- 博客(195)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 【元宝搜索开发者征文大赛】用腾讯元宝搜索打造 AI 新搜索，四大场景 (竞品情报・资讯聚合・知识问答・数据核查)
本文基于腾讯元宝搜索API，用Java、Python、Go、Node.js四语言实现四大真实场景原型：竞品情报分析、资讯聚合、知识问答与数据核查。项目均通过端到端验证，提供可运行源码与真实截图。核心亮点为统一接入方式、智能参数吸附、高精度结果字段（含相关度与权威分），显著降低搜索开发门槛，助力AI应用高效落地。
2026-10-24 06:00:00
1420
1
原创 大模型研发重难点全栈手册：第 15 章 推理量化：GPTQ / AWQ / SmoothQuant 选型
本章聚焦推理侧后训练量化（PTQ），针对大模型显存与吞吐瓶颈，剖析离群值导致的量化误差问题。对比GPTQ（Hessian补偿）、AWQ（激活感知缩放）、SmoothQuant（难度迁移）与FP8（硬件原生支持）四类方案，从公式、误差分析到粒度选择，系统构建量化选型框架。结合Roofline模型与实测数据，提出基于硬件、精度与延迟的决策树，实现显存压缩与推理效率的最优平衡。
2026-10-24 05:22:31
299
原创 大模型研发重难点全栈手册：第 14 章 KV Cache 与 PagedAttention：vLLM 为什么快
本文深入解析vLLM高效推理的核心——KV Cache优化。针对传统框架中KV Cache导致的60-80%显存浪费问题，vLLM通过PagedAttention（借鉴虚拟内存分页管理）、Continuous Batching（消除队头阻塞）与Prefix Caching（复用共享前缀）三件套，将显存利用率提升至95%以上，吞吐量最高提升24倍。文章系统推导了MHA/GQA/MQA下KV Cache显存公式，揭示其随序列长度线性增长的瓶颈，并结合Roofline模型说明算力瓶颈根源。最终以工程实践为落点，为
2026-10-12 15:42:25
236
原创 大模型研发重难点全栈手册：第 13 章 对齐税（Alignment Tax）：对齐为什么会掉能力、怎么量化、怎么补
摘要（148字）： 对齐税是模型在安全对齐过程中不可避免的能力损失，表现为过度拒绝、回答模板化、知识遗忘及代码/数学能力下降。它源于多目标优化的内在冲突，非缺陷而是代价。本文系统量化五类症状，提出基于FRR、长度漂移、基准差值等指标的评估框架，并强调应在帕累托前沿平衡对齐强度与能力保留，避免“越对齐越弱”。配套工具支持综合评分与回归分析，助力工程实现可持续对齐。
2026-10-12 15:10:01
247
原创 大模型研发重难点全栈手册：第 12 章 对齐进阶：RLHF(PPO) → DPO → GRPO（完整版·可工程化）
这个顺序比一上来就 PPO 更稳、更省。
2026-10-12 13:49:57
538
原创 大模型研发重难点全栈手册：第 11 章 LoRA / QLoRA：低秩适配的原理与边界（完整版・可工程化）
本章系统解析LoRA/QLoRA低秩微调原理与边界。针对全参微调显存爆炸（7B模型需104GB）、存储成本高、任务切换难等痛点，提出核心假设：权重更新ΔW具低内在秩。通过奇异值分解实证，99.9%能量可由r=4承载，验证低秩有效性。LoRA将可训练参数降至0.3%~2%，QLoRA结合4bit量化，实现65B模型单卡微调。但低秩为假设，谱衰减慢时会欠拟合，需结合ΔW奇异谱预估最优秩。配套脚本支持参数量、显存、量化误差等精准计算，兼具理论深度与工程可复现性。
2026-09-24 14:00:50
579
原创 大模型研发重难点全栈手册：第 10 章 SFT：监督微调的数据与训练（完整版・可工程化）
本章系统阐述监督微调（SFT）的核心逻辑：其本质是通过高质量对话数据将模型从“任意续写”收窄为“指令遵循”，而非注入新知识。基于LIMA等实证研究，仅需1000–5万条优质数据即可实现显著行为对齐，关键瓶颈在于数据质量与格式一致性。SFT专治输出格式、对话逻辑等问题，不解决知识缺失或能力不足。文中配套可运行脚本涵盖数据处理、训练监控与性能评估全流程，强调工程化落地。
2026-09-23 18:40:02
154
原创 大模型研发重难点全栈手册：第 9 章 工程基建：通信、容错、存储、Profiling 与框架（完整版・可工程化）
本文系统阐述大模型训练工程基建的核心要素，涵盖通信（NCCL、NVLink、InfiniBand）、容错（MTBF、Daly公式、checkpoint策略）、存储（分片写、并行文件系统）、Profiling（nsys/PyTorch Profiler）与框架调度（Megatron/DeepSpeed）。强调规模放大下“小概率事件”必然发生，需以拓扑感知、弹性恢复与可观测性应对。通过可运行脚本实现关键参数自检，助力从8卡跑通迈向万卡稳定训练，是预训练工程化的收官之章。
2026-09-23 15:23:51
400
原创 大模型研发重难点全栈手册：第 8 章 长上下文：位置外推、序列并行与 “中间遗忘“（完整版・可工程化）
本文系统解析长上下文处理的三大挑战：算力/显存墙、位置外推墙与中间遗忘墙。重点剖析RoPE位置编码的数学本质及其外推瓶颈，对比PI、NTK-aware、YaRN等外推方法的原理与适用场景，结合可运行脚本实现参数计算与性能评估，揭示“标称窗口≠有效上下文”的关键认知，并提供工程化解决方案（如KV cache优化、序列并行、StreamingLLM淘汰策略），助力模型突破长文本理解极限。
2026-09-23 14:42:08
361
原创 大模型研发重难点全栈手册：第 7 章 MoE 与专家并行（EP）：用稀疏激活解耦参数规模与算力（完整版・可工程化）
本文系统阐述MoE（混合专家）与专家并行（EP）的核心思想：通过将FFN替换为多个专家，并由路由网络动态选择top-k专家，实现参数规模与算力的解耦。文章详解路由机制、负载均衡损失、容量因子与令牌丢弃策略，揭示路由坍缩成因及应对方法，结合真实模型数据（如Mixtral、DeepSeek-V2）验证其高效性。配套脚本支持完整功能自检，涵盖top-k路由、负载均衡、通信量计算等工程关键点，为可工程化部署提供坚实基础。
2026-09-23 14:26:19
461
原创 大模型研发重难点全栈手册：第 6 章 优化器、初始化、学习率调度与收敛诊断（完整版・可工程化）
本章系统阐述大模型预训练中的优化器选型、初始化与学习率调度核心机制。基于工业实践，明确推荐使用解耦权重衰减的AdamW（β₁=0.9, β₂=0.95, wd=0.1），并强调优化器状态必须保持fp32以保障数值稳定性。通过参数分组避免norm/bias衰减，结合ZeRO实现高效分布式训练。学习率调度采用warmup+cosine或更灵活的WSD策略，有效抑制早期loss spike，提升收敛性。配套脚本实现最小化AdamW与调度器，支持梯度裁剪、收敛诊断与update-to-weight ratio等指标
2026-09-17 18:45:55
367
原创 大模型研发重难点全栈手册：第 5 章 数据工程：比模型结构更决定成败的一环（完整版·可工程化）
本文系统阐述数据工程在大模型训练中的核心地位，指出“数据量 = 20×参数量”为计算最优配比，强调数据质量远超模型结构调优。文章构建端到端流水线，涵盖抽取解码、去重（精确+MinHash+LSH）、质量过滤（规则+PPL+分类器）、脱敏、分词与定长打包等九步，详解每步难点与工业级解决方案，并配套可运行脚本实现最小闭环。重点揭示去重顺序、阈值设定、粒度选择等关键权衡，强调数据问题将引发训练不稳、能力偏差与评测失真，最终论证：数据工程是决定模型上限的一等公民。
2026-09-16 17:03:17
236
原创 大模型研发重难点全栈手册：第 4 章 吞吐优化：Roofline、FlashAttention、SP 与重计算（完整版）
本章聚焦训练吞吐优化，以MFU为核心指标，通过Roofline模型识别算子瓶颈：大GEMM为算力受限，Attention等小算子为访存受限。针对标准Attention因N×N矩阵频繁进出HBM导致的性能瓶颈，提出FlashAttention v1方案——利用SRAM分块计算，结合online-softmax实现增量归约，避免全量S/P存储，显著降低访存开销。配合算子融合与重计算策略，可将MFU从30%提升至50%+，实现硬件高效喂满。
2026-09-16 16:50:02
320
原创 大模型研发重难点全栈手册：第 3 章 3D 并行：显存与通信逐项算账（完整版）
本文系统解析大模型训练中的3D并行机制，从显存与通信双维度算账：模型状态（16字节/参数）与激活内存构成显存瓶颈，驱动必须采用数据（DP）、张量（TP）、流水线（PP）并行。通过统一视角揭示五类并行的切分逻辑与代价，重点推导Ring-AllReduce通信量为2(N−1)/N·M，论证其可扩展性；详解TP中列+行配对切法如何将每层通信降至4次，并强调梯度归约精度与全局一致性的重要性。配套脚本支持全链路验证，实现手算每卡显存、通信量与MFU，为高效分布式训练提供量化决策依据。
2026-09-14 15:54:07
148
原创 大模型研发重难点全栈手册：第 2 章 浮点精度战争：FP32/BF16/FP16/FP8 混合精度的数值安全边界（完整版）
本文系统解析大模型训练中混合精度浮点格式的数值安全边界，从FP32到FP8（E4M3/E5M2）逐项拆解其指数位、尾数位与动态范围，揭示为何BF16成为主流——保范围、舍精度，避免上溢下溢；对比FP16范围窄、需损失缩放，而FP8通过前向用高精度E4M3、反向用大范围E5M2实现分工协作。结合手算例证，阐明“在能省显存、提速、用硬件加速的地方用低精度，在敏感处保留高精度”的核心原则，为混合精度训练提供可复现的数值安全依据。
2026-09-14 15:07:33
325
原创 大模型研发重难点全栈手册：第 1 章 大模型预训练稳定性：Loss Spike 全链路复盘（完整版）
本文复盘大模型预训练中致命的Loss Spike问题，揭示其四大根因：梯度连乘爆炸、AdamW滞后响应、Attention logits失稳及softmax能量盲区。通过真实事故时间线，提出“预防—在线兜底—检查点恢复”三层防御体系，强调发散后唯一可靠操作是回滚checkpoint。核心结论：梯度裁剪非万能解，β2取0.95更抗突发尖峰，QK-RMSNorm必须置于内积前，且需严格对齐头维度。
2026-09-14 14:43:35
296
原创 大模型研发重难点全栈手册：第 0 章 导览：从预训练、混合精度、3D 并行、吞吐优化，到对齐微调、推理部署、RAG/Agent 与评测（最全完整版）
本文为大模型研发全链路重难点手册，系统梳理预训练、对齐、推理、应用与评测五大模块。聚焦训练稳定性（如梯度爆炸、Loss Spike）、混合精度数值安全（FP32/BF16/FP8）、3D并行与吞吐优化等核心问题，提出“原理→解法→权衡→踩坑”四层框架，配套脚本支持复现与验证。强调QK-RMSNorm、z-loss、全局梯度裁剪等工业级实践，倡导双层Checkpoint与五件套回滚机制，助力研发工程师突破大模型训练瓶颈。
2026-09-14 14:12:21
1071
原创 大模型 Prompt 工程技巧总结（生产级实践指南）
本文为生产级大模型 Prompt 工程实践指南，强调从“写指令”到“工程化运营”的完整能力栈建设。核心要点包括：以清晰、结构化指令为基础，运用分隔符与角色设定提升可读性与稳定性；通过六维具体化消除歧义；优先采用结构化输出与格式约束对冲概率性；合理使用 Few-shot 示例补足隐性标准，避免偏置；坚持“明确意图、确定性约束、量化评测”三大原则。全文提供可复用的骨架模板、模式库与上线清单，助力团队实现可靠、可测、可维护的 Prompt 系统化落地。
2026-09-11 14:38:55
311
原创 从零搭建 AI 聊天网页：多厂商适配、上下文记忆与跨会话对话
本文手把手实现一个可本地运行的AI聊天网页，基于Node.js后端统一对接多厂商大模型API，支持多厂商一键切换、上下文记忆与跨会话历史恢复。前端仅负责界面交互，密钥不暴露；后端通过配置表适配OpenAI兼容协议，以sessionId持久化会话，实现消息上下文拼装与历史恢复。项目约300行代码，20分钟快速搭建，适合开发者扩展至生产环境。
2026-09-11 13:48:49
228
原创 Agentic RAG 3.0：下一代检索增强生成架构
Agentic RAG 3.0 代表了检索增强生成的最新演进方向。它的核心不是"更准的检索算法"，而是"更智能的检索决策"——把检索从预处理步骤重构为受策略驱动的、可迭代、可验证、可终止的行动循环。从"构建检索流水线"到"构建检索 Agent"：固定步骤 → 动态决策；从"追求检索准确率"到"追求端到端任务完成率"：检索只是手段，正确完成任务才是目的；从"单一检索方式"到"多工具混合编排"：向量、关键词、图谱、多模态各有所长，按需路由；从"静态结果评估"到"动态轨迹评估"
2026-08-28 16:50:27
520
原创 2026全球大模型终极横评：国产四强霸榜开源，马斯克万亿Grok杀到，Llama竟被禁欧盟、海外头部动态与工程选型参考
代表模型：Mistral Large 3 / Small 4 / Ministral维度总参数/激活Dense上下文256KMistral是把MoE架构引入开源社区的先驱（Mixtral 8x7B）[“https://blog.youkuaiyun.com/qq_21886255/article/details/163823561”]。Large 3有675B总参数/41B激活，Small 4是119B/6B，还有Ministral系列做边缘端。Mistral的核心优势是欧盟合规。
2026-08-28 15:14:43
798
原创 为什么你的 RAG 总答非所问？一文讲透 Embedding、向量检索与 Rerank，打造高质量 AI 知识库
本文面向后端工程师、算法工程师与 AI 应用开发者，系统拆解 RAG 知识库中 Embedding、向量检索与 Rerank 的协作机制。文章从“关键词搜得到、结果却不对”的典型问题出发，讲清 Embedding 如何把文本映射成语义向量、如何计算相似度，以及为什么它不等于知识库或推理；随后深入文档切分、向量库治理与版本记录等高价值工程细节。核心结论是：Embedding 负责“广泛而快速地找”，Reranker 负责“仔细而准确地排”，两者必须结合，并配合混合检索、结构化过滤与权限控制。文中还提供本地与云
2026-08-26 18:21:21
468
原创 C++ 手写 AI 编程 Agent（12）：性能优化、安全防护与 FAQ 总结
适用标准：C++17 |难度：中高级 |阅读时间：约 20 分钟本文是「C++ 手写 AI 编程 Agent」12篇系列的第12篇（完结篇），性能调优、安全加固与系列总结。按照结构创建一个新工具，实现 handler 函数，然后调用即可。文件读写能力：读取、创建、精确编辑源代码文件编译自检能力：自动编译并根据错误自我修复Shell 执行能力：运行测试、Git 操作等辅助任务自主思考循环：基于 ReAct 范式的多轮推理与行动安全防护机制。
2026-08-26 16:36:36
354
1
原创 C++ 手写 AI 编程 Agent（11）：Reflexion 与 Tree-of-Thought 等高级模式
本文聚焦 C++ 手写 AI 编程 Agent 的进阶能力，先梳理多 Agent 协作、记忆系统、规划增强、Human-in-the-loop、评估测试与 MCP 协议对接等工程化方向，再深入实现五种高级 Agent 模式——Reflexion 反思重试、Tree-of-Thought 树搜索、Self-Correction 自修正循环、Multi-Agent Debate 多智能体辩论，以及 Human-in-the-Loop 交互设计，并逐一给出可运行的 C++17 代码与设计原则。
2026-08-26 16:09:13
240
原创 C++ 手写 AI 编程 Agent（10）：主程序整合与端到端实战演示
C++ AI编程助手实战演示 本文整合了文件操作、编译工具和Shell工具，构建了一个完整的C++ AI编程Agent。通过main.cpp实现以下功能： 核心功能 动态加载系统提示词，支持环境变量配置API 注册文件读写、编译、Shell执行等工具链 提供交互式REPL界面，支持对话重置和状态查看 实战流程 # 启动Agent $ export OPENAI_API_KEY=sk-xxx $ ./agent > 输入需求："写一个计算斐波那契数列的C++程序" # Agent自动完成：代码生成 → 文件保
2026-08-25 18:31:56
189
原创 C++ 手写 AI 编程 Agent（9）：Prompt 工程从 System Prompt 到 A/B 测试
这篇文章探讨了如何通过System Prompt优化C++ AI编程Agent的表现。主要内容包括： System Prompt的重要性：作为Agent行为的核心指导，良好的System Prompt能显著提升Agent表现。 完整的System Prompt模板：包含身份定义、能力声明、工作原则、代码标准、安全约束和响应格式六大模块。 Prompt工程实践：提出结构化的Prompt设计原则，包括身份定义、能力边界、行为规范、输出格式等要素。 技术实现：展示了使用C++ Builder模式构建System
2026-08-25 18:30:52
213
原创 LangChain 简单上手：做一个本地知识库问答
本地知识库不等于模型训练，入门阶段通常先做 RAG；Embedding 负责“找相关资料”，Chat Model 负责“组织答案”；建库和问答是两个阶段，资料变化后再重建索引；是排查 RAG 问题的第一工具；资料没有答案时，系统应该明确拒答，而不是凭空补写；生产系统还要补上权限、增量同步、混合检索、评测、日志和数据安全。main.py示例知识库资料下一步建议：先把自己的 2～5 份 Markdown 或 TXT 文档放进data/
2026-08-25 11:38:35
466
1
原创 C++ 手写 AI 编程 Agent（8）：记忆系统、规划引擎与多 Agent 协作
本文介绍了C++实现AI编程Agent的第八部分，重点构建了完整的记忆系统架构与多Agent协作机制。记忆系统采用三层结构：短期记忆（对话历史）、工作记忆（任务上下文）和长期记忆（持久化知识库）。代码展示了基于重要性评分的记忆存储、检索和淘汰策略，支持线程安全操作。工作记忆模块提供临时变量存储，长期记忆实现JSON持久化存储。文章还涉及规划引擎设计，使Agent能分解复杂任务并协调执行。最后讨论多Agent协作模式，通过消息传递实现分布式问题求解。该架构赋予Agent类人的记忆认知能力，为构建更智能的编程助
2026-08-25 10:53:57
197
原创 DeepSeek Harness Linux/macOS/Windows 本地下载、启动与模型配置指南
本文提供了DeepSeek Harness在Linux/macOS/Windows平台上的本地下载、启动与模型配置指南。主要内容包括：1) 区分本地Harness使用云端模型或本地模型两种方式；2) 三个平台的运行环境安装方法(Node.js/Git等)；3) 跨平台路径和终端命令差异说明；4) 两种启动方式(直接下载发布版本或从源码构建)；5) 首次使用Web UI的基本步骤。文章特别强调了平台间的配置差异，如环境变量设置、默认数据目录位置等，并提供了版本控制建议以避免自动更新带来的兼容性问题。
2026-08-25 10:22:42
4291
1
原创 C++ 手写 AI 编程 Agent（7）：Token 窗口管理与错误恢复策略
当滑动窗口丢弃了太多历史信息时，更好的做法是将旧对话压缩为摘要后再保留。/// 对话摘要压缩器/// 将过长的对话历史通过 LLM 压缩为简洁摘要，保留关键信息public:/// 将一组消息压缩为摘要字符串/// @param messages 待压缩的消息列表/// @param target_length 目标摘要长度（token 数的近似值）/// @return 压缩后的摘要文本// 构造摘要请求的 prompt// system prompt 不参与摘要。
2026-08-25 10:07:54
248
原创 C++ 手写 AI 编程 Agent（6）：Agent 核心循环、消息管理与 LLM 调用
本文是「C++ 手写 AI 编程 Agent」系列第 6 篇，基于 C++17 + cpr + nlohmann/json 实现 Agent 核心运行引擎。文章依次讲解四个模块：`MessageManager` 消息管理与 Token 窗口截断、`LLMClient` 对 OpenAI 兼容接口的请求/响应封装、Agent 思考循环的“LLM 调用 → 工具执行 → 回填结果”控制逻辑，以及整合工具注册、回调、日志与统计的完整 `Agent` 类实现，为后续 Token 管理、记忆系统与多 Agent 协作
2026-08-24 20:06:05
216
原创 C++ 手写 AI 编程 Agent（5）：工具超时缓存与链式组合模式
本文介绍C++ AI Agent中工具执行的超时控制与结果缓存机制。通过ToolExecutor实现带超时的异步执行，支持外部取消；采用LRU+TTL策略的ToolCache减少重复调用开销，提升性能。适用于高并发、低延迟场景，是构建健壮智能编程助手的关键组件。
2026-08-24 20:05:20
100
原创 C++ 手写 AI 编程 Agent（4）：编译诊断工具与 Shell 执行引擎
本文是C++手写AI编程Agent系列的第4篇，实现编译诊断工具与Shell执行引擎。基于C++17，利用nlohmann/json和cpr库，构建支持CMake、Make、Ninja的自动检测编译系统，具备清理、自定义编译参数等功能，可自动验证代码正确性，提升Agent自主调试能力。
2026-08-24 20:01:15
96
原创 C++ 手写 AI 编程 Agent（3）：工具注册表与文件操作工具集
本文是C++手写AI编程Agent系列的第3篇，聚焦工具系统核心——工具注册表（ToolRegistry）的设计与实现。基于C++17与nlohmann/json，构建了支持动态注册、执行与验证的工具框架，包含工具定义、安全注册、参数校验及OpenAI Function Calling格式转换。通过ToolRegistry与DynamicToolManager，实现工具的灵活加载、生命周期管理与运行时调度，为构建可扩展的智能编程助手奠定基础。
2026-08-24 20:00:06
115
原创 C++ 手写 AI 编程 Agent（2）：环境搭建与 CMake 依赖管理
📌：C++ AI Agent 实战 / 大模型工具调用 / 智能编程助手⭐💬：评论区留言或私信，看到必回。
2026-08-24 19:57:24
179
原创 C++ 手写 AI 编程 Agent（1）：AI Agent 概念入门与 ReAct 架构设计
C++手写AI编程Agent（1）：概念入门与ReAct架构设计 本文是《C++手写AI编程Agent》系列的第一篇，主要介绍了AI Agent的基本概念及其与普通Chatbot的区别。文章重点解析了ReAct（Reasoning + Acting）范式的运作机制，包括推理与行动的交替循环过程。同时讲解了Tool Use Protocol（工具使用协议）的核心流程，展示了Agent如何定义、选择和调用外部工具。文章还通过流程图直观呈现了Agent的完整思考循环，并梳理了AI Agent技术的发展历史，从20
2026-08-24 19:56:19
675
原创 多系统本地部署大模型 Llama 3 实操踩坑记录
摘要 本文是一篇关于多平台本地部署Llama 3大模型的实操指南，主要面向需要快速实现模型落地的开发者。文章首先给出了不同场景下的方案选择建议：Ollama适合快速体验，llama.cpp+GGUF适合精细控制，vLLM适合生产环境。随后详细介绍了Llama 3模型的基础知识，包括不同版本区别、量化格式选择策略和显存需求估算方法。接着提供了通用准备工作指导，包括模型下载注意事项、存储空间规划和硬件确认步骤。全文包含大量实操命令和排错经验，覆盖Windows原生、WSL2、Linux和macOS平台，旨在帮助
2026-08-24 17:07:18
189
原创 说人话就能执行命令（下）：AI 智能终端进阶功能与安全实践
项目维护了一个社区安全规则仓库（按照 YAML 格式编写规则文件（参见 SafetyChecker 配置格式章节）确保规则经过充分测试，不会产生大量误报附带至少 3 个正例和 3 个反例测试用例提交 Pull Request，描述规则的用途和适用场景社区审核通过后，规则会被收录到官方规则集中，用户可以通过一键更新。通过本教程，我们从零构建了一个完整的自然语言 → Shell/CMake 命令转换工具CLI/REPL 交互层：基于 CLI11 的参数解析 + readline 支持的交互式会话。
2026-08-24 16:27:06
170
原创 说人话就能执行命令（上）：C++ 打造 AI 智能终端从 0 到 1
📃作者主页：编程的一拳超人⛺️ 欢迎关注：👍点赞 👂🏽留言 🌟收藏 💞 💞 💞 于高山之巅，方见大河奔涌；于群峰之上，更觉长风浩荡。作为 C++ 开发者，我们每天都在和命令行打交道。以下场景你一定不陌生：这些痛点的本质是：人脑擅长表达意图，但不擅长记忆精确的命令语法。如果我们能用自然语言描述意图，让工具自动生成正确的命令呢？优势显而易见：为了更直观地理解 AI Shell 的价值，下表从多个维度对比了传统 Shell 与 AI Shell 的差异：不同的开发者群体对 AI Shell 的需
2026-08-24 16:22:51
183
原创 Ollama在Windows /macOS/ Linux系统本地大模型完整部署教程
Ollama 是一款开源的本地大语言模型运行与管理框架，它封装了模型量化、显存调度、推理引擎等底层技术细节，用户只需几条命令即可在个人电脑上运行 Llama、Qwen、DeepSeek 等上百种开源大模型，全程数据本地处理，完全离线可用。跨平台原生支持 Windows、macOS、Linux自动硬件加速（NVIDIA/AMD/Apple Silicon）内置模型仓库，一键下载运行原生兼容 OpenAI API 格式，便于二次开发支持自定义模型、参数调优、多模型并行。
2026-08-24 16:13:45
624
dbeaver-ce-26.1.3-windows-x86-64.exe
2026-07-20
https://cdn.jsdelivr.net/npm/swagger-ui-dist@3/swagger-ui-bundle.js
2026-02-26
DBeaver一款好用的、免费的、开源的的数据库管理工具，可下载 版本：dbeaver-ce-25.0.2-x86-64-setup.exe
2025-04-07
migration：瀚高数据库迁移工具，用于多种数据库类型（mysql、oracle等）迁移到瀚高数据库
2024-07-24
瀚高数据库连接工具，用于连接到本地或远程的瀚高数据库 请区别于瀚高迁移工具
2024-07-24
为了安装 MongoDB，应该选择适用于 ARM 架构的版本
2024-07-24
Fences 5是一款桌面整理软件，主要用于Windows操作系统，能够帮助用户更有效地管理和组织桌面上的图标和文件
2024-05-22
Redis的图形化桌面客户端
2022-11-06
DBeaver一款好用的、免费的、开源的的数据库管理工具，可下载
2022-07-30
Geek一款流氓、病毒软件强力粉碎、卸载软件，放心使用
2022-07-30
数据原理知识点总结，可以免费查看
2022-03-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人