- 博客(115)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 （开源项目）xsun_workflow_jira
JIRA工时自动填报Agent是一款基于AI的智能工作日志系统，能够自动分析Git提交记录并匹配JIRA任务进行工时填报。该系统采用Java 21和Spring Boot 3.2.3开发，集成LangChain4j框架实现AI智能分析功能，通过OpenAI模型自动将Git提交内容与JIRA问题进行匹配。核心功能包括自动获取Git提交记录、查询未完成任务、智能匹配问题、计算所需工时以及自动生成工作日志。系统架构包含配置层、服务层和工具层，通过AI Agent实现智能决策
2025-12-15 18:52:04
395
原创 （开源项目）XSUN_DESKTOP_PET(桌面宠物)
XSUN DESKTOP PET是一款基于Rust和Tauri2开发的桌面宠物应用，主要用于学习Rust与Tauri2框架。该应用具有剪贴板历史记录功能（支持JSON格式化）、系统监控和AI对话等核心功能。未来计划增加JSON对比、更丰富的AI模型支持、点击穿透的日程管理等功能。项目已开源，提供Windows安装包，开发者欢迎用户提出功能建议并持续改进应用。
2025-09-19 20:53:16
909
原创 AI基础知识（RAG、Function Calling、MCP、Agent）
摘要：检索增强生成（RAG）技术通过结合信息检索和大型语言模型（LLM），使AI能够引用外部知识生成更准确、时效性更强的回答。RAG的核心流程包括索引、检索和生成三个阶段。
2025-05-22 10:42:49
1042
原创 多 Agent 架构：Coordinator + Worker 模式
day36:周一：多Agent架构（Coordinator + Worker 模式）
2025-12-20 14:00:07
335
原创 RAG（Retrieval-Augmented Generation）
day24 实现 RAG Pipeline（Embedding + Retrieval + Generation）
2025-12-10 15:20:41
452
原创 Embedding 嵌入模型（SentenceTransformers）
day19 理解 Embedding 嵌入模型（SentenceTransformers）
2025-11-29 11:10:46
1081
原创 LangChain 基础结构（LLM、Prompt、Chain）
day15 理解 LangChain 基础结构（LLM、Prompt、Chain）
2025-11-26 10:12:57
516
原创 Few-shot / Chain-of-Thought 提示技巧
day11：理解Few-shot / Chain-of-Thought 提示技巧
2025-11-22 12:51:00
284
原创 HuggingFace Transformers Pipeline
day9 尝试 HuggingFace Transformers Pipeline
2025-11-20 20:25:12
498
原创 Python 虚拟环境与包管理
day1: 学习 Python 基础语法、列表、字典、函数day2 目标：掌握虚拟环境（venv）与包管理（pip、requirements.txt）
2025-11-17 15:20:11
207
原创 （开源项目）XSUN_DESKTOP_PET 3(+JSON对比)
这个版本，我更换了桌宠的gif（后续会考虑改成自定义上传），以及修改了桌宠的点击后功能菜单的样式经过一系列样式的改进，部分样式得以修改，今天我们来添加一个json对比功能。
2025-11-06 10:46:33
170
原创 AI智能体（Agent）
AI智能体（AI Agent）是一种能够自主理解环境、制定计划、做出决策并采取行动来实现特定目标的AI系统。与传统的响应型AI（如问答系统）不同，智能体具有主动性和自主性，能够根据目标和环境状态持续调整自身行为，直到完成任务或达成目标。核心价值：AI智能体代表了AI从"被动回答问题"到"主动解决问题"的范式转变，通过赋予AI系统规划能力、记忆机制和工具使用能力，使其能够处理复杂、多步骤的任务，并在不确定环境中做出适应性决策。大型语言模型（LLM）
2025-06-05 08:51:49
1050
原创 模型上下文管理（MCP）
模型上下文协议（Model Context Protocol，MCP）或模型上下文管理，是一种对大型语言模型（LLM）的上下文信息进行规范化组织和管理的结构化框架。它为AI系统提供了统一的方式来处理和传递对话历史、用户信息、系统配置等上下文数据，确保模型能够获得必要的背景信息来生成连贯、准确且符合需求的回应。
2025-06-05 08:49:50
1616
原创 函数调用（Function Calling）
函数调用技术使大型语言模型(LLM)能够连接外部系统，从纯语言处理升级为可执行操作。其核心是通过函数描述、意图识别和参数生成，让LLM识别何时调用外部函数并生成结构化参数（如JSON）。工作流程包括函数注册、用户请求分析、函数执行与结果整合。该技术广泛应用于数据查询、个人助理、智能服务等场景，如旅游助手可综合调用天气、景点查询等多功能。优势包括实时数据访问、执行能力扩展、结构化输出和系统集成简化。其实现方式包括使用支持函数调用的API、提示工程模拟或模型微调，并面临参数准确性、函数选择等挑战，需配合验证机制
2025-06-04 19:15:50
3001
原创 检索增强生成（Retrieval-Augmented Generation，RAG）
检索增强生成(RAG)技术演化路径分析 摘要： RAG技术通过结合检索与生成克服了纯LLM的知识局限性。其发展经历了三个阶段：1)朴素RAG采用基础的"索引-检索-生成"流程，但存在噪声干扰和召回率低等问题；2)高级RAG在各环节引入优化技术，如查询重写、混合检索和重排序，显著提升性能；3)模块化RAG采用组件化架构，支持灵活编排和扩展，能处理多源异构数据融合等复杂场景。模块化设计赋予系统高度灵活性、可扩展性和持续迭代能力，使RAG技术能够满足多样化应用需求。(149字)
2025-06-04 19:14:42
1286
原创 ✨SQL-递归CTE
WITH 临时笔记本 AS (SELECT ... FROM ... -- 先写点笔记SELECT * FROM 临时笔记本;-- 再用笔记做分析特点：📌 临时性：仅在当前查询有效（像一次性草稿纸）🧩 可复用：可在一个查询中多次引用🪄 自描述：增强SQL可读性（比子查询更清晰）清晰结构：WITH CTE名称 AS (...) 像写大纲递归力量：UNION ALL + 终止条件 实现循环严格模式生存法则：GROUP BY 要完整！
2025-03-11 13:25:13
719
原创 Shenandoah GC 核心知识点
Shenandoah：适合追求极致低延迟的场景，通过并发回收减少 STW，但需牺牲少量吞吐和内存。G1：更适合通用场景，平衡吞吐与延迟，成熟稳定。根据业务需求选择，小堆选 G1，大堆高敏感选 Shenandoah！🚀。
2025-02-20 09:09:24
870
原创 Java 语法新特性（Records、Pattern Matching、Sealed Classes）深度解析（11/17/21）✨
简化不可变数据载体的定义。：精细化控制类继承关系。
2025-02-19 08:52:10
565
原创 ✨G1核心知识点解析
G1通过Region化内存、RSet、SATB等机制，在可控停顿时间内实现高效回收，尤其适合大内存和低延迟场景。调优需关注。
2025-02-19 08:47:54
983
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人