wangqiaowq的博客

原创 Ontology 学习 四

RDF 的全称是。一种用“图”的方式表达事实的标准模型。W3C 对 RDF 的定义很直接：它是 Web 上的数据交换标准模型，核心表达单位是triple（三元组）Subject --Predicate(谓语)--> Object这就是 RDF 最基本的思想：把现实世界中的信息拆成一个个“主语—谓语—宾语”的关系，再把这些关系连成一张图。它提供了一种统一的事实表示方法。只要大家都按这种方式表达，来自不同系统、不同团队、不同来源的数据，就更容易被合并、交换和复用。

原创 Ontology 学习 三

Ontology = 希腊语 on（存在者）+ logos（学说）

原创 Ontology 学习 二

简单来说， Ontology 通过实体、属性和关系，把数据库中的表、字段和记录，转换为客户、订单、产品、工厂等业务概念， 让计算机不仅能够找到数据，还能理解数据代表什么、彼此之间有什么关系。大模型虽然能够理解自然语言，却未必真正理解企业中的“客户、订单、产品、工厂”分别代表什么，它们之间又存在怎样的业务关系。可以理解客户、订单、产品和工厂之间的关系，再根据统一的业务语义进行查询、推理和操作。它用计算机能够理解的方式，把现实业务中的概念以及概念之间的关系组织成一张网络，

原创 Ontology 学习

Foundry：企业数据运营平台，不只是数据中台Foundry的典型能力它不是停留在“Dashboard看板”，而是进一步进入“业务动作”。Ontology不是一个简单的数据字典，也不是字段映射表。它更像是企业的“数字孪生语义层”。AIP不是简单让员工“问AI问题”，而是让AI在受控环境下参与真实业务流程。AIP的核心能力AI不能只是生成答案，它必须在安全、权限、审计和业务上下文里完成行动。AIP强调Evals。因为企业里的AI不是玩具，不能只看“回答是否像人”。

原创 Agent harness学习系列 一

构建了完整的 agent harness：工具层（文件读写、执行、git 操作、shell 命令）、AGENTS.md 编码项目规范和常见错误模式、反馈回路（linter ++ 类型检查器在每次代码变更后自动运行）、护栏（禁止修改特定目录、PR 必须通过 CI）。模型在 harness 中自主循环：读日志 → 定位代码 → 编写修复 → 运行→失败 → 自动修正 →通过 → 创建 PR。

原创 Agent OS 的学习

如果没有工具网关，每个 Agent Worker 会直接调用工具——这意味着工具调用的权限检查、参数校验、沙箱隔离、结果缓存，都必须在每个 Worker 内部重复实现。控制平面处于整个系统的中心位置——它向下调度执行平面的 Worker，向右管理工具网关的权限策略，向上通过接入层接收外部请求。控制平面收集所有 Agent 的运行数据：每次模型调用的输入输出、每个工具调用的参数和结果、每次状态转换的 before/after、每次人工介入的触发原因。控制平面是 Agent 系统的"调度器"。

原创 Agent OS 到底由什么构成

Harness 是 Agent 的“执行力”，Agent OS 是 Agent 的“治理力”。没有 Harness，模型无法落地为 Agent；没有 Agent OS，单个 Agent 的能力难以在企业层面被规模化地管理和协同。两者是不同层级的互补关系，而非替代关系。事实上，Harness 的持续演进方向，正是吸收更多平台化能力，向 Agent OS 的形态收敛。

原创 使用 jcmd 查看进程的“工作目录”

查看进程的“工作目录”

原创 gRPC的介绍和使用学习

gRPC 是一个由 Google 开源的高性能 RPC 框架，核心思路是让你像调用本地方法一样去调用另一台机器上的服务。它默认使用作为接口定义语言和序列化格式，底层强制运行在之上。

原创 使用DockerFile进行docker镜像打包

结论：直接跳过 apt 安装层。对于从零构建镜像的机器，可以将 FROM 行替换为 DaoCloud 公共代理前缀：FROM docker.m.daocloud.io/library/python:3.11-slim-bullseye，两者指向同一枚官方镜像，只是通过国内镜像加速器拉取，速度更快。策略③（国内镜像源优先级）：主选上海交大 pytorch-wheels 镜像，备选南京大学镜像，PyPI 通用源用阿里云，最终兜底为 PyTorch 官方 CPU 轮子（443 端口实测可达）。

原创 PostgresSQL server Docker 安装部署

找一台能连外网的机器，装好 Docker 后执行：

原创 nebulaGraph集群安装部署

mkdir nebula[root@bigData03 nebula]# pwd/home/dockerinstall/nebulawget https://github.com/vesoft-inc/nebula/releases/download/v3.8.0/nebula-graph-3.8.0.el7.x86_64.rpmwget https://github.com/vesoft-inc/nebula/releases/download/v3.8.0/nebula-graph-3.8.0.

原创 SQL server C盘空间占满的处理

GOSELECTname,type_desc,max_size,growthGOGO。

原创 PII 脱敏指的是：把个人身份信息（PII）中能识别到具体个人的敏感部分，用替换、遮蔽、变形等方式处理掉，使得数据在保留可用性的同时，不再直接暴露个人身份。

PII 脱敏就是：对能识别到具体个人的信息（姓名、手机号、身份证、邮箱等），用遮蔽、替换、泛化、哈希等方式处理，使其不再直接暴露真实身份，同时尽量保留数据的可用性，用于合规、安全和测试等场景。如果你是在看某个具体系统（比如日志、LLM 网关、数据平台）的 PII 脱敏设计，可以把那段贴出来，我帮你分析它用了哪种脱敏策略、有没有重识别风险。身份证：110101199001011234 → 110101********1234。直接标识 姓名、身份证号、护照号、手机号、邮箱、银行卡号。

原创 contextvar 是 Python 里的一个概念，全称 Context Variable（上下文变量），来自标准库 contextvars

一种“隐式传参”机制，但它是并发安全的，不像全局变量那样会串数据。是 Python 3.7+ 引入的标准库，用来定义一种。在同一个上下文里，任何函数都能直接读到，不用一层层传参。在异步（asyncio）场景下，

原创 多 agent 协作（Critic + 投票） Critic 指的是一个专门负责“挑毛病、做评审、给反馈”的智能体（Agent）

Critic 就是多 agent 系统里的“评审 agent”或“批评者 agent”，专门负责检查其他 agent 的输出，找出错误和不足，帮助系统在投票或裁决前获得更可靠的判断依据。在“多 agent 协作（Critic + 投票）”这个语境里，Critic 指的是一个专门负责“挑毛病、做评审、给反馈”的智能体（Agent），而不是提出初始方案的那个 agent。Critic：负责检查前面生成的内容，找出问题、风险、漏洞、不一致之处。所以 Critic 不主要负责“产出”，而主要负责“评价和纠错”。

原创 AST 安全求值

指的是：把表达式/代码先解析成抽象语法树（AST），然后evalcompile，而是自己遍历 AST，只允许白名单内的节点，并按预定语义解释执行。核心目标是避免任意代码执行、沙箱逃逸和拒绝服务。

原创 Agent设计模式学习 四

Agent 使用优先级排序来有效管理任务、目标和子目标，指导后续行动。这个过程有助于在处理多个需求时做出明智的决策，优先处理重要或紧急的活动，而不是不太关键的活动。

原创 Agent设计模式学习 三

当用户向使用 RAG 的 AI 系统提出问题或给出提示时，查询不会直接发送到 LLM。相反，系统首先在一个庞大的外部知识库——一个高度组织化的文档、数据库或网页库——中搜索相关信息。这种搜索不是简单的关键字匹配；它是一种理解用户意图和词语背后含义的"语义搜索"。这个初始搜索提取出最相关的信息片段或"块"。然后这些提取的片段被"增强"或添加到原始提示中，创建一个更丰富、更有信息量的查询。最后，这个增强的提示被发送到 LLM。

原创 Agent设计模式学习 二

在 AI 的背景下，将规划 Agent 视为您委托复杂目标的专家是有帮助的。当您要求它"组织团队外出活动"时，您定义的是"什么"——目标及其约束——而不是"如何"。它必须首先理解初始状态（例如，预算、参与者人数、期望日期）和目标状态（成功预订的外出活动），然后发现连接它们的最佳行动序列。这种方法限制 Agent 的自主性以减少不确定性和不可预测行为的风险，保证可靠和一致的结果。规划模式是自主系统中的核心计算过程，使 Agent 能够综合一系列行动以实现指定目标，特别是在动态或复杂环境中。

原创 Linux下Llama.cpp部署Qwen3-30b

在上部署是一个。结合你的环境，这需要，且需要处理。

原创 windows下用powshell查看java进程

原创 Agent设计模式学习 一

LLM 识别必要的计算，将规范化的数字馈送到工具，然后合并精确的结果。动态决策能力，控制流向不同的专门函数、工具或子流程，是通过一种称为路由的机制实现的。协调器 Agent 的主要角色，如其指令中定义的，是分析传入的用户消息并将它们委托给 Booker 或 Info Agent。每个子问题通过专门设计的提示词单独处理，并且一个提示词的输出会作为输入传递给链中的下一个提示词。LangGraph 基于图的结构提供了定义状态和转换的可视化和显式方式，使其成为具有复杂路由逻辑的复杂多步工作流的理想选择。

原创 GraphRAG 是检索增强生成（RAG）的高级范式，它用知识图谱替代传统 RAG 中离散的文本片段检索，让 AI 能够进行多跳推理和全局理解。

GraphRAG = 传统 RAG 的“结构化升级”。它用知识图谱把散落的文本碎片编织成一张可推理的关系网络，让 AI 从“找到相关文本”走向“理解知识之间的联系”。在你之前讨论的技术栈中，GraphRAG 可以看作是RAG 向 Agentic AI 演进的关键一环——它为智能体提供了更接近人类认知方式的知识底座，使其在等复杂任务中表现更可靠。

原创 AI-Native（AI 原生） 指从产品、架构、交互到组织流程，从第一天起就以 AI 为核心来设计，而不是在传统软件上后加一个 AI 功能。

指从产品、架构、交互到组织流程，，而不是在传统软件上后加一个 AI 功能。它类比“云原生”：云原生不是把应用搬到云上，而是为云而设计；AI-Native 也不是“加个聊天框”，而是为模型能力而设计。

原创 Guardrails 在 AI 语境中通常译为 “护栏” 或 “防护栏”。

在 AI 语境中通常译为或。它指围绕 AI 系统设置的一整套，用来确保 AI 的行为安全、合规、可控，并且不偏离既定目标。可以类比成高速公路护栏：它不决定车往哪开，但能防止车辆冲出边界、翻车或撞墙。在时代，Guardrails 的含义比传统聊天机器人更广。传统 LLM 的护栏主要管“输入和输出内容”；而 Agentic AI 还要管。

原创 A2A（Agent-to-Agent） 是一个开放协议，旨在让不同来源的 AI 智能体（Agent）能够互相发现、通信和协作，从而构建更复杂的多智能体系统。

是一个开放协议，旨在让不同来源的 AI 智能体（Agent）能够互相发现、通信和协作，从而构建更复杂的多智能体系统。它和你上一轮问的是“能力”与“协作标准”的关系。

原创 Agentic AI 中文常译为 “代理式 AI” 或 “智能体式 AI”

一句话说：它是让 AI 不只是“回答问题”，而是能围绕一个目标，自己规划、调用工具、执行多步任务、根据反馈调整，直到把事情办成的 AI 系统。Agentic AI：你给目标，它自己拆解、执行、验证、修正，更像“数字员工/助理”。工具使用：能调用搜索、API、数据库、代码执行器、邮件、浏览器等。自主规划：决定先查日历、再比价、再订票、再发确认邮件。编程智能体：自己读代码、改代码、运行测试、提交 PR。深度研究智能体：自动搜索、读资料、交叉验证、写报告。企业流程智能体：处理客服工单、对账、采购、日程安排。

原创 CV 后端打包

【代码】CV 后端打包。

原创 AI智能体学习

AI智能体是通过传感器感知环境、处理信息，并通过执行器作用于环境以实现特定目标的系统。可将其视为能观察、思考与行动的数字实体，跟人类与环境的互动类似，不同的是以编程化和目标驱动的方式进行。AI智能体的概念基于理性行为：智能体应采取实现目标可能性最大的行动。这种理性是AI智能体有别于简单的响应程序的核心特征。自主性：无需人类干预，独立决策。发射性与主动性：响应环境变化并主动采取措施实现目标。适应性：通过处理新信息与经验进行学习与进化。目标导向：以实现预定义目标或优化结果为方向。

原创 RAID 是“块设备层”的技术

RAID 管的是“盘坏了数据不丢、读写更快”；冷热分层管的是“热数据放快盘、冷数据放慢盘省钱”。RAID 不做冷热预测，也几乎不会自动迁移数据。两者经常配合使用，但不是同一层的事。大厂（如 Google、Meta、Amazon、Microsoft）的存储实践，早已超越了传统硬件 RAID 的范畴。用分布式软件层面的冗余，全面替代集中式硬件 RAID，以支撑 EB 级的数据规模和严苛的成本、可靠性要求。RAID 已从硬件卡上的功能，演变为分布式软件系统中的一套编码与容错逻辑。冗余单元。

原创 AI Infra 全栈技术栈 四

训推一体化是AI基础设施从“烟囱式”走向“融合式”的关键一步。其核心目标是打破训练与推理的资源壁垒，通过统一调度、资源池化和架构创新，将GPU利用率推向极限。这背后是统一调度、模型无缝迁移、资源池化、PD分离四重技术的协同支撑。训练和推理具有天然的潮汐特征：训练任务通常在夜间跑满集群，推理服务在白天迎来峰值，导致两个独立资源池永远“一个吃不饱、一个在闲置”。GPU平均利用率因此长期偏低。蚂蚁集团提出的“弹性配额—优先级抢占—动态混部”三层架构是典型实践：阿里云EAS/DLC的实践同样采用算力抢占机制：推理自

原创 AI Infra 全栈技术栈 三

数据链路的本质是让数据以最低延迟、最高吞吐、最高质量流向 GPU数据湖/仓：Iceberg/Delta 统一存储，分层管理。预处理：清洗、去重、分词、增强，并行化。并行 IO：多进程 + 预取 + 缓存 + 高效格式。样本打包：Sequence Packing 消除 Padding 浪费。长序列：FlashAttention + Ring Attention + 位置插值。数据校验：Schema + 分布 + 漂移，全链路把关。实际落地中，这些环节协同设计。

原创 AI Infra 全栈技术栈 二

训练优化的本质是在显存、计算、通信、精度之间做多维权衡混合精度：BF16 通用，FP8 极致。梯度累积：小显存等效大 batch。激活重计算：计算换显存。：异步、分片、分层。动态批处理：最大化利用率。MoE 调度：负载均衡 + 通信优化。实际训练中，这些技术组合使用：FP8 + ZeRO-3 + Selective AC + 异步 CKPT + Sequence Packing + MoE 负载均衡，才能训练万亿模型。关键是根据模型结构、硬件配置、任务目标。

原创 AI Infra 全栈技术栈 一

GPU追求通用并行计算，TPU/NPU等ASIC追求特定AI负载的极致效率，DPU则专注数据处理与卸载。技术，允许一台机器直接访问另一台机器的内存，绕过CPU，实现超低延迟和高带宽。，即脉动阵列（如128x128或256x256），配合VPU和VMEM（片上暂存器）工作。，可动态管理FP8与FP16计算，大幅加速大模型训练与推理。这些芯片架构和互连技术，共同构成了现代AI算力系统的核心。，允许多个主机动态共享内存资源，打破CPU与内存的绑定。）和极高带宽，性能最佳，但成本高、生态封闭。

原创 构建sandbox沙盒环境

【代码】构建sandbox沙盒环境。

原创 Harness学习

一文讲透如何构建Harness——六大组件全解析

原创 langfuse linux下的安装部署

2、在 langfuse目录下 创建 generate_env.sh - 为 Langfuse 生成安全的环境变量文件 .env（通常就是langfuse文件夹）生成完成后，脚本会输出文件路径，你就可以直接使用这个.env。

原创 Python 中使用 Playwright 进行 Web 自动化

在 Python 中使用 Playwright 进行 Web 自动化非常方便。Playwright 提供了**同步（sync_api）异步（async_api）**两种执行模式。对于新手来说，建议从同步模式入手，它的逻辑更加直观。

原创 RAG系统学习

列表定义了切分优先级——先尝试按双换行（段落）切，切不动就按单换行切，再切不动就按句号切……这样能最大程度保持语义完整性。是重叠区域，比如设成 50，相邻两个块会有 50 个字符的重叠，防止关键信息刚好被切在边界上丢失。这是 RAG 中非常关键的一步？几乎是所有场景的首选。