<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Diligence is the mother of success.]]></title><description><![CDATA[技术公众号：“后台技术汇”]]></description><link>https://blog.youkuaiyun.com/qq_29166327</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_29166327]]></copyright><item><title><![CDATA[品鉴好文：2025年全国1%人口抽样调查数据公报]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/161403206</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/161403206</guid><author>qq_29166327</author><pubDate>Mon, 25 May 2026 10:04:38 +0800</pubDate><description><![CDATA[开展全国1%人口抽样调查，是《全国人口普查条例》的明确规定，通常在两次人口普查之间，尾数逢“5”的年份进行，主要目的是为及时掌握人口发展变化情况。2025年全国1%人口抽样调查工作是国家为全面准确掌握2020年以来我国人口在数量、素质、结构、分布以及居住等方面的变化情况，为科学制定国民经济和社会发展规划、完善新时代人口发展战略、健全人口发展支持和服务体系、推动人口高质量发展，提供准确的统计信息支持。未来的稳定，不是“不失业”，而是“随时能找到新工作”的能力。老年人口占比已超22%，社保养老金压力客观存在。]]></description><category></category></item><item><title><![CDATA[文班亚马的MVP之路：天赋、资本与竞技体育的残酷逻辑]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/161295707</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/161295707</guid><author>qq_29166327</author><pubDate>Thu, 21 May 2026 17:46:25 +0800</pubDate><description><![CDATA[反观文班亚马，尽管在西决G1中展现了碾压级的统治力——全场出战48分42秒，25投14中，抓下9个进攻篮板，并在双加时赛中独得关键分数，甚至将亚历山大的命中率限制在23投7中——但这仅仅是系列赛的开始。这种“造神”与“守成”的博弈，是文班亚马面临的第一道无形壁垒。在进攻端，他展现了超越身高的控运技术与射程，无论是罚球线背身强吃小个错位，还是在库里Logo区域命中超远三分绝平，都证明了他无死角的进攻威胁。这背后的原因，早已超越了单纯的篮球技术统计，而是深嵌于联盟的商业逻辑与竞技体育的残酷法则之中。]]></description><category></category></item><item><title><![CDATA[品鉴好文：《2026年中国经济展望：缓慢迈向低通胀》-摩根士丹利（Morgan Stanley）]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/160035011</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/160035011</guid><author>qq_29166327</author><pubDate>Fri, 10 Apr 2026 17:32:30 +0800</pubDate><description><![CDATA[这份摩根士丹利（Morgan Stanley）发布的《2026年中国展望：缓慢迈向低通胀》报告，深入分析了中国在“十五五”规划开局之年的宏观经济走势。政府接受增速放缓的现实，通过结构性的科技投资（AI/半导体）和渐进的社会福利改善来维持增长底线（5%左右）。若外部摩擦加剧，中国将被迫回归老路（更多基建投资），导致通缩压力持续。站在新的起点，回顾过往一年的挑战和成就，我们可以比较自信的说，困难的时候似乎正在慢慢过去。2026年中国经济仍处于爬出通缩坑底的过程中，真正的价格回升（转正）要到2027年。]]></description><category></category></item><item><title><![CDATA[读书笔记：《以日为鉴》-- 从日本失落的三十年看中国互联网与AI产业的未来]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/158273377</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/158273377</guid><author>qq_29166327</author><pubDate>Sat, 21 Feb 2026 11:24:21 +0800</pubDate><description><![CDATA[书中对日本“失落的三十年”的系统性复盘，不仅让我对宏观经济周期、人口结构变迁与产业演进之间的深层逻辑有了全新认知，更促使我反思当下中国科技行业——尤其是人工智能浪潮下的机遇与陷阱。书中对日本“失落的三十年”的系统性复盘，不仅让我对宏观经济周期、人口结构变迁与产业演进之间的深层逻辑有了全新认知，更促使我反思当下中国科技行业——尤其是人工智能浪潮下的机遇与陷阱。同时，企业降本增效催生RPA、低代码、AI运维工具市场。：AI赋能传统产业（制造、农业、医疗）可创造新岗位，如AI训练师、伦理审计师、人机协作设计师。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞读书笔记：《县中的孩子》＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157682980</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157682980</guid><author>qq_29166327</author><pubDate>Sun, 26 Oct 2025 11:55:38 +0800</pubDate><description><![CDATA[该书基于中国基础教育“以县为主”的管理体制背景，聚焦县域教育生态现状，旨在揭示县域教育体系的结构性困境。现在很多领导，照搬工业生产的管理模式，把学校当做工厂，学生当做原材料和产品，教育过程等同于物质生产过程。1990年以来，中国采取的是“以县为主”的政策安排，使得基础教育发展几乎成为地方政府的责任，教育局为代表的地方教育行政部门是区域内教育的实际管理者。理想的学生就是：“学习好”、“身体好”、“性格好”，理想的学校就是“讲科学、讲民主，讲和谐”。当教育是民生工程被对待时，教育事业就不是教育部门一家的事情。]]></description><category></category></item><item><title><![CDATA[读书笔记：《县中的孩子》]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/153947182</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/153947182</guid><author>qq_29166327</author><pubDate>Sun, 26 Oct 2025 11:55:38 +0800</pubDate><description><![CDATA[该书基于中国基础教育“以县为主”的管理体制背景，聚焦县域教育生态现状，旨在揭示县域教育体系的结构性困境。现在很多领导，照搬工业生产的管理模式，把学校当做工厂，学生当做原材料和产品，教育过程等同于物质生产过程。1990年以来，中国采取的是“以县为主”的政策安排，使得基础教育发展几乎成为地方政府的责任，教育局为代表的地方教育行政部门是区域内教育的实际管理者。理想的学生就是：“学习好”、“身体好”、“性格好”，理想的学校就是“讲科学、讲民主，讲和谐”。当教育是民生工程被对待时，教育事业就不是教育部门一家的事情。]]></description><category></category></item><item><title><![CDATA[AI智能体的阅读笔记：来自国外大佬的2篇技术爽文]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/153606118</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/153606118</guid><author>qq_29166327</author><pubDate>Sun, 19 Oct 2025 16:19:05 +0800</pubDate><description><![CDATA[没错，准确率会锐减到36%以下了（95%的20次方），意味着可能在复杂问题处理过程中，Agent会在某个步骤有2/3的概率。工作流 AI大模型和工具，通过预定义的代码路径，进行编排的系统（平时99%的商业化产品，比如扣子、dify，通过特定的步骤和链条，在某个节点调用了AI大模型）。Agent可以处理复杂的任务，但它们的实现通常很简单。智能体 AI大模型自己指导自己的流程，以及对工具的使用，并且保持对整个系统的控制器。我们的业务肯定早已形成了稳定的工作流程了，我们要做的只是对某些节点自动化，提升效率。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞架构师必备的15条定律，条条经典！＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157656469</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157656469</guid><author>qq_29166327</author><pubDate>Mon, 04 Aug 2025 09:00:30 +0800</pubDate><description><![CDATA[当然这是理想情况，然而我们都清楚虚拟环境顺风顺水，生产环境一点就炸的客观规律，理想情况往往只存在于上线之前，一旦上线就会坍缩成Bug feature满天飞的状态。无论你是刚入行的新手，还是带团队的技术管理者，这15条定律都会在某个时刻让你恍然大悟：你可真是个小可爱！996，还是在外企朝九晚五，这些定律都会在某个深夜debug时、某次项目延期时、某个需求变更时，让你会心一笑：“原来如此，又中招了。当你试图下线这个功能时，他们就会跳出来哭天喊地，然后某些业务方的同学就会来施压，让你继续支持。]]></description><category></category></item><item><title><![CDATA[架构师必备的15条定律，条条经典！]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149921809</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149921809</guid><author>qq_29166327</author><pubDate>Mon, 04 Aug 2025 09:00:30 +0800</pubDate><description><![CDATA[当然这是理想情况，然而我们都清楚虚拟环境顺风顺水，生产环境一点就炸的客观规律，理想情况往往只存在于上线之前，一旦上线就会坍缩成Bug feature满天飞的状态。无论你是刚入行的新手，还是带团队的技术管理者，这15条定律都会在某个时刻让你恍然大悟：你可真是个小可爱！996，还是在外企朝九晚五，这些定律都会在某个深夜debug时、某次项目延期时、某个需求变更时，让你会心一笑：“原来如此，又中招了。当你试图下线这个功能时，他们就会跳出来哭天喊地，然后某些业务方的同学就会来施压，让你继续支持。]]></description><category></category></item><item><title><![CDATA[大模型应用之（4）：Langchain架构与大模型接入]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149920547</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149920547</guid><author>qq_29166327</author><pubDate>Mon, 04 Aug 2025 09:00:30 +0800</pubDate><description><![CDATA[作为一个语言模型集成框架，LangChain 的用例与一般语言模型的用例有很大的重叠。他相比 fine-tuning 最大的优势就是，不用进行训练，并且可以实时添加新的内容，而不用加一次新的内容就训练一次，并且各方面成本要比 fine-tuning 低很多。所以，不管我们是使用 openai api embedding 功能还是直接通过向量数据库直接查询，都需要将我们的加载进来的数据。进行向量化，才能进行向量运算搜索。用于衡量文本的相关性。上面只是简单的进行列举了几个，官方提供了超级的多的加载器供你使用。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞大模型应用之概念篇（3）：模型分类、不可能三角＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157683118</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157683118</guid><author>qq_29166327</author><pubDate>Wed, 30 Jul 2025 09:00:48 +0800</pubDate><description><![CDATA[小结：客户会根据商业化的应用场景，单独或组合使用模型优化手段，比如：指令微调（Instruction Tuning）、量化（Quantization）和蒸馏（Distillation），以实现性能、效率与资源消耗的平衡。选基于qwen架构蒸馏大模型， DeepSeek-distill-qwen-32B-bf16，因为它对上下文支持更大，更符合中文下的邮件业务场景的需求，同时性能表现更符合实际使用需求。：对比基础大模型，它降低了首Token延迟（TTFT），提升了并发吞吐量，显存占用降低（提高性能）]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞大模型应用之概念篇（2）：预训练、Transformer算法、token计算＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157659633</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157659633</guid><author>qq_29166327</author><pubDate>Wed, 30 Jul 2025 09:00:48 +0800</pubDate><description><![CDATA[获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞大模型应用之概念篇（1）：文件结构、模型命名、参数规模＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157659239</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157659239</guid><author>qq_29166327</author><pubDate>Wed, 30 Jul 2025 09:00:48 +0800</pubDate><description><![CDATA[Qwen2-VL-2B则是20亿参数规模的多模态模型（VL：Vision-Language），在保留文本理解能力的基础上，新增视觉模态处理能力，可实现图像/视频的内容解析。72B版本采用GGUF-V3-LOT分块混合量化技术（如Q4_K_M），通过对模型参数进行分块差异化压缩，在保持推理精度的同时显著降低显存占用。VL-2B版本则应用GPTQ-Int4全局对称量化方案，采用4-bit整数精度实现整体模型压缩，更适合边缘设备部署。671B参数数量：这些一般指参数的个数，B是Billion/十亿的意思。]]></description><category></category></item><item><title><![CDATA[大模型应用之概念篇（3）：模型分类、不可能三角]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149793367</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149793367</guid><author>qq_29166327</author><pubDate>Wed, 30 Jul 2025 09:00:48 +0800</pubDate><description><![CDATA[小结：客户会根据商业化的应用场景，单独或组合使用模型优化手段，比如：指令微调（Instruction Tuning）、量化（Quantization）和蒸馏（Distillation），以实现性能、效率与资源消耗的平衡。选基于qwen架构蒸馏大模型， DeepSeek-distill-qwen-32B-bf16，因为它对上下文支持更大，更符合中文下的邮件业务场景的需求，同时性能表现更符合实际使用需求。：对比基础大模型，它降低了首Token延迟（TTFT），提升了并发吞吐量，显存占用降低（提高性能）]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞大模型应用之概念篇（2）：预训练、Transformer算法、token计算＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157660283</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157660283</guid><author>qq_29166327</author><pubDate>Tue, 29 Jul 2025 09:00:26 +0800</pubDate><description><![CDATA[获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）]]></description><category></category></item><item><title><![CDATA[大模型应用之概念篇（2）：预训练、Transformer算法、token计算]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149769788</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149769788</guid><author>qq_29166327</author><pubDate>Tue, 29 Jul 2025 09:00:26 +0800</pubDate><description><![CDATA[获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）]]></description><category></category></item><item><title><![CDATA[浅聊一下，大模型的前世今生 | 工程研发的算法修养系列（一）]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149766332</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149766332</guid><author>qq_29166327</author><pubDate>Tue, 29 Jul 2025 09:00:26 +0800</pubDate><description><![CDATA[例如，你可以给GPT-4提供几个英语到法语的翻译例子："Hello→Bonjour, Goodbye→Au revoir"，然后问它"Thank you"的翻译，它会回答"Merci"，尽管模型从未被专门训练来执行翻译任务。比如在"银行门前的树已经很高了，它已经有50年历史了"这句话中，Transformer能立即理解"它"指代的是"树"而不是"银行"，不需要像人类那样来回推敲。它通过对比学习的方式，同时训练视觉模型和文本模型，让它们将相匹配的图像和文本映射到相近的空间位置，不匹配的则映射到远离的位置。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞LLM学习的「阶梯地图」（一）＜/span＞]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/157648522</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/157648522</guid><author>qq_29166327</author><pubDate>Mon, 28 Jul 2025 09:01:34 +0800</pubDate><description><![CDATA[无论是刚接触大模型的新手，还是需要梳理基础知识点的从业者，读这篇文章都能有所收获，帮助你扎实掌握大模型的底层逻辑。在大模型的技术栈里，架构是决定性能的骨架。再读第二篇《核心技术之架构模式》，文中对比了稠密模型和 MoE 架构，分析了前者全参数激活与后者专家分工的不同特点，让你明白为何有的模型注重参数规模，有的则通过稀疏计算来提高效率。先看《基础概念篇》，把神经网络的学习过程、自注意力机制的工作原理拆解得很清楚，也详细说明了预训练和微调之间的区别，能帮你搞懂模型从通用能力到专项能力的转变逻辑。]]></description><category></category></item><item><title><![CDATA[大模型应用之概念篇（1）：文件结构、模型命名、参数规模]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149740127</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149740127</guid><author>qq_29166327</author><pubDate>Mon, 28 Jul 2025 09:01:34 +0800</pubDate><description><![CDATA[Qwen2-VL-2B则是20亿参数规模的多模态模型（VL：Vision-Language），在保留文本理解能力的基础上，新增视觉模态处理能力，可实现图像/视频的内容解析。72B版本采用GGUF-V3-LOT分块混合量化技术（如Q4_K_M），通过对模型参数进行分块差异化压缩，在保持推理精度的同时显著降低显存占用。VL-2B版本则应用GPTQ-Int4全局对称量化方案，采用4-bit整数精度实现整体模型压缩，更适合边缘设备部署。671B参数数量：这些一般指参数的个数，B是Billion/十亿的意思。]]></description><category></category></item><item><title><![CDATA[LLM学习的「阶梯地图」（一）]]></title><link>https://blog.youkuaiyun.com/qq_29166327/article/details/149733163</link><guid>https://blog.youkuaiyun.com/qq_29166327/article/details/149733163</guid><author>qq_29166327</author><pubDate>Mon, 28 Jul 2025 09:01:34 +0800</pubDate><description><![CDATA[无论是刚接触大模型的新手，还是需要梳理基础知识点的从业者，读这篇文章都能有所收获，帮助你扎实掌握大模型的底层逻辑。在大模型的技术栈里，架构是决定性能的骨架。再读第二篇《核心技术之架构模式》，文中对比了稠密模型和 MoE 架构，分析了前者全参数激活与后者专家分工的不同特点，让你明白为何有的模型注重参数规模，有的则通过稀疏计算来提高效率。先看《基础概念篇》，把神经网络的学习过程、自注意力机制的工作原理拆解得很清楚，也详细说明了预训练和微调之间的区别，能帮你搞懂模型从通用能力到专项能力的转变逻辑。]]></description><category></category></item></channel></rss>