You should know this about google(plus)

stefli stefli 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 776平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄24年
关注
原创 最新推荐文章于 2026-08-24 10:36:50 发布 776 阅读 AI 写同款· GEO 优化 ›
3款主流广告拦截插件对比：Adblock Plus vs uBlock Origin vs AdGuard 2026年实测 在配备M3芯片的MacBook Pro（16GB内存）和Windows 11设备（i7-1360P/32GB）上进行三轮压力测试，使用WebXPRT 2026和Speedometer 3.1作为基准工具。当网页加载速度因广告追踪脚本拖慢37%、移动设备电池续航因自动播放视频广告缩短23%时，广告拦截工具已从可选插件升级为现代浏览器的必备组件。：iOS用户推荐使用AdGuard的DNS过滤模式，可节省高达40%的扩展内存占用。：AdGuard在电商网站出现最高达800ms的渲染阻塞，因其。 阅读详情
203.208.46.29 picadaweb.google.com
203.208.46.29 lh1.ggpht.com
203.208.46.29 lh2.ggpht.com
203.208.46.29 lh3.ggpht.com
203.208.46.29 lh4.ggpht.com
203.208.46.29 lh5.ggpht.com
203.208.46.29 lh6.ggpht.com
203.208.46.29 lh6.googleusercontent.com
203.208.46.29 lh5.googleusercontent.com
203.208.46.29 lh4.googleusercontent.com
203.208.46.29 lh3.googleusercontent.com
203.208.46.29 lh2.googleusercontent.com
203.208.46.29 lh1.googleusercontent.com
203.208.46.29 plus.google.com
203.208.46.29 talkgadget.google.com
收录于
技术

当前文章被收录于：

技术
23 篇文章 0 人学习
订阅专栏 查看详情
标签
#google
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Qwen3.5-Plus架构解析：混合注意力与门控稀疏路由的工程实践 大模型推理效率是当前AI工程落地的核心瓶颈。本文围绕混合注意力机制、门控稀疏路由、原生多模态训练范式等关键技术展开，解析如何在千亿参数规模下实现高精度长上下文理解与低显存开销的平衡。重点探讨Gated Attention对attention sink问题的抑制原理、MoE专家激活率与负载均衡的协同设计，以及Linear Attention与Gated Delta Networks在超长文本处理中的工程取舍。这些技术共同支撑了Qwen3.5-Plus在Agent任务、多模态UI生成和企业级知识库等场景中的稳定 阅读详情

相关推荐

LangChain ReAct Agent实战：构建可编程的AI工具调用系统

ReAct（推理与执行）是一种将大语言模型能力与外部工具协同的工程范式，其核心在于通过自然语言描述驱动模型进行工具选择与调用。它不依赖模型微调，而是基于Prompt中Tool的description文本实现零样本决策，显著提升AI对实时信息、私有知识和多源数据的访问能力。该范式在智能客服、企业知识库、动态新闻检索等场景中展现出强实用性与高可控性，尤其适合需要审计性、可解释性和低成本落地的工程团队。本文聚焦Zero-shot ReAct Agent的完整构建链路，涵盖工具编排逻辑、description设计原

weixin_34274029的博客 374

用LangChain Tools打造会自己查资料的GPT智能体

大语言模型（LLM）具备强大推理能力，但其知识具有静态性与时效局限，难以应对动态、开放的真实世界问题。LangChain Tools通过ReAct（Reasoning + Acting）范式，将LLM解耦为‘决策中枢’，协同外部工具（如搜索引擎、Wikipedia、YouTube）完成信息检索与整合，实现知识实时增强。该方案提供可编程、可审计、可定制的联网能力，显著优于黑盒式SaaS服务，适用于客服系统、内部知识库、数据分析平台等工程场景，是构建生产级AI智能体的核心基础设施。

weixin_33806300的博客 320

从零实现ReAct Agent：拆解AI智能体的思考-行动-观察循环

在AI应用开发领域，智能体（Agent）已成为连接大语言模型与外部工具的核心架构范式。其核心原理在于通过结构化的工作流，使模型能够主动调用工具、处理反馈，从而解决复杂任务。从技术价值看，这种范式突破了传统单一提示词工程的局限，赋予AI系统动态规划、迭代执行的能力，是实现自动化、智能化应用的关键。在工程实践中，ReAct（Reasoning-Acting）模式通过“思考-行动-观察”的循环机制，将推理与工具调用有机结合，广泛应用于智能客服、数据分析、自动化流程等场景。本文以ReAct范式为例，深入解析其底层状

weixin_34296641的博客 532

Ceres 数值求导原理与使用

本文介绍了数值求导方法及其在Ceres Solver中的应用。主要内容包括： 数值求导方法： 前向差分法（Forward Differences）：误差O(h)，计算简单但精度较低 中心差分法（Central Differences）：误差O(h²)，精度更高但计算量加倍 Ridders方法：通过Richardson外推法获得更高精度，误差下降更快但计算成本最高 在Ceres中的实现： 使用NumericDiffCostFunction模板类 通过改变模板参数选择不同差分方法 提供具体实现示例和性能对比 使

人无远虑，必有近忧 900

构建可审计的RAG系统：检索噪声、上下文饱和与答案漂移的实战应对

RAG（检索增强生成）是一种将外部知识库与大语言模型结合的关键技术，其核心原理在于通过向量检索获取相关上下文，再交由LLM进行条件化生成。技术价值体现在避免幻觉、提升事实准确性与支持私有数据闭环，广泛应用于法律文档审查、临床试验分析、内部知识库和多语言技术文档搜索等高可靠性场景。然而真实落地中，三大典型问题持续制约效果：检索噪声导致无关信息干扰、上下文窗口饱和引发静默截断、答案漂移造成结果不一致。本文聚焦LlamaIndex+Gemini Flash+Mirascope技术栈，深入剖析这三类失效模式的根因与

chuange6363的博客 615

Distilling the Knowledge in a Neural Network 神经网络中的知识蒸馏

提高几乎任何机器学习算法性能的一种非常简单的方法是，在相同数据上训练许多不同的模型，然后对它们的预测结果取平均值[3]。遗憾的是，使用整个模型集成进行预测较为繁琐，并目计算成本可能过高，难以部署给大量用户，尤其是在各个模型都是大型神经网络时。Caruana及其合作者[1]已表明，可以将一个集成中的知识压缩到单个模型中，从而使其更易于部署；我们使用一种不同的压缩技术进一步发展了这种方法。

u013250861的博客 54

构建带工具与记忆功能的聊天机器人

状态定义：MessagesStateMessagesState是LangGraph内置的状态类型，专门为对话场景设计，内部结构为{"messages": [消息列表]}，自动管理用户消息与Qwen-plus的回复内容。MemorySaver会自动持久化该状态，实现对话记忆，无论大模型切换为哪种，该状态的管理逻辑完全不变。

夏天又到了的专栏 253

基于LangChain与TypeScript构建AI Agent：从核心概念到工程实践

在人工智能应用开发领域，大语言模型（LLM）的兴起催生了新一代智能体（AI Agent）的构建需求。AI Agent的核心原理在于将大语言模型的推理能力与外部工具的执行功能相结合，通过规划、决策与执行的循环机制完成复杂任务。这一技术架构的价值在于突破了传统对话系统的局限，使AI能够主动调用API、查询数据并执行具体操作，从而在智能客服、自动化工作流、数据分析等场景中实现更高阶的自动化。LangChain作为当前主流的AI应用编排框架，通过其链（Chains）、代理（Agents）与工具（Tools）的核心抽

weixin_34302798的博客 313

TypeScript核心笔记

记录加深印象，可做历史查阅。

yanghuashuiyue的专栏 774

Cherry Studio 配置指南：厘清本地大模型调用原理与实践

大语言模型（LLM）调用并非简单填写API密钥，而是涉及前端UI、后端服务与协议兼容性的系统工程。OpenAI兼容接口规范定义了标准请求结构（如/v1/chat/completions），但实际可用性取决于后端服务是否真实运行并正确响应。Cherry Studio作为轻量级Chat UI，本质是HTTP请求代理，不提供模型也不验证模型真实性，其模型下拉菜单、认证透传、流式响应等行为均严格遵循OpenAI API协议。理解这一原理，可避免陷入‘GPT-5.4 Pro’等虚构模型话术陷阱，并真正掌握Ollama

a4512138的专栏 459

对Palantir的本体论的理解

本体论Ontology是Palantir的整个技术架构的核心与基石，它远不止是一个数据模型，而是一个旨在对企业决策本身进行建模的“数字世界的操作系统”。

liuyukuan的专栏 1149

06 Why OpenTelemetry Had to Exist

摘要： OpenTelemetry (OTel) 诞生于2019年，旨在解决微服务观测性领域的三大痛点： 厂商锁定：传统SDK将监控代码深度耦合至业务，切换成本极高； 生态碎片化：库开发者需为N种监控系统适配M种库，导致关键组件（如HTTP/DB驱动）缺乏标准化埋点； 信号孤岛：指标、日志、追踪三套系统互不关联，难以跨信号关联分析。 OTel通过四大核心设计破局： 无侵入API/SDK分离：库开发者可零成本接入，运行时无依赖则自动降级； 可插拔导出器+OTLP协议：解耦应用与后端，仅需配置即可切换厂商； 共

PhilZhou的专栏 379

【计算摄影】相机成像原理：从光到JPEG图像

本文我们将从最基本的相机成像原理开始论述，再讨论光线进入相机后，经过一系列处理成为JPEG图像的大致流程。

qq_35149975的博客 2万+

Distilling the Knowledge in a Neural Network

提高几乎任何机器学习算法性能的一种非常简单的方法是，在相同数据上训练许多不同的模型，然后对它们的预测结果取平均值[3]。遗憾的是，使用整个模型集成进行预测较为繁琐，并目计算成本可能过高，难以部署给大量用户，尤其是在各个模型都是大型神经网络时。Caruana及其合作者[1]已表明，可以将一个集成中的知识压缩到单个模型中，从而使其更易于部署；我们使用一种不同的压缩技术进一步发展了这种方法。

u013250861的博客 46

PythonOCC基础使用：建模——倒角倒圆（二维+三维）

占坑

weixin_42755384的博客 4639

【Unity】Spine动态换装进阶：SkeletonGraphic插槽级皮肤切换与内存优化

本文深入探讨了Unity中Spine动态换装的进阶技术，重点解析了SkeletonGraphic插槽级皮肤切换的实现原理与内存优化策略。通过代码示例展示了如何高效管理皮肤实例、避免内存泄漏，并提供了对象池、纹理合并等性能优化方案，帮助开发者提升2D角色换装系统的运行效率与稳定性。

food6的博客 196

具身智能论文学习5：RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control

本文介绍了Google DeepMind团队提出的RT-2模型，该模型通过将网络规模的视觉语言模型(VLM)知识迁移到机器人控制中，实现了视觉-语言-动作的统一建模。RT-2的核心创新在于：1) 将连续机器人动作离散化为token，使预训练VLM能直接输出动作；2) 采用协同微调(Co-Fine-Tuning)策略，同时保留原有视觉语言能力和学习机器人控制。实验表明，RT-2在未见物体、场景和指令上的任务成功率比前代RT-1提升近一倍，展现出将网络知识(如符号理解、常识推理)迁移到物理操作的能力。但模型物理

weixin_74009895的博客 599

2 利用ITK实现多帧Dicom读取，VTK实现数据显示

vtk中也有dicom读写类，但是只能完成单帧DICOM数据读取，这对于实际应用是非常不利的。而ITK可以实现dicom多帧读取，通常情况ITK与VTK也会结合使用（ITK处理，VTK显示），所以就一起学习下吧！

buerbuhuitou的博客 1564

AI科研助手：学术新人的高效写作与数据处理指南

在学术研究中，数据处理与论文写作是两大核心挑战。通过AI技术，科研人员可以更高效地完成文献检索、数据分析和学术写作。AI科研助手能够自动转换学术表达、优化逻辑衔接并确保格式合规，显著提升研究效率。例如，Scispace可解析复杂公式，ResearchRabbit能智能推荐相关文献，而Writefull则提供200+种学术表达模板。这些工具特别适合非母语研究者，帮助避免中式英语等常见问题。合理使用AI工具不仅能缩短论文写作时间，还能提升学术成果的质量。然而，研究者需注意术语准确性和文献质量，避免过度依赖AI生

weixin_34293141的博客 485

基于XDMA 的PCIE读写DDR

基于XDMA 的PCIE读写DDR 概述：   想实现基于FPGA的PCIe通信，查阅互联网各种转载…基本都是对PCIe的描述，所以想写一下基于XDMA的PCIe通信的实现（PCIe结构仅做简单的描述（笔记），了解详细结构移至互联网）。 实现功能：PC通过PCIE读写DDR，同时用户通过逻辑代码可以读取被写入DDR内的数据（我是通过VIO实现DDR任意地址，任意数据大小的读取。）。 实践实践！！！ 说明： 参考文档： PCI Express Base Specification Revision 3.0 P

Crazzy_M的博客 1万+

工商银行数据智能架构实践

工商银行大数据平台技术创新与实践摘要（149字）： 工商银行构建了企业级大数据云基础设施，形成包含批量计算、流计算、联机分析等核心能力的技术架构。平台创新性地实现流批一体处理，将个人储蓄存款监测时效提升至分钟级；通过实时数仓技术将报送时效缩短至1-5分钟；融合内外部数据构建风控模型，债券违约预警准确率达100%。平台还支撑了"码上赢"精准营销和空间数据服务等创新应用，未来将向存算分离、实时数仓和云数智融合方向演进，持续提升数据价值转化能力。

银行信息系统应用架构详解 539

编译器 | 从工业实现到极简设计 —— 编译器的多元形态与实践

……

u013669912的博客 889

51单片机计算器（源程序+流程图+答辩报告+综合设计）

保姆级讲解！C语言编程，使用51单片机及LCD1602显示屏实现！

m0_57007304的博客 2万+

Spring Boot租房平台架构实战：从CRUD到领域驱动与工程化

在软件开发中，架构设计是确保系统可维护、可扩展的核心。领域驱动设计（DDD）作为一种重要的架构思想，强调通过领域模型来封装复杂的业务逻辑，而非简单地围绕数据库表进行开发。其核心原理在于识别业务中的聚合根、实体与值对象，将业务规则内聚在领域层，从而实现业务逻辑与技术实现的解耦。这种设计模式的技术价值在于能够更好地应对业务变化，提升代码的可读性与可测试性。在典型的Web应用如租房平台中，涉及用户、房源、订单等多个核心领域，状态流转与业务规则复杂，正是应用DDD理念的典型场景。本文以Spring Boot项目为例

weixin_30493401的博客 371

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

FuncReAct：用Function Calling重构ReAct智能体的结构化工作流

ReAct是一种让大语言模型具备‘思考-行动-观察-反思’能力的经典智能体范式，其核心挑战在于工具调用环节高度依赖模型自由文本生成，导致JSON格式错误、参数类型失配、函数名拼写歧义等稳定性问题。OpenAI Function Calling通过将工具schema作为API通信契约，使模型输出结构化function_call对象，从语义理解层实现参数提取与校验，显著提升调用鲁棒性。该技术并非简单叠加，而是将传统文本解析管道升级为可验证的结构化信道，适用于LangChain/LlamaIndex等框架下的生产

weixin_30430169的博客 393

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

第十章 LangChain Agent开发实战

在上一篇 LangChain 快速入门中，我们学习了 Chain——它将 LLM 的调用流程固定下来： 这种方式适用于流程确定的场景。但现实中，很多问题是开放式的：这些场景的共同特点是：你不知道 LLM 需要做什么、做几次、以什么顺序做——这就是 Agent 的用武之地。Agent 运行的核心是一个**"思考-行动-观察"循环**（Thought-Action-Observation Loop）： 这个循环会持续进行，直到 LLM 认为已经拿到了足够的信息来回答用户的问题。在深入代码之前，先理解 LangC

qq_53460854的博客 1809

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
上一篇： Display the google map in jQuery ui dialog
下一篇： Assign privilege to SA for drawing the relationship diagram in MsSQL
点赞 0
评论 0
书签 书签 0
stefli
stefli
博客等级 码龄24年 203粉丝 162原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值