infiniteWei-优快云博客

原创【cursor】我用cursor 实现《基于yolov5的口罩检测软件》

该项目基于YOLOv5实现了一个口罩检测系统，支持图片、视频和摄像头实时检测。主要内容包括：1）创建项目目录并配置依赖环境；2）编写检测脚本，实现模型加载、推理和结果可视化功能；3）提供命令行接口和GUI界面选项。系统能实时检测人脸并标注是否佩戴口罩（绿色表示佩戴，红色表示未佩戴），同时显示检测统计数据和FPS。项目文档详细说明了安装步骤和使用方法，可通过简单的命令运行检测程序。

2025-07-29 12:11:45 5

原创【Agent】API Reference Manual（API 参考手册）

本文档是 CommonGround API 参考手册（v0.1），详细介绍了该智能体交互平台的接口规范。手册包含 HTTP 和 WebSocket 两套 API 定义：HTTP API 提供会话令牌获取和基本管理功能；WebSocket API 支持实时双向通信，包含核心消息（如启动/停止业务流程）、状态查询和事件订阅等功能。文档还涵盖了核心状态对象定义、交互流程示例和错误处理机制，适用于开发基于多智能体协作的应用系统。

2025-07-25 18:54:08 47

原创【Agent】Common Ground 团队协作模型：Partner、Principal 与 Associate

Common Ground团队协作模型采用分层结构设计，包括Partner（战略合伙人）、Principal（项目负责人）和Associate（执行专家）三种角色。Partner负责对接用户需求并组建团队，Principal进行任务拆解与调度，Associate专注子任务执行。系统采用指令生成型工具模式，工具仅生成结构化指令而非直接执行任务。通过parent_agent_id字段维护层级关系，所有Agent共享team_state实现协作。该模型通过明确分工、事件驱动通信和统一决策机制，有效提升了复杂任务的

2025-07-25 18:18:01 144

原创【Agent】深入解析 Agent 运行机制

《Agent运行时机制深度解析》技术文档核心摘要：本文档面向开发者与AI系统集成工程师，详细解析智能体（Agent）的运行时架构与实现机制。系统以AgentNode类为基础构建，通过YAML格式的Agent Profile实现角色配置（包括Partner/Principal/Associate三种类型）。核心执行单元采用"Turn回合"模型，包含准备/执行/后处理三阶段异步循环，实现完整的"思考-行动"周期。文档深入剖析了四大核心机制：1)层级化状态管理系统（Run

2025-07-25 17:31:07 835

原创【LangGraph】create_react_agent 方法详细解释

create_react_agent是LangGraph中用于创建支持工具调用的React(推理-行动)代理的核心函数。它接受语言模型对象和工具列表作为主要参数，通过状态图实现智能代理功能。该函数提供多种配置选项，包括系统提示、响应格式化、状态管理、检查点和中断控制等。其核心工作原理是通过Agent节点调用模型、Tools节点执行工具操作，并支持循环处理工具调用直到任务完成。函数还包含版本控制(v1/v2)，分别对应不同的工具处理方式。该功能适用于构建复杂的对话式AI应用，支持记忆、中断和异步等高级特性。

2025-07-09 14:13:49 110

原创【其他】优快云简短热梗代码，风格涵盖: 技术趋势+幽默感+极客精神

幽默的极客风格，介绍了程序员在不同技术领域和日常生活中的趣事。从AI领域的ChatGPT对话到Web全栈开发的夜间构建，再到DevOps的“最终修复”和Python数据科学的调试困境，每个代码片段都充满了技术趋势和幽默感。文章还通过机器人自我觉醒的代码和程序员日常生活的调侃，进一步体现了极客精神。整体风格轻松诙谐，既展现了技术深度，又让人会心一笑。

2025-05-21 12:46:36 202

原创【AI对冲基金】Python项目手把手教学AI驱动的对冲基金系统实现逻辑

该文件介绍了一个AI驱动的对冲基金系统，用户可以选择不同的分析师和模型进行股票交易决策。系统的主要流程包括：解析命令行参数、选择AI分析师、决定使用本地或云端LLM模型、创建工作流、生成图形、验证日期格式、设置投资组合、运行系统并输出交易结果。示例中，用户选择了Aswath Damodaran作为分析师，并使用本地Ollama模型的gemma3:27b进行分析。系统对AAPL和MSFT进行了分析，并给出了中立的交易建议，认为当前数据不足以支持明确的买入或卖出信号，建议持有。

2025-05-17 18:47:52 182

原创【AI对冲基金】Python项目手把手教学AI对冲基金实现逻辑--回测

本文介绍了一个基于Python的AI对冲基金项目中的回测功能实现。通过使用本地模型ollama的gemma3 (27B)进行测试，项目展示了如何选择分析师和模型，并生成回测结果。回测结果显示，投资组合的现金余额为$91,410.60，总持仓价值为$10,786.40，总价值为$102,197.00，回报率为+2.20%，夏普比率为8.05，索提诺比率为197.47，最大回撤为0.02%。回测过程中，对AAPL、MSFT和NVDA等股票进行了持仓操作，最终在2025年4月23日对NVDA进行了买入操作。该项目

2025-05-17 18:18:53 378

原创【deepseek驾驶员】生成程序员名片页面并提供下载按钮prompt

直接上干货：prompt:示例：示例：将如下html代码保存到 test.html文件，浏览器打开即可

2025-05-01 15:32:53 82

原创深入掌握DeepSeek及AI提示语设计研究指南

DeepSeek及其作为通用人工智能工具的应用，详细阐述了它的能力范围，包括智能对话、文本生成、代码辅助、自然语言理解等。文章着重介绍了如何有效利用提示语（Prompt）与DeepSeek交互，特别是针对推理模型与通用模型的不同策略，并提供了丰富的场景化应用示例和提示语设计技巧。此外，文档还探讨了提升AI生成内容质量的方法，如引入元叙事框架、情感融入策略等，并分析了在人机共生时代，如何培养AI思维、整合力、引导力与判断力等核心能力，强调人在AI内容生成中的主导作用

2025-04-30 17:19:11 111 1

原创解锁未来工作方式：什么是 AI Agent？| Unlocking the Future of Work: What Are AI Agents?

人工智能代理（AI Agent）是一种能够感知环境、做出决策并执行操作的智能系统。它可以是软件程序，也可以是物理设备，例如机器人或聊天机器人。AnAI agentAI Agent 代表了人机交互方式的一次重大飞跃。无论你是开发者、创业者还是企业管理者，现在都是探索 AI Agent 如何提升运营效率、改善客户体验并开启新机遇的最佳时机。保持好奇，保持学习，今天就开始尝试构建属于你自己的 AI Agent！

2025-04-29 19:29:53 510

原创 RAG、DeepSearch、DeepResearch 对比分析

RAG、DeepSearch、DeepResearch 对比分析

2025-04-10 09:00:49 229

原创【deepseek】ollama & chatbox & webui 本地部署deepseek 踩坑记录

访问模型库：https://ollama.com/library/deepseek-r1。官网直达：https://ollama.com/download。② 接口地址：http://localhost:11434/v1。4090 显卡，32B模型，输出速度： 31 token/s。• 高性能设备：32B版本（32GB内存+12GB显存）官网：https://chatboxai.app/zh。• 入门级：1.5B版本（4GB内存+核显可运行）• 进阶推荐：7B版本（8GB内存+4GB显存）

2025-02-06 13:40:55 2044 1

原创【elasticsearch】tasks 查看任务

节点信息(nodes) & 任务信息(tasks)某个任务正在执行一个跨集群的 reindex 操作，数据从远程集群的 source_index 索引复制到本地集群的 destination_index 索引任务信息。

2025-01-24 13:00:44 616

原创【elasticsearch】reindex 断点续传

由于数据量庞大或者网络/硬件故障，可能会发生中断。为了确保数据的完整性并支持中断后的续传，Elasticsearch 提供了一些方法来实现。

2025-01-24 12:36:41 503

原创【elasticsearch】reindex 操作将索引的数据复制到另一个索引

在Elasticsearch中，reindex操作用于将一个索引的数据复制到另一个索引。常用的reindex。

2025-01-24 12:24:14 1254

原创【Lucene】单个cpu 每秒能支持多少个bm25公式的计算

BM25（Best Matching 25）是一个常用于信息检索中的排名函数，它基于词频（TF）和逆文档频率（IDF）计算文档与查询之间的相关性。对于单个CPU能够每秒支持多少次BM25计算，影响因素有很多，比如CPU的性能（如时钟频率、核心数）、BM25公式的计算复杂度、数据大小、查询和文档的长度等。如果假设每个查询只包含一个关键词，文档的长度适中，并且系统已经建立了优化的索引，单个BM25计算的时间一般来说在几十微秒到几毫秒之间。在这种情况下，单核CPU每秒可以支持的BM25计算次数大约在。

2024-11-29 09:29:43 1063

原创【Lucene】搜索引擎和文档相关性评分 BM25 算法的工作原理

BM25 是一种流行的文本检索算法，广泛用于搜索引擎和文档相关性评分。它基于概率检索模型，旨在评估查询和文档之间的相关性。

2024-11-21 15:17:18 1529

原创【jieba】 jieba 库中 cut_for_search 方法的实现详解

cut_for_search 该函数的作用是对输入的sentence进行更细致的分词，主要用于搜索引擎。HMM=True是用于控制是否使用**隐马尔可夫模型（HMM）**来处理未登录词（即词典中没有的词）。在标准分词结果的基础上，对长度较大的词进一步生成 2-gram 和 3-gram 子词，并检查这些子词是否存在于词典中。存在的话，就将这些子词作为额外的分词结果输出。这种处理方式可以在搜索引擎中提高短词和子词的匹配率，进而提高召回率。这也是搜索引擎分词通常比普通分词更细致的原因。

2024-11-21 10:23:18 890

原创【ChatGPT】实现贪吃蛇游戏

贪吃蛇游戏中。以下是实现赛博朋克风格背景的几种方法：您可以使用CSS的线性渐变来创建一个赛博朋克风格的背景。以下是一个示例：方法2：使用赛博朋克风格的背景图像您还可以选择使用赛博朋克风格的背景图像。以下是一些免费资源网站，您可以在这些网站上找到高质量的赛博朋克风格图像：一旦您选择了喜欢的图像，可以将其设置为背景。以下是如何在代码中实现：方法3：集成到现有的游戏代码中以下是将赛博朋克风格背景集成到您之前提供的游戏代码中的完整示例。此示例使用CSS渐变创建赛博朋克风格的背景，并保留了其他您之前添加的功能

2024-11-20 10:50:57 982

原创【Lucene】Lucene的索引文件格式：深入理解Lucene使用的索引文件格式

Lucene的索引文件格式设计精妙，利用模块化和压缩技术实现了存储空间与查询效率的平衡。segments_N是索引的全局入口，.tis和.tii负责词典管理，.frq和.prx记录倒排索引的数据，.fdt和.fdx提供字段存储支持。通过这些文件的协作，Lucene能够在大规模数据中实现高效的全文检索。

2024-11-19 12:52:10 1095

原创【Lucene】详解倒排表的结构，如何实现词典与文档的映射关系

倒排表通过将词元映射到文档ID列表及位置信息，实现了从“词元到文档”的高效查找。词典提供了词元到倒排表的索引，而倒排表记录了文档的详细信息，使得全文检索可以在海量数据中实现快速查询。Lucene的这种设计在存储空间和查询效率之间取得了很好的平衡，是其性能卓越的核心原因。

2024-11-19 12:46:26 1540

原创【Lucene】倒排表和词典：提升搜索效率的关键数据结构

词典和倒排表通过将关键词与文档的映射结构化，大大提升了搜索引擎的查询效率，使得在海量数据中快速、准确地定位和排序成为可能。这种数据结构是全文检索系统的基础，也是Lucene性能强大的关键原因。

2024-11-13 10:58:18 825

原创【Lucene】详细讲解创建索引的步骤：分词、去停用词、语言处理、倒排表构建

Lucene构建索引的流程将非结构化文本数据转化为倒排索引结构，通过分词、去停用词、语言处理等步骤，将文本数据变得结构化和标准化。最终生成的倒排索引可以支持快速高效的关键词和短语查询，极大提升了全文检索的效率和性能。模型重新生成配图： illustration showing Lucene’s indexing process, detailing each step from tokenization to inverted index construction。

2024-11-13 10:33:59 1038

原创【Lucene】从文本到索引：Lucene如何构建索引

Lucene构建索引的全过程将非结构化文本数据逐步结构化，通过分词、倒排索引、段合并、文件存储等步骤，实现了高效的索引查询。构建好的倒排索引允许在大规模数据中快速定位查询关键词，从而大幅提升查询性能。查询速度快：倒排索引使得关键词定位速度极快，适合海量数据的全文检索。一次索引，多次查询：索引构建是一次性操作，生成后可以多次复用，提高了查询效率。支持复杂查询：Lucene的索引结构支持布尔查询、短语查询等多种复杂查询条件。

2024-11-10 16:26:55 1434

原创【Lucene】架构概览和核心组件介绍

解析查询：用户输入的查询语句被解析，生成查询对象树。查询执行遍历查询对象树，通过倒排索引查找相关文档。打分和排序：根据Similarity模块计算文档得分，按相关性排序后返回。Lucene通过模块化的架构设计，实现了从数据分析、索引存储到查询解析、结果打分的完整全文检索流程。其核心组件各司其职，使得Lucene在处理海量非结构化数据时表现出极高的效率和灵活性。

2024-11-08 16:51:51 1130

原创【Lucene】全文检索 vs 顺序扫描，为何建立索引比逐个文件搜索更高效？

相比顺序扫描，全文检索通过建立索引将查找变为在结构化数据中检索，显著减少了查询时间和资源消耗。对于大规模数据集，索引的初始创建开销远小于重复扫描所有文件的成本，因此全文检索在效率上具有明显优势。

2024-11-08 15:35:41 1099

原创【Lucene】什么是全文检索？解读结构化数据与非结构化数据

全文检索是一种搜索技术，能够在大量文本内容中查找特定的词语或短语。这种技术特别适合非结构化数据，因为它通过构建倒排索引来快速定位包含指定关键字的文档，从而大大提升查询速度。索引创建（Indexing）：从原始数据中提取关键词并构建索引。索引查询（Searching）：根据用户查询词在索引中查找匹配文档，按相关性排序返回结果。在日常搜索引擎（如Google）或本地文件系统（如Windows文件搜索）中，全文检索都极为常见。

2024-11-08 15:17:56 1712

原创【Lucene】原理学习路线

基于《Lucene原理与代码分析完整版》，制定了一个系统学习Lucene原理的计划，并将每个阶段的学习内容组织成专栏文章，zero2hero 手搓 Lucene的核心概念和实现细节。

2024-11-08 14:55:22 965

原创【ChatGPT】搜索趋势分析

为了分析 ChatGPT 在过去一年的流行趋势，我们可以查看 Google Trends 的数据。【ChatGPT】搜索趋势分析。运行以下 Python 脚本。安装依赖pytrends。

2024-10-31 13:51:34 651 1

原创【动手学transformer】源码阅读之sparse_embedding

稀疏嵌入（sparse embeddings）是一个计算稀疏嵌入的方法，通过输入的隐藏状态和 token ID 生成稀疏嵌入，并对未使用的 token 进行处理，以确保它们不会影响模型的后续操作。

2024-10-29 14:29:10 466

原创【搜索引擎】俄罗斯搜索引擎yandex

俄罗斯搜索引擎yandex。

2024-10-28 13:53:50 1849163 8

原创 Efficient Retrieval with Learned Similarities（RAILS）通过相似性学习进行高效检索

检索在推荐系统、搜索和自然语言处理等应用中发挥着关键作用。尽管点积作为相似度函数被广泛使用，但最新的检索算法已迁移到学习相似度上。本文提出了一种基于MoL的近似最近邻检索技术，并证明了其在推荐检索任务中的效率和准确性。

2024-07-25 13:36:14 1143

原创【Linux】systemctl系统和服务管理命令

systemctl是systemd系统和服务管理器的主命令行工具，用于启动、停止、重启、启用、禁用和检查服务状态，以及管理系统状态。systemd是现代 Linux 发行版中广泛使用的初始化系统（init system），取代了旧的 SysV 和 Upstart 系统。以下是一些常见的systemctl。

2024-07-02 13:00:40 643

原创【linux】文件内容对比工具：diff、 wdiff、 colordiff

colordiff使用的是diff的输出，所以你可以在文件中自定义颜色配置。创建或编辑diff是一个强大的工具，可以用来比较文件和目录的内容，生成补丁文件，并忽略某些类型的差异。通过结合不同的选项，可以满足各种文件比较需求。

2024-06-25 09:57:16 1392

原创接口响应时间测试

会输出详细的请求过程，包括 DNS 解析时间、TCP 连接时间、SSL 握手时间、服务器处理时间和总时间。测试并计算平均响应时间外，还可以使用其他工具和方法来获得更准确的结果。是 Apache HTTP 服务器的一部分，可以用于测试 HTTP 服务器的性能。这种方法可以有效减少单次测试结果的偶然误差，从而提供更准确的响应时间评估。会在每个请求中添加指定的头部信息，帮助你准确地测试 API 响应时间。将输出详细的统计数据，包括每次请求的平均时间、中位数、百分位数等。将输出统计数据，包括每次请求的平均时间。

2024-06-18 16:58:43 2161

原创 XLM-RoBERTa 是一种多语言版本的 RoBERTa 模型

XLM-RoBERTa 是一种多语言版本的 RoBERTa 模型，由 Facebook AI 开发。它是为了处理多种语言的自然语言理解任务而设计的。

2024-06-18 13:53:49 2196

原创【macOS】sleepimage 文件是 macOS 系统的睡眠镜像文件

sleepimage文件是 macOS 系统的睡眠镜像文件，用于在系统进入睡眠模式时保存内存状态。

2024-06-17 13:47:09 1359

原创【linux】使用 `du` 命令查看各个目录的大小，并按大小排序

使用 `du` 命令查看各个目录的大小，并按大小排序

2024-06-17 13:26:43 3566

原创【Homebrew】包管理器清理软件包，释放mac空间

Homebrew 包管理器占用相当大的磁盘空间，如何释放磁盘空间实操。

2024-06-17 13:15:21 1468

cursor 实现：基于 yolov5的口罩检测软件

模型表现如下：正确戴口罩 (with_mask): 精确率92.9%，召回率94.5%，mAP50 97.1% 未戴口罩 (without_mask): 精确率85.6%，召回率82.0%，mAP50 88.1% 不正确戴口罩 (mask_weared_incorrect): 精确率54.8%，召回率31.2%，mAP50 32.7% 总体性能: mAP50 72.6%，mAP50-95 48.9% 模型在识别正确戴口罩和未戴口罩方面表现较好，但对于不正确戴口罩的识别还有提升空间。附件： Kaggle口罩检测数据集： https://www.kaggle.com/datasets/andrewmvd/face-mask-detection 包含约3,000张带标注的图像，有3个类别：带口罩、不戴口罩、戴不正确

2025-04-03

ChatGPT生成的贪吃蛇游戏

博客详情：https://blog.youkuaiyun.com/weiliang_Handan/article/details/143905058 https://chatgpt.com/share/673d4db3-2ad0-8009-a41f-1428827820b3

2024-11-20

变分贝叶斯推理（平均场理论，变分法，贝叶斯推断，EM 算法，KL 散度，变分估计，变分消息传递）

平均场理论，变分法，贝叶斯推断，EM 算法，KL 散度，变分估计，变分消息传递

2018-10-21

libmpfr-1.dll

mingw queshi-dll wenjian libmpfr-1.dll

2018-11-15

贝叶斯方法介绍

•Bayes theorem • Frequen0st vs. Bayesian • Genera0ve and discrimina0ve models • Learning Bayesian models • Advantages of Bayesian ML models

2018-10-18

tensorflow教程

stanford-tensorflow-tutorials; course CS 20: TensorFlow for Deep Learning Research.

2018-10-29

深度生成模型

cs236课件，Generative models are widely used in many subfields of AI and Machine Learning.Recent advances in parameterizing these models using deep neural networks, combined with progress in stochastic optimization methods, have enabled scalable modeling of complex, high-dimensional data including images, text, and speech

2018-11-11

Mathematics for Machine learning

Mathematics for Machine learning 2018-10-12机器学习数学基础

2018-10-12

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人