全网爆火的大模型AI知识库，保姆级教程来了

AI_小站 AI_小站 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 331平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-10-30 11:30:09 发布 331 阅读 AI 写同款· GEO 优化 ›
腾讯IMA知识库接入DeepSeek大模型了，快速搭建自己的知识库，不要再花冤枉钱了 最近腾讯又憋了个大招，发布了IMA知识库，这下那些通过给别人使用DeepSeek搭建本地知识库的人慌了，这是在砸他们的生意呀，而且是腾讯这种他们惹不起的存在，废话不多说，我们来看IMA怎么玩？腾讯的IMA知识库（全称ima.copilot）是腾讯推出的以知识库为核心的AI智能工作台，集“搜、读、写”功能于一体，旨在提升用户学习与工作效率，并支持知识的长期沉淀与共享。IMA知识库支持客户端（windows/MAC）及小程序，全网同步。 阅读详情

Karpathy 发了一条推文，分享了他近期重点在用 AI 构建个人知识库，短短两天，全网千万人观看。

“我最近发现一件非常有用的事：用 LLMs 为各种研究主题建立个人知识库。这样一来，我最近的大部分 token 使用量更多地用于处理内容，而不是编写或修改代码。”

然后就在昨天，他公开了整个构建的思路：

图片

思路很简单：不要把笔记分散在各种应用里，而是全扔进一个文件夹。然后让 AI 把这些材料整理成个人维基——生成摘要、把内容关联起来、整理文章——之后越用越好用。

你也想要打造大神同款AI知识库么？

博主 Nick Spisak 打造了一套保姆级实现教程，不需要特殊软件，不需要数据库，只要文件夹和文本文件。

图片

第一步：三个文件夹，两分钟搭好

打开终端或文件管理器，在电脑任意位置创建一个项目文件夹。在里面创建三个子文件夹：

my-knowledge-base/   raw/ (你的源材料 - 文章、笔记、截图)   wiki/ (AI 写入整理后内容的地方)   outputs/ (AI 生成的答案、报告和研究)

就这样。这就是 Karpathy 使用的结构：raw/ 文件夹是你的原始素材收纳箱，wiki/ 文件夹是 AI 帮你理出条理的地方，outputs/ 文件夹存放问题的答案。

第二步：不用整理，什么都往里扔

大多数人在这里卡住了。他们创建了文件夹，然后盯着空空如也的 raw/ 目录，不知道该放什么。

答案是：什么都往里扔。把文章复制粘贴成 .md 或 .txt 文件，截图和图表直接保存，从你现在用的任何应用里导出笔记，会议记录、研究论文、项目文档，还有那些囤了几个月的书签，统统扔进去。

别整理、别重命名、别清理，这些活儿都是 AI 的。

我做 X 内容的时候攒了 17 个原始文件——剪藏的文章、竞品分析、数据报告。没有一个是手工整理的。

但 Karpathy 没提到真正加速这个过程的部分：自动化收集。

第三步：让AI自动把网页存进来

Vercel Labs 刚发布了 agent-browser——一个免费的命令行工具，让你的 AI Agent 操控实际的 Chrome 浏览器。GitHub 上 26K+ 星标。两条命令安装：

第二条命令会下载一个专用的 Chrome 浏览器。现在你的 AI 可以抓取任何网页，提取文本，直接保存到 raw/ 文件夹。

实际操作是这样的：

agent-browser open https://some-article-you-want.com agent-browser get text "article"

就这样。AI 打开页面，抓取文章文本，你把它导入到 raw/ 里的文件。不需要手动复制粘贴，不需要浏览器扩展。

agent-browser 能处理那些复制粘贴搞不定的页面：JavaScript 动态加载的网站、需要登录才能看的内容、带交互式图表的研究论文，还有那些得不停滚动、点“加载更多”、在菜单里翻来翻去才能看到完整内容的页面。

这个工具比 Playwright MCP 省 82% 的 token，也就是说，同样一轮对话里，你的 AI Agent 能抓 5-6 倍的页面。我用它直接拉竞品文章、热门话题和研究文档，根本不用自己开浏览器。

用在知识库上，流程很简单：看到想要的文章，跟 AI 说一声：「把这个 URL 抓下来存到 raw/」，agent-browser 就搞定了。你的 raw/ 文件夹会自己慢慢填满。

第四步：给AI一份说明书，让它知道怎么干

这是大多数人会跳过的部分，别跳过。

在项目根目录创建一个叫 CLAUDE.md 的文件（或 AGENTS.md 或 README.md——名字不重要，内容才重要）。这个文件让 AI 知道你的知识库是干什么的、该怎么整理。

这是一个你现在就可以复制的起始模板：

# 知识库 Schema  ## 这是什么 一个关于 [你的主题] 的个人知识库。  ## 如何组织 - raw/ 包含未处理的源材料。永远不要修改这些文件。 - wiki/ 包含整理后的维基。完全由 AI 维护。 - outputs/ 包含生成的报告、答案和分析。  ## 维基规则 - 每个主题在 wiki/ 中有自己的 .md 文件 - 每个维基文件以一段摘要开头 - 使用 [[topic-name]] 格式链接相关主题 - 在 wiki/ 中维护一个 INDEX.md，列出每个主题及一行描述 - 当添加新的原始源时，更新相关的维基文章  ## 我的兴趣点 [列出 3-5 个你希望这个知识库关注的方向]

Karpathy 自己也说了，他的 AGENTS.md 里的 schema “超级简单，完全扁平”：没有数据库，没有插件，只是一个告诉 AI 规则的文本文件。

这个文件相当于我在每个项目中使用 CLAUDE.md 的作用：给 AI 写一份你这个知识库专用的说明书。

第五步：一条指令，AI把笔记编成维基

打开 Claude Code（或 Cursor，或任何能读取文件的 AI 编码工具），打开你的项目文件夹，然后说：

“读取 raw/ 中的所有内容。然后按照 CLAUDE.md 中的规则在 wiki/ 中编译一个维基。先创建 INDEX.md，然后为每个主要主题创建一个 .md 文件。链接相关主题。总结每个源。“

然后走开，让它慢慢跑。

跑完之后你会拿到一个 wiki/ 文件夹，文章都按主题整理好了——帮你串起之前没注意到的关联，补上忘存的内容摘要，再加一份索引文件，想查什么几秒就能找到。

关键是：你不要手动编辑 Wiki，那是 AI 的工作。你只需要阅读它，对它提问，AI 负责更新和维护。

第六步：开始提问，打造活的知识库

一旦你的维基有了 10 篇以上的文章，开始提问：

“基于 wiki/ 中的所有内容，我对 【主题】 理解中最大的三个空白是什么？”“比较源 A 和源 B 对 【概念】 的说法。它们在哪里有分歧？”“仅使用这个知识库中的内容，给我写一份 500 字的 【主题】 简报。”

AI 会读取你的整个维基，根据你自己攒的材料给你答案。

把这些答案保存回知识库。把输出放到 outputs/ 或让 AI 用新见解更新相关的维基文章。每个问题都让下一个答案更好，正循环就转起来了。

第七步：定期检查，不让错误复利

告诉你的 AI：

“审查整个 wiki/ 目录。标记文章之间的任何矛盾。找出提到但从未解释的主题。列出任何没有 raw/ 中源支持的声明。建议 3 篇能填补空白的新文章。”

Karpathy 这条帖子下面，@HFloyd 的回复说到了关键：“当输出被归档回去时，错误也会复利。”这是真的。如果 AI 写了一些稍微错误的东西而你保存了它，下一个答案就会跟着错下去。

解决方法很简单：定期运行健康检查。

工具选择：简单胜过复杂

Karpathy 帖子下一半回复都在安利 Obsidian 插件。

但当有人问起他的设置时，Karpathy 实际上说的是：“我试图保持超级简单和扁平。它只是一个嵌套的 .md 文件目录。”

一个文本文件文件夹和一个 schema 文件就是整个知识库。

我用 Claude Code 从终端运行整个知识系统。你可以用 VS Code，可以用 Obsidian，可以用记事本。

AI 不在乎你用什么应用打开文件，重要的是文件夹结构和 schema。

装了 47 个插件的 Obsidian 又是一个 Notion 陷阱。你花在配置工具上的时间比使用知识库的时间还多。

扁平文件加一个好的 schema，90% 的场景下比花哨的工具栈管用。

写在最后：收藏和真正用起来！

这就是完整系统：三个文件夹、一个 schema 文件、一个浏览器抓取器，以及一个维护一切的 AI。

Karpathy 的帖子有 44K 人收藏。但收藏和真正用起来，差的只是一个周末的动手时间。

选个主题，建好文件夹，把现有内容扔进去。

剩下的交给 AI，就这么简单。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

标签
#人工智能 #langchain #github #java #prompt
#AI #程序员
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Type-c超声波切割刀 接下来，我将提供Type-C超声波切割刀项目的C代码实现示例，代码将按照上述分层架构和模块化设计进行组织。为了达到3000行以上的代码量，我将尽可能详细地实现各个模块的功能，并添加必要的注释和错误处理。通过采用分层架构和模块化设计，我们可以建立一个可靠、高效、可扩展的系统平台，为产品的成功奠定坚实的基础。实际项目中，需要更详细的硬件驱动、更完善的功能模块、更严格的测试验证和更周全的维护升级计划。针对Type-C超声波切割刀这个项目，我将从以下几个方面详细阐述最适合的代码设计架构，并提供具体的C代码实现。 阅读详情

相关推荐

手把手教你用TI MOSFET搭建0-100mA恒流源电路（附避坑指南）

本文详细介绍了如何使用TI MOSFET SI1204D搭建0-100mA恒流源电路，包括基础原理、电路设计、PCB布局和热管理技巧。通过分步指导和避坑指南，帮助工程师实现高精度、低成本的电流控制方案，适用于LED驱动、传感器激励等多种应用场景。

weixin_29310631的博客 486

长文拆解 Karpathy 的 AI 知识库搭建术（Obsidian + Claude Code 完整指南）

这篇文章介绍了如何利用大模型构建个人知识库的完整方法。作者详细讲解了Karpathy提出的知识管理方案：通过原始资料层(raw/)收集内容，由AI处理后形成结构化知识库(wiki/)，并配合Schema文件实现知识增量积累。文章提供了Obsidian+ClaudeCode的配置教程，包括环境搭建、插件安装、配置文件编写等具体步骤，帮助读者打造持续生长的"第二大脑"。重点强调了该方法与传统RAG的区别：不是每次临时检索，而是通过系统化积累形成知识网络，让AI成为真正的知识管理员而非临时工。

2402_87868480的博客 4920

VECTOR硬件VN1600系列对比：VN1610、VN1611、VN1630A、VN1640A、VN1630log、VN1670

VN16系列说不清道不明的区别和关系

AmorRun的博客 2万+

Obsidian + Claude Code + LLM Wiki：基于Karpathy 构建你的智能第二大脑完整指南

**LLM Wiki** 提供了新的范式：让 AI 增量构建和维护一个持久化的 Wiki（互相链接的 Markdown 文件）。知识被"编译"一次，然后持续更新，形成**可复利的数字资产**。 本文将带你完整搭建一个基于 **Obsidian + Claude Code + LLM Wiki** 的智能第二大脑，

南宫乘风-Linux运维-虚拟化容器-Python编程 ownit.top 7829

WSL2离线安装Ubuntu终极指南：绕过Microsoft Store慢速下载（附最新22.04 LTS离线包）

本文提供WSL2离线安装Ubuntu 22.04 LTS的完整指南，帮助开发者绕过Microsoft Store下载慢的问题。通过PowerShell命令配置环境、获取离线安装包并完成安装，同时包含初始配置、资源优化及常见问题解决方案，助您快速搭建高效的Linux开发环境。

c8d9e0f1的博客 902

PointNetLK实战：5步搞定点云配准（附ModelNet40数据集训练技巧）

本文提供了一份详细的PointNetLK实战指南，帮助读者在5步内掌握点云配准技术。文章以ModelNet40数据集为例，深入讲解了环境搭建、数据预处理、模型训练与调试等核心步骤，并分享了关键的训练技巧和调参策略，旨在让开发者快速实现并应用这一高效的深度学习配准方法。

wind6的博客 462

Karpathy 式 AI 知识库搭建指南：让 Claude Code + Obsidian 成为你的第二大脑

#Karpathy #Obsidian #ClaudeCode #Claudian #知识管理 #AI工具 #第二大脑 #个人知识库 #Markdown #LLM #知识图谱。是 Anthropic 推出的命令行 AI 工具，它可以直接进入你的文件夹，读取笔记、写入新内容、更新目录——就像一个能操作你电脑的 AI 助理。正如 Obsidian CEO Kepano 所说：**"AI 知识库的本质，是把人从低价值的整理工作中解放出来，专注于高价值的思考和创造。也可以使用国产大模型替代降低成本。

Honmaple的博客 3708

Pareto 优化 (Pareto Optimization) 算法详解及案例分析

Pareto 最优解是指在多目标优化问题中，无法通过改进一个目标而不损害其他目标的解。具体来说，对于一个解x∗x^*x∗，如果不存在另一个解xxx使得所有目标函数fixf_i(x)fi​x都不劣于fix∗f_i(x^*)fi​x∗，且至少有一个目标函数fjxf_j(x)fj​x优于fjx∗f_j(x^*)fj​x∗，则x∗x^*x∗是 Pareto 最优解。

闲人编程的博客 2765

手把手教你搭建AI知识库：Karpathy同款，有手就会！

"读取raw/中的所有内容，按照CLAUDE.md的规则在wiki/中编译一个维基。"审查整个wiki/目录，标记文章之间的任何矛盾，找出提到但从未解释的主题，列出任何没有raw/中来源支持的声明，建议3篇能填补空白的新文章。：你不要手动编辑wiki，那是AI的工作。"基于wiki/中的所有内容，我对【主题】理解中最大的三个空白是什么？"仅使用这个知识库中的内容，给我写一份500字的【主题】简报。"创建了文件夹，盯着空空的raw/目录，不知道该放什么。Karpathy说他的说明书"超级简单，完全扁平"——

790

Nvidia Orin Driveos Camera 介绍及调试详解

自动驾驶-nvidia orin driveos Camera 驱动详解及调试

u011803281的博客 2993

手势识别器：实现手部动作识别器

在本篇文章中，我们将使用Python来实现一个简单的手部动作识别器。然后，我们通过循环从摄像头获取每一帧图像，并对每一帧图像进行处理。我们提取手部关键点并计算手势的特征向量，然后将其添加到特征列表和标签列表中。接下来，我们再次从摄像头获取每一帧图像，并进行手势识别。我们提取手部关键点并计算手势的特征向量，然后使用训练好的分类器来预测手势，并在图像上显示出来。在这个实现中，我们将使用MediaPipe库来检测和跟踪手部关键点，然后使用K最近邻（K-Nearest Neighbors）算法对手势进行分类。

BitSlinger的博客 241

全网爆火的大模型AI知识库，保姆级教程来了：用TaoToken统一Key接入Cline

把 raw/wiki/outputs 三个目录交给 Cline，用 TaoToken 统一 Key 接入大模型，改一份 settings.json 即可跑通个人 AI 知识库。本文给出可复制配置骨架与一次问答验证检索生效的方法，并附常见报错排查，助你用 LLM 把散落笔记编译成维基。官网：https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35752122的博客 10

816华为OD机试真题 新系统 - 信道资源分配与掩码运 (Java/Py/C/C++/Js/Go)

816华为OD机试真题 新系统 - 信道资源分配与掩码运 (Java/Py/C/C++/Js/Go)

算法大师！ 408

全网爆火的大模型AI知识库，保姆级教程来了：用TaoToken统一Key打通知识库问答链路

用Python脚本把本地文档切分向量化，通过TaoToken统一Key同时调用embedding与chat接口，跑通个人大模型AI知识库问答链路。文中给出可复制配置、余弦检索实现及401、local proxy failed等报错排查顺序，普通笔记本即可验证。详见官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_34162851的博客 7

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

全网爆火的大模型AI知识库，保姆级教程来了：用TaoToken统一Key打通LLMs与agent-browser

用三个文件夹加一份CLAUDE.md搭建大模型AI知识库，配合agent-browser自动抓取素材，再通过TaoToken统一Key接入LLMs，一个Key打通Claude Code、Cline与Codex。文中给出可复制命令、三件套配置与401等报错排查，官网见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35752645的博客 1

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

2026全网最全AI Skill开源合集｜从爆火角色蒸馏到全场景生产级技能开箱即用

本文聚焦2026年爆火的AI Skill技术，整合了全网刷屏的26个AI角色蒸馏Skill，以及55条经链接可用性校验、稳定可用的生产级全场景AI Skill资源，所有项目均附完整开源地址。内容覆盖职场人设复刻、名人思维蒸馏，到开发编程、产品运维、网络安全、学术科研等全行业场景，兼顾趣味玩法与企业级生产实用性，同时提供主流AI工具的极简上手指南，帮助读者零门槛实现AI能力定制化复用，适合AI爱好者、开发者与职场人参考。

大鹏的博客 1万+

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（上）

来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（上）

Y525698136的博客 2482

deepseek+dify零成本部署本地知识库保姆级教程_dify 本地部署

deepseek+dify零成本部署本地知识库保姆级教程

qingkahui24689的博客 1万+

来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（下）

承接上一篇《来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（上）》，今天继续给大家详细介绍下Dify如何使用。先回顾上一篇都讲了什么：1、Dify的安装和启动2、使用Dify前的一些必要配置。3、Dify核心功能介绍。4、知识库实战1：如何在Dify中创建知识库5、知识库实战2：如何在Dify中外连知识库RAGFlow6、智能体实战1：最简单的聊天模式7、智能体实战2：Agent模式8、智能体实战3：整合MCP下面继续开启智能体的其他实战部分。

m0_70486148的博客 1129

国产AI智能体Manus一夜爆火

最近，一支来自中国的团队正式对外发布通用型AI Agent产品Manus。这款AI Agent产品，以其强大的功能和惊人的市场反应，瞬间点燃了整个科技界。那么，Manus究竟是如何一夜爆火的呢？Manus的爆火，首先离不开其“全流程执行”的能力。传统的AI助手，大多只能给出建议或答案，而Manus却能更进一步，直接完成任务并交付成果。比如，用户只需告诉Manus“筛选本月程序员简历”，它就能自动解压文件、分析资质，甚至生成Excel排名表。

qq_46094651的博客 1288

2025年科技新书预告 | 全网爆火的大模型神作震撼登场，这些书值得抢先收藏！

2024 年，图灵为大家带来了许多备受欢迎的经典之作。从上市即热销的《大模型应用开发极简入门》，到 GitHub 上收获 99.3K Star 的算法教程《Hello 算法》，再到聚焦前沿技术热点的《ChatGPT高效提问：Prompt技巧大揭秘》和《ChatGPT从入门到精通》，这些实用性极强的科技类图书深受读者喜爱。而 2025 年，图灵依旧诚意满满，带来超多重磅新书。图灵君也迫不及待地跟大家分享一波。

2401_84204413的博客 1558

AI大模型真正落地的应用：IMA知识库

大模型结合知识库问答是一个较为常见且实用的应用场景。例如，我曾经尝试过腾讯的IMA应用，该应用背后依托于混元大模型的支持。

huang9604的博客 5189

月薪10万+！DeepSeek的爆火背后的机遇与挑战

春节假期让大家眼前一亮的除了哪吒，估计就是DeepSeek了吧。_对于DeepSeek的一夜爆火，我纠结了很久__从哪些角度去写，能让大家感受更直接。我东拼西凑绞尽脑汁阐述了DeepSeek可能带来的影响，希望对你有用…正文开始😄😄😄⇩⇩⇩01AI市场将被重塑DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

lyy2017175913的博客 1506

DeepSeek 王炸组合：DeepSeek 强推理+全网实时搜索+高质量知识库，秘塔AI这波操作堪称完美！

DeepSeek非常强大，最近因为爆火和美国IP的攻击，导致它的联网搜索经常暂不可用。如今，DeepSeek与秘塔AI搜索的强强联合，**秘塔AI搜索宣布融合了DeepSeek-R1满血版，R1推理能力和链接全网实时信完美集成了，背后也链接上了秘塔的海量论文数据！**实现了“一站式实时联网+知识库+推理”的功能整合，这不仅真正让推理能力走向了大众化，也标志着AI搜索从单一功能点向系统化、全面化的跨越。

m0_59235699的博客 2723
上一篇： 揭秘RAG技术如何给大模型装上“知识外挂”
下一篇： 35岁前端被裁？收藏这份AI转型指南，从纯前端到AI增强型全栈开发者的进阶之路
点赞 6
评论 0
书签 书签 4
AI_小站
AI_小站
博客等级 码龄3年 6255粉丝 1154原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值