统计、PDF 导出；✅ 已完成原有 C++ 排料算法向 Java 的完整移植，取消独立外部引擎服务。后续可以做的优化：任意角度旋转：目前只支持 90° 倍数，对某些异形件，任意角度可能再提 2~3 个点利用率；共边切割：两个零件的直边贴在一起，只切一刀，省割缝还省时间；余料管理。]]></description><category></category></item><item><title><![CDATA[第 15 章 政务/制造业落地案例]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/163083861</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/163083861</guid><author>longxibo</author><pubDate>Tue, 21 Jul 2026 17:59:28 +0800</pubDate><description><![CDATA[本文介绍了基于DeepSeek-V3模型的政务审批智能问答系统实现方案。该系统利用128K长上下文处理能力，构建了完整的政策问答流程：1) 通过关键词和地区索引快速检索相关政策文档；2) 构建包含多篇政策内容的长上下文Prompt；3) 调用大模型生成专业回答并进行验证。系统架构包含问题预处理、意图识别、文档检索、答案生成等模块，特别注重政策引用的准确性和可验证性。代码示例展示了政策索引构建、长上下文Prompt生成及答案验证等核心功能实现。]]></description><category></category></item><item><title><![CDATA[第 14 章 金融行业私有化AI落地案例]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162999710</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162999710</guid><author>longxibo</author><pubDate>Sat, 18 Jul 2026 18:03:14 +0800</pubDate><description><![CDATA[本章介绍了金融行业私有化AI落地案例，重点讲解了信贷风控问答系统的实现方案。该系统基于DeepSeek-V3的MoE架构，通过定制金融领域专家（包括基础风控、合规审核、行业分析、信用评估等）实现精准风险评估。系统流程包括数据采集、风控分析、MoE路由选择和风险等级判断。源码改造部分详细展示了金融领域MoE路由器的实现，通过关键词匹配增强路由决策，并加入负载均衡机制。该系统可自动处理贷款申请，输出低风险通过、中风险人工复核或高风险拒绝的建议，显著提升金融风控效率。]]></description><category></category></item><item><title><![CDATA[第 13 章 Agent 智能体源码开发与行业工具调用]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162975267</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162975267</guid><author>longxibo</author><pubDate>Fri, 17 Jul 2026 18:07:24 +0800</pubDate><description><![CDATA[本文介绍了智能体(Agent)开发中的工具调用与多Agent协作实现方案。主要内容包括： 工具调用架构实现 设计了Tool和ToolRegistry类来管理工具注册与调用 提供了天气查询、网络搜索和数学计算等工具示例 实现了FunctionCallParser用于解析和执行模型输出中的工具调用 多Agent协作机制 定义了Agent基类，包含名称、角色和模型等属性 展示了提示词构建方法，指导模型如何正确调用工具 工具调用格式为{{{{tool_call: {{"name":..., "arguments":]]></description><category></category></item><item><title><![CDATA[第 12 章 企业 RAG 知识库与 DeepSeek 源码级集成]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162943163</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162943163</guid><author>longxibo</author><pubDate>Thu, 16 Jul 2026 18:02:52 +0800</pubDate><description><![CDATA[摘要 本章介绍了企业级RAG（检索增强生成）知识库与DeepSeek的深度集成方案。主要内容包括： 向量库集成：详细讲解了Milvus和FAISS两种向量数据库的源码级集成方法，包括索引创建、文档存储和检索过程，并对比了它们在分布式支持、持久化、性能等方面的差异。 缓存优化：提出RAG缓存设计方案，通过LRU缓存和TTL机制优化检索效率，减少重复计算，提升系统响应速度。 整体架构：阐述了RAG技术的核心流程（文档索引、查询检索、上下文构建和生成回答），为企业知识库建设提供技术实现方案。 该方案适用于不同规模]]></description><category></category></item><item><title><![CDATA[第 11 章 政企等保合规、多租户权限体系改造]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162905745</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162905745</guid><author>longxibo</author><pubDate>Wed, 15 Jul 2026 14:45:38 +0800</pubDate><description><![CDATA[本文介绍了AI系统满足等保三级要求的改造方案及多租户权限管理系统的实现。主要内容包括： 等保三级AI系统改造要点： 从物理环境、通信网络、区域边界等5个安全域提出改造要求 提供Python实现的合规检查工具，验证TLS加密、RBAC权限、审计日志等关键指标 展示典型的安全配置示例 多租户权限管理系统实现： 设计基于角色的权限控制(RBAC)框架 实现会话管理功能，包括会话创建、验证和失效处理 提供用户权限验证接口，支持管理员、普通用户等不同角色 技术特点： 采用Python枚举类型定义权限和角色 实现会话超]]></description><category></category></item><item><title><![CDATA[第 10 章 企业内网集群部署方案]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162880355</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162880355</guid><author>longxibo</author><pubDate>Tue, 14 Jul 2026 18:52:29 +0800</pubDate><description><![CDATA[文章摘要 本章详细介绍了企业内网部署DeepSeek-V3大模型的集群方案。10.1节提供了算力规划与成本测算，包括671B/33B/7B三种规模模型的硬件配置需求（GPU型号/数量/网络等），并通过Python类实现硬件/运维成本自动计算。10.2节给出完整的容器化部署方案：包含Dockerfile构建指南、依赖列表、K8s编排配置（Deployment/Service），支持GPU资源调度和持久化存储挂载。整套方案覆盖从单机到多节点分布式部署场景，针对不同规模模型提供差异化资源配置建议。]]></description><category></category></item><item><title><![CDATA[第 9 章 模型轻量化与定制化开发]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162828601</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162828601</guid><author>longxibo</author><pubDate>Mon, 13 Jul 2026 10:12:36 +0800</pubDate><description><![CDATA[本章介绍了模型轻量化与定制化开发的关键技术，重点阐述了专家层裁剪和知识蒸馏的实现方法。专家层裁剪通过分析专家使用频率动态修剪利用率低的专家模块，最高可减少70%专家数（从256降至77），参数量从671B降至201B，推理速度提升2.5倍但性能仅下降10%。知识蒸馏则采用KL散度损失和交叉熵损失的加权组合，通过教师模型指导学生模型训练，在保持模型性能的同时实现模型压缩。两种技术均提供了完整的PyTorch实现代码，包括专家频率统计、动态裁剪机制以及温度调节的蒸馏损失计算等核心功能模块。]]></description><category></category></item><item><title><![CDATA[第 8 章 vLLM/LMDeploy/Triton 适配 DeepSeek 源码改造]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162810051</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162810051</guid><author>longxibo</author><pubDate>Sun, 12 Jul 2026 11:26:06 +0800</pubDate><description><![CDATA[DeepSeek模型推理优化技术摘要 本章探讨了DeepSeek大模型在vLLM/LMDeploy/Triton等推理框架上的适配优化。首先介绍了性能分析工具，包括PyTorch Profiler进行CUDA时间分析、延迟基准测试和显存使用监控，用于定位KV Cache访问、专家路由、量化开销等瓶颈点。针对vLLM框架，重点改造了PagedAttention机制以适配DeepSeek的MoE架构，实现了专家层的分页缓存管理，包括MoE层初始化、缓存状态设置和带缓存的专家前向计算。优化后的vLLM配置支持16]]></description><category></category></item><item><title><![CDATA[第 7 章 基于原生源码微调实战]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162757889</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162757889</guid><author>longxibo</author><pubDate>Fri, 10 Jul 2026 11:51:36 +0800</pubDate><description><![CDATA[LoRA微调实战摘要 LoRA是一种高效微调技术，通过冻结基座模型参数，仅训练低秩矩阵来适应下游任务。其核心思想是引入两个低秩矩阵A(d×r)和B(r×k)，在原始权重W(d×k)基础上计算增量ΔW=BA，前向传播公式为y=Wx+BAx。这使参数量从d×k减少到r×(d+k)。 代码实现中，LoRAModule类包含A、B矩阵和缩放因子，初始化为小随机值和零矩阵。DeepSeekLoRA类为基座模型的q_proj层添加LoRA，冻结其他参数。训练时使用AdamW优化器和余弦退火学习率调度器，仅优化LoRA参]]></description><category></category></item><item><title><![CDATA[第 6 章 DeepSeek-R1 深度推理训练源码]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162720627</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162720627</guid><author>longxibo</author><pubDate>Thu, 09 Jul 2026 10:20:47 +0800</pubDate><description><![CDATA[摘要： 本章介绍DeepSeek-R1模型的深度推理训练源码，核心包括：1）Zero冷启动技术，无需标注数据即可启动强化学习（RL）；2）两阶段RL流程（偏好模型训练+PPO策略优化）；3）思维链输出控制，通过逐步推理提升复杂任务性能；4）小模型蒸馏与企业轻量化方案（裁剪、量化、蒸馏），平衡性能与效率。代码示例展示了训练器的关键实现，如RewardModelTrainer和DistillationTrainer，适用于从科研到企业部署的多场景需求。]]></description><category></category></item><item><title><![CDATA[第 5 章 MTP 多 Token 预测与 FP8 量化底层代码]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162685309</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162685309</guid><author>longxibo</author><pubDate>Wed, 08 Jul 2026 09:31:16 +0800</pubDate><description><![CDATA[摘要： 本章介绍了DeepSeek-V3的两项核心技术：多Token预测（MTP）和FP8量化。MTP通过单次前向传播并行生成多个Token（如4个），显著提升推理速度，其实现包括生成策略（MTPGenerator类）和损失函数设计（mtp_loss）。FP8量化利用8位浮点格式（E4M3权重/E5M2激活）压缩模型，核心代码涵盖量化/反量化内核（FP8Kernel类）及动态范围校准策略，支持混合精度推理。两者结合在保持精度的同时优化了计算效率与显存占用，配套的推理引擎（FP8InferenceEngine]]></description><category></category></item><item><title><![CDATA[第 4 章 MoE 混合专家完整源码解析（V3 核心）]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162654139</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162654139</guid><author>longxibo</author><pubDate>Tue, 07 Jul 2026 09:30:57 +0800</pubDate><description><![CDATA[摘要：DeepSeek-V3 MoE架构解析 DeepSeek-V3采用稀疏激活的MoE架构，总参数量671B，动态激活37B，实现高性能低成本。核心配置包括256路由专家、1共享专家，每token激活8专家，分8组并限制4组参与计算。路由算法采用两阶段选择（分组路由+专家选择）和负载均衡策略（偏置修正、分组限制、Sigmoid归一化）。MoE类实现专家并行计算，256专家均匀分布到16张GPU（每卡16专家），通过AllReduce通信聚合结果。相比72B密集模型，MoE在总参数提升9倍时，激活量仅增50]]></description><category></category></item><item><title><![CDATA[第 3 章 MLA 多头隐式注意力源码拆解]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162622913</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162622913</guid><author>longxibo</author><pubDate>Mon, 06 Jul 2026 09:44:29 +0800</pubDate><description><![CDATA[本文第3章详细解析了DeepSeek-V2/V3的核心创新MLA（多头隐式注意力）机制。MLA通过低秩投影压缩KV缓存，解决了传统MHA在长上下文场景下的显存爆炸问题。传统MHA需要存储完整的K、V向量（128K上下文约300GB），而MLA通过将KV压缩到低维隐空间（如512维），显存占用可减少97%。文章对比了两种架构差异，并逐段注释了MLA类的初始化代码，包括LoRA投影、缓存策略等关键参数，以及forward实现原理。MLA通过解耦注意力计算和隐式KV压缩，在保持模型性能的同时大幅降低了长序列处理的]]></description><category></category></item><item><title><![CDATA[第 2 章 Transformer 基础模块源码逐行解析]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162600723</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162600723</guid><author>longxibo</author><pubDate>Sun, 05 Jul 2026 11:15:44 +0800</pubDate><description><![CDATA[本文解析了DeepSeek-V3 Transformer模型的核心基础模块源码。主要内容包括： Tokenizer分词器：采用BPE算法，支持128K长文本处理，通过MLA注意力压缩、KV缓存优化、YARN插值等技术实现高效长文本处理。 RMSNorm归一化层：相比LayerNorm简化计算，减少25%计算量，在模型各层采用Pre-LN架构提升训练稳定性。 SwiGLU激活函数：在MLP/MoE模块中使用SwiGLU替代ReLU，通过门控机制增强非线性表达能力，带来5-10%性能提升。 各模块均针对大模型场]]></description><category></category></item><item><title><![CDATA[《DeepSeek 源码分析及企业应用实践》--前言]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/162558833</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/162558833</guid><author>longxibo</author><pubDate>Fri, 03 Jul 2026 18:45:23 +0800</pubDate><description><![CDATA[摘要 本书《DeepSeek 源码分析及企业应用实践》系统性地介绍了国产MoE大模型DeepSeek-V3/R1的技术架构、源码解析及企业级应用方案。全书分为六大部分： 基础架构：涵盖环境搭建、Transformer模块解析等入门内容 核心创新：深入分析MLA注意力、MoE专家系统、FP8量化等关键技术 开发实践：提供源码微调、推理引擎适配等二次开发指导 企业落地：详述私有化部署、合规设计、RAG集成等生产级方案 行业案例：展示金融、政务等领域的实际应用场景 运维监控：包含生产环境调优和故障排查手册 本书特]]></description><category></category></item><item><title><![CDATA[【第1章 环境搭建与项目结构解析】]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/160717487</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/160717487</guid><author>longxibo</author><pubDate>Sat, 02 May 2026 19:09:13 +0800</pubDate><description><![CDATA[本文介绍了Flowable 7.2源码的环境搭建与项目结构解析。首先从GitHub克隆源码并完成Maven编译（需JDK 17+），详细说明了项目目录结构，其中modules/为核心模块。重点分析了核心模块及其依赖关系，包括流程引擎、任务服务、变量服务等组件的职责划分。最后指导如何配置IDEA开发环境，为后续源码学习奠定基础。]]></description><category></category></item><item><title><![CDATA[【Flowable 7.2 源码深度解析与实战-前言】]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/160717329</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/160717329</guid><author>longxibo</author><pubDate>Sat, 02 May 2026 18:21:55 +0800</pubDate><description><![CDATA[《Flowable 7.2源码解析与实战》是一本深入探讨开源工作流引擎的技术指南。全书从基础架构到高级特性，系统讲解了Flowable 7.2的核心机制、性能优化和生产实践。新版特性包括模块化重构、异步历史记录和增强的多租户支持。本书采用渐进式学习路径，涵盖流程部署、执行引擎、自定义扩展等关键内容，适合具备Java和数据库基础的开发者。通过源码调试和实战案例，读者将获得解决复杂业务问题和性能优化的能力，是掌握Flowable引擎的权威参考。]]></description><category></category></item><item><title><![CDATA[【Flowable 7.2 源码深度解析与实战】]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/160717107</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/160717107</guid><author>longxibo</author><pubDate>Sat, 02 May 2026 18:13:16 +0800</pubDate><description><![CDATA[为什么要读 Flowable 源码本书阅读路线图前置知识要求ProcessValidator 源码解析自定义验证规则查询构建器设计动态更新流程定义事件发布与订阅事件总线集成自定义任务类型实现行为注册与配置单元测试编写XML 元素解析图形化扩展部署与验证自定义拦截器命令执行器扩展权限控制示例EntityManager 实现MyBatis Mapper 扩展数据迁移二级缓存配置缓存失效策略分布式缓存集成社区贡献指南。]]></description><category></category></item><item><title><![CDATA[【Ubuntu datasophon1.2.1 二开之九：验证离线数据入湖】]]></title><link>https://blog.youkuaiyun.com/longxibo/article/details/159958690</link><guid>https://blog.youkuaiyun.com/longxibo/article/details/159958690</guid><author>longxibo</author><pubDate>Wed, 08 Apr 2026 22:55:01 +0800</pubDate><description><![CDATA[摘要： 本文记录了在Ubuntu环境下基于DataSophon 1.2.1进行二次开发时，验证离线数据入湖（Paimon）的完整过程。重点解决了Spark 3.1.3与Paimon版本不兼容问题（升级至Spark 3.2.4）、HDFS权限配置、元数据存储切换为Hive Metastore等核心挑战。同时总结了12类典型问题及解决方案，包括Kafka依赖缺失、Derby权限错误、参数格式问题等，最终通过调整组件版本、完善配置和权限管理，成功实现离线数据入湖。关键经验：版本匹配和权限管理是数据入湖的核心痛点，]]></description><category></category></item></channel></rss>