qq_33043025的博客

原创 AI应用体验失败案例1

参考deepseek问答界面的提问回答支持修改和重新生成答案，并支持多版本切换查看的功能，现我想梳理其消息id关联情况，请用最简单的样例生成一个关系树。第一个提问id为1，对应的回答id为2，其父id为1。第二个提问id为3，其父id为2，对应的回答id为4，其父id为3。点击重新生成回答，新回答id为5，其父id为3。修改第二个提问重新提问，id为6，其父id为2，对应的回答id为7，其父id为6。点击重新生成回答，新回答id为8，其父id为6。

原创 豆包接口返回UI元素原因

它返回的不是“UI 元素”，而是服务端对这条消息可执行操作的决策结果。用一点数据冗余，换来了不发版就能改交互、多端一致、权限/实验/风控统一管控的能力。对 AI 对话这种高频迭代产品，这笔账是划算的。你的按钮逻辑会不会频繁变、要不要多端、要不要做实验。如果会，SDUI 值得；如果就是个固定聊天框，那确实没必要，前端写死更轻。

原创 vmware部署centos7启动docker容器后无法访问服务

docker容器1使用host网络模式，程序监听8001端口，本机可以访问，但其他客户端无法访问。docker容器2使用端口映射模式，程序监听8002端口，本机和其他客户端均可以访问。vmware使用了nat网络模式，增加了相应端口映射规则。将容器1也采用端口映射模式，成功访问。

原创 centos的yum源

centos7 中没有 zip 和 unzip 命令，下载报错如下 [root@hadoop01 opt]# yum install -y unzip 已加载插件：fastestmirror Loading mirror speeds from cached hostfile Could not retrieve mirrorlist;

原创 Autoruns 使用说明

Autoruns 是微软 Sysinternals 的工具，用来枚举 Windows（注册表、服务、驱动、计划任务、映像劫持、WMI 等）。，这就是你看到 “每次重新检索” 的根本原因。

原创 windows中如何像linux的lsof一样查看端口

如果想看更结构化的输出，也可以用 PowerShell 的。，建议先用它查出占用端口的 PID，再用。在 Windows 里，最接近。，同样能得到 PID。

原创 bf16 和 fp16 分别指什么

比特分配（总共 16bit）符号位：1 bit指数位：5 bit尾数位：10 bit±65504；精度更高，小数细节更精细缺陷：指数区间小，数值稍微一大就容易溢出。

原创 langchain 和 langgraph 和 react

核心组件：LLM 封装、Prompt 模板、Memory、Tools、Chains、内置 Agent、RAG 工具、LCEL 表达式语言。Thought（思考） → Action（调用工具） → Observation（工具返回结果） → 循环直至输出答案。LangGraph + LangChain 组件（LLM/Tools），自己搭建 ReAct 循环，获得完全控制权。ReAct：一种Agent 算法 / 范式（思考 + 行动循环逻辑）2.需要：多轮反思、分支判断、中途人工审核、长时间任务、失败重试。

原创 py依赖在线下载，离线安装，制作docker镜像

在线下载依赖包# 在线安装# 离线安装。

原创 ragflow如果更换向量大模型,之前数据库中的文件就不能使用了

RAGFlow 更换之后，，原因不是 RAGFlow 的限制，而是。

原创 AI错误答案记录6(langgraph实现人机协同的最小代码样例)

5.LangGraph 深度解析（二）：掌握 LangGraph 函数式 API 的状态化 AI 工作流。3.LangGraph 历史追溯 & 人机协同（Human-in-the-loop，HITL）2.【LangGraph系列】【LangGraph初识&Quick Start案例分析】6.【 LangChain + LangGraph】核心架构、关键特性与智能体实战开发。4.【hello-agent】langgraph最小实践，问答助手。

原创 Agent 循环本身的形态

传统的 ReAct（Reasoning-Action）范式在描述上类似一个“思考-行动-观察”的环。然而，在现代生产级 Agent 框架中，尤其是基于 LangGraph 的体系下，这个循环已经演进为一个精细化、可观测、可干预的有状态图。不是环形：因为它有明确的开始（START）和结束（END），并且执行路径不是固定的，而是根据模型输出和条件边动态决定的。而是状态图：它将循环的每一步（思考、调用工具、等待人工输入、保存状态）都建模为图节点，把控制逻辑（是否继续、下一步去哪）建模为边。这使得整个工作流具备了。

原创 langchain中的抽象和集成

抽象”指的是 LangChain 将复杂、多变的大模型应用开发模式，提炼成一系列标准化、可复用的接口和组件。它屏蔽了底层实现的复杂性，为开发者提供了统一的编程模型。维度抽象（Abstractions）集成（Integrations）核心目标标准化与简化。定义统一的接口和模式，降低开发复杂度。连接与扩展。提供丰富的即插即用组件，连接外部世界。关注点“怎么做”（How）。提供构建应用的标准方法和组件。“用什么做”提供可用的具体服务和数据源。举例Runnable协议、Agent循环、Tool接口。

原创 大模型应用两大范式：Workflow与Agent

表格维度Workflows 工作流Agent 智能体流程控制权代码预定义，路径固定LLM 自主掌控，动态生成步骤循环 / 分支分支、迭代次数写死循环次数、工具调用由 LLM 按需决定外部工具工具调用时机、顺序预先编码LLM 自主判断何时、调用哪个工具反馈机制仅作为阶段输入，无法重塑整体流程环境反馈直接改变 LLM 后续行动规划适用场景标准化、固定步骤的重复任务开放、未知、需要动态探索的复杂任务。

原创 git中checkout和swtich

和git switch都可以用于切换分支，但它们的设计目的不同。

原创 vscode中可视化的合并分支，在“合并编辑器中解析”中“与基线进行比较”是什么意思

你的分支和 main 分支最后一次共同拥有的那个版本你从 B 创建了 feature 分支main 后来提交了 C你提交了 D、EBase = BCurrent = E（你的分支）Incoming = C（main分支）

原创 gitlab合并分支时，存在无法自动合并的情况，显示有2个落后于main分支的提交

当 GitLab 提示Git 无法判断某些文件到底保留谁的修改，所以需要你手工处理。

原创 分支、标签 通俗讲解

分支 = 干活的地方：多人分开写代码，互不冲突。标签 = 发版的印记：写到一个阶段完工，盖个版本章存档。

原创 vllm不同版本启动qwen3-embedding-0.6B

【环境】单张A100 80GB显存【vllm0.19.0（同等效果）】在0.19.0中，遇到了：1.无法使用0.9.1中的--task参数；2.去除参数启动后，原本只需占用1GB~，却异常占用70GB+显存；下面将分别分析上述两个问题。

原创 Nginx高危漏洞CVE-2021-23017及配置样例

核心resolver+ 旧版 Nginx = 高危漏洞；无 resolver 则安全。动作：优先升级到 1.20.1+；临时移除 resolver 或限制 DNS 访问。配置文件中有resolver的样例下面分典型场景给出带resolver的 Nginx 配置样例，同时标注漏洞触发条件、使用说明和风险点，适配 CVE-2021-23017 检测场景。前置说明： 只有后接 ** 动态域名（变量）** 时，才必须搭配resolver；写死域名不需要 resolver，也不会触发该漏洞。

原创 docker镜像构建及部署样例

样例参考：TabClaw(交互式表格分析 AI 智能体)在线下载，离线部署-优快云博客

原创 TabClaw(交互式表格分析 AI 智能体)在线下载，离线部署

打算长期使用或部署：采用的方式更规范。

原创 离线部署Qwen 和 DeepSeek

deepseek的每个大模型参数都那么大，还是没有qwen3.6-35b等更平民化。我是不是可以理解deepseek使用了更多的显存以空间换时间你的理解。更准确地说：DeepSeek 不是简单地“用更多显存换时间”，而是采用了，本质上是在。

原创 qwen3.6-35b-a3b关闭思考-AI问答效果比对（千问）

原创 qwen3.6-35b-a3b关闭思考-AI问答效果比对（DeepSeek）

原创 qwen3.6-35b-a3b关闭思考-AI问答效果比对（文心）

原创 qwen3.6-35b-a3b关闭思考-AI问答效果比对（豆包）

原创 qwen3.6-35-a3b关闭思考

存在问题：不管打开或关闭思考模式，偶尔还是会输出小片段的思考过程在回答中，即思考过程并不会100%不输出，甚至会填充至content字段中。按设计，思考过程应该只填充至reasoning_content字段中的。关键参数：extra_body={"chat_template_kwargs": {"enable_thinking": False}}原本qwen3-32b是可直接通过enable_thinking=False参数关闭的，但qwen3.5后好像就不行了。经网络调研，该思考开关好像只是。

原创 AI错误答案记录5

原创 nginx崩溃的影响

DoS，网站短暂挂，服务器没事RCE，服务器被入侵。

原创 Nginx高危漏洞CVE-2026-42945及配置样例

危险根源rewrite连用 +$1未命名捕获组 + 字符串含?修复方法：统一换成命名捕获组P<变量>...)业务无影响：只是写法变更，功能完全不变。

原创 兼容旧版 docker-compose 和新版 docker compose

自动检测使用 docker compose 还是 docker-compose。echo "创建并启动容器"echo "查看容器"

原创 vllm启动大模型测试enforce-eager参数

2026-05-07T07:07:32.57启动开始。2026-05-07T06:44:35启动开始。2026-05-07T06:47:57启动完毕。2026-05-07T07:11:44启动完毕。大模型：Qwen3.6-35B-A3B。--enforce-eager开启。--enforce-eager关闭。

原创 “用向量 LLM 做向量化” vs “传统向量化算法”有什么区别？

这里的“传统”一般指两类：词袋/TF-IDF、以及经典句向量模型（如 word2vec / doc2vec / 早期 sentence embedding）。

原创 基于内存的向量相似度计算，是否可以用PostgreSQL + pgvector进行平替

内存方案是最小成本最佳起步；但如果你后面要扩展到很多图表、很多服务实例、或希望重启不重算 embedding，pgvector 很合适。

原创 向量大模型升级可能改变向量空间（需要回归）

把 embedding 想成：模型把一句话变成一串数字（向量），并保证意思越近的两句话，向量越接近。这个“数字世界的坐标系”就是向量空间。

原创 使用url请求本地qwen3-embed-0.6B向量大模型示例

qwen3-embed-0.6B 支持最长 8192 token。Authorization="Bearer 你的API-KEY"确认前面加了 Bearer （有空格）"input": "我想测试向量模型"检查 API-KEY 是否正确。

原创 docker启动的时候挂载了/etc/localtime，docker logs -ft显示的时间还是慢8个小时，但容器内部date是正常的，怎么解决

这是最彻底的方案，让 Docker daemon 也使用和宿主机一致的东八区时区，之后新产生的日志都会自动使用正确的本地时间。这个脚本会自动把日志里的 UTC 时间加上 8 小时，转换成你需要的东八区时间，不需要修改任何系统配置。，旧的历史日志的时间戳已经是 UTC 格式，不会自动转换。，导致 Docker CLI 显示时间时用了错误的时区。如果要永久解决，需要检查你的。还有一种常见的小概率情况：你当前执行。，那说明就是这个问题，执行。的 shell 环境里，等配置文件，删掉错误的。

原创 将qwen3.5-35B的token有18w调整为26w会影响并发量吗

18w → 26w，并发大致降 3 成左右；用 fp8 可大幅缓解。

原创 skill和mcp的区别

LLM 与外部工具 / 服务通信的标准化协议，统一接口格式，解决 “怎么连”。Skill（技能）：Agent 可执行的功能单元，含工具调用、提示词、业务逻辑，解决 “能做什么、怎么做”。功能上：现在的 Skill = 早期 “MCP 工具 + 硬编码 Prompt 逻辑”，本质是同一个东西。架构上：Skill 是把原来混在 MCP 里的业务知识 / 流程拆出来，单独标准化、工程化。目的：解决 MCP 的上下文爆炸、逻辑散乱、无法沉淀问题，让复杂任务更可控、更省钱、更专业。提出者。