<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[大鹏的专栏]]></title><description><![CDATA[关注人工智能，自然语言处理，语音处理，图像识别，大数据，信息检索，语义网，知识图谱，编译原理，网络安全，软件架构，计算机语言的发展等等]]></description><link>https://blog.youkuaiyun.com/philosophyatmath</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; philosophyatmath]]></copyright><item><title><![CDATA[从格赖斯合作原则看大语言模型与提示词工程]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/169830184</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/169830184</guid><author>philosophyatmath</author><pubDate>Mon, 02 Nov 2026 11:01:26 +0800</pubDate><description><![CDATA[格赖斯合作原则为分析大模型交互质量提供有效框架：量——回答应信息充分且不冗余（如避免重复解释）；质——陈述需真实有据，不确定时明确标注（如“根据现有资料推测”）；关联——紧扣用户意图，不答非所问（如用户问“如何修复代码”，不应泛谈编程哲学）；方式——表达清晰、逻辑有序（如使用分点、标题、代码块）。该原则是语言行为规范，非技术原理。现代技术如RAG、提示工程可辅助实现，但无法保证绝对正确。需结合检索、工具调用与验证，方能提升可靠性与实用性。]]></description><category></category></item><item><title><![CDATA[Agent 系统中的决策模型：什么时候需要，为什么需要？]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/169464910</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/169464910</guid><author>philosophyatmath</author><pubDate>Thu, 29 Oct 2026 21:22:04 +0800</pubDate><description><![CDATA[Agent系统需决策模型以高效处理动作选择、工具调用与风险判断等结构化任务。应根据场景合理分工：规则处理确定性判断，轻量级模型应对高频、动态候选或多重结构化输出，大模型负责复杂推理。决策模型非万能，其价值取决于准确率、延迟、成本及置信度校准。关键在于“何时使用”而非“用哪个模型”，结合影子模式验证，构建安全、可扩展的混合决策架构。]]></description><category></category></item><item><title><![CDATA[工业视觉目标检测阈值选择与生产决策评估报告]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/168651714</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/168651714</guid><author>philosophyatmath</author><pubDate>Wed, 21 Oct 2026 20:45:00 +0800</pubDate><description><![CDATA[TP：成功匹配真实目标的预测框。FP：未匹配真实目标的预测框（含重复检测框）。FN：未被有效预测匹配的真实目标（漏检目标数）。PTPTPFPRTPTPFNF12TP2TPFPFNPTPFPTP​RTPFNTP​F1​2TPFPFN2TP​分母为零时，应按评估规范明确处理，不得将未定义值直接当作实测结果。]]></description><category></category></item><item><title><![CDATA[目标检测中的 AP 计算：单调包络与 NumPy 双重翻转]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/168030454</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/168030454</guid><author>philosophyatmath</author><pubDate>Thu, 15 Oct 2026 21:48:50 +0800</pubDate><description><![CDATA[本文详解目标检测中AP计算的核心——Precision单调包络的数学原理与高效实现。通过将预测结果按置信度排序，构建P-R曲线后，利用NumPy双重翻转技巧（反转→前缀最大值→反转），在线性时间复杂度内实现后缀最大值计算，得到平滑的单调包络。该包络用于积分求面积，结合不同评估协议（如VOC、COCO）完成AP计算。理解此机制有助于深入掌握评估流程并排查指标差异。]]></description><category></category></item><item><title><![CDATA[C++ 内存安全的未来：从 Safety Profiles 到 Safe C++]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/167496956</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/167496956</guid><author>philosophyatmath</author><pubDate>Sat, 10 Oct 2026 21:47:07 +0800</pubDate><description><![CDATA[C++ 内存安全正探索两条路径：渐进式 Safety Profiles 与语言级 Safe C++。前者通过静态分析逐步强化现有代码安全，后者构建具严格生命周期与借用检查的子集，引入 safe/unsafe 标记显式管理风险。尽管提案如 P3390R0 等推动语言机制革新，但实现仍需编译器、标准库与生态协同。二者互补，共同应对内存漏洞挑战，助力 C++ 在性能与安全间寻求平衡。]]></description><category></category></item><item><title><![CDATA[Rust 的本质：用数学约束实现编译期内存安全]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/167398352</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/167398352</guid><author>philosophyatmath</author><pubDate>Fri, 09 Oct 2026 22:35:01 +0800</pubDate><description><![CDATA[Rust 通过所有权、借用与生命周期机制，将内存安全转化为编译期可验证的类型问题，无需垃圾回收即可保障安全与性能。其核心在于：所有权管理资源归属，借用控制访问，生命周期确保引用有效性，三者结合实现静态内存安全。从仿射类型系统到约束求解的数学视角，Rust 将资源使用规则纳入类型体系，使编译器能在运行前排除悬垂引用、数据竞争等错误。这一设计在不牺牲性能的前提下，实现了系统编程中罕见的安全性平衡。]]></description><category></category></item><item><title><![CDATA[WSL Ubuntu 26.04 升级与环境整理记录]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/167282936</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/167282936</guid><author>philosophyatmath</author><pubDate>Thu, 08 Oct 2026 21:21:16 +0800</pubDate><description><![CDATA[将 WSL 从 Ubuntu 24.04 升级至 26.04.1 LTS，通过 wsl --update 更新内核，使用 do-release-upgrade 完成系统升级，并保留原 VHDX（271GB）数据。通过 --import-in-place 重命名实例为 Ubuntu-26.04，避免重复迁移。配置 WSL2 网络为 mirrored 模式，启用 autoProxy、DNS 隧道与防火墙，实现代理自动继承。最终环境：WSL 3.0.1.0 + Linux 6.18 + Ubuntu 26.04.]]></description><category></category></item><item><title><![CDATA[RKNN INT8 量化校准集怎么设计？不要把校准集当成训练集]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/167281075</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/167281075</guid><author>philosophyatmath</author><pubDate>Thu, 08 Oct 2026 21:14:17 +0800</pubDate><description><![CDATA[设计RKNN INT8量化校准集时，核心是让量化工具充分感知真实输入分布，而非训练模型。校准集无需标签，重点在于：输入语义一致（如保持RGB）、覆盖正常/目标/困难场景、优先保证关键激活范围的多样性。小规模数据应侧重场景覆盖度，而非机械复制线上比例；困难样本价值高于重复图片。最终目标是确保量化参数准确反映实际部署中的激活分布，提升模型精度与鲁棒性。]]></description><category></category></item><item><title><![CDATA[理解 Jev：让大模型从“生成”走向“判断”]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/166849358</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/166849358</guid><author>philosophyatmath</author><pubDate>Tue, 29 Sep 2026 22:20:49 +0800</pubDate><description><![CDATA[Jev 通过去除自回归生成，仅用一次 Forward 推理实现快速判别，适用于意图识别、请求路由等可枚举任务。其核心优势在于高效输出结构化决策与校准置信度，使模型从“生成”转向“判断”，提升响应速度并支持自动化策略执行，重新定义大模型在机器对机器场景中的应用范式。]]></description><category></category></item><item><title><![CDATA[YOLOv8 检测头 INT8 量化与 DFL 总结]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/166599687</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/166599687</guid><author>philosophyatmath</author><pubDate>Thu, 24 Sep 2026 21:46:14 +0800</pubDate><description><![CDATA[YOLOv8的DFL（Distribution Focal Loss）通过将边界框回归转化为预测距离的概率分布，再以期望值还原连续坐标，提升定位精度。其检测头输出4×reg_max个logits，经softmax与加权求和得最终框位置。该过程对量化敏感，尤其在全INT8下，logits量化误差经softmax与期望计算会放大，导致输出异常（如大量0值）。因此，混合量化（如检测头用FP16）可有效缓解此问题，需结合校准集、scale/zero-point分析定位故障根源。]]></description><category></category></item><item><title><![CDATA[⚠️ Claude Code feature-dev 的隐藏成本：/model 选便宜模型，仍会额外消耗 Sonnet]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/166599678</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/166599678</guid><author>philosophyatmath</author><pubDate>Thu, 24 Sep 2026 21:44:43 +0800</pubDate><description><![CDATA[尽管通过 /model 选择了更便宜的模型，但 feature-dev 中的 code-explorer、code-architect 和 code-reviewer 三个子 Agent 显式指定使用 Sonnet 模型，导致仍会额外调用高成本模型。因此，/model 的设置未覆盖这些子 Agent，造成不必要的成本增加。结论：选便宜模型 ≠ 全部使用便宜模型，需注意子模块的独立配置。]]></description><category></category></item><item><title><![CDATA[C++ 三目运算与 RVO / NRVO：核心关系]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/166595408</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/166595408</guid><author>philosophyatmath</author><pubDate>Thu, 24 Sep 2026 20:30:00 +0800</pubDate><description><![CDATA[C++三目运算不触发NRVO，其返回行为取决于表达式值类别。三目结果为lvalue时需拷贝，为prvalue时可能直接构造（尤其在C++17下）。即使无NRVO，也不一定发生拷贝；反之，三目为prvalue也不意味着所有分支零开销。优化关键在于：直接返回具名局部对象（如if分支）才可触发NRVO，而三目表达式本身无法实现此优化。]]></description><category></category></item><item><title><![CDATA[RAG 系统评估指标：从召回率计算到完整评估闭环]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/166493659</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/166493659</guid><author>philosophyatmath</author><pubDate>Wed, 23 Sep 2026 22:32:12 +0800</pubDate><description><![CDATA[本文系统阐述RAG评估的闭环框架，强调需拆解检索与生成链路，通过构建带Ground Truth的评测集，量化评估召回率、准确率、MRR、NDCG等指标。核心指出：Recall@K衡量查全，Precision@K反映纯净度，MRR关注首个相关结果时效，NDCG则评估分级排序质量。结合算例详解，揭示系统瓶颈源于知识未召回、排序不佳或生成幻觉，为RAG优化提供精准诊断路径。]]></description><category></category></item><item><title><![CDATA[最简解决：Xshell 连接 OpenHarmony 终端逐行右移、排版错乱]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/165742818</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/165742818</guid><author>philosophyatmath</author><pubDate>Thu, 17 Sep 2026 21:45:00 +0800</pubDate><description><![CDATA[Xshell默认仅发送LF换行符，导致OpenHarmony终端输出右移错乱。解决方法：在Xshell“文件”→“默认会话属性”→“终端”中将换行符设为“发送CRLF”，使换行同时回行首并换行，完美适配终端行为。验证命令printf 'AAA\nBBB\nCCC\n'输出左对齐即为成功，所有排版问题自动修复。]]></description><category></category></item><item><title><![CDATA[拆解 Agent Memory：从认知心理学映射到工业级工程落地]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/164192523</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/164192523</guid><author>philosophyatmath</author><pubDate>Sun, 06 Sep 2026 22:23:54 +0800</pubDate><description><![CDATA[本文聚焦Agent Memory核心本质，指出其并非简单读写接口，而是以Recall与Write两大主入口驱动的闭环系统。强调工程复杂度集中于Write侧的记忆提取、验证、去重与冲突解决，并明确各中间件（如PostgreSQL、Milvus、Redis等）的分工职责。提出四类长期记忆模型（语义、偏好、情景、程序）源于认知科学与工程需求融合，分别解决“知道什么”“如何行为”“发生过什么”“如何应对”四大问题。厘清Memory与RAG边界：前者为个性化经验沉淀，后者为外部知识检索，二者可协同构建完整上下文，但数]]></description><category></category></item><item><title><![CDATA[ONNX Runtime CUDA 推理优化实战：破解 C++ 比 Python 慢 28 倍的假象]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/164153508</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/164153508</guid><author>philosophyatmath</author><pubDate>Fri, 28 Aug 2026 22:02:27 +0800</pubDate><description><![CDATA[C++ 代码本身没有任何性能缺陷；ONNX Runtime 的 C++ API 执行效率极高；真正的原因是 Benchmark 错误地将首次 CUDA Run 的 788ms 冷启动开销均摊到了稳定态推理中；引入标准 Warmup 后，C++ 在 CUDA EP 上的稳定态推理耗时瞬间恢复至 ~1ms，与 Python 完全一致。性能优化的核心不在于掌握多少复杂的调优选项，而在于建立严谨的测量意识——永远不要去优化凭空猜测出来的问题。]]></description><category></category></item><item><title><![CDATA[WSL2 资源治理：从 ONNX Runtime CUDA 编译 OOM 到 `.wslconfig` 防御配置]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/164088630</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/164088630</guid><author>philosophyatmath</author><pubDate>Wed, 26 Aug 2026 21:13:24 +0800</pubDate><description><![CDATA[纠正机制认知：WSL2 默认内存上限为宿主物理内存的 50%（在 31.4GB 主机上约为 15.7GB），仅负责内存回收而非扩大内存上限。抓住 OOM 本质：大型 CUDA/C++ 工程编译 OOM 的核心矛盾，是并行任务产生的瞬时内存需求超过 WSL2 可用内存预算；其中NjobsN_{jobs}Njobs​是最直接、最容易控制的变量。建立双层治理优先降低并发：通过显式设置-j N（本文示例使用-j 4）约束并发峰值；合理设置上限：通过.wslconfig设置memory与。]]></description><category></category></item><item><title><![CDATA[打通构建、测试与调试：C++ VSCode + CMake + GDB + TestMate 深度实践]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/164002736</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/164002736</guid><author>philosophyatmath</author><pubDate>Sun, 23 Aug 2026 21:23:59 +0800</pubDate><description><![CDATA[本文针对 C++ 开发者在 Linux 环境下基于 VSCode 进行开发时遇到的调试卡顿、断点无法绑定以及单测管理繁琐等痛点，提供了一套完整的工程化解决方案。文章系统梳理了 GoogleTest 与 TestMate for C++ 插件的底层交互机制，详细讲解了通过 GDB Wrapper 拦截网络请求解决 `debuginfod` 卡顿的原理；同时深挖 CMake/Ninja 单配置生成器在 Debug/Release]]></description><category></category></item><item><title><![CDATA[通用 Linux 嵌入式板端 C/C++ ABI 与 Glibc 依赖治理规范]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/163888879</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/163888879</guid><author>philosophyatmath</author><pubDate>Wed, 19 Aug 2026 21:05:37 +0800</pubDate><description><![CDATA[本文档制定了Linux嵌入式系统中C/C++ ABI与Glibc依赖治理规范，适用于ELF动态链接模型环境。核心原则要求验证整个ELF依赖闭包的ABI兼容性，重点管理GLIBC、GLIBCXX等符号版本需求。规范明确了标准交付方式，允许应用携带私有libstdc++和libgcc_s，但禁止覆盖系统glibc。特殊情况下支持自备完整glibc Runtime方案，但必须严格匹配loader和运行时库。最终提出10条工程铁律，强调必须确保所有版本需求被目标环境定义覆盖，而非简单比较版本号。关键结论是C++运行]]></description><category></category></item><item><title><![CDATA[Focal Loss 深度解析：密集检测、梯度机制与应用边界]]></title><link>https://blog.youkuaiyun.com/philosophyatmath/article/details/163734363</link><guid>https://blog.youkuaiyun.com/philosophyatmath/article/details/163734363</guid><author>philosophyatmath</author><pubDate>Thu, 13 Aug 2026 21:59:36 +0800</pubDate><description><![CDATA[Focal Loss是一种针对深度学习中类别不平衡问题的创新损失函数，其核心思想是通过动态重加权机制抑制简单样本的梯度贡献，从而提升困难样本的相对重要性。文章从数学推导、梯度机制和应用边界三个维度进行了深入解析： 数学机制：Focal Loss通过(1-pt)^γ调制系数对交叉熵进行改造，当γ>0时会强烈抑制高置信度(pt→1)样本的梯度，而对低置信度样本(pt→0)的抑制较弱，使困难样本在整体梯度中获得更高相对权重。 梯度特性：通过求导分析发现，Focal Loss并非简单放大困难样本梯度，而是通过极强抑]]></description><category></category></item></channel></rss>