- 博客(1110)
- 资源 (18)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 开源项目 SQLBot Dockerfile、docker-compose.yaml、Dockerfile-base 三个文件直接的关系
SQLBot采用"三层套娃"架构实现高效开发：1）Dockerfile-base构建基础环境层，包含系统依赖和Python包；2）Dockerfile应用层基于基础镜像快速拷贝业务代码；3）docker-compose编排运行层实现容器连接。这种设计分离了环境构建（低频）和代码部署（高频），大幅提升构建效率。开发时应利用docker-compose的volumes挂载实现实时修改，避免频繁重建镜像。GitHub Actions自动化流程区分基础镜像和业务镜像构建，确保发布效率。关键要区分
2025-12-24 11:40:43
404
原创 FastAPI MCP（Model Control Panel / Multi-Channel Processor）介绍
FastAPI MCP是SQLBot架构中的子应用，用于集中管理模型调用和多渠道任务请求。主要功能包括管理AI模型列表、数据源查询、处理多渠道请求（如问题处理、会话启动等），并提供统一响应规范。作为FastAPI主应用的子模块，MCP通过特定路由集成，采用微服务设计。典型调用流程涉及用户验证、异步LLM服务调用和结果返回。在Docker部署时需注意路由挂载顺序，避免因路径问题导致405错误。该模块实现了模型调用与任务处理的统一管理。
2025-12-23 19:24:23
375
原创 uv vs pip 完整对比
uv vs pip 对比摘要 uv是新一代Python包管理工具，相比pip具有显著优势： 性能：Rust编写，比pip快10-100倍 功能：集成虚拟环境管理（uv venv）、锁文件支持（uv.lock）、Python版本管理 依赖解析：更严格的冲突检测和确定性解析 项目管理：类似Poetry的完整项目管理能力（uv sync/init） 兼容性：完全支持pip命令语法 核心区别： pip成熟稳定但功能单一 uv提供一体化解决方案（包管理+虚拟环境+版本管理+项目管理） 建议新项目优先使用uv，现有项目
2025-12-18 17:36:04
424
原创 Docker 整体架构
Docker采用分层架构设计，主要包括客户端（CLI/Docker Desktop）、守护进程（dockerd）、containerd和runc等核心组件。客户端通过REST API与守护进程通信，守护进程管理镜像、容器等对象并调用containerd。containerd负责镜像管理和容器生命周期，最终通过runc实现容器运行。底层依赖Linux内核的命名空间、控制组和联合文件系统等特性实现隔离与资源限制。镜像采用分层存储，容器是镜像的运行实例，卷则提供持久化存储。这种模块化设计遵循OCI标准，支持网络和
2025-12-16 13:52:37
813
原创 Windows Subsystem for Linux (WSL) 介绍
Windows Subsystem for Linux (WSL) 是微软开发的Windows功能，允许在Windows上直接运行完整的GNU/Linux环境，无需虚拟机或双启动。WSL提供两种架构：WSL1通过系统调用转译运行Linux工具，而WSL2采用轻量级虚拟机运行完整Linux内核，支持systemd、GPU加速和Linux GUI应用。WSL2在文件系统性能、兼容性方面表现更优，适合开发、机器学习等工作。用户可通过wsl --install命令安装默认的WSL2版本，实现Windows与Linu
2025-12-16 11:47:00
228
原创 介绍 from typing import Optional
Python类型注解中的Optional[T]表示值可以是T类型或None，用于明确声明变量/参数/返回值允许为空。它让静态分析工具检测潜在空指针错误，强制处理None分支，是风险暴露机制而非运行时校验。常见误区包括混淆"可选参数"与类型注解、误认为Optional会进行运行时检查。最佳实践是仅当None是合法预期状态时才使用Optional，避免滥用导致API模糊。在公共接口设计中，Optional应谨慎使用，以保持约束清晰。
2025-12-15 11:33:03
324
原创 知识图谱存储、展示
知识图谱存储与Web端实现的核心要点：知识图谱本质是图结构+可扩展schema+高关联查询，推荐使用图数据库（如Neo4j、NebulaGraph）而非关系型数据库。存储方案包括图数据库、RDF三元组、向量+图混合及多数据库混合架构。Web端实现的关键在于系统设计而非前端可视化，需解决数据规模、查询优化、权限控制等问题。完整架构应包含数据层（图数据库、向量库）、图谱服务层（查询API、实体管理等）、Web API层（分页/裁剪接口）及前端层（G6/Cytoscape）。核心挑战是建立图谱思维，从本体设计入手
2025-12-10 10:03:07
271
原创 Pinpoint 是一套为分布式 Java/PHP 系统做调用链追踪 + 性能分析的方案
Pinpoint是一套分布式Java/PHP系统的调用链追踪和性能分析方案，采用字节码注入探针+后端存储+Web可视化的架构。核心优势在于零代码侵入、成熟的插件生态和对老旧Java系统的兼容性，特别适合传统大型Java企业。但存在部署复杂、HBase维护成本高、架构偏重等缺点，不适合云原生项目。建议新项目选择SkyWalking等轻量方案，而遗留Java系统则可发挥Pinpoint的深度追踪价值。
2025-12-09 17:44:29
672
原创 区块链系统设计
本文提出一个联盟链系统设计方案，支持智能合约，具备分布式账本、权限控制等功能。系统采用分层架构，包含网络层、共识层（Tendermint/BFT）、存储层（RocksDB）、执行层（WASM/EVM）等。关键设计包括：基于证书的身份认证、链上治理机制、数据隐私保护方案等。系统需满足2000+ TPS、3秒延迟等性能指标，提供节点软件、钱包、控制台等MVP组件。开发路线采用90天高频迭代，技术栈推荐Go/Rust语言，配合Prometheus监控等工具。方案特别强调安全审计、合规要求及灰度发布机制。
2025-12-09 11:43:50
1082
原创 部署DeepSeek开源模型
部署DeepSeek开源模型需要满足硬件、软件和依赖要求。硬件建议16GB+内存、20-50GB存储空间，推荐使用NVIDIA GPU。软件需Python 3.8+、CUDA工具包及深度学习框架（如PyTorch）。部署步骤包括：创建虚拟环境、下载模型、安装依赖及运行推理。高级选项支持Docker和API服务部署，性能优化建议采用量化、批处理等方法。注意事项包括模型大小、许可证合规及安全防护。完整部署需验证硬件配置、网络环境等功能测试。
2025-12-09 09:44:19
509
原创 认识TypeScript
TypeScript是JavaScript的超集，通过静态类型检查在编译阶段发现错误，提升代码质量。核心优势包括类型系统（代码即文档）、工具支持（智能补全）、面向对象特性（提高可维护性）和ESNext支持。改进方案建议从接口开始，逐步引入类型，将错误从运行时提前到编译时。示例展示了接口定义、联合类型和泛型的使用，体现TS在数据结构、函数签名和代码复用上的优势，帮助开发者编写更可靠、可维护的代码。
2025-12-08 17:09:21
1029
原创 常见、主流、可靠的机器学习与深度学习训练集网站
机器学习与深度学习数据集资源概览 本文整理了主流可靠的训练集资源，按任务类型分类： 综合平台：Kaggle、Google Dataset Search、Hugging Face等提供跨领域数据集 图像处理：ImageNet、COCO等经典CV数据集 文本/NLP：Hugging Face、Wikipedia语料等自然语言处理资源 语音/视频：LibriSpeech、Kinetics等音频视频专用数据集 科研专用：Stanford、MIT等学术机构发布的专业数据集 这些资源覆盖了机器学习各领域的研究和应用需求
2025-12-08 15:14:19
456
原创 OpenAI 的核心技术栈
OpenAI的核心技术栈涵盖深度学习框架、分布式训练、推理加速、数据处理、基础设施和应用层六大维度。其核心竞争力在于端到端的工业化AI生产线，包括自研Triton算子、PyTorch主框架、Megatron并行训练、MoE推理优化、PB级数据处理和微软Azure支持的超级GPU集群。相比Anthropic和Google，OpenAI在推理效率、产品化和分布式训练方面领先，但依赖微软基建；Anthropic以安全性和长文本处理见长；Google则凭借算法积累和TPU基础设施占据优势。三者在模型架构、训练技术、
2025-12-05 15:56:11
873
原创 大模型 Embeddings 的本质是什么?
摘要： Embedding是将离散文本映射到高维连续空间的数学表示，使语义相似的内容在向量空间中更接近，实现语义计算。其本质是维度压缩与语义结构化，为LLM提供底层向量计算基础。高质量Embedding由向量维度、训练语料和距离度量方式决定，支持语义检索、相似度计算等关键能力。在AI架构中，Embedding是RAG/知识库系统的入口与瓶颈。维度选择需权衡精度与成本：1536维（OpenAI small）是企业级RAG的最佳平衡点，3072维适合专业领域，而256/512维适用于低成本或大规模场景。
2025-12-05 15:37:47
835
原创 专业电影拍摄经典镜头组合大全表ai视频生成提示词
专业电影拍摄经典镜头组合大全表，包含组合名称、组成镜头、功能、常见用途和经典案例，结构清晰、方便参考：
2025-12-04 16:40:25
348
原创 winform与wpf的对比
如果你的系统涉及“流程复杂 + 状态多”，WinForm 的事件流会直接把你拖进泥潭。如果你无法肯定 2 年后仍维护这个软件，那 WinForm 就还能用。如果你想避免未来重写，那选 WinForm = 埋地雷。WinForm ≈ 技术债，只能在不得不用时继续用。**结论：**你做内部小工具 → WinForm。适合小组件，不适合大界面（因为不能自动换行）。你做企业级产品、长期维护 → WPF。非常适合做企业后台系统的框架布局。你未来想不想减少技术债？你的 UI 会不会变复杂？
2025-12-04 10:57:40
1088
原创 人工智能在资产评估方面结合
不要做一个“提高效率的工具”，要做一个“降低信任成本的平台”。如果你想落地，请按这个优先级行动：选定一个数据相对标准化、但人工处理极其繁琐的细分领域（如：二手车、特定类型的商业地产、专利组合）。你的核心竞争力不在于模型算法（大家都能用开源的），而在于谁能把非结构化的烂数据变成机器能读懂的因子。开发一个功能，让AI生成的每一个数字都能追溯到具体的证据来源（某份合同、某条新闻、某个财报数据）。
2025-12-04 09:55:44
617
原创 知识图谱与检索增强RAG的关系
知识图谱在大模型时代的价值与应用 知识图谱(KG)能够有效弥补大语言模型(LLM)的不足，包括减少幻觉、提供结构化推理框架以及与企业内部系统对齐。两者的结合可衍生多种商业化产品：企业内部智能问答系统、风险识别产品、技术知识中台、法律合规系统等。典型应用流程包括LLM解析用户意图、映射到图谱节点、检索事实路径、生成自然语言回答。LightRAG架构展示了知识图谱与LLM结合的实际应用，通过实体关系抽取构建轻量图谱，实现双层检索机制，为LLM提供结构化知识支持。这种组合特别适合小领域高精度场景，是构建可信智能系
2025-12-03 17:19:02
954
原创 如何写出专业视频生成 AI 提示词：从零到实战工具
专业视频AI提示词生成指南 本文提供了一套系统化的方法，帮助用户从零开始构建专业级视频生成AI提示词。主要内容包括： 目标与风格设定：强调使用专业术语描述镜头类型、运镜方式和场景元素，避免模糊形容词。 后期处理术语：介绍专业后期效果的关键词，如色彩调节、光效氛围等。 镜头叙事技巧：讲解如何通过运镜方式增强故事性和情绪表达。 结构化模板：提供标准化的提示词构建框架，包含12个关键维度。 自动化工具：展示Python代码示例，实现从简单输入到完整提示词的自动生成。 高级优化建议：包括光线调整、动作节奏描述和特效
2025-11-28 16:23:33
540
原创 VS Code 正确运行一个 Python 项目
如果你跳过这步，你运行出来的大概率是系统 Python，而不是项目虚拟环境，然后一堆报错。如果你现在是用 VS Code “打开单个文件”，那你压根没有在“项目”里工作。如果你连“入口在哪”都不确定，那说明你对自己的项目理解是零，需要先整理结构。如果你根本没创建虚拟环境，那就是你在偷懒，并且未来会被依赖冲突反噬。如果你连终端都不用，那你永远不会真正学会控制 Python 项目。如果你连目录结构都不重视，你跑任何项目都会混乱。如果你的项目比较复杂，这是唯一不出事的方式。，点右上角绿色三角按钮。
2025-11-28 13:59:45
276
原创 LLM（大模型）训练语料
LLM训练核心语料需求与法律领域微调方案 核心语料： 大规模高质量文本：需覆盖网页、书籍、代码、论文、对话等多样化内容，质量重于数量 结构化清洗数据：严格去重、去噪、标准化，避免模型产生幻觉 高质量对齐数据：包含专业问答、推理链等，使模型从"会说话"升级为"能解决问题" 法律领域微调方案： 优先使用7B-33B中文基础模型进行微调 必备语料包括法律法规、判决书、司法解释等，需严格结构化处理 关键步骤：指令微调→RLHF对齐→检索增强生成(RAG) 评估重点：法律准确性
2025-11-27 16:08:55
719
原创 python之UV介绍
uv是一个用 Rust 编写的高速、一体化的 Python 包管理工具，由Astral公司开发（该公司也是著名的 Python 代码格式化工具Ruff的创造者）。它的设计目标是取代传统的pippip-toolsvirtualenvconda等多个工具，用一个统一的、极速的工具来管理 Python 项目的依赖、虚拟环境和更多任务。uv不仅仅是pip的一个更快替代品，它代表了 Python 包管理向现代化、一体化和开发者体验优先的演进方向。它解决了 Python 长期以来依赖管理工具链碎片化和速度慢的痛点。
2025-11-27 11:08:59
380
原创 生成式人工智能（Generative AI）
摘要： 生成式人工智能（Generative AI）是能自主创造文本、图像、音频等内容的技术，基于Transformer、扩散模型等架构，如ChatGPT、Midjourney和Sora。与传统判别式AI不同，它通过分析数据模式生成全新内容，已广泛应用于创意领域。2025年，模型如GPT-5和Grok 4展现出接近通用人工智能的能力，但也面临伪造、版权等挑战，正重塑人类创作方式。
2025-11-26 14:22:55
525
原创 Win11 性能调优实用指南
本文针对 Win11 重度开发/办公用户（i7-13700+32GB内存+SSD）提供性能优化指南。核心建议包括：1）处理器计划设为"程序"优先前台响应；2）虚拟内存固定24GB避免卡顿；3）启用高性能电源模式；4）关闭核心隔离降低延迟；5）保持SSD至少20%可用空间。重点指出错误的分页文件设置是主要瓶颈，并提供分步优化方案，通过调整CPU调度、内存管理和后台应用等关键设置，显著提升多任务环境下的系统稳定性与响应速度。
2025-11-25 18:30:57
697
原创 WinForms 使用异步等待（Async/Await）性能好
摘要：在WinForms应用程序中，async/await模式是处理耗时请求的最佳方案，能保持UI响应性并简化代码结构。相比同步阻塞、Thread/Task.Run+Invoke和BackgroundWorker，async/await自动处理同步上下文，使代码更易维护。典型应用包括网络请求等I/O密集型操作，通过await释放UI线程，完成后自动返回更新界面，显著提升用户体验。
2025-11-25 17:51:59
270
原创 dify中的沙盒sandbox介绍
本文介绍了一个高安全性在线Python代码执行沙盒服务的技术架构，专为与Dify AI平台集成设计。该系统采用严格的Seccomp+NoNewPrivs安全机制，通过系统调用白名单、UID隔离、代码加密传输等多重防护措施确保安全。服务分为构建阶段（编译含安全模块的python.so）和运行时阶段（准备环境并执行用户代码），可通过HTTP接口接收并安全执行Python代码。该沙盒可无缝接入Dify平台，既支持通过HTTP工具节点快速集成，也可作为原生代码执行器深度整合，为Dify应用提供生产级安全的Pytho
2025-11-21 17:26:14
1171
原创 训练 Gemini 这样的大模型需要哪些？
摘要：训练Google Gemini这类超大规模多模态模型需要天文数字级的硬件资源。Google使用自研TPU v4/v5p芯片集群，通过光电路交换机构建超级计算机；行业通用方案则依赖NVIDIA H100/A100 GPU，需搭配NVLink和InfiniBand高速互联。训练Gemini Ultra需上万张加速卡，耗时数月，耗资数千万美元；微调阶段需8-64张GPU，推理则需8+张H100运行单个实例。整个系统需要PB级存储、高速网络和海量电力支持，本质上是构建AI超级计算机。
2025-11-21 11:48:41
700
原创 中型新凯恩斯主义 (New Keynesian) 模型python
本文介绍了一个基于Python Streamlit的中型新凯恩斯主义DSGE模型交互式仪表板，用于模拟美国经济（2025年第二季度数据）。该模型参考Smets-Wouters(2007)框架，包含价格粘性、消费习惯形成等关键特征，并允许用户调整4500亿美元财政刺激等参数。模型通过简化的混合预期方法求解，展示产出、通胀等变量的动态响应。用户可自定义冲击规模、持久性及美联储政策反应系数，可视化模拟结果。需安装streamlit等库运行，为政策分析提供直观工具。
2025-11-19 14:35:57
1019
原创 text_embedding（文本嵌入）
文本嵌入是将文本转换为数值向量的技术，使计算机能够处理和理解语义信息。通过将单词、短语等映射为高维空间中的坐标点，相似含义的文本在向量空间中距离相近。相比传统方法（如独热编码），文本嵌入具有低维稠密、保留语义的特点，支持相似度计算和向量运算。主流模型包括Word2Vec、GloVe、BERT等，广泛应用于语义搜索、问答系统、推荐系统等场景。文本嵌入是现代自然语言处理的核心技术，为AI理解人类语言提供了重要桥梁。
2025-10-31 15:06:19
442
原创 RAG介绍
RAG（检索增强生成）是一种结合知识检索和文本生成的AI技术，通过从外部知识库检索相关信息并输入大语言模型生成答案。它解决了LLM知识有限、易产生幻觉的问题，无需重新训练模型即可实时更新知识库，提高答案准确性并保护隐私。RAG工作流程包括提问、检索、增强和生成四个步骤，常用工具包括Weaviate、FAISS等向量数据库和GPT等生成模型。尽管存在检索质量依赖性和上下文限制等局限，RAG仍是一种高效利用外部知识辅助生成的方法。
2025-10-27 10:32:14
653
原创 DeepSeek-OCR 嵌入dify工作流
DeepSeek-OCR 嵌入工作流摘要 DeepSeek-OCR 是一个创新的光学字符识别（OCR）模型，采用 上下文光学压缩 技术，将高分辨率图像压缩为少量 视觉 token，再通过语言模型解码为结构化文本（如 Markdown）。其核心优势在于高效压缩（10x-20x 压缩比）和高精度（<10x 压缩时 97% 准确率）。 工作流流程 输入预处理：调整图像分辨率并归一化。 视觉嵌入生成：通过 ViT 编码器生成压缩视觉 token。 投影与解码：将视觉 token 映射到语言模型空间，解码为文本
2025-10-23 14:22:50
2617
原创 dify之Web 前端工作流编排（Workflow Builder）
Dify的Web前端工作流编排模块采用React+TypeScript技术栈，基于React Flow实现可视化拖拽式流程设计。该模块支持自定义节点类型（LLM、HTTP等）、连线逻辑和参数配置，通过Zustand进行状态管理，与后端通过REST/WebSocket交互。核心功能包括节点拖拽、流程保存/执行、实时状态反馈等，文件主要存储在/web/app/components/workflow/目录。开发者可扩展节点类型、定制参数面板或调整样式进行二次开发。
2025-10-22 16:52:38
1149
原创 Docker 中卷、容器、镜像的区别
Docker核心概念解析：镜像、容器与卷的区别与联系 Docker三大核心组件形成了完整的应用运行生态： 镜像是只读模板，相当于软件安装包，通过Dockerfile构建分层存储 容器是镜像的运行实例，具有临时性读写层，类比正在运行的进程 卷提供持久化存储，独立于容器生命周期，类似外接硬盘 关键差异： 持久性：镜像/卷永久存在，容器随删随失 读写性：仅容器和卷可写入，镜像只读 用途：镜像打包环境，容器运行应用，卷存储数据 最佳实践建议容器无状态化，重要数据必须通过卷持久化。三者协同工作构成Docker核心架构
2025-10-21 15:18:38
298
原创 Weaviate 介绍（向量数据库）
Weaviate 是一个开源的 AI 原生向量数据库，专为大规模向量搜索和 AI 应用设计。它支持多种搜索方式（纯向量、语义和混合搜索），提供 RAG、AI 代理等功能，并可通过 SDK（Python/Go/JS）或 API（GraphQL/REST）访问。安装方式灵活：Docker 适合本地开发，Kubernetes 适配生产环境，Embedded 模式可嵌入应用，Cloud 服务提供托管方案。Weaviate 简化 AI 开发流程，支持亿级数据扩展，整合 ML 模型，是构建 AI 应用的理想选择。
2025-10-21 09:46:39
562
原创 使用 Cursor 优化整个 WinForms 工程代码
摘要： 本文介绍了使用 Cursor 工具优化 WinForms 项目的完整流程。首先通过项目结构分析和 .cursorrules 配置文件建立优化标准，随后分步骤实施代码质量检查、异步化改造、MVVM 模式引入、依赖注入重构和资源管理优化。关键优化包括：同步方法转异步（如 File.ReadAllTextAsync）、ViewModel 实现 INotifyPropertyChanged 和命令绑定、通过 IServiceCollection 统一管理依赖项，以及资源缓存与释放机制（如 IDisposab
2025-10-17 18:04:19
392
原创 python工程文件夹下面有__init__.py 文件的 作用
功能说明包标识告诉 Python 这是一个包，可被导入导入控制管理导入路径、公共接口初始化行为在包导入时自动执行代码结构组织支撑模块化工程结构✅是 Python 包的“身份证”和“启动器”——它让目录变成一个可导入的模块包，并可在导入时执行初始化逻辑或控制导入行为。
2025-10-16 16:46:52
369
office-vsto开发.pdf
2021-11-24
Office安装时候彻底清除历史文件工具之有效版
2020-12-16
ExcelAddIn3.zip
2020-12-11
Weiz.Lab-dgv-表头全选.zip
2020-11-19
ASP.NET MVC Application Using Entity Framework Code First
2014-04-14
c# 获取下面的最子级 双斜杠的都是获取的值
2021-11-08
app绑定微信成功 app怎么知道绑定成功了
2016-11-29
TA创建的收藏夹 TA关注的收藏夹
TA关注的人