<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[soldierluo的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/soldierluo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; soldierluo]]></copyright><item><title><![CDATA[openclaw卸载与重装]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/159953366</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/159953366</guid><author>soldierluo</author><pubDate>Wed, 08 Apr 2026 11:36:14 +0800</pubDate><description><![CDATA[使用 npm 安装最新版 OpenClaw，加上国内镜像比较快。#管理员权限打开powershell，并执行以下命令。#运行修复命令，自动检查和修复配置文件问题。#卸载 pnpm 安装的版本。openclaw卸载与重装。#清理 pnpm 全局存储。#启动 gateway。]]></description><category></category></item><item><title><![CDATA[openclaw接入企业微信]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/159506711</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/159506711</guid><author>soldierluo</author><pubDate>Thu, 26 Mar 2026 14:10:51 +0800</pubDate><description><![CDATA[-安装企业微信插件》openclaw plugins install @wecom/wecom-openclaw-plugin。--openclaw配置文件路径》C:\Users\Administrator\.openclaw。--保存文件并重启openclaw》openclaw gateway restart。--再次确认企业微信插件是否安装》openclaw plugins list。--查看企业微信插件是否安装》openclaw plugins list。--创建企业微信智能机器人。]]></description><category></category></item><item><title><![CDATA[openclaw基于windows系统安装]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/159506676</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/159506676</guid><author>soldierluo</author><pubDate>Thu, 26 Mar 2026 14:09:37 +0800</pubDate><description><![CDATA[-安装Node.js命令》管理员powershell》winget install --id=OpenJS.NodeJS.LTS --exact --silent --source winget。--管理员powershell》Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass，避免脚本执行报错。--安装git命令》winget install --id Git.Git -e --source winget。]]></description><category></category></item><item><title><![CDATA[Docling + minio + Dify（企业级最佳实践）]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/159425555</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/159425555</guid><author>soldierluo</author><pubDate>Tue, 24 Mar 2026 14:17:32 +0800</pubDate><description><![CDATA[-将文件转md格式，同时将图片分离存储》docling xx.docx --to md --image-export-mode referenced》此时图片会单独保持在相同目录下的image文件夹内。-v D:/docker-minio-data:/data \            #将图片存储路径修改为D:/minio-data。--图片路径》http://localhost:9001/dify-knowledge-images/image_000001_xxx.png。]]></description><category></category></item><item><title><![CDATA[winserver2022安装python与pip]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/159168426</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/159168426</guid><author>soldierluo</author><pubDate>Tue, 17 Mar 2026 16:28:16 +0800</pubDate><description><![CDATA[-找到 “Python 3.12.x” 版本（稳定版），64 位服务器选 Windows x86-64 executable installer（exe 安装包，约 25MB）--检查pip（Python包管理工具，默认随Python安装）》pip --version。--pip升级到最新版本》python -m pip install --upgrade pip。--以管理员身份运行python-x.xx.xx-amd64.exe。--检查Python版本》python --version。]]></description><category></category></item><item><title><![CDATA[dify知识库图文混排输出]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/158964113</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/158964113</guid><author>soldierluo</author><pubDate>Thu, 12 Mar 2026 11:32:57 +0800</pubDate><description><![CDATA[如果知识库中没有找到能回答用户问题的信息，请礼貌地告知：“抱歉，我目前还没有查到相关信息。如果用户的问题与商场导购无关（例如问天气、问新闻），请友好地引导回正题：“我是您的商场导购助手，主要帮您查找店铺、商品和活动信息哦。你是xxx一位热情、专业的商场智能导购助手，名叫“AI小宝”。5. 如果原文包含图片，需在摘要中体现图片的核心信息（当使用支持视觉的模型时），且需把图片和其前后的文本信息进行关联。--选择：rerank模型，gte-rerank-v2，如果有多模态的rerank模型，则选择多模态的。]]></description><category></category></item><item><title><![CDATA[dify移动端UI定制与美化]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/158845491</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/158845491</guid><author>soldierluo</author><pubDate>Mon, 09 Mar 2026 15:39:47 +0800</pubDate><description><![CDATA[打开：\dify\docker，修改 docker-compose.yml，查找web:，如果发现只有image: ，没有build: ，则删除image:xxx，替换为build: ../web。<div className="mx-auto pt-6 w-full max-w-[768px] px-4">，有2个，都改。docker-compose build web --no-cache   # 强制重新构建，不使用缓存。// 修改后（把 px-4 改成 px-0，去掉左右内边距）]]></description><category></category></item><item><title><![CDATA[dify中如何接入阿里云的大模型]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/158688593</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/158688593</guid><author>soldierluo</author><pubDate>Thu, 05 Mar 2026 09:22:44 +0800</pubDate><description><![CDATA[-点击 保存 → 点击 显示模型，打开需要的模型开关（如 qwen-max、qwen-plus 等）阿里云。--安装后点击 设置，凭据名称：阿里大模型 → API Key：粘贴阿里云百炼的密钥阿里云。--登录阿里云百炼平台（https://bailian.aliyun.com）阿里云。--验证：创建应用 → 选择通义千问模型 → 发送测试对话，正常返回即成功。--登录 Dify → 右上角头像 → 设置 → 模型供应商阿里云。--在模型列表找到 通义千问 → 点击 安装 插件阿里云。]]></description><category></category></item><item><title><![CDATA[无监督学习与监督学习]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/157473490</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/157473490</guid><author>soldierluo</author><pubDate>Wed, 28 Jan 2026 16:33:31 +0800</pubDate><description><![CDATA[为什么要进行无监督学习：训练大模型最好的数据是标注数据，标注数据可以快速的引导大模型完成特定能力的训练，但是在真实世界中，标注数据由于需要人工进行标注，数据量小，成本高，无法满足大模型训练对数据量的需求，而通过无监督学习可以有效的对大模型的基础能力进行训练，所以一般会先进行无监督学习训练，以形成对语言的理解和表达等大模型的基础能力。比如在LLM大语言模型中，无监督学习就是拿大量的书籍文本数据用来训练大模型，让大模型自行的总结语言的规律，从而够理解语言，能够生成语句进行表达输出。无监督学习与监督学习。]]></description><category></category></item><item><title><![CDATA[大模型的召回率]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/157030509</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/157030509</guid><author>soldierluo</author><pubDate>Fri, 16 Jan 2026 17:17:17 +0800</pubDate><description><![CDATA[摘要：召回率指大模型从知识库提取有效信息的能力。由于知识库数据庞大而模型处理能力有限，必须筛选高关联信息输入模型，这虽能降低计算成本，但也可能导致信息不完整而输出错误结论。解决方案包括增加召回数量上限（需权衡计算成本）和提高信息关联度（避免噪音干扰）。召回率平衡了效率与准确性，是优化大模型性能的关键因素。（149字）]]></description><category></category></item><item><title><![CDATA[向量与向量数据]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/156950322</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/156950322</guid><author>soldierluo</author><pubDate>Wed, 14 Jan 2026 17:45:42 +0800</pubDate><description><![CDATA[本文介绍了向量与向量数据的基本概念。向量是兼具大小和方向的数学量，源于几何数学，用于计算位置关系，这也是大模型衡量信息关联性的基础。向量数据通过算法将现实对象转换为向量形式，如二维坐标点。高维数据则通过更多维度更全面地描述事物特征，AI算法通常需要处理数百至数万维的向量数据。向量数据的核心作用是计算信息间的关联强度：距离近表示关系紧密，距离远则关系疏远。这一特性支撑了AI在信息处理中输入输出的决策机制。]]></description><category></category></item><item><title><![CDATA[AI的局限性，有所能与有所不能]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/152330899</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/152330899</guid><author>soldierluo</author><pubDate>Tue, 30 Sep 2025 18:06:21 +0800</pubDate><description><![CDATA[但是正常的工作生活中，我们的文件信息往往是各种信息类型混杂的，一份文件里会既有文字，又有图片，还有表格、图表等等，当前的大模型还难以有效理解文字以外的信息，更不论融合理解各种类型的信息。深度学习模型的“黑箱”特性未得到根本解决，我们无法看到大模型的分析过程，就像一个餐馆从一个遮住的后厨把菜端上来，你完全不知道厨房是什么样子，厨师是怎么做菜的。所以，AI作为一个电子大脑，能帮忙我们处理大量的事情，但是当前它是有它的局限的，我们要有清晰的认知才可以有效的利用它的能力，不能把它当成一块狗皮膏药，哪里都去贴。]]></description><category></category></item><item><title><![CDATA[AI的肉体，算力资源]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/152206051</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/152206051</guid><author>soldierluo</author><pubDate>Sun, 28 Sep 2025 08:38:15 +0800</pubDate><description><![CDATA[比如渲染屏幕上数百万个像素的颜色，每个像素每秒钟需要运算至少60次，如此大的计算量就是通过大量的gpu核心同时计算完成的，否则我们看到的画面会非常卡顿，或者满是马赛克。不论是模型训练，还是模型推理都需要消耗大量的算力，比如deepseek的训练需要消耗14.8万亿token的算力，按一台安装了i7cpu的性能良好的家用电脑计算，需要1.74亿年的运算才能完成deepseek的训练。很显然，如此长的时间是不可接受的，我们需要超强的算力来压缩在计算上的时间消耗。AI的肉体，算力资源。]]></description><category></category></item><item><title><![CDATA[AI的训练模拟器，强化学习]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/152124279</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/152124279</guid><author>soldierluo</author><pubDate>Fri, 26 Sep 2025 14:06:42 +0800</pubDate><description><![CDATA[什么是强化学习，强化学习是机器学习的核心分支之一，其核心思想源于 “试错学习”，智能体通过与外界的持续交互，在 “奖励（Reward）” 与 “惩罚（Penalty）” 的反馈中调整行为策略，最终学会最大化长期累积奖励的决策模式。强化学习是 “从经验中学习最优决策” 的机器学习分支，核心优势是解决 “序列决策优化” 问题，尤其适合环境动态、反馈延迟的场景。比如，机器人控制，自动驾驶，金融交易等场景。可以看到对于规则明确，可以进行当场反馈的场景，强化学习具有极高的训练效率，是AI训练的强大工具。]]></description><category></category></item><item><title><![CDATA[AI智慧能力的核心引擎，自注意力机制]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/151834600</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/151834600</guid><author>soldierluo</author><pubDate>Thu, 18 Sep 2025 17:23:12 +0800</pubDate><description><![CDATA[什么是自注意力机制，自注意力机制是当前最著名的神经网络架构——Transformer架构的核心组件，其本质是，让模型在处理单个信息序列数据时，能够自主归纳序列中每个元素与其他所有元素的关联程度，并为关联度高的元素分配更高权重（使其为当前元素提供更多信息），关联度低的元素则贡献更少信息。作为人类，很容易理解文本中的“它们”指的是“小动物们”而不是“大道”。自注意力机制的作用就是，当模型处理到“它们”这个词时，会自动地、大幅地关注“小动物们”，并赋予很高的权重，从而实现对文本中“它们”这个信息的理解。]]></description><category></category></item><item><title><![CDATA[AI的设计图，神经网络架构]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/151761730</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/151761730</guid><author>soldierluo</author><pubDate>Tue, 16 Sep 2025 18:12:40 +0800</pubDate><description><![CDATA[为什么要设计神经网络架构，因为传统的基于硬性规则编程的软件体系难以应对我们面临的许多现实问题，比如在进行人脸识别时，如何判断图像中的人是否是某个人，传统的软件体系解决起来非常困难，需要通过瞳距、嘴宽度、鼻子宽度等信息进行比对判别，而人在各种视频中的图像和标准照片相比有巨大的差异，比如拍摄的角度、图像的清晰度、表情的状态都可能不同，这时传统软件就会两眼一抹黑完全无法解决如此多的各种场景。不论哪种架构，核心逻辑始终是“匹配任务与数据，让模型高效学习，总结规律，实现拟人的智慧能力”。AI的设计图，神经网络架构。]]></description><category></category></item><item><title><![CDATA[AI智力的基础，参数量]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/151584379</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/151584379</guid><author>soldierluo</author><pubDate>Thu, 11 Sep 2025 17:23:52 +0800</pubDate><description><![CDATA[参数量的意义是什么，参数量的意义非常重大，人和动物的区别是什么，是智慧能力，智慧能力来自于大脑的区别，而大脑的区别来自于神经元数量的区别，越多的神经元就能组成越多的关系，就能处理越复杂的事项，人类大脑的神经元数量要比动物高出几个数量级，比如人的神经元数量约860亿个、狗只有五六亿、鸡更少只有两三亿的神经元，很明显人、狗、鸡的智慧能力差别与大脑神经元数据量差别成非常明显的正比例关系，大模型也一样，越多的参数量能够承载的智慧等级就越高。处理复杂的事务，就需要大规模参数量的大模型，比如分析动物的演化进程；]]></description><category></category></item><item><title><![CDATA[AI厨师的锅，上下文长度]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/151249714</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/151249714</guid><author>soldierluo</author><pubDate>Sat, 06 Sep 2025 10:27:02 +0800</pubDate><description><![CDATA[一是成本限制，上下文的长度与计算资源消耗成平方关系，处理2K上下文消耗的资源量为1的话，处理5K的上下文，长度增加了4倍，但是消耗的计算资源量则为4的平方，16倍之多，降低上下文长度是控制计算成本的最简单有效方法；那么该如何注意面对上下文长度，首先要知道上下文内容包括，问题、指令、回答、聊天历史、提供的文件内容等，使用时注意以上内容长度总和不要超出大模型上下文长度限制；大模型上下文长度，以词元Token为单位来衡量，它是一个硬性限制，超出就会导致信息丢失，就像锅里装的食材超过了锅的容量，食材就会溢出来。]]></description><category></category></item><item><title><![CDATA[AI的关系知识库，知识图谱知识库]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/150979133</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/150979133</guid><author>soldierluo</author><pubDate>Fri, 29 Aug 2025 11:21:37 +0800</pubDate><description><![CDATA[但是如果问题涉及到深层次的信息时，RAG就难以胜任，而在现实场景内，存在着大量的类似情况，比如，公司的营收下降了，原因是什么，我们不能只看到某天某月的销售额下降，或者某个品类销售额的下降，这样就太表层了，应该站在更高的层面来俯视整个盘面，从公司的业务价值链来分析，营收的前置指标是销售，销售的前置指标是客流与客单价，客流的前置指标是营销推广，根据这个逻辑进行思维链推理，才有可能找到营销下降的最真实、最核心的原因，只有找到了原因才可能有正确的解决方案与有效决策。所以，简单查询选RAG，深度推理用知识图谱。]]></description><category></category></item><item><title><![CDATA[AI的思考规划能力，思维链]]></title><link>https://blog.youkuaiyun.com/soldierluo/article/details/150579710</link><guid>https://blog.youkuaiyun.com/soldierluo/article/details/150579710</guid><author>soldierluo</author><pubDate>Thu, 21 Aug 2025 11:48:18 +0800</pubDate><description><![CDATA[比如我们问大模型，比亚迪的股票是否值得买入，如果它回答是值得，然后没有任何其它的信息，你会接受它的结论吗，我觉得大部分人是不会的，因为没有任何的论证过程来强化这个结论的可信度，说不定大模型在后台丢硬币，随机给出一个结论。越复杂的问题，需要的分析推导过程就越长，如果思维链长度无法满足问题复杂度的需求，那么就很难得出正确的结论，这就好比优秀的旗手可以评估十步内的最优解，但是普通人只可以评估三步内的最优解，相对而言普通人的最优解就是错的，因为三步内的最优解会导致其输棋。AI的思考规划能力，思维链。]]></description><category></category></item></channel></rss>