<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[tomlone的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/tomlone</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; tomlone]]></copyright><item><title><![CDATA[AI 实践：OpenClaw + 本地 Ollama + Qwen3.5]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/167074867</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/167074867</guid><author>tomlone</author><pubDate>Sun, 04 Oct 2026 10:00:02 +0800</pubDate><description><![CDATA[在24GB内存的Mac mini M6上，实测OpenClaw+Ollama+Qwen3.5:4B/9B-MLX本地Agent，完成论文搜索与综述生成。4B模型运行流畅（35分钟，峰值9.5GB），9B模型性能提升有限但内存压力大（62分钟，峰值16GB），均仅能产出结构完整但内容可信度低的草稿。结论：本地小模型适合隐私处理、流程验证与初稿生成，复杂长文仍需依赖云端大模型。24GB硬件下，“本地+长上下文+长文写作”组合接近极限，混合架构才是现实路径。]]></description><category></category></item><item><title><![CDATA[从 Harness 到 Agent Harness：AI 系统的控制层设计方法论]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/159588887</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/159588887</guid><author>tomlone</author><pubDate>Sun, 29 Mar 2026 00:12:40 +0800</pubDate><description><![CDATA[摘要： Agent Harness是AI系统的控制中间件，本质是结构化控制能力（连接、约束、放大）。针对LLM不可控特性（幻觉、无状态等），Harness通过五层架构（Prompt指令控制、Memory状态系统、Tools执行能力、Safety安全护栏、Workflow编排）实现模型治理。核心原则包括：结构化隔离指令与数据、零信任机制、权限分级及多层防御。多Agent系统需通过Orchestrator总线和故障隔离解决信任传播风险。成熟Harness应具备可预测、可控、可审计和可恢复特性，其价值在于确保系统]]></description><category></category></item><item><title><![CDATA[我的 OpenClaw 配置与使用体验]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/159322466</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/159322466</guid><author>tomlone</author><pubDate>Sat, 21 Mar 2026 20:53:57 +0800</pubDate><description><![CDATA[我在ECS服务器上部署了OpenClaw数字助手，选用qwen3.5-plus模型。它能有效完成网站修复、博客写作等任务，但在低配环境下工具调用会失败。使用一周消耗了12M tokens，费用10元。我还尝试接入硅基流动API，需手动修改配置文件。期待未来手机AI助手也能如此强大。（149字）]]></description><category></category></item><item><title><![CDATA[Python主要版本的核心差异]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/155887564</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/155887564</guid><author>tomlone</author><pubDate>Sat, 13 Dec 2025 14:39:14 +0800</pubDate><description><![CDATA[摘要： Python实现主要分为CPython（官方标准）、PyPy（JIT加速）和GraalPy（JVM集成）。 CPython：兼容性强，3.11+版本性能提升25%，3.13+支持无GIL（+freethreaded）的多核并行，但需库适配。 PyPy：纯Python代码提速4-10倍，但C扩展支持有限。 GraalPy：集成JVM生态，适合Java/Python混合开发，性能接近PyPy。 选择建议： 通用开发选CPython 3.11+； 多核计算用Free-threaded CPython； 纯]]></description><category></category></item><item><title><![CDATA[HuggingFace Tasks 全量说明表]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/155752216</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/155752216</guid><author>tomlone</author><pubDate>Tue, 09 Dec 2025 20:05:39 +0800</pubDate><description><![CDATA[本文系统整理了HuggingFace平台支持的多模态任务分类表，涵盖六大领域：多模态（支持语音/图像/视频与文本互转）、计算机视觉（含图像分类/生成/3D建模等20项任务）、自然语言处理（包含文本生成/翻译/问答等12项功能）、音频处理（实现语音识别/合成等6类应用）、表格数据处理（支持分类/预测等任务）以及强化学习与图机器学习。每项任务均提供中英日三语说明，全面展示了AI模型在多模态交互、视觉理解、语言处理等方面的应用能力。（149字）]]></description><category></category></item><item><title><![CDATA[huggingface 名词速览表]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/155677819</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/155677819</guid><author>tomlone</author><pubDate>Sun, 07 Dec 2025 20:57:30 +0800</pubDate><description><![CDATA[本文系统梳理了当前AI/ML领域的主要技术框架与工具，涵盖深度学习、模型部署、NLP等六大领域。核心内容包括：1）主流深度学习框架（PyTorch、TensorFlow等）与高级API；2）预训练模型生态（Transformers、Diffusers等）；3）模型部署优化工具（ONNX、Core ML等）；4）特定任务工具（Scikit-learn、TensorBoard等）；5）NLP/语音处理库（spaCy、NeMo等）；6）垂直领域方案（PaddleOCR、Habana等）。该速览表为开发者提供了全面]]></description><category></category></item><item><title><![CDATA[Mary Meeker《AI趋势报告2025》内容总结]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/154359710</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/154359710</guid><author>tomlone</author><pubDate>Mon, 03 Nov 2025 22:50:04 +0800</pubDate><description><![CDATA[AI不是选择题，而是生存题”。当中国模型用“白菜价”撕开市场，印度用户用脚投票选择性价比时，固步自封者将被时代抛弃。这份报告揭示了AI技术正引发的全球权力重新洗牌，强调了及时拥抱变革的紧迫性。]]></description><category></category></item><item><title><![CDATA[《AI的未来：从“召唤幽灵”到学会反思》]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/153586030</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/153586030</guid><author>tomlone</author><pubDate>Sun, 19 Oct 2025 20:53:02 +0800</pubDate><description><![CDATA[AI领域资本热潮与质疑并存之际，前特斯拉AI负责人安德烈·卡尔帕蒂提出深刻见解：AGI仍需十年，当前AI存在根本性认知缺陷。]]></description><category></category></item><item><title><![CDATA[AI大模型核心概念]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/152668247</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/152668247</guid><author>tomlone</author><pubDate>Tue, 07 Oct 2025 22:42:09 +0800</pubDate><description><![CDATA[12个AI相关的概念。]]></description><category></category></item><item><title><![CDATA[可视化 GraphRAG 构建的知识图谱 空谈版]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/152010459</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/152010459</guid><author>tomlone</author><pubDate>Tue, 23 Sep 2025 22:27:51 +0800</pubDate><description><![CDATA[摘要： GraphRAG是一种基于知识图谱的检索增强生成方法，通过结构化处理文档构建包含实体、关系、语义社区等要素的知识图谱。核心数据包括文本块（基础单元）、实体（节点）、关系（语义连接）、社区（聚类）及社区报告（摘要），存储为Parquet文件。使用Neo4j可视化展示图谱结构，可观察实体关联与主题聚类，但其规模需结合子图查询工具分析。相比传统向量RAG，GraphRAG支持多跳推理和语义组织，但需通过编程接口深入挖掘全图信息。开发者可通过实践从数据提取到可视化的全流程，深入理解其工作机制。 （字数：15]]></description><category></category></item><item><title><![CDATA[RAG策略对比（2025-09 版）]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/151933801</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/151933801</guid><author>tomlone</author><pubDate>Sun, 21 Sep 2025 20:04:26 +0800</pubDate><description><![CDATA[本文对比分析了18种RAG（检索增强生成）技术。自适应RAG以0.86分位居榜首，其核心优势在于能根据查询类型动态选择检索策略。层次化索引和融合检索分列二三位，分别通过两级检索和结合向量/关键词搜索来提高效果。研究显示，高成本技术（如知识图谱）适合有技术积累的企业，而中小企业可优先选择重排序+文档增强等性价比方案。未来趋势将向混合式、自适应、带反馈机制的智能RAG架构发展。]]></description><category></category></item><item><title><![CDATA[AI 编程工具选型速览（2025-09 版）]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/151606809</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/151606809</guid><author>tomlone</author><pubDate>Fri, 12 Sep 2025 19:42:43 +0800</pubDate><description><![CDATA[2025年主流AI编程工具横向对比显示：国内免费工具（通义灵码、豆包、CodeBuddy）适合新手入门；国际工具中Trae性价比最高（10$/月），Claude Code（100-200$/月）适合预算充足的中大型项目。关键选型因素包括价格、模型质量（Claude 3.5/GPT-4o最优）、响应速度及易用性，建议根据项目规模和个人技术水平组合使用不同工具。]]></description><category></category></item><item><title><![CDATA[流行多模型对比分析]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/145759681</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/145759681</guid><author>tomlone</author><pubDate>Thu, 20 Feb 2025 18:01:00 +0800</pubDate><description><![CDATA[针对当前流行多模型对比分析]]></description><category></category></item><item><title><![CDATA[GitHub 热点项目介绍]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/145658646</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/145658646</guid><author>tomlone</author><pubDate>Sat, 15 Feb 2025 23:12:11 +0800</pubDate><description><![CDATA[GitHub 热点项目介绍]]></description><category></category></item><item><title><![CDATA[构建知识图谱之三（自动知识图谱构建方法综述及挑战分析）]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144766850</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144766850</guid><author>tomlone</author><pubDate>Fri, 27 Dec 2024 14:07:37 +0800</pubDate><description><![CDATA[文中还介绍了知识精炼模型，如知识图谱补全和知识融合，并提供了条件知识获取、条件知识图谱补全和知识动态等方法来处理知识演化。这些工具各自专注于知识图谱构建过程中的不同阶段，从数据收集、预处理到知识抽取和嵌入，为知识图谱的创建和维护提供了一套完整的解决方案。图片底部的说明指出，这是对HACE环境中挑战的说明，涉及异构数据、半结构化和非结构化数据的知识图谱构建方法将在第4节中概述。这些模型的比较展示了在关系抽取任务中，如何通过不同的方法来增强模型的性能，包括特征提取、学习策略、实例特征和背景信息的利用。]]></description><category></category></item><item><title><![CDATA[构建知识图谱之二（知识图谱构建技术）]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144673039</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144673039</guid><author>tomlone</author><pubDate>Mon, 23 Dec 2024 18:33:51 +0800</pubDate><description><![CDATA[构建知识图谱（知识图谱构建技术）]]></description><category></category></item><item><title><![CDATA[构建知识图谱之一（方法论初探）]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144556723</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144556723</guid><author>tomlone</author><pubDate>Wed, 18 Dec 2024 12:02:45 +0800</pubDate><description><![CDATA[探索构建知识图谱的方法论，最佳实践]]></description><category></category></item><item><title><![CDATA[AI编程助手对比分析]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144347926</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144347926</guid><author>tomlone</author><pubDate>Mon, 09 Dec 2024 14:39:10 +0800</pubDate><description><![CDATA[AI编程助手对比分析]]></description><category></category></item><item><title><![CDATA[2024年最佳向量数据库简单对比]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144043227</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144043227</guid><author>tomlone</author><pubDate>Mon, 25 Nov 2024 23:05:12 +0800</pubDate><description><![CDATA[如果需要更灵活的开源解决方案，Weaviate和PG Vector则是不错的选择。最终，选择哪个向量数据库取决于您的具体用例和组织需求，包括您是否需要云托管或开源解决方案，以及您对性能、成本和易用性的偏好。商业版则为企业提供更高性能和额外功能。一些数据库存在学习曲线陡峭、稳定性问题和有限的定制选项，如Weaviate、PG Vector和KX，它们需要较强的技术背景才能充分利用其功能。多数用户赞赏这些数据库的易用性、高效的查询性能和强大的功能，特别是在处理大规模向量数据和与AI/LLM兼容方面。]]></description><category></category></item><item><title><![CDATA[热门图数据库简单对比]]></title><link>https://blog.youkuaiyun.com/tomlone/article/details/144042965</link><guid>https://blog.youkuaiyun.com/tomlone/article/details/144042965</guid><author>tomlone</author><pubDate>Mon, 25 Nov 2024 22:47:24 +0800</pubDate><description><![CDATA[这些图数据库各有优缺点，适用于不同的应用场景。在选择时，可以根据具体需求、性能要求以及预算来进行综合考虑。]]></description><category></category></item></channel></rss>