- 博客(141)
- 收藏
- 关注
RSS订阅原创 RLVR
第7章聚焦RLVR（可验证奖励强化学习）在推理训练中的应用，强调以可验证答案替代主观偏好评分，通过Verifier提供0/1奖励，结合PPO/GRPO优化策略。核心闭环为多采样→验证→强化正确推理行为。关键技巧包括数据筛选、梯度稳定性控制、奖励塑形与异步训练。强调有效对比信号、奖励设计与训练稳定性的协同作用。推理时长增加不等于能力提升，需评估计算投入产出比。技巧非通用配方，需根据任务调优。
2026-10-23 16:24:20
167
原创 LLM微调实战1- LLamaFactory安装和试用
本文介绍了LLaMA-Factory的本地及Docker安装方法，涵盖有网/离线安装、模型下载与配置、WebUI与命令行测试。重点演示了Qwen3-4B模型的加载、微调（基于identity数据集）、LoRA训练与动态合并推理，并总结了踩坑经验：如gradient_accumulation_steps设为1、template使用qwen3_nothink等。最后提供模型导出命令，实现LoRA权重合并，完整覆盖从部署到应用的全流程。
2026-09-23 10:00:44
105
原创 大模型基础123-量化知识
在QLoRA微调中，推荐优先使用bitsandbytes（bnb）4bit NF4量化，因其生态成熟、显存占用低且与Hugging Face官方示例一致。NF4基于正态分布设计，实现信息熵最大化，有效保留权重精度；双量化进一步压缩缩放系数开销。相较之下，HQQ虽支持更低位宽但生态薄弱，EETQ主打INT8推理性能。因此，兼顾稳定性与兼容性，bnb 4bit仍是当前最标准的QLoRA选择。
2026-09-14 15:34:22
62
原创 Codex 手机连接电脑报Couldn‘t update remote control availability
使用ChatGPT手机端连接电脑Codex时，因多实例冲突及权限问题导致Remote Control无法启用。解决方法：1）通过活动监视器强制退出Chrome中的ChatGPT for Chrome进程，确保仅运行一个桌面端实例；2）开启Full Access权限，执行指定指令配置代理并重启应用。清理后成功启用远程控制。
2026-09-10 18:53:24
1041
原创 AI 原生 SDLC 实践手册 | Claude by Anthropic
AI 原生 SDLC 是一种重新构想的流程:保留旧的管控目标,换用新的执行手段。流程不再是线性流转,而是变成一个循环,AI 嵌入每个节点。AI 原生 SDLC 推动自动化交接和后续 play 的触发,解决传统 SDLC 各阶段之间人工交接的笨拙问题。你也会听到这种转变被叫作 agentic SDLC、AI SDLC,或干脆叫 agentic 软件开发——叫法不同,说的是同一件事。play 按阶段列出;箭头给出采纳顺序。两者不是一回事。
2026-08-28 17:22:09
429
原创 大模型基础123-高效参数微调
摘要： PEFT（参数高效微调）通过冻结预训练模型大部分参数并仅训练少量额外参数（如LoRA的低秩矩阵）来节省资源。LoRA将权重更新分解为两个低秩矩阵BA，减少参数量。QLoRA结合4位量化和LoRA，进一步降低显存需求。DoRA则改进LoRA的局限性，将权重分解为幅度（m）和方向（V/‖V‖）分别优化：方向用LoRA矩阵更新，幅度单独学习，增强复杂任务的表现。三者均实现高效微调，DoRA尤其适合需独立调整幅度与方向的场景。
2026-08-25 12:14:48
235
原创 从矩阵到秩：理解大模型参数与 LoRA 微调
矩阵是大模型进行特征变换和信息传递的基本工具。Rank 表示矩阵中真正独立的信息方向数量，也可以理解为矩阵变换后保留下来的有效维度。W′WBAW'=W+BAW′WBAΔWW′−WΔWW′−W可以用较低的 Rank 近似表示。权重大小变化权重方向变化从而减少两类变化之间的相互干扰。矩阵负责变换信息，Rank 表示独立信息方向，LoRA 用低秩矩阵高效学习任务变化，DoRA 则把权重大小和方向分开学习。
2026-08-25 11:25:13
286
原创 从 ASR+LLM+TTS 到 GPT‑Live：解读语音智能新范式
本文分析了新一代语音交互系统GPT‑Live的技术突破，指出其核心在于通过全双工架构实现实时连续对话，并拆解了"即时响应"与"深度思考"的双路径设计。文章对比了Moshi、Qwen-Omni等公开模型的技术路线，强调GPT‑Live的创新不仅在于语音质量，更体现在低延迟交互、自然打断机制与后台复杂任务调度的系统级优化。当前语音智能正从单轮请求处理转向持续交互系统，需重点关注对话节奏、上下文保持等非语言因素。
2026-08-19 15:30:37
497
原创 Agent测评工具Langfuse自建部署实战-安装
本文详细介绍了开源LLM可观测平台Langfuse v4的Docker Compose部署方案，重点解决国内服务器部署中的三大常见问题：Docker Hub访问限制、端口冲突和初始化配置。部署包含Web、Worker、PostgreSQL、ClickHouse、Redis和MinIO组件，采用内部网络通信避免端口冲突。文章提供了完整的部署流程，包括环境准备、密钥生成、访问地址配置、健康检查方法，以及首次账号创建和管理员权限设置建议。针对生产环境，推荐采用多副本、数据备份、访问控制等增强措施。最后附有常见问题
2026-08-14 18:29:30
423
原创 从 Chat Completions 到 Agent Runtime：主流大模型接口协议全景与设计对比
大模型API协议演进与三大平台比较 当前大模型接口从简单的文本交互发展为支持多模态、工具调用、异步任务等复杂场景，协议可分为四层：模型调用、Agent编排、资源管理和传输协议。OpenAI、Anthropic和Google Gemini的核心设计差异显著： OpenAI 从传统Chat Completions转向类型化输出的Responses API，支持工具调用和状态化编排。 Anthropic 以Messages为核心，强调显式内容块和客户端控制，提供托管式Agent服务。 Google Gemini
2026-08-07 15:49:34
445
原创 一文阐述国内网络环境下使用NIM方法
NVIDIA NIM 国内部署指南（精简版） NVIDIA NIM 是容器化微服务套件，帮助快速部署大模型。国内用户需注意： 跳过国际版步骤，直接通过国内镜像站（如图灵）下载 关键步骤： 使用 tgc 工具下载镜像和模型 设置大容量缓存目录（建议50GB+） 启动容器时指定GPU数量（单卡/多卡） 显存估算公式： 总显存 = (参数量×字节数×1.25) + KV缓存(4-16GB) 示例：7B模型需24GB显存（如RTX3090） 附模型下载和API调用示例命令，完整流程比国际版简化3个步骤。
2026-07-29 12:56:56
279
原创 别再只写推荐算法 Notebook：用Python跑通一个完整的深度推荐系统
推荐系统通常不会让一个复杂模型直接给全量物品打分。物品数量一旦增长，这种做法会迅速变慢。因此项目把在线推荐拆成召回和排序两个阶段。双塔模型分别把用户和电影编码成向量。在线请求到来时，系统先用向量相似度从全量电影中找出一批候选。这一阶段追求的是速度和覆盖率：尽量不要漏掉用户可能喜欢的电影。召回结果随后进入 DeepFM。排序模型会融合用户、电影、类型、年份和召回分数等特征，同时学习低阶特征交互与高阶非线性关系。它的工作不是寻找全世界所有可能的电影，而是在有限候选中判断“哪一部更应该排在前面”。
2026-07-26 23:04:56
326
原创 AI_Coding: Hooks
Codex Hooks 是一种在 AI 开发过程中自动执行脚本的机制，它可以在关键节点（如会话开始、工具执行前后等）触发预定义操作。Hooks 适合执行机械性任务，如安全检查、代码格式化等，与 AGENTS.md 的指导性规范形成互补。 Hooks 可配置在不同层级（用户全局/项目级），通过 JSON 格式定义事件、匹配规则和执行命令。常用事件包括工具执行前后的拦截检查（PreToolUse/PostToolUse）和任务结束时的交付验收（Stop）。脚本通过 stdin 接收 JSON 输入，通过退出码和
2026-07-17 11:19:25
552
原创 搜广推进入 Agent 时代
搜广推过去十年的主线是把模型做大、把特征做细。执行瓶颈：广告投手手动调参、算法工程师手工推进实验——人的吞吐量线性限制了系统迭代速度。一个工程师只能串行推进 1-2 个实验，一个投手能同时管理的广告计划数有硬上限。经验瓶颈：失败实验的价值只停留在文档和个人记忆里，无法转化为系统能力。下一个投手/工程师仍然可能重复踩坑。让 Agent 成为执行主体，人退到监督位。腾讯 AdPilot（KDD 2026）和快手 AgentX（2026.06 技术报告）分别从广告投放和推荐研发两条线，给出了工程验证过的解法。
2026-07-17 10:24:28
507
原创 Loop Engineering：从提示词工程师到 AI 系统架构师
Loop Engineering：AI 系统架构的新范式 本文提出AI编程正经历第三次革命——从提示词工程（Prompt Engineering）到循环工程（Loop Engineering）的转变。核心在于设计能自主运行的闭环系统，而非单次交互的AI指令。关键要点： 范式演进：从单次提示优化→单任务推理循环→跨任务自主系统架构，开发者角色从提示词工程师转变为AI系统架构师。 核心架构： 六要素闭环：调度机制、工作树隔离、技能复用、工具链连接、对抗验证、状态持久化 双层循环模型：内循环（ReAct单任务执行
2026-06-23 15:27:53
398
原创 Imbalanced Learning
类别不平衡（Class Imbalance）：数据集中各类别样本数量差距悬殊。常见于欺诈检测、医疗诊断、异常检测等场景。准确率（Accuracy）失效——多数类占 99%，全猜多数类也有 99% 准确率模型偏向多数类，少数类（正类）几乎学不到信号交叉熵损失被多数类主导，梯度更新忽略少数类。
2026-06-20 23:38:11
303
原创 2026 大模型 API 定价全景图：DeepSeek、豆包、Qwen、GLM、MiniMax、Kimi、Claude、Gemini、GPT 谁最便宜？
随着大模型竞争进入"成本大战"阶段，本文汇总了国内外主流AI模型的API定价策略。国产模型中，DeepSeek V4系列性价比突出，特别是缓存命中场景下输入成本低至0.02元/百万Tokens；字节豆包采用上下文长度分档计费，适合不同规模应用；阿里通义和智谱GLM在长上下文和企业场景有优势。国际方面，Anthropic Claude的Prompt Cache商业化最成熟，提供多级缓存计费；Google Gemini和OpenAI GPT系列则按不同模型版本和上下文长度差异化定价。整体来看，企业选型需综合考虑
2026-06-04 12:37:20
4983
1
原创 Anthropic Agent最佳实践系列二: Agent系统测试
文章摘要： 本文探讨了AI Agent评估（eval）的重要性与方法，指出Agent系统的稳定性与可靠性高度依赖系统化的评估框架。相比传统单轮LLM评估，Agent需追踪多轮执行轨迹，综合判断过程与结果（如数据库状态、文件修改等）。Anthropic提出了一套工程化评估体系，包含任务（Task）、执行记录（Transcript）、评分器（Grader）等核心组件，强调需结合代码测试、模型评分和人工抽检。文中以代码Agent（如SWE-bench）和对话Agent（如τ2-Bench）为例，说明如何通过多维度
2026-05-31 12:53:55
648
原创 ChatGPT、Claude 和 Gemini 的网页端聊天历史是怎么处理的？
AI 会话上下文管理机制解析 大模型产品处理长对话时并非简单存储全部历史记录，而是采用动态上下文管理策略。核心机制包括： 模型本身是无状态的，每次请求需重新构造上下文输入 上下文窗口有限，需平衡系统指令、工具结果、历史对话等内容 短对话通常保留完整上下文，长对话则采用多种优化策略： 裁剪早期内容 摘要压缩关键信息 检索相关历史片段 挂载长期记忆 要求开启新会话 主流产品实现差异： ChatGPT：动态上下文+记忆+历史引用 Claude：强长上下文能力但仍会压缩超长会话 Gemini：原生支持超长上下文+缓
2026-05-26 10:09:25
742
原创 GitLab CI|CD 配置笔记
本文详细介绍了GitLab Runner v18.x版本的安装与注册流程。首先指导用户下载适合系统架构的安装包并进行命令行安装，然后通过交互式命令完成Runner注册，包括填写GitLab实例URL、注册Token、描述信息等关键参数。文章特别解析了注册过程中出现的Deprecated警告，说明其不影响当前版本使用，并解释了选择Shell执行器的优缺点。最后验证Runner状态并确认注册成功。整个过程配有详细日志和截图说明，帮助用户快速完成CI/CD线下执行机的配置。
2026-05-21 17:29:14
552
原创 除了Post-Train，我们还能对大模型做什么
开源大模型微调面临"灾难性遗忘"问题，李宏毅教授提出三大前沿解决方案：1）模型编辑(Model Editing)，通过精准手术式修改特定参数，实现知识更新和隐私遗忘；2）模型融合(Model Merging)，无需训练直接合并多个模型参数，快速获得多功能模型但存在逻辑冲突风险；3）测试时训练(Test-Time Training)，在推理时动态更新参数，采用快慢更新机制和自动重置保障稳定性。这些方法突破了传统微调的局限，为大模型持续进化提供了多样化路径。
2026-05-21 13:36:04
404
原创 ReAct 智能体的失败处理与改进机制：从 Demo 到工业级 Agent 的关键一步
摘要： 工业级智能体系统的核心在于将ReAct框架（推理→行动→观察循环）与鲁棒性机制结合，以应对工具调用失败、参数错误、任务漂移等实际问题。关键机制包括：1）最大步数限制防止无限循环；2）工具调用超时与结构化重试策略；3）参数Schema校验确保输入合规；4）标准化Observation反馈；5）循环检测避免重复调用；6）状态机跟踪原始目标防偏离。这些机制共同构成执行控制层，使大模型专注于决策，系统负责边界控制与错误处理，从而提升智能体在真实场景中的稳定性与可靠性。
2026-05-19 19:26:59
611
原创 Anthropic Agent最佳实践系列一: Agent 架构入门
文章摘要：本文探讨了构建高效LLM智能体的关键原则与实践经验。研究表明，简单可组合的模式比复杂框架更有效。文章区分了工作流（预定义流程）与智能体（自主决策系统）的适用场景，建议仅在需要高度灵活性时采用智能体。介绍了多种工作流模式（提示链、任务路由、并行处理等）和智能体的核心架构，强调工具设计清晰性和模型友好性的重要性。最佳实践包括优先使用简单方案、理解底层机制、设置防护措施等，并以代码智能体为例展示了实际应用场景。
2026-05-09 12:52:11
501
原创 KDD Cup 2026 腾讯算法广告大赛：UNI-REC-PCVRHyFormer 源码深度解读
一个统一序列建模与非序列特征交叉的工业级推荐模型 baseline，值得每一位推荐系统工程师精读。腾讯给出的 baseline——，用约 1800 行高质量 Python 代码给出了一个答案。本文逐文件拆解这个 baseline，从数据管道到模型架构到训练策略，力求说清每一处设计意图。
2026-05-02 13:35:08
1385
原创 KDD Cup 2026 腾讯算法广告大赛赛题解读： UNI-REC (统一序列建模与特征交叉)
KDD Cup 2026推荐系统赛道聚焦特征交叉模型与序列模型的结构性融合问题。赛事基于腾讯广告真实日志数据，包含120列用户和物品特征，特别设计了用户离散特征与连续特征的对齐结构，为统一建模提供天然切入点。评估采用AUC指标并设置严格延迟约束，要求参赛者在精度和效率间取得平衡。除常规排名外，还设立了两个各4.5万美元的创新奖，分别奖励统一建模块设计和扩展规律研究。总奖金达88.5万美元，技术方向建议关注统一tokenization方案、可堆叠backbone设计及延迟优化策略。该赛事旨在推动推荐系统突破现
2026-05-02 00:27:59
1663
原创 Claude Code 接入飞书 CLI：让 AI 真正帮你干活
本文介绍了如何将Claude Code接入飞书办公平台的方法。首先需要安装Node.js环境和飞书CLI工具，通过npm全局安装@larksuite/cli并配置初始化。接着完成OAuth授权登录，并根据需要添加不同功能的权限范围。重点展示了Claude Code与飞书CLI的深度整合，用户可以直接通过自然语言指令操作飞书文档、日程等功能，无需手动切换工具。虽然存在权限管理较繁琐的缺点，但这种AI+CLI的模式大幅提升了办公效率，展现了智能化办公的新可能。文章提供了详细的安装配置步骤和实际应用示例，为想要尝
2026-05-01 22:54:58
1868
原创 大模型基础123-位置编码
百万 token 上下文已经是 SoTA 大模型的标配 —— Gemini 2.5 支持 1M-2M，GPT-5 / Claude 4 支持 1M，Llama 4 Scout 甚至号称 10M。这一节梳理一下他们到底用了什么技术，和上面笔记里的内容什么关系。
2026-04-25 22:58:42
442
原创 AI Agent 核心技术：Context Engineering 基本概念解说
本文深入探讨了大语言模型（LLM）发展中的关键技术——上下文工程（Context Engineering）。文章指出，AI Agent作为语言模型与现实世界的桥梁，需要解决两大核心挑战：模型缺乏长期记忆和上下文窗口受限问题。通过四种核心操作（上下文压缩、记忆系统、子代理机制和源头控制），AI Agent能够智能管理输入信息，防止上下文爆炸。文章特别提出"Agentic Context Engineering"概念，展望未来AI Agent将具备自主管理上下文的能力，包括动态维护知识库和递
2026-04-16 10:19:32
500
原创 Harness Enginner记录-驾驭AI Agent之术
摘要：Harness Engineering是AI领域新兴的控制大模型的方法论，旨在通过外部框架规范AI行为。台大李弘毅教授将其分为三个层面：(1)认知框架控制，通过自然语言设定身份和规则；(2)工具控制，限制AI能力边界；(3)工作流程控制，规范行为模式。核心思想是减少模型不确定性，通过反馈循环(Ralph Loop)实现自我进化。研究显示，正向引导能提升AI表现，而负面反馈会降低性能。该方法由OpenAI和Anthropic等公司推动，代表大模型应用从单轮交互向自主解决问题的演进。
2026-04-16 00:02:40
604
原创 Claude Code使用：如何写一个好的 CLAUDE.md
CLAUDE.md是用于规范Claude行为的核心文档，应聚焦于项目关键信息：构建测试流程、架构边界、编码规范和安全限制。避免放入背景介绍或可推断的内容。建议采用模块化结构，包含构建指令、架构约束、编码规范、禁止事项和验证要求。通过让Claude自行更新文档来持续优化，并定期review过时条目。项目实践中可配合环境检查工具和按文件类型触发的hooks，建立包含全局约束、路径约束和工作流的多层级规范体系，但需避免文档膨胀、内容过时或约束过度等常见问题。
2026-04-10 11:22:55
684
原创 Claude Code：架构、治理与工程实践
本文深入解析Claude Code系统的六层架构与核心机制，重点探讨上下文管理、组件设计和工程实践。系统采用代理循环机制（收集→行动→验证），而非简单问答模式。通过分层分析揭示了上下文污染的根源——固定开销占用12.5%容量，并提出分层加载策略（常驻/路径/按需/隔离）。文章详细区分了Tool/Skill/Subagent等组件的设计边界，强调Skill应实现渐进式信息披露。针对上下文噪声问题，推荐RTK工具自动过滤命令输出，并给出压缩优先级策略。最后提出Plan Mode的双阶段工作法，通过探索-执行分离
2026-04-10 11:16:03
698
原创 从排序到生成：腾讯广告算法大赛 2025 baseline解读
腾讯广告算法大赛提出"生成式推荐"新范式，将推荐系统视为序列生成任务。用户行为序列被token化，推荐转化为next-token预测，实现端到端统一建模。比赛提供百万至千万级工业数据集，包含多模态广告特征（文本/图像embedding）和用户行为序列。Baseline采用Transformer架构建模用户历史序列，通过ANN检索实现推荐，展现了"生成式建模+检索式推理"的工业实践。核心创新在于将推荐系统LLM化，用语义理解替代传统ID驱动，为推荐领域带来范式变革。
2026-04-09 11:55:27
1386
原创 AI动画短片生产全流程
视频创作全流程AI化指南（150字摘要） 本文系统介绍了利用AI工具制作短视频的完整流程：1）剧本生成阶段需构建2分钟内可执行的故事骨架，注重画面可实现性；2）分镜头脚本需表格化呈现，控制单镜头3-6秒，总镜头8-15个；3）素材生成阶段强调角色一致性，通过三视图保证人物设定稳定；4）视频生成推荐使用即梦/可灵工具，保持风格统一；5）后期剪辑遵循五步流程，从素材排序到节奏优化。全文提供具体prompt模板和工具推荐，突出"画面可实现性"和"叙事连贯性"两大核心原则，适
2026-03-29 14:04:35
985
原创 GPU 部署ppocr记录
本文介绍了PaddleOCR服务的部署过程，主要包含环境安装和服务实现两部分。在环境安装阶段，通过Docker方式安装PaddlePaddle深度学习框架和PaddleOCR工具包。服务实现部分采用FastAPI构建RESTful API，支持高并发OCR识别功能。服务配置了线程池、信号量等机制控制并发量，并优化了PaddleOCR参数设置（关闭文档方向分类等非必要功能以提高性能）。该服务接受base64编码的图片输入，返回OCR识别结果文本及处理耗时，适用于各类文字识别场景。
2026-03-08 11:37:21
497
原创 大模型基础123- 注意力机制，从数学原理到资源优化框架
本文系统梳理了大模型中的注意力机制及其优化方向。首先解释了注意力机制如何解决传统序列模型的信息瓶颈问题，通过动态加权聚合实现长距离依赖建模。详细介绍了注意力计算的基本公式（Scaled Dot-Product Attention）及其多头扩展形式（Multi-Head Attention）。重点分析了当前三大优化方向：降低计算复杂度（如稀疏注意力、线性注意力）、减少显存占用（如FlashAttention、KV Cache）以及支持更长上下文（如MQA/GQA）。其中FlashAttention通过分块计算
2026-02-17 23:04:46
831
原创 企业级大模型微调（Fine-tuning）策略
摘要：通用大模型在垂直业务场景中存在"话术官僚化""逻辑浅表化"和"事实幻觉"等局限，单纯依赖Prompt工程成本高且不可靠。微调技术的本质是重塑模型的思维模式，通过修正概率分布和内化专业思维，可显著提升模型性能。数据工程是微调成功的关键，需要注重数据多样性、复杂性和分布平衡，采用人机协作方式生成高质量数据并持续优化。建议通过构建黄金测试集和数据监控形成闭环，实现模型的持续进化。
2026-02-13 21:50:58
590
原创 LangGraph速记
State seems like the thread data that I’ve been familiar with，can be persisted across time and in particular across failures of nodes，是一个流动的状态数据。运行到 interrupt 时，LangGraph 会暂停等待外部输入（UI/接口/你的控制台逻辑），这就是 HITL 的核心。进一步的，可以使用map-reduce。它不是一个函数，也不是一个类，而是。
2026-02-09 11:33:57
640
原创 Langchain学习笔记一 -基础模块以及架构概览
LangChain总体架构分为5层：模型层(L1)对接各类LLM模型；提示层(L2)处理Prompt模板化；运行层(L3)通过Runnable实现流程编排；智能层(L4)提供Agent/Tools实现工具调用；记忆层(L5)管理长期记忆和上下文。核心模块包括ChatPromptTemplate(L2)、RunnableSequence(L3)、Tool Calling Agent(L4)等，支持从输入到输出的完整AI应用开发流程。其中AgentExecutor负责循环执行工具调用，OutputParser将
2026-02-05 13:30:20
445
转载 人生没有两全之事，不要美化那条你未选择的路
人生没有绝对正确的选择，每条路都有遗憾。我们常幻想未选之路会更美好，但不过是给想象戴上滤镜。成年人的通透在于：不美化放弃的选项，不为过去后悔。当前路难行时，应勇敢跨越而非幻想"如果当初"。买了就不比价，选了就别回头。余生还长，只需义无反顾地走下去，风来迎风，浪来踏浪。人生这道选择题，本就没有百分百的圆满。
2026-02-05 12:55:53
92
原创 从冷启动到爆品：AliBoost 如何破解推荐系统“富者愈富”困局
摘要：阿里提出AliBoost框架解决推荐系统中新商品冷启动难题。该方案通过三级助推架构（分级曝光、动态晋级淘汰）、Stacking冷启动CTR预测模型（融合多源数据）和商品导向竞价机制，打破"马太效应"循环。实验显示，被助推180天的商品GMV提升超70%，全链路指标同步改善，实现生态与商业价值的协同优化。该研究为平台内容多样性提供了创新解决方案。（149字）
2026-02-04 18:51:00
757
【人工智能开发】基于LangGraph的状态图模型构建：支持检查点与人机协同的长周期LLM应用系统设计
2026-02-28
【人工智能应用】基于Claude技能系统的自动化工作流构建：从设计到部署的全流程指南
2026-02-23
基于OeRec架的端到端生成模型优化：多模语义理解与高效推理统一基座设计
2025-10-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人