- 博客(31)
- 收藏
- 关注
RSS订阅原创 Android 注册页输入框焦点抖动与键盘闪烁问题
附：本记录未包含任何服务器地址、用户标识、令牌或机构名称等敏感信息；文件路径与代码片段均为示意或已脱敏版本。本文已对应用名称、服务地址、用户标识等敏感信息进行处理，仅保留与问题定位和修复相关的通用技术细节。
2025-11-21 07:06:47
429
原创 cursor + miktex 无痛写论文
本文介绍了LaTeX工作环境的配置步骤：首先安装MiKTeX和Strawberry-Perl，然后在Cursor编辑器中进行设置。主要内容包括配置自动构建规则、PDF查看器选项、编译工具链（xelatex/pdflatex和bibtex的组合）、清理文件类型设置，以及预览、同步等辅助功能。配置还涉及编辑器主题、Git集成等开发环境设置，为LaTeX文档编写提供了完整的工具链支持。
2025-11-21 07:04:46
395
原创 多智能体规划偏差修正指南（基于国际主流方案）
本文提出多智能体规划偏差修正的分层防御架构（6层关口），参考国际主流机构最新研究成果。针对多智能体协作中的意图漂移、幻觉断言和不可执行等核心问题，采用分层检测与修正机制： 不确定性感知澄清层：通过采样方差等指标主动识别并澄清模糊需求 多候选规划生成层：使用Tree of Thoughts等方法并行生成备选方案 符号验证层：检测前置条件缺失等逻辑错误 证据绑定层：强制要求提供可验证的数据支持 执行守护层：工具调用实时校验 在环优化层：持续学习改进 该架构通过代码示例展示了不确定性评估和多候选生成等关键技术实现
2025-11-07 08:45:00
690
原创 线性注意力架构：突破Transformer的计算瓶颈
线性注意力架构突破Transformer计算瓶颈 传统Transformer的二次复杂度成为处理长序列的主要障碍。线性注意力通过数学变换将复杂度降至线性水平，核心方法包括：1）核技巧特征映射；2）计算顺序重排；3）递归状态压缩。关键技术涵盖门控线性注意力、高阶线性注意力等变体，以及LoLCATs等高效转换方法。最新研究如Infini-attention实现百万级上下文建模，而LASP-2等优化提升了并行效率。这些突破为处理超长序列提供了高效解决方案，推动了大模型在长文本、视频等领域的应用潜力。
2025-11-05 08:45:00
1036
原创 Transformer三大架构解析：Encoder-Only vs Decoder-Only vs Encoder-Decoder
Transformer三大架构解析摘要 Transformer架构已发展出三大主流分支： Encoder-Only（如BERT）：擅长文本理解任务，采用双向注意力机制，适用于分类、NER等场景 Decoder-Only（如GPT系列）：专注于文本生成，使用因果注意力，当前占据85%市场份额 Encoder-Decoder（如T5）：专精序列转换任务，适合翻译、摘要等应用 2025年趋势显示： Decoder-Only模型（GPT-4、Claude等）已成为行业主导 开源模型（LLaMA、Mistral等）快
2025-11-04 08:45:00
1043
原创 IDE/编码代理架构与 Cursor 相关研究（汇总）
本文探讨了AI驱动的IDE/编码代理（如Cursor）的架构设计与安全挑战。研究指出，当前缺乏官方公开的Cursor内部架构文档，但多篇论文涉及高权限IDE代理的安全风险（如提示注入攻击）、生产力影响评估和代理架构模式。关键建议包括：实施最小权限沙箱、命令白名单、高危操作人工确认等防护措施；采用MCP协议进行遥测和工具集成；建立"人在回路"机制确保关键节点可审。文章还推断Cursor可能采用的模块化架构，包括上下文检索层、代理编排层和安全验证层等核心组件，并提供了基于MCP的最小实现示例
2025-11-03 22:08:08
807
原创 Github上传代码指南
SSH密钥生成与GitHub配置指南 🔐 本教程详细介绍了SSH密钥的生成和使用方法，重点讲解如何创建安全的ED25519密钥对并配置到GitHub账户。主要内容包括： SSH密钥原理：公钥/私钥加密机制 生成步骤详解（支持Windows/macOS/Linux） 关键参数说明，特别是邮箱参数的灵活使用 GitHub配置流程和验证方法 安全注意事项和常见问题解答 特别强调：SSH认证仅依赖密钥对匹配，邮箱参数仅作为注释标识，不影响实际连接功能，但建议使用真实邮箱便于管理。教程提供了完整的命令行示例和可视化
2025-09-23 08:45:00
986
原创 大模型微调Loss正常范围指南：避免过拟合的关键指标
本文探讨了大语言模型微调过程中Loss值的合理范围及过拟合判断标准。关键要点包括： 因果语言模型Loss正常区间为0.4-1.2，低于0.1通常意味着过拟合； 验证集Loss应比训练集高10-30%，需关注趋势而非单点数值； 提供了Perplexity转换公式（PPL=e^loss）和典型值对照表； 列举了过拟合的警告信号，如训练Loss异常低而验证Loss上升； 建议通过早停机制、数据检查和学习率调整等方法应对过拟合； 包含PyTorch代码示例，展示训练验证框架和早停实现。 文章强调不应盲目追求低Los
2025-09-22 09:51:30
1809
原创 CUDA 环境下 `libcuda.so` 缺失问题解决方案
摘要：解决CUDA环境下libcuda.so缺失问题的方法。当程序报错"找不到-lcuda"时，通常因为缺少libcuda.so软链接。通过检查/usr/lib/x86_64-linux-gnu/目录下的CUDA库文件，手动创建libcuda.so指向libcuda.so.1的软链接即可解决。建议同时验证NVIDIA驱动和CUDA工具包的安装状态。
2025-07-15 23:34:54
1301
原创 记npm的一些问题
本文介绍了解决npm安装问题的实用方法。当npm安装缓慢或卡顿时，可改用淘宝镜像源（registry.npmmirror.com）。若仍出现转圈问题：1）强制清理缓存；2）通过--verbose参数查看详细安装日志排查问题。这些操作能有效解决常见的npm网络和缓存问题，提高前端开发效率。
2025-07-13 22:32:46
334
原创 云服务器网页自动调用本地exe文件方法
摘要 本文介绍了通过网页按钮调用本地exe程序的方法，适用于Windows系统。主要步骤包括：1)准备本地exe文件(需英文路径)；2)注册自定义协议(通过.reg注册表文件)；3)网页端添加调用按钮；4)用户操作流程说明。首次使用需导入注册表，点击按钮时会触发浏览器调用本地程序并提示授权。该方法可实现云服务器网页与本地exe程序的交互，同时提供了取消注册的方法。注意路径必须使用英文以避免识别问题。
2025-07-08 08:45:00
737
原创 PyInstaller打包优化：pipenv减小exe文件大小
摘要 PyInstaller打包文件过大（80-150MB）的主要原因是导入过多模块和依赖包。通过使用pipenv虚拟环境并仅安装必要依赖，可将文件大小减少60-75%。关键步骤包括：安装pipenv、创建虚拟环境、在虚拟环境中重新安装pyinstaller和必要依赖，最后用优化参数打包。对比显示，物理环境打包80-150MB，虚拟环境仅20-40MB。注意必须在虚拟环境中安装pyinstaller，否则无法实现优化效果。
2025-06-26 08:45:00
755
原创 Ubuntu安装搜狗输入法
本文介绍在Linux系统上安装讯飞输入法的步骤。首先确认已安装fcitx输入法框架，然后需下载讯飞输入法的deb安装包。安装过程需要用户授权，并提供了官方下载地址。安装完成后，可通过fcitx配置工具进行设置。文中还包含两个示意图：官网下载页面截图和fcitx配置界面截图，指导用户完成安装和配置过程。
2025-06-14 09:15:00
629
原创 超详细！不同操作系统安装 Node.js 全攻略
本文详细介绍了在Windows、MacOS和Linux三大操作系统中安装Node.js的完整步骤。Windows用户可通过官网下载.msi安装包，MacOS推荐使用Homebrew包管理器安装，Linux用户则需通过终端命令安装。安装完成后，可通过node -v和npm -v验证版本。文章还提供了配置npm镜像源、升级版本等进阶操作指南，帮助开发者快速搭建Node.js开发环境。不同系统下的安装过程清晰易懂，适合各水平开发者参考。
2025-06-14 09:15:00
1296
原创 HTML 输入框代码解析
本文解析HTML输入框代码，首先展示了一个包含div容器和input元素的代码示例。对代码进行了逐行解释，说明div标签的布局作用和input标签的输入功能属性。文章重点指出自动化操作应选择input元素而非div容器，并提供了Selenium和Playwright的自动化操作示例。最后详细解释了.t-input_inner CSS类选择器的用途，包括样式控制和脚本定位，并给出相关代码示例。全文强调正确选择输入框元素和使用类选择器的重要性。
2025-06-14 09:15:00
497
原创 MCP和A2A实战教程：构建智能客服系统
摘要：本教程演示了如何使用MCP和A2A协议构建智能客服系统。系统包含主客服AI、订单查询AI、产品推荐AI和支付处理AI四个组件，通过A2A实现AI间通信，MCP协议连接底层工具。教程详细展示了订单查询工具的实现过程、订单AI与主客服AI的交互逻辑，以及如何启动测试服务。最终系统能处理客户咨询，如通过分析意图将订单查询请求路由至专用AI，并返回数据库查询结果。教程还提供了系统架构图和工作流程说明，为开发者理解MCP/A2A协作提供了实践参考。
2025-06-07 12:43:45
1146
原创 Conda环境备份教程
本文介绍了备份Conda环境的详细步骤，包括创建备份目录、导出环境配置为YAML文件、验证备份有效性以及恢复环境的方法。教程以Windows系统为例，提供具体命令示例，如如何备份bannerlord_auto等4个环境。文章还提醒用户备份时的注意事项，建议定期更新备份文件并存储在安全位置，同时列出查看环境列表、环境详情和删除环境等其他实用命令。通过这套完整流程，用户可有效管理Python开发环境，确保环境配置安全可靠。
2025-06-07 09:00:00
570
1
原创 MCP和A2A的区别是什么？——用通俗易懂的方式解释AI代理通信协议
MCP和A2A是两种互补的AI代理通信协议：MCP是"工具使用说明书"，规范AI如何操作各类工具；A2A是"同事沟通指南"，管理AI代理间的协作。MCP用于AI与工具交互（如查询航班、支付系统），A2A用于AI间协调（如订票流程中各AI配合）。实际应用中常同时使用，就像人类既需要操作工具能力也需要团队协作能力。这两种协议共同构建了AI系统的完整工作能力。
2025-06-07 09:00:00
1153
原创 MCP 协议开发指南
MCP（Master Control Program）是一个基于Python的工具控制系统，采用装饰器模式注册工具。开发要点包括：1）创建继承BaseTool的自定义工具类，实现execute方法；2）使用JSON Schema定义工具参数；3）通过MCPServer注册工具并启动服务。协议支持stdio和SSE两种通信模式，提供错误处理机制和日志记录功能。最佳实践建议保持工具功能单一、异步优化性能、严格参数验证。开发过程中需注意工具注册格式正确性、通信连接配置以及执行超时等问题。
2025-05-28 08:45:00
1112
原创 MCP 通信协议：stdio vs SSE
本文探讨了MCP通信协议的两种模式选择。stdio模式基于标准输入输出，适合本地开发、单机部署等简单场景，具有零配置、高性能和调试便利的优势。SSE模式则采用Server-Sent Events技术，适用于分布式系统、多客户端支持和服务器推送等复杂需求。作者根据实践经验提出了协议选择标准：stdio模式用于开发和简单应用，SSE模式用于生产环境和复杂系统。文章还分享了双协议实现的最佳实践，包括环境变量配置、错误处理和性能监控，为在不同场景下选择最优通信方案提供了参考。
2025-05-28 08:45:00
2888
原创 MCP 架构设计：为什么需要服务器和客户端？
MCP架构采用服务器-客户端设计，实现工具集中管理、资源隔离和并发处理三大核心优势。服务器端统一管理工具执行，客户端专注请求发送，通过连接池和缓存优化通信性能，支持多客户端并发。该架构在开发环境便于调试，生产环境支持负载均衡，且能动态扩展工具。安全性方面实现细粒度权限控制和数据隔离，确保系统可靠运行。这种设计提升了可扩展性、性能和部署灵活性，为系统长期发展奠定基础。
2025-05-28 08:45:00
749
原创 Docker 和 Dify 安装指南
本文提供了Docker、Ollama和Dify的安装与配置指南。包括Docker版本检查、镜像源配置解决下载超时问题；Ollama的下载安装及DeepSeek模型运行方法；以及使用Docker部署Dify的完整流程，从代码下载到服务启动，最后通过浏览器访问安装页面。所有步骤均包含详细的命令行操作说明，帮助用户顺利完成安装配置。
2025-05-26 08:49:02
683
原创 从零开始：LLaMA-Factory 大模型微调完全指南 | 手把手教你打造专属AI助手
无需深度学习背景，跟着教程一步步操作，即可打造属于你的专属 AI 助手！
2025-05-19 08:45:00
1246
原创 【重磅】通义法睿：你的AI法律顾问，让法律问题迎刃而解！| 超详细使用指南
通义法睿是阿里云推出的专业法律大语言模型，基于通义千问开发，经过法律专业数据和知识的专门训练。本文档全面介绍了通义法睿的使用方法，从基础SDK安装到高级应用开发，涵盖法律咨询、文书生成、案件分析等8大应用场景，并详细说明了如何将模型接入Dify平台进行应用开发。无论你是法律从业者、开发者还是普通用户，都能通过本指南快速掌握通义法睿的使用方法，构建自己的智能法律应用。
2025-05-17 09:15:00
2268
原创 实战教程：将AI大模型接入微信小程序，打造智能客服系统
在人工智能快速发展的今天，将AI大模型应用到实际业务场景中已经成为一种趋势。本文将带领大家完成一个完整的项目：将微调后的AI大模型接入微信小程序，打造一个智能客服系统。这个系统不仅界面美观，而且功能完整，可以直接用于实际业务场景。美观的聊天界面实时对话功能自动滚动到最新消息加载状态提示错误处理机制与AI大模型的无缝集成通过本文，我们完成了一个功能完整的AI智能客服小程序。这个项目不仅展示了如何将AI大模型应用到实际场景中，也展示了微信小程序开发的基本流程。
2025-05-13 08:59:38
4653
3
原创 大模型微调指南：如何获得卓越效果
成功的大模型微调是科学与艺术的结合。数据质量始终是最重要的因素，而正确的技术选择和训练过程优化可以充分释放模型潜力。通过系统化的评估和迭代，我们能够不断提升模型表现，最终达到卓越效果。记住，微调是一个持续优化的过程，随着你经验的积累，你将开发出适合自己特定场景的最佳实践。*作者：柳思木发布日期：2024年5月10日。
2025-05-10 09:15:00
2783
原创 高校构建私有化大模型：如何高效清洗杂乱重复数据
本文针对高校微调大模型时面临的数据杂乱、重复问题，提供了一套从数据清洗到模型落地的完整解决方案，包含实操代码示例与工具推荐。
2025-05-03 12:32:24
399
原创 高校构建私有化大模型：如何高效清洗杂乱重复数据？
本文针对高校微调大模型时面临的数据杂乱、重复问题，提供了一套从数据清洗到模型落地的完整解决方案，包含实操代码示例与工具推荐。
2025-05-03 12:21:17
428
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人