- 博客(534)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【学习笔记】《孙子兵法》与网络安全
战争的核心在于人与人的对抗，而网络安全的核心也是在于人与人的对抗，因此《孙子兵法》中的相关理论和内容，对于网络安全同样具有重要的指导意义。
2025-11-07 08:55:24
1356
转载 【转】软件成分分析（SCA）完全指南
软件成分分析（SCA）是查找开源软件包中的漏洞并学习如何修复它们的最佳选择，确保代码和应用程序处于安全状态。
2023-01-27 08:59:01
1943
2
原创 【学习笔记】GB/Z 185.x-2026 人工智能 智能体系列标准解读
GB/Z 185系列标准是我国智能体互联的顶层设计，旨在解决跨厂商智能体“找不到、认不出、调不动”的难题。该系列以“身份码”为核心，构建涵盖身份注册、描述发布、能力发现、交互协同与工具调用的七部分完整体系，通过五大概念域与十组标准化接口，实现智能体全生命周期的可信互联。其核心创新在于将身份与信任机制独立治理，推动智能体从演示走向生产级应用，为政企场景提供可落地的互操作框架。
2026-11-05 09:36:09
314
原创 【学习笔记】Milvus 索引怎么选？从 FLAT、IVF 到 HNSW，Milvus 数据分片、扩展与高并发设计-16
本文系统分析向量检索索引选型，对比FLAT、IVF_FLAT与HNSW在精度、延迟、内存与构建成本上的权衡。强调索引选择应基于真实压测，以FLAT为基线，结合数据规模、并发需求与延迟敏感度，合理选用IVF或HNSW。指出索引需关注部署架构（Standalone/Distributed）、元数据管理（etcd）、对象存储（MinIO/S3）及写入链路（WAL/消息队列）的协同。提出RAG项目应建立完整指标体系，分层设计流量与资源隔离，避免盲目扩容。最终倡导以数据驱动决策，而非依赖“高级感”或单一参数配置。
2026-10-23 16:47:05
256
原创 【学习笔记-一文读懂系列】读懂GBZ-195-2026《人工智能 工业智能体参考架构》
GB/Z195是我国首份工业智能体架构指导文件，由北航、清华等联合编制，构建“大小模型库+八大功能模块+双交互域”标准体系。明确具身与非具身智能体分类，强调安全边界与协同机制，形成覆盖底座（GB/Z204）、本体（GB/Z195）、互联（GB/Z185）的完整标准拼图，推动工业智能体在全生命周期中的规范化开发与应用。
2026-10-21 21:23:49
294
1
原创 【学习笔记】Milvus 如何完成一次向量相似度检索，Milvus 索引到底应该怎么选？-15
本文深入解析RAG项目中向量检索的完整链路，涵盖查询流程、距离计算、索引选择与调优。强调检索失败需排查集合状态、维度匹配、索引与距离指标一致性，并建议以FLAT为基线，结合真实压测评估IVF_FLAT与HNSW在召回率、延迟与资源间的平衡。指出索引非“越高级越好”，应基于数据规模、并发与业务需求科学选型，避免仅凭经验或平均延迟决策。
2026-10-15 13:59:23
218
原创 【学习笔记】Milvus 是什么？为什么 RAG 系统经常使用它？-14
当企业知识库规模达数百万文本时，RAG系统面临向量存储、索引构建与检索效率挑战。Milvus作为开源向量数据库，专精于高效相似度检索，不负责生成答案或生成嵌入向量。其核心职责是接收向量、建立索引并返回最相似的文本片段。Milvus依赖etcd管理元数据、MinIO持久化数据，Standalone模式适合本地开发。它支持多种向量类型、索引优化与标量过滤，具备独立扩展能力。选型应基于实际负载与运维能力，避免将原始文件与向量数据混存。
2026-10-14 14:19:12
493
原创 【学习笔记】pgvector 入门：用 PostgreSQL 直接实现向量检索-13
项目若已使用PostgreSQL，不一定需额外部署Milvus。pgvector作为PostgreSQL的向量扩展，支持向量存储、相似度搜索及与业务数据的SQL联合查询，适合中小型知识库、原型验证和希望简化架构的场景。优势在于架构简洁、事务一致、运维成熟，但面临资源竞争与规模瓶颈。当向量负载高、并发大或需独立扩展时，可转向PostgreSQL+Milvus架构。选型应基于真实压测数据，综合考虑规模、延迟、过滤复杂度与运维成本，优先用pgvector验证闭环，再依实际瓶颈决定是否拆分。
2026-10-14 13:58:54
188
原创 【学习笔记-一文读懂系列】一文读懂Jev模型
Jev是由前OpenAI研究员Diogo Almeida创立的判别式模型，不生成文本，仅以单次前向计算输出选择题概率，实现毫秒级、低成本的决策判断。其三大原语（Choice、Score、Noul）专用于分类、评分与二元判断，广泛应用于工单分流、风险评估、输出校验等场景。上线24小时即被13%付费团队采用，开源竞品Laya三天获8820星。它颠覆了“大模型写文章”的路径，专注系统级决策，推动智能体架构向“轻量判别+生成”分工演进，真正践行“Building prod, not God”。
2026-10-11 10:11:49
437
原创 【学习笔记】JSONB、全文检索与事务：PostgreSQL 适合哪些 AI 业务数据？-12
PostgreSQL在AI项目中价值源于三大核心能力：JSONB灵活存储结构多变的半结构化数据（如模型参数、工具输出），全文检索实现无需向量模型的关键词匹配，事务与并发控制保障任务状态、文档发布等关键操作的一致性。三者协同应对AI应用中真实挑战——结构变化、语义检索补充、状态可靠性。但需明确边界：JSONB不替代关系建模，全文检索非语义替代，事务仅保数据库内原子性。合理设计字段分离、索引优化与异步流程，方能高效支撑AI业务。
2026-10-10 10:44:38
393
原创 【学习笔记】PostgreSQL、MySQL 与 MongoDB：AI 应用该如何选择数据库？-11
AI应用数据库选型应基于数据类型、关系复杂度、查询模式与团队能力，而非简单比较功能。PostgreSQL适合需事务与复杂查询的业务核心；MySQL利于复用成熟体系；MongoDB适用于结构灵活的文档型数据。推荐组合使用：PostgreSQL存元数据与会话，Milvus处理向量，MongoDB管理动态文档。关键在于明确数据源、权限边界与演进路径，避免模型直连生产库，通过服务层隔离风险。
2026-10-10 10:38:53
500
原创 【学习笔记】PostgreSQL 在大模型项目中到底负责什么？-10
在大模型项目中，PostgreSQL 最重要的价值不是“能不能存一段 JSON”，而是把 AI 应用从一次模型调用，变成一个有身份、有状态、有权限、有版本、有审计的业务系统。模型负责理解和生成，向量库负责相似度检索，对象存储负责原始文件，而 PostgreSQL 负责把这些对象组织成可以被业务理解和管理的事实。下一篇继续讨论数据库选型：《PostgreSQL、MySQL 与 MongoDB：AI 应用该如何选择数据库？
2026-10-09 20:02:49
338
原创 【学习笔记】大模型上下文窗口、Token 与成本：开发者必须理解的三个概念-09
大模型应用的成本与稳定性核心在于上下文窗口、Token与成本三者关联。Token是模型处理文本的基本单位，不等于字符或单词；上下文窗口限制一次请求的总容量，需预留输出空间。过度堆砌内容会引入噪声、增加成本与延迟，反而降低回答质量。优化关键在于：按需截断、滑动窗口、历史摘要、RAG去重与重排序、工具结果裁剪，并在调用前进行Token预算。同时需监控输入/输出量、缓存率、超限次数等指标，确保成本控制不牺牲可追溯性与回答质量。上下文不是越多越好，而是越相关越有价值。
2026-10-09 19:55:22
335
原创 【学习笔记】Reranker 重排序是什么？为什么向量检索后还要再排一次-08
RAG系统采用两阶段检索：先用Embedding快速召回候选，再用Reranker对候选进行精细排序。因Embedding仅依赖向量相似度，难以捕捉复杂语义细节（如多条件、否定关系），易误判相关性。Reranker通过“问题+候选”成对输入，综合分析语义与关键词，提升排序精度。但其计算成本高，不适合全库比较，故需结合向量召回控制候选数量。两阶段分工明确：向量检索重覆盖与速度，Reranker重精准与质量，最终让大模型基于少量高质量片段生成准确回答。
2026-10-09 15:52:23
270
原创 【学习笔记】如何选择 Embedding 模型？从维度、中文能力到成本-07
Embedding模型选型需超越榜单排名，综合考量任务类型、中文语义能力、向量维度、输入长度、部署方式与成本。应以真实数据评测召回率、延迟与稳定性，确保查询与文档编码一致，避免向量空间失配。优先选择适配业务场景的模型，而非单纯追求高维或高性能。上线前需评估合规性、可维护性及升级方案，建立可回滚的流程。最终，最合适的模型来自系统性评测，而非热度标签。
2026-10-07 11:22:24
462
原创 【学习笔记】向量相似度是怎么计算的？从余弦距离到语义检索-06
向量检索核心在于如何定义“相似”。通过余弦相似度、内积（IP）或欧氏距离（L2）等指标，系统计算查询向量与候选向量的语义接近程度。余弦关注方向，IP依赖长度与归一化，L2则衡量直线距离。需注意排序方向差异（如L2越小越好，余弦越大越好），并确保嵌入模型、索引、查询和业务逻辑统一使用相同指标与归一化策略。TopK与阈值需结合真实评测设定，避免漏检或噪声引入。近似最近邻（ANN）提升效率但牺牲部分召回率，过滤条件保障安全，而检索分数不可直接代表答案可信度。最终，选择合适的距离指标，决定决定了系统对“相似的理解。
2026-10-05 09:04:54
280
原创 【学习笔记】Embedding 是什么？大模型为什么需要把文字变成向量？-05
Embedding将文本转化为高维向量，实现语义相似性计算，是RAG、语义搜索和推荐系统的基础。它通过神经网络学习语义关系，使含义相近的文本在向量空间中距离更近。相比关键词搜索，Embedding能捕捉语义关联，但需确保文档与查询使用同一模型、维度一致，避免因配置不匹配导致检索失效。工程上需管理模型版本、批处理、资源调度与错误重试。尽管强大，Embedding仍受限于细节压缩、长文本稀释与领域理解不足，需结合真实数据评估并配合混合检索、重排序等策略提升效果。
2026-10-04 21:04:06
136
原创 【学习笔记】一个企业级 AI 应用，为什么不能只有一个大模型 API？-04
企业级AI应用不能仅依赖大模型API，因其无法应对真实业务中的数据、权限、流程、可靠性与责任等复杂需求。从知识获取到权限控制，从高风险操作到异步任务处理，系统需分离“模型能力”与“企业事实”，构建包含数据管理、鉴权、工作流、可观测性等多层架构。模型应作为生成引擎，而非决策中心。真正的成熟系统在于清晰划分各组件边界：数据库存事实，权限控访问，工作流管流程，队列解阻塞，监控保质量，人工守底线。唯有如此，大模型才能成为可信赖的业务能力，而非不可控的黑盒。
2026-10-04 20:57:50
285
原创 【学习笔记】RAG、Agent、Workflow 有什么区别？不要再混为一谈-03
RAG、Agent、Workflow三者功能各异：RAG解决“模型需外部知识”问题，通过检索增强生成；Workflow处理“任务如何按步骤执行”，强调路径可控与可审计；Agent则应对“不确定任务”，实现模型动态决策与工具调用。三者非互斥，可组合使用。关键在于区分需求：缺知识用RAG，流程固定用Workflow，目标复杂且路径不确定才考虑Agent。避免盲目套用概念，确保架构清晰、安全可控。
2026-10-04 20:47:35
531
原创 【学习笔记】从聊天机器人到智能体：大模型应用经历了什么变化-02
本文系统梳理了大模型应用从简单聊天到智能体的演进路径：从单轮文本生成，历经多轮对话、RAG知识增强、结构化输出、工具调用，最终发展为具备动态规划能力的Agent。每阶段新增组件解决特定问题——记忆、外部知识、执行动作与流程控制。作者强调，智能化应循序渐进，根据任务复杂度与风险选择合适架构，而非盲目堆砌“Agent”等概念。成熟系统往往是RAG、Tool Calling、Workflow与Agent的有机组合，实现能力扩展与可控性的平衡。
2026-10-04 20:40:30
293
原创 【学习笔记-一文讲清】一文讲清20个 Agent 工程概念（运行机制篇）
本文系统阐述了Agent（智能体）的20个核心工程概念，分为运行机制和系统能力两大部分。文章对比了Agent与ChatBot的本质区别：Agent具备工具使用能力和自主循环执行特性。详细解析了Harness框架、执行模式、循环工程、状态管理、上下文工程等关键技术组件，并指出企业级Agent需解决工具调用、多智能体协作、工作流编排、安全防护等实际问题。最后强调前线部署工程师（FDE）在连接业务与AI系统中的关键作用。
2026-10-04 07:43:43
384
原创 【学习笔记】大模型应用到底由哪些组件组成？一张架构图看懂 LLM 应用-01
大模型应用远非简单调用API，而是一条涵盖知识准备与问答响应的完整链路。系统需包含六类核心组件：交互层、应用层、编排层、智能层、数据层与工程层，分别处理用户交互、业务逻辑、流程控制、模型推理、数据存储与系统运维。其中，PostgreSQL与Milvus协同管理结构化数据与向量检索，Redis缓存状态，MinIO存储文件，消息队列异步处理长任务，监控系统保障可观测性。关键在于理解“数据流”而非堆砌组件，避免盲目选型。真正的挑战在于构建安全、稳定、可追溯的端到端流程。
2026-10-04 07:39:23
462
原创 【学习笔记】等保合规安全基线核查实战
本文系统拆解等保2.0基线核查核心要点，覆盖主机、数据库、中间件、网络设备、云平台五大对象，提供RHEL/CentOS8+、麒麟V10、统信UOS、MySQL8.0、Oracle19c、Tomcat9等主流环境下的可执行命令与整改方案。聚焦八大通用核查项，强调口令策略、登录锁定、审计日志、入侵防范等关键控制点，配套一键自查脚本与整改闭环流程。倡导“基线即代码”理念，推动从人工核查向自动化、持续合规演进，实现测评从“突击应对”到“日常常态”的转变。
2026-09-26 10:56:38
407
原创 【读书笔记】人工智能安全治理框架3.0解析
《人工智能安全治理框架3.0》于2026年9月发布，聚焦智能体风险治理。框架构建“五原则、三类风险（54项）、三类技术应对、五方面综合治理”体系，新增智能体全生命周期风险管理附件，覆盖设计到下线8个环节，提出7类防范措施，明确“默认拒绝”、敏感信息不入记忆等关键要求。51条安全指引按研发者、部署者、管理者、使用者四类主体细化责任。强调可信应用、防范失控，推动建立法律、监测、预警、应急体系。该框架为合规自查、安全设计与供应商评估提供重要依据，标志着治理重心从模型转向智能体，预示未来监管将更趋精细化。
2026-09-23 15:10:32
272
原创 【学习笔记】从RAG到GraphRAG再到本体论
本文回顾了企业知识库从简单RAG到复杂知识基础设施的演进历程，指出RAG仅是起点，真正的挑战在于构建一套可理解、可验证、可持续更新的知识基础设施。通过踩坑经验，强调知识切片≠知识单元、向量检索≠关系理解，提出必须先定义本体（Ontology）与Schema，再结合图谱、版本控制、权限管理等机制，实现知识的结构化与可信化。最终目标不是“让模型回答问题”，而是让机器在清晰定义的企业世界中可靠地“使用知识”——这标志着从搜索系统迈向智能知识工程的核心跃迁。
2026-09-13 13:50:19
527
原创 【学习笔记】一次说清敏感数据交给 AI，到底安不安全
AI处理文档并非洪水猛兽，风险在于使用方法。平台声明与隐私设置需仔细比对，如TraeWork、千问等需手动开启“不训练”开关。用户应养成数据分级、脱敏、最小化上传等8条习惯，并掌握占位符替换、部分遮挡等脱敏方法。工具中性，安全取决于用户习惯与正确操作。
2026-09-08 14:39:10
635
原创 【学习笔记】OWASP Agentic 应用安全（二）
本文概述五大Agent安全风险：记忆投毒、通信不安全、级联失败、人-Agent信任利用、失控Agent。核心对策是“最小自主+强可观测”，落实权限管控、隔离沙箱、策略执行层、身份作证、审计日志。本质是收敛信任边界，将信任交给权限与人工确认，确保Agent好用且可控。
2026-09-08 10:20:45
452
原创 【学习笔记】OWASP Agentic 应用安全（一）
本系列基于OWASP Top 10 for Agentic Applications 2026，讲述AI Agent十大安全风险，重点提到从说错话到动手做事的转变，风险如目标劫持、工具滥用等，以及防护原则（最小自主、可观测性）。本文包括ASI01-ASI05。
2026-09-08 09:24:50
530
原创 【学习笔记】深度认知系列-第19讲-从认知到改装
这一节我们做一次完整的回顾与总结——AI是什么、怎么用、能干什么、有什么风险、如何掌控——并给不同角色的读者一份可落地的AI时代行动指南。”
2026-09-07 21:34:04
205
原创 【学习笔记】深度认知系列-第18讲-模型微调与私有化部署
2026年，大模型微调从专家技能变为工程师和创业者常用技术。微调用业务数据训练专属AI，RAG是查资料，微调是改脑子，可组合。LoRA、QLoRA大幅降低成本，UnslothStudio等工具简化流程，Qwen、Llama等开源模型配合Ollama或vLLM部署，实现数据不出本地的自主可控专属AI。
2026-09-07 21:28:44
454
原创 【学习笔记】深度认知系列- 第17讲-LangChain与Agent开发——让AI从“会聊天”变成“会干活”
本文内容是关于LangChain和Agent开发的介绍，包括Agent概念、核心组件、工具调用、ReAct模式、LangGraph多智能体、DeepAgents、框架选型等。摘要需简洁概括主要观点。可以提取关键点：Agent从Demo到生产级，LangChain作为连接模型与现实的“操作系统”，核心概念四层架构，工具调用、ReAct循环、多智能体协同等。
2026-09-07 21:23:00
451
原创 【学习笔记】深度认知系列-第16讲-提示词工程
内容主要是关于提示词工程的核心逻辑、原则、框架和技巧。摘要需简洁概括。提示词工程的核心在于“具体提问”：模糊指令只能得到泛泛而谈，精准描述才能让AI输出可用结果。高质量提示词遵循“角色+任务+约束”三要素，并善用CRISPE框架，通过多轮迭代打磨答案。记住：会提问，就等于会使用AI。
2026-09-07 21:18:02
339
原创 【学习笔记】深度认知系列- 第15讲 AI算力战争——GPU、光通信与太空数据中心
这一讲我们把AI算力战争的全景图展开——GPU市场的攻守易势、光通信的技术拐点、太空数据中心的雄心与挑战——看看AI的“体力”从何而来，又将往何处去。
2026-09-06 16:40:13
230
原创 【学习笔记】深度认知系列-第14讲 端侧AI崛起——为什么AI正在从云端走向本地
2026年被视为端侧AI元年：7款手机端侧大模型获批，模型密度每百天翻倍、百TOPS芯片普及与政策落地三力汇合。端侧AI因成本、延迟、隐私需求从云端转向本地，市场预计2029年达1.22万亿元。但功耗、内存带宽及杀手级应用缺失仍是规模化挑战。
2026-09-06 16:33:25
193
原创 【学习笔记】深度认知系列-第13讲AI Agent时代到来——从“回答问题”到“执行任务”
2026年，AI Agent从“会说话”跃迁至“会干活”，成为数字员工：具备感知、规划、记忆、执行四大模块，市场规模超449亿元，客户服务、营销、开发、数据分析渗透率均超50%。多智能体协同与Agent Skills推动规模化落地。
2026-09-06 16:26:16
392
原创 【学习笔记】深度认知系列-第12讲 AI七大趋势——Agent、端侧AI、多模态、开源
2026年AI转向落地与效率，七大趋势：Agent迈向应用元年；端侧AI爆发；多模态走向原生统一；中国开源模型改写格局；具身智能商用落地；AI安全立法推进；AI4S助科研创新。AI正从实验室走向基础设施。
2026-09-06 16:16:57
765
原创 【学习笔记】深度认知系列-第11讲AI编程革命——从代码补全到自主智能体
AI编程已从代码补全经对话式编程跃迁至自主多智能体协同，形成Copilot、ClaudeCode、Cursor三足鼎立格局，中国Qoder亦入局。未来AI将成“数字同事”，但需求理解、架构设计等核心工程仍由人类掌控，程序员将转型为“指挥AI写代码的人”。
2026-09-06 16:05:53
375
原创 【学习笔记】深度认知系列-第10讲AI绘画与设计——从Stable Diffusion到Midjourney
本讲讲AI绘画和设计的主流工具、核心玩法、商业落地和版权边界一次讲清楚——让你零基础也能驾驭AI做视觉创作。
2026-09-04 21:08:35
496
原创 【学习笔记】深度学习系列- 第9讲AI办公全家桶——让你的工作效率翻倍的20个工具
AI办公工具平均提升64.3%效率，按场景组合使用更高效。综合套件选WPS AI或Copilot；对话助手看ChatGPT、豆包；写作用专业工具，会议靠讯飞听见；搜索选豆包/DeepSeek，PPT用WPS AI，数据分析用ChatExcel。建议先试免费版，善用聚合平台，把AI当同事而非工具。
2026-09-04 21:01:33
332
原创 【学习笔记】-深度认知系列-第8讲主流AI模型横向评测——GPT、Claude、Gemini、盘古、文心、通义
全球格局从单极变多极，中美双雄；各模型差异化胜场（GPT通用、Claude编程、Gemini多模态、国产中文和性价比）；开源崛起和价格战；选型靠性能×价格×生态三维度。
2026-09-04 20:56:52
771
opcquickclient
2014-10-29
Fp4autl.dll 、Fpencode.dll 和 Fp4awel.dll
2013-11-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人