- 博客(4119)
- 收藏
- 关注
RSS订阅原创 我如何徒手拆掉一个 “杀不死“ 的流氓优化软件
它有两套程序、两个内核驱动、两个计划任务、六个进程，普通卸载三次都失败 —— 最后还是被连根拔了。全程大白话复盘，。
2026-10-22 17:01:56
207
原创 第 2 章 刑法｜配套高难度习题
关于正当防卫与紧急避险，下列说法正确的是（多选） A. 面对精神病人实施的不法侵害，被害人不能进行正当防卫，只能选择紧急避险 B. 特殊防卫仅适用于行凶、杀人、抢劫、强奸、绑架以及其他严重危及人身安全的暴力犯罪 C. 紧急避险造成的损害可以等于所要保护的法益 D. 正当防卫中，如果防卫行为明显超过必要限度造成重大损害，成立防卫过当，应当减轻或者免除处罚。甲在外望风，全程不知道乙放弃犯罪，甲始终停留在预备阶段，因为意志以外的原因无法继续推进犯罪，成立犯罪预备。问：甲的行为和乙的死亡是否存在刑法上的因果关系？
2026-08-24 13:33:12
179
原创 第 2 章 刑法｜核心考点精讲
逻辑：行为人主观故意 / 过失→年龄达标→精神正常→能认识违法性→有期待可能性 大白话例子：10 岁小孩偷东西，行为客观违法，但年龄不达标，逻辑：有没有危害行为→有没有危害结果→行为和结果有没有因果关系→整体行为违法 大白话例子：我走路不小心摔倒，撞倒路人致其受伤。共犯脱离：必须彻底切断因果关系，否则不能免责 例子：中途退出盗窃，但没告知同伙、没撤回自己的帮助作用，依旧成立共犯。大白话例子：甲望风、乙入室盗窃，哪怕甲没偷东西，只要乙偷到钱，，不属于刑法危害行为，直接不违法，不构成犯罪。
2026-08-24 12:54:19
188
原创 法考全程备考手册｜从零到通关，我的系统备考记录
法考很难，难在坚持、难在自律、难在日复一日的重复。它不需要超高智商，只需要稳定的节奏、科学的体系、不中断的执行。这篇备考手册，是我的备考蓝图，也是我的监督清单。往后的每一天，不盲目努力、不自我感动，按照体系稳步推进，一步一个脚印，终会顺利上岸。道阻且长，行则将至。全力以赴，静待花开。
2026-08-23 22:06:24
195
原创 JS 逆向进阶：从原理到实战的全栈突破
JS 逆向是 Web 安全、爬虫开发、接口分析等领域的核心技能，随着前端混淆加密、反爬技术的不断升级，基础逆向手段已难以应对复杂场景。本书摒弃零散技巧堆砌，以“底层原理+进阶方法+实战案例”为核心，带你从逆向思维重构、工具深度运用，到复杂混淆破解、自动化逆向体系搭建，实现从“会逆向”到“精逆向”的跨越。本书适合有 JS 基础、掌握基础逆向技巧的开发者，也可作为安全工程师、爬虫工程师的进阶参考手册。
2026-08-09 11:03:39
1244
原创 Ollama 本地大模型微调实战（三）LoRA 挂载部署 + Hermes 电力模型全自动自我进化闭环
将 LoRA 适配器挂载进 Ollama，编写 Modelfile 打包出可直接运行的国网电力私有模型，讲解日常使用、权重合并两种部署方案；搭建 Hermes 专属自我进化脚本，实现「模型自产电力数据→自动校验打分过滤劣质样本→生成新训练集→再次微调迭代」闭环，让你的本地电力模型越使用专业精度越高。打开终端，进入 Modelfile 所在文件夹执行打包命令# 格式：ollama create 自定义模型名称:标签 -f Modelfile。
2026-08-02 11:29:36
276
原创 Ollama 本地大模型微调实战（二）手把手实操：环境部署 + 电力数据集制作 + QLoRA 训练产出 LoRA 权重
目录Ollama 本地大模型微调实战（二）手把手实操：环境部署 + 电力数据集制作 + QLoRA 训练产出 LoRA 权重前言一、硬件最低适配标准二、全套环境一键安装命令2.1 先装好 Ollama 客户端2.2 深度学习运行依赖三、拉取训练所用基座模型四、电力专业数据集规范编写（决定微调最终效果的核心）4.1 存储格式4.2 电力数据集示范样本（可直接扩充使用）4.3 数据集制作硬性要求五、方式一：LLaMA-Factory 网页可视化训练（新手首选，不用手写代码）1、启动网页服务2、页面关键参数配置（
2026-08-02 11:28:20
247
原创 Ollama 本地大模型微调实战（一）：彻底搞懂微调本质，告别 90% 新手误区
以为改改提示词、调调温度参数，就是模型微调。最终结果就是：模型看着像专业助手，一问深度行业问题就胡说八道、逻辑混乱、脱离实际，完全达不到落地使用标准。本系列博客主打零基础、纯落地、大白话，专门讲解如何用消费级显卡，将通用 Ollama 模型微调成【电力、办公、代码】等行业专属私有大模型。本篇作为系列第一篇，重点讲透微调核心底层原理，搞懂逻辑再动手实操，彻底避开新手踩坑点。1、Ollama 只能用模型，不能训练模型，微调依靠外部框架完成；2、调参数、改人设是表面包装，改权重、训数据是真正升级模型；
2026-08-02 11:23:24
282
原创 深度复盘：本地大模型裸聊正常，挂载 Agent 就卡死 / 报错？全场景高阶排查手册
很多开发者误以为 “激活 3B 参数 = 轻量无脑跑”，实际 Agent 场景下：稀疏模型的专家路由调度、负载均衡、缓存映射都会持续消耗资源，多轮对话显存缓慢上涨，极易出现隐性卡死、超时。最优方案：开启上下文动态裁剪、限制单轮 Agent 最大推理步数、关闭冗余路由日志。「本地模型裸聊正常，挂载 Agent 报错卡死」不是模型故障，是场景不匹配、参数不适配、工程不规范的综合问题。普通对话考验的是模型基础语义能力，Agent 考验的是模板适配、参数调优、资源调度、工程链路稳定性。
2026-08-01 22:25:49
231
原创 吃透 PyTorch 八大核心函数：新手零基础直白详解（训练全流程闭环）
很多深度学习新手写代码，都是。能跑、能训练、能下降，但一旦遇到，完全无从排查。。网上绝大多数教程只讲：forward、eval、zero_grad、detach。但真正能跑完一整套完整训练、验证、迭代流程，必须集齐本文统一采用，零基础也能彻底看懂 PyTorch 训练底层逻辑。
2026-07-30 21:46:29
301
原创 拒绝数学公式！大白话带你秒懂随机森林与XGBoost
在实际项目中，如果你面对的是高维数据，且对训练时间不敏感，但对模型的稳定性和抗噪能力要求极高（比如金融风控），随机森林是你的首选。如果你追求极致的预测精度，且数据量适中，XGBoost 依然是当之无愧的王者。但如果你面对的是海量数据，且项目时间紧迫，需要快速迭代验证，LightGBM 绝对是你的最佳拍档。机器学习并没有那么高深莫测，剥开复杂的数学外衣，它们的底层逻辑往往就藏在我们的生活智慧中。希望这篇大白话博客，能帮你彻底打通机器学习的“任督二脉”！
2026-07-30 10:44:26
374
原创 AI 语音核心模块通俗手册：ASR、NLU、TTS、NLG 彻底分清
ASR 负责听觉感知，解决 “听得见、听得清”；NLU 负责语义理解，解决 “听得懂、辨意图”。NLG 负责语言创作，解决 “会思考、会回答”；TTS 负责语音输出，解决 “说得出、说得顺”。ASR 不等同理解，TTS 不等同智能，这是所有语音 AI 项目的底层认知基石。
2026-07-28 23:02:39
246
原创 大模型位置编码通俗解析：从词嵌入到 RoPE、A-RoPE 与超长上下文优化
词嵌入负责让模型读懂词义，完成文字数字化；位置编码负责让模型读懂语序，补充序列信息；RoPE 是行业通用的位置编码方案，A-RoPE 通过可调节旋转角度适配更多场景，角度置零则是优化超长上下文、解决长文本崩坏的核心手段。这套看似复杂的技术体系，本质上就是一步步解决 “模型看不懂文字、分不清顺序、读不长文本” 的核心痛点，也是现代大模型理解自然语言的底层基石。
2026-07-28 22:54:27
316
原创 Transformer 详解 完整版学习手册
数据工程负责清洗、筛选、划分高质量文本数据，相当于给大模型备好干净食材；Transformer 就是整套智能加工厂房，当下所有 GPT、Llama、Qwen、百川等生成式大模型，底层骨架全部依托 Transformer 搭建。位置编码是 Transformer 里极易踩坑的配套核心组件，RoPE、A-RoPE 以及各类变体、竞品方案，是面试、实操扩容模型的高频考点，本章全程不用数学公式，全部使用生活化类比讲解。Transformer 依靠并行计算 + 自注意力，解决了传统循环网络速度慢、长文本依赖弱的痛点。
2026-07-28 22:40:05
357
原创 大模型数据工程核心手册
数据是大模型的上限，算法只是无限逼近数据带来的能力上限，数据质量决定模型最终实力。采集→清洗→标注→构建→质量评估，环环相扣，缺一不可。预训练数据重 “海量与全面”，微调数据重 “精准与高质”，二者核心逻辑完全不同。保证语义完整性，不破坏文本核心含义。数据泄露是大模型训练最核心的坑，必须严格隔离三类数据集。优质数据是 AI 行业的稀缺核心资源，数据工程能力已经成为大模型落地的核心竞争力。
2026-07-28 22:19:13
162
原创 深度学习中的“智能安检员”：大白话详解 GELU 激活函数
是小心翼翼的老学究，把输出强行压缩在固定范围。ReLU是雷厉风行的执行官，行就行，不行就滚。GELU则是深谋远虑的战略家，它用概率的眼光看问题，既保留了 ReLU 的稀疏性，又增加了平滑的过渡。“哦，原来里面藏着一群会看概率放行的智能安检员啊！
2026-07-27 22:17:43
88
原创 PyTorch 零基础入门手册
所有深度学习、大模型、AI Agent底层全部是 PyTorch代码简洁、动态图易调试，新手友好、工业落地通用，就掌握了 90% 的深度学习工程能力不管是面试、比赛、科研、落地，PyTorch 是 AI 人的通用语言。
2026-07-27 22:13:02
100
原创 大白话吃透 AI 激活函数（全品类）：不止 4 个！从入门到大模型全覆盖
✅考试刷题：只记 4 个（ReLU、Tanh、Sigmoid、Softmax） ✅二分类输出：Sigmoid ✅多分类输出：Softmax（0-9 数字识别必选） ✅普通图像 CNNTransformer 大模型 / LLM/Agent：GELU ✅手机端轻量化模型：Hardswish。
2026-07-27 22:09:44
196
原创 一文读懂 ANN 人工神经网络：AI 与深度学习的底层基石
ANN（Artificial Neural Network）人工神经网络，是一种模仿人类大脑神经元工作方式的数学计算模型，也是机器学习、深度学习的基础框架。人类大脑靠无数生物神经元传递信号、学习经验、判断事物；ANN 就是电脑里模拟出来的 “虚拟大脑网络”，通过大量互联的人工神经元，自动学习数据规律、拟合复杂关系，完成分类、预测、识别等 AI 任务。搞定传统程序搞不定的非线性复杂问题。传统代码：人写死规则，电脑只会按指令执行；ANN 神经网络：不给固定规则，给大量数据，让机器自己学规则。ANN 是。
2026-07-27 20:18:21
289
原创 PyTorch 自动微分系统全解析：requires_grad 机制、标准使用手册、底层原理、完整踩坑方案
张量是 PyTorch 专属多维数值容器，是 Autograd 唯一的数据载体。维度数学名称业务场景0 维张量标量loss 损失值、单个偏置数值1 维张量向量样本特征向量、单层网络输出2 维张量矩阵黑白图片、全连接层权重矩阵3 维张量三阶张量单张 RGB 图像 (H,W,C)4 维张量四阶张量训练批次数据 [batch, channel, H, W]（深度学习标准格式）可挂载梯度追踪标识，参与自动构建计算图，支持自动求导；
2026-07-27 19:26:54
293
原创 十、系统底座工程层：整套 Agent 体系的底层技术地基
系统工程底座是整套 AI 办公 Agent 最底层的基石，上层九大模块全部运行在这套底座之上。普通开发者只聚焦业务功能实现，企业级落地必须优先搭建稳定的底层架构。统一模型接入、分层存储、异步队列、容器化微服务四大核心组件，共同保障 Agent 系统稳定运行、易部署、易扩容、易维护。上层实现办公智能化价值，底层依靠工程底座承载全部运行压力，二者结合才能做出一套可商业化交付、适配企业私有化部署的成熟 AI 办公 Agent 系统，而非仅能本地运行的 Demo 程序。
2026-07-27 00:55:44
189
原创 九、管控与观测平台：企业级部署配套运维监控体系
-> Dict:return {# 模型调用成本记录结构return {管控观测平台是 AI 办公 Agent 从 “可用工具” 升级为 “企业标准化系统” 的关键一环。前面九层模块聚焦 AI 如何听懂需求、自主干活、输出成果，本平台聚焦人如何管理 AI、监管 AI 行为、把控系统运行状态。在私有化落地场景中，安全审计、权限隔离、运行监控、成本管控缺一不可。
2026-07-27 00:52:40
202
原创 八、应答生成模块：任务结果可视化输出层
应答生成模块是整套 AI 办公 Agent 面向用户的展示窗口，前面所有感知、认知、决策、执行、校验的技术环节，最终都要经由本模块转化为人能够直接使用的消息与文件。单纯依靠大模型自由生成文本极易出现格式混乱、排版随意的问题，通过模板固化 + 结构化渲染的方式，既能保留 AI 的灵活生成能力，又满足企业办公严苛的格式、文风、归档管理要求。在整条 Agent 技术链路里，应答层完成了「机器数据」到「办公成品」的最后一步转化，真正把 AI 的自动化能力落地为员工可感知、可使用的办公价值。
2026-07-27 00:36:41
189
原创 七、结果校验与反思模块（Agent Self-Review）：AI 内置自我纠错机制
结果校验与反思模块是整套办公 Agent 的 “安全刹车与质检工序”。前面的意图识别、任务规划、工具调用、系统对接负责 “做事”，本模块负责 “查对错、纠错误、控风险”。在企业正式办公场景下，一旦失去自省校验机制，AI 的幻觉、接口异常、参数错误都会直接作用于真实业务文件与业务系统，带来不可预估的办公损失。搭配刚性规则代码校验 + LLM 语义复核的双层方案，既能保障自动化办公效率，又牢牢锁住数据与业务安全，是生产级 Agent 必不可少的安全防护层。
2026-07-26 23:43:29
165
原创 六 执行环境与连接器：Agent 对接企业内部系统的通道
执行环境与连接器，是区分「玩具版 Agent」和「生产级企业 Agent」的核心分水岭。它不再局限于本地单机演示，通过标准化网关、安全隔离机制、多系统适配能力，让 AI Agent 能够深度嵌入企业现有 IT 体系，安全、合规、低成本地实现办公全流程自动化。同时整套架构支持可插拔扩展、全程可审计、私有化部署，完全满足企业智能化落地的核心需求，是 AI 办公 Agent 工程落地不可或缺的核心层级。
2026-07-26 23:10:26
307
原创 大白话讲透「意图识别置信度」：分数怎么来、该怎么卡阈值、工程怎么落地
做 AI 本地 Agent、对话机器人、技能路由的时候，你一定遇见过这种糟心事： 用户随口一句模糊话术，AI 乱匹配技能；一句话同时沾两个功能，模型瞎选一条执行；指令写得模棱两可，程序直接触发错误文件操作、错误接口调用。想要解决这个问题，核心抓手就是意图识别置信度。不用复杂公式堆砌，全程生活化类比，从「置信度是什么→分数怎么生成→怎么计算打分→阈值划分 + 真实业务落地规则」一次性讲明白，适配你之前搭建的 File System Skill 技能路由场景。把意图分类模型。
2026-07-26 20:48:22
390
原创 博客：从零手写 AI 本地 Skill 工具集｜让 AI 听懂自然语言、调用 Python 操控本机文件系统
Skill 机制是本地 AI 脱离 “纯聊天”、落地实用生产力的核心方案。SKILL.md 是 AI 的 “规章制度”，Python 脚本是真实干活的工具，二者结合，就能让 AI 听懂人话、安全操控本机资源。本文这套文件系统 Skill 模板可以直接复用，修改功能就能快速搭建各类私有化 AI 工具集。
2026-07-26 15:03:06
238
原创 第 5 章 工具调用编排模块｜开发运维标准手册
工具调用状态常量# 工具结构体self,):# 全局工具注册中心"""注册工具，支持热插拔"""# 全局单例。
2026-07-26 10:31:03
155
原创 一文搞懂 init.py：别再只把它当成一个摆设文件
很多刚整理 Python 目录结构的开发者都会疑惑：文件夹里凭空多了一个，删掉代码也能跑，留着不知道干嘛，索性全部放空文件摆着。其实这个文件是 Python 包体系的总开关，我们用生活化的商铺、小区、仓库类比，从底层原理到实战用法全覆盖讲清楚。空 init 文件有没有意义？有。最基础作用就是标记文件夹为 Python 包，满足导入语法要求，小型包可以放空。所有文件夹都要加 init 文件吗？只有需要被其他代码 import 导入的代码目录才需要；存放静态资源、图片、配置文件的文件夹不需要。
2026-07-26 10:29:13
316
原创 第 4 章 任务规划模块｜开发运维标准手册
Agent 任务规划层： 用户复杂需求 → 读取历史记忆习惯 → 拆解串行 / 并行子任务 → 分析步骤依赖 → 生成标准化任务队列 → 交给工具层执行。负责：卡死流程状态、防止乱序、防止并发冲突、保证办公严谨性。普通 LLM： 用户给复杂需求 → 一次性生成文字 →。负责：语义理解、任务拆分、人性化步骤编排。
2026-07-25 23:12:06
17
原创 第 3 章 记忆管理模块｜开发运维标准手册
1）短时会话记忆：Redis 承载单次对话上下文、任务进度、临时参数 2）过程轨迹记忆：MySQL/SQLite 记录每一步工具调用日志，用于安全审计排查 3）长期持久记忆：向量数据库沉淀用户固定习惯、模板、历史最优方案。上游依赖：第 2 章 意图识别 + 槽位抽取层 下游供给：第 4 章 任务规划模块。
2026-07-25 23:09:47
81
原创 AI Agent 分层构建官方实操手册
1）严格匹配 Function Schema 工具描述文档，输出 JSON 字段齐全：工具名称、函数名、入参、参数数据类型、入参补充说明 2）自动区分必填参数、选填参数，必填项缺失时主动向用户索要数据，不可生成残缺 JSON 3）输出内容纯净，只返回 JSON 文本，不夹杂多余中文解释、注释、废话文本 4）参数数值、格式符合对应接口要求，不会出现类型错误（字符串填写数字、数组格式错乱）普通模型：仅用自然文字描述操作步骤，无法输出机器可读的任务清单，程序无法自动执行；
2026-07-25 21:03:17
177
原创 BERT 实战使用手册：从核心原理、微调落地到生产架构全指南
BERT（Bidirectional Encoder Representations from Transformers）自 2018 年问世以来，彻底改写了 NLP 行业的落地范式 —— 它凭借双向 Transformer 的强语义理解能力，成为文本分类、意图识别、情感分析、命名实体识别、语义匹配等任务的工业级基准方案。不同于动辄百亿参数的通用大模型，BERT 属于轻量、可控、低成本、可私有化部署。
2026-07-25 21:00:11
123
原创 第二章 AI Agent 意图识别 & 槽位抽取（可落地 Python 实现｜原理精讲 + 多套方案 + 完整代码）
优点：零推理耗时、无模型依赖、服务稳定，做降级保护绝佳缺点：复杂口语、倒装句识别很差，只能覆盖标准话术。
2026-07-25 20:04:13
225
原创 第一章 AI Agent 输入预处理层｜可落地 Python 完整实现
用户上传报表、会议 PDF、Excel 数据表、截图指令，Agent 必须读取文件内容作为输入信息，属于多模态输入必不可少的一环。用户输入分为两类： 1）键盘手动输入：夹杂空格、换行、特殊符号、重复语气词、错字；2）ASR 转写文本：自带口误、同音错误、断句混乱、多余填充词（嗯、呃、那个）。输入预处理是 AI Agent 最前置的网关，所有语音、文本、文件、图片输入必须经过清洗、标准化、解析后，才能送入意图识别模块。：阿里云 / 百度 ASR（高并发、高音质，需要付费密钥） 本章提供。两种落地方案： 1）
2026-07-25 20:01:06
161
原创 第一章 AI Agent 输入预处理层｜可落地 Python 完整实现
用户上传报表、会议 PDF、Excel 数据表、截图指令，Agent 必须读取文件内容作为输入信息，属于多模态输入必不可少的一环。用户输入分为两类： 1）键盘手动输入：夹杂空格、换行、特殊符号、重复语气词、错字；2）ASR 转写文本：自带口误、同音错误、断句混乱、多余填充词（嗯、呃、那个）。输入预处理是 AI Agent 最前置的网关，所有语音、文本、文件、图片输入必须经过清洗、标准化、解析后，才能送入意图识别模块。：阿里云 / 百度 ASR（高并发、高音质，需要付费密钥） 本章提供。两种落地方案： 1）
2026-07-25 19:55:59
184
原创 AI 办公 Agent 完整技术栈全解析-从输入预处理到工程底座
当下 AI Agent 已经从 “对话聊天” 进阶到可自主规划、调用工具、闭环执行、自主纠错的生产力智能体形态。面向企业场景的AI 办公 Agent，核心目标是承接各类重复性办公劳动：报表处理、公文整理、数据查询、OA 流程流转、会议纪要撰写、批量文件处理等工作。不同于通用对话大模型，办公类 AI Agent 的核心壁垒在于整条业务链路闭环可控、办公场景适配精准、可对接企业现有系统、执行结果具备核验能力。本文系统性梳理 AI 办公 Agent 的10 层完整技术栈。
2026-07-25 19:49:27
457
原创 RAG 向量三剑客彻底吃透：FAISS / Chroma / Milvus
✅ 优点检索速度天花板，支持 CPU/GPU 加速索引丰富（FLAT、IVF、HNSW、PQ），可灵活取舍速度 / 精度无服务依赖，代码内嵌直接跑❌ 缺点无自动持久化，需手动保存 / 加载索引无元数据管理，文档、标签需要自己维护不适合频繁增删改的动态业务FAISS = 检索引擎：负责算得快，不管存、不管管，做底层内核、离线实验首选。Chroma = 本地玩具库：零配置无脑用，专注开发调试、原型验证。Milvus = 线上生产库：正规军、可运维、可扩容，商用项目唯一选择。
2026-07-25 13:57:37
421
原创 Pydantic 大白话解析：Python 数据质检员的自我修养
定义用户数据规则模型name: str # 必填字符串，非空校验age: int = Field(ge=0, le=150) # 必填整数，限制范围 0-150email: str = "默认邮箱" # 可选字段，不传则使用默认值核心能力大白话解释类型校验严格匹配定义类型，规定是 int，传入字符串、浮点数等非法类型直接驳回自动类型转换兼容合规的异类数据，比如字符串 "123" 自动转为数字 123，减少手动数据处理范围约束。
2026-07-25 13:45:55
178
原创 TS/JS 中到底什么时候要写 new，什么时候直接调用就行？
/ 写法A：直接加括号调用，不加 new// 写法B：必须搭配 new 关键字很多人会疑惑：同样是创建一个可调用的工具对象，为啥官方库不用 new，自己写的 class 就必须 new？本文用通俗逻辑讲透底层原理，看完再也不会混淆。自己写的各类工具类：文本清洗、语种检测、文件解析、文本纠错、语言归一化。// 正确// 错误：拿不到实例，无法调用correct方法原因：你的代码没有任何一层封装函数帮你执行 new，语言语法强制手动实例化。
2026-07-23 23:52:26
167
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人