- 博客(209)
- 资源 (6)
- 收藏
- 关注
RSS订阅
原创 AI 大模型应用学习路线-2025，学完高薪不是梦
核心概念：RAG（检索增强生成）解决的实际问题与优势。工作原理：从检索到生成的完整流程解析。
2025-06-13 21:44:04
1001
原创 最全大模型术语表，从入门到入土，从此告别小白！
预定义模型是由 AI 厂商训练并提供的现成模型，用户可以直接调用而无需自行训练。这些闭源模型（如 GPT-4、Claude 等）通常经过大规模训练和优化，能力强大且易于使用，适合快速开发应用或缺乏自主训练资源的团队。
2025-06-10 22:30:26
1201
原创 MCP消息协议和传输协议（Java角度）
作为Java程序员，你可以将和的关系类比为。以下是具体解析：tool_callparametersNetty。
2025-07-22 22:25:16
589
原创 以Java程序员角度理解MCP
MCP ≈ AI版的Dubbo：标准化模型与工具的交互协议，解决异构系统集成问题。对Java程序员的价值可用熟悉的RPC思维理解AI集成（JSON-RPC替代HTTP API）。通过Java SDK快速开发MCP服务/客户端，复用现有微服务技能。一句话：MCP让大模型像调用本地方法一样安全操作数据库、API等资源，而Java开发者是这套体系的“基础设施搭建者”。
2025-07-22 22:13:05
455
原创 从Java到大模型应用：10天拿下5个Offer，我的转型逆袭之路
Java开发仍然有市场，但AI大模型才是未来。如果你还在犹豫，不妨想想：3年后，Java CRUD开发是否会被AI取代？5年后，你的薪资还能涨吗？风口来了，不把握就没了！现在正是入局AI大模型的黄金期，与其在红海市场挣扎，不如主动拥抱新技术，实现职业跃迁！PS：如果你对转型AI大模型感兴趣，可以关注我的CSDN博客，后续会分享更多实战经验和学习资料！准备做一个免费入门教程，但是要看我精力够不够。（不是卖课的）欢迎在评论区讨论，留下你的看法！
2025-07-19 10:08:42
271
原创 CMD，PowerShell、Linux/MAC设置环境变量
（Windows/Linux）：需要管理员权限。：仅在当前终端窗口有效，关闭后失效。：写入配置文件或注册表，长期有效。：适用于测试，关闭终端后失效。
2025-07-10 11:48:47
450
原创 Transformer、BERT、GPT以及Embedding之间的关系
"BERT分类模型"和"GPT生成模型"是正确的，但Embedding不是独立的一类，而是这些模型的中间产物。独立存在的"Embedding模型"（如OpenAI的text-embedding-ada-002）通常是。Transformer分为两大类应用，但划分标准不是"分类vs生成"，而是。（类似BERT）训练的，专门用于生成高质量的文本向量表示。Embedding（嵌入）是。
2025-07-09 09:08:51
519
原创 Safetensors与大模型文件格式全面解析
Safetensors是一种专为存储大型张量数据设计的文件格式，由HuggingFace团队开发，旨在提供安全高效的模型参数存储解决方案。下面我将详细介绍Safetensors格式及其特点，并全面梳理当前主流的大模型文件格式。
2025-07-08 17:18:44
578
原创 Nginx安装
由于nginx是基于c语言开发的，所以需要安装c语言的编译环境，及正则表达式库等第三方依赖库，如在。下载地址：https://nginx.org/en/download.html。上可以如下执行依赖安装，其他系统切换对应的安装方式进行依赖安装。可以选择稳定版本，或者按照自己需求下载对应版本。默认端口是80，如果冲突，可在配置文件中修改。运行下面两条命令，默认安装到。
2025-07-07 18:46:07
330
原创 ML Kit 介绍
定位：ML Kit是一个移动端SDK，将Google的机器学习技术封装为可离线运行的解决方案，支持实时处理摄像头输入等场景。关键优势离线运行：所有处理在设备端完成，保障数据隐私并支持无网络环境使用。跨平台：兼容Android和iOS，提供统一的API接口。易用性：通过高级API简化开发，例如几行代码即可实现文本识别或人脸检测。
2025-07-06 10:29:45
289
原创 PyTorch里.pt和.pth的区别
本质差异.pt是“完整存档”，.pth是“参数快照”。实践建议：优先使用.pt确保兼容性，仅在参数共享时用.pth。
2025-06-30 14:21:30
552
原创 YOLOv8快速入门
YOLOv8 在训练中使用了COCO数据集数据集地址，包含超过20万张图像，涵盖80类常见物体（如人、车辆、动物、日常用品等），支持目标检测、实例分割等任务。下面以头盔数据集为例数据集下载地址。
2025-06-27 11:26:39
437
原创 PostgreSQL与MySQL深度对比：为何Dify选择PostgreSQL作为核心数据库
PostgreSQL和MySQL都是优秀的开源数据库，但设计哲学和适用场景存在明显差异。Dify选择PostgreSQL作为默认数据库，充分考虑了其在数据一致性、复杂查询能力、扩展性以及与向量数据库协同工作等方面的综合优势。随着应用系统越来越复杂，对数据处理的要求也越来越高，PostgreSQL在"严格标准、丰富功能、可靠事务"方面的坚持，使其成为现代数据密集型应用的理想选择。而MySQL则继续在简单易用、高并发读取的传统Web应用领域保持其重要地位。
2025-06-20 11:05:43
995
原创 Keras是什么
Keras作为高层API，与TensorFlow深度集成，而PyTorch则提供另一种灵活选择。对于大多数用户，直接使用TensorFlow内置的tf.keras是最佳实践，无需单独安装。若需独立版或特定后端支持，需注意版本兼容性。
2025-06-18 09:08:19
287
原创 Dify与LangChain：可视化平台与代码框架的共存价值
在当今大模型应用开发领域，Dify和LangChain代表了两种不同的开发范式。Dify作为可视化低代码平台，确实大幅降低了AI应用开发门槛，但LangChain作为代码框架仍然有其不可替代的价值。
2025-06-16 16:39:06
569
原创 世界模型——真正能“颠覆世界”的AI革命
世界模型是指一个智能系统（无论是生物大脑还是人工系统）为了理解和预测其环境而构建的内部表示或认知框架。简单来说，它是系统对"世界如何运作"的理解和假设的集合。在人类认知中，世界模型相当于我们大脑中对物理规律、社会规范、因果关系等概念的内部表征。而在人工智能中，世界模型则是算法对环境动态、实体关系和行为后果的数学表达。世界模型：旨在模拟现实世界的物理规律、因果关系和动态变化，构建对环境的内部表征，使AI能够像人类一样通过“想象”预演行动后果，实现反事实推理（即回答“如果采取不同行动会如何”的问题）。
2025-06-15 11:51:43
1090
原创 如何编写高效的Prompt：从入门到精通
Prompt是与AI模型交互时输入的指令或问题，它告诉AI你希望它做什么。可以把Prompt想象成给AI下达的任务书——任务书越清晰明确，AI完成得就越好。编写高效的Prompt是一项可以通过练习不断提升的技能。记住，好的Prompt就像好的问题一样，已经包含了答案的种子。通过本文介绍的原则和技巧，你现在已经具备了编写专业级Prompt的基础知识。实践是提高的关键，所以不妨现在就尝试为你的下一个AI交互设计一个精心构思的Prompt吧！
2025-06-14 22:30:48
1041
原创 DeepSeek介绍
DeepSeek是一家主攻大模型研发与应用的中国AGI科技公司，其开源推理模型DeepSeek-R1凭借强化学习技术，在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版且可免费商用。它能为用户提供智能对话、文本生成、代码补全、文件读取等多场景应用，而从入门到精通的关键在于理解推理模型与通用模型的差异，掌握提示语设计策略，包括精准定义任务、分解复杂问题、合理运用指令驱动与需求导向等方法，同时规避幻觉生成、过度指令等常见陷阱，以实现高效的人机协作。公司与模型简介。
2025-06-14 16:17:57
874
原创 TensorFlow 与 PyTorch区别
PyTorch 在学术界和开源社区的主导地位日益增强（如 Hugging Face 的 NLP 模型库），而 TensorFlow 在工业界（尤其是 Google 生态）仍占优势。两者均在向“动态图 + 静态图编译”融合的方向发展（如 PyTorch 2.0 的。和 TensorFlow 的 Eager Execution）。
2025-06-13 09:31:44
1129
1
原创 pt模型转tflite格式的血与泪
用yolov8n训练完手势数据后，需要用到安卓移动端，所以需要转为tflite格式，不清楚各种格式的可以看我另一篇文章.pt文件转成.tflite文件的原理：是将.pt文件转换成一种中间表示形式.onnx后再转换成.tflite格式，具体流程是：.pt => .onnx => .pb => .tflite建议：能直接训练出来.tflite还是用tensorflow训练。
2025-06-13 09:31:10
790
2
原创 MediaPipe如何训练自己的手势数据
前言：由于Google上面提供的默认模型只包含7种手势，如何自定义自己的模型，虽然官网给了示例，但是是基于Google的平台Colab运行的，这个需要传文件到Google云盘，然后也比较麻烦，那么如何在本地运行，折腾了挺久，网上太多无效的文章，所以在这里分享。2、查看模型接收的格式，可以运行官网示例，下载官网示例数据集进行查看。整理好自己的数据集，修改数据集路径即可，hagrid-sample-30k-384p 数据集是hagrid的精简版，包含18种手势和无手势，可在我的资源里面进行下载。
2025-06-12 16:58:19
507
原创 安装mediapipe-model-maker报错解决
尝试过各种方法，一直没有解决，后面使用Windows环境下的wsl解决，因为是Linux内核，Python 环境采用 3.10，因为这个依赖 Tensorflow，Tensorflow不支持太高版本的 Python。在Windows下执行。
2025-06-12 16:17:12
287
原创 YOLO训练保持原有识别能力
YOLOv8训练新数据集时会出现灾难性遗忘问题，导致模型丢失原有识别能力。本文提供了三种解决方案：1）联合训练新旧数据集；2）迁移学习冻结部分网络层；3）模型集成分别推理。关键措施包括合并数据集、降低学习率、使用余弦退火和学习率衰减等。最佳实践建议保留部分旧数据样本，确保标注格式统一，并延长训练周期。验证时需同时评估新旧类别性能，注意监控各类别AP变化。对于新旧任务差异过大的情况，建议训练两个独立模型。
2025-06-06 16:26:43
501
原创 LOOI机器人的技术实现解析：从手势识别到边缘检测
LOOI机器人创新性地融合智能手机与专用硬件，通过多模态技术实现情感化交互。其核心技术架构采用分层设计：硬件层提供传感器支持，手机层负责计算，软件层整合传统算法与大模型。手势识别结合MediaPipe关键点检测与红外传感器，物体识别采用YOLOv5等轻量模型与大模型语义理解互补，边缘检测依靠多传感器融合确保安全移动。这种混合架构平衡了性能与功耗，传统算法处理实时任务，大模型负责复杂认知，既保障隐私又实现自然交互，展现了AI硬件领域的前沿设计思路。
2025-06-06 10:06:54
1042
原创 ML Kit与YOLO：移动AI与实时检测终极对决
ML Kit和YOLO是两种不同的技术方案，虽然都涉及计算机视觉和目标检测，但它们在设计目标、技术实现和应用场景上有显著差异。总之，ML Kit是“低代码工具”，而YOLO是“可编程框架”，根据项目需求选择或组合即可。
2025-06-05 14:34:41
345
原创 Jupyter Notebook 是否需要与环境绑定
Jupyter Notebook 是否与环境绑定以及是否需要每个环境都安装，取决于你的使用需求。启动 Jupyter 后，可以在界面中选择不同的内核（Kernel）切换环境。这样启动的 Jupyter 会默认使用当前环境的 Python。后，Jupyter 会自动检测所有已安装。此后新建的 Conda 环境只需安装。，即可在 Jupyter 中直接使用。安装 Jupyter，然后通过。
2025-05-29 16:18:32
455
原创 LLM长期记忆和上下文对话的区别
（如GPT-4的32k tokens），仅能处理当前会话内的信息。通过外部系统（如数据库、向量存储）实现跨会话、跨任务的信息持久化存储。LLM长期记忆和上下文对话是AI系统中两种不同的记忆机制，它们在功能、技术实现和应用场景上存在显著差异。例如，AI助手可先用上下文窗口处理当前对话，同时调用Memobase检索用户历史偏好生成个性化回复。：结构化、可扩展的“外部记忆库”，需结合检索增强生成（RAG）等技术调用。：短时、临时的“工作记忆”，受限于窗口大小和注意力衰减效应。
2025-05-26 11:41:04
418
原创 Dify长期记忆插件： Mem0 与 Memobase
前言：如何在Dify上面快速实现长期记忆（不了解长期记忆的可以查看文章）。技术选型在开发实现中占据重要地位，Dify目前提供了众多插件，我们来对比热门的 mem0 和 memobase。在技术架构、应用场景和功能特性上存在显著差异。需要快速集成动态记忆、实时性要求高（如聊天机器人）、开发资源有限的中小型项目。，通过实时更新和衰减机制保持记忆的新鲜度；需长期用户画像分析、高并发处理（如教育平台）、隐私敏感的企业级应用。作为 Dify 平台中两种主流的记忆组件，，通过结构化存储实现长期记忆的精准调用。
2025-05-26 11:38:37
1455
原创 CentOSStream9安装Miniconda，亲测！
选择安装路径（默认 ~/miniconda3），或自定义路径（如 /opt/miniconda3）。询问是否初始化 Conda 时，输入 yes（会自动添加环境变量）。确保服务器有 sudo 权限 或直接以 root 用户 操作。如果安装到系统目录（如 /opt），需确保有写入权限。按 Enter 阅读许可协议，输入 yes 同意。有任何疑问可留言或私聊！
2025-05-24 13:55:18
356
原创 AI玩具方案
• 优势：海外云服务商提供多语种支持（如英语、西班牙语、法语等），且具备成熟的噪声处理、远场识别能力，无需自研声学模型。• 自建场景：若需定制IP角色声音（如玩具专属语音），可部署开源模型Tortoise-TTS（需NVIDIA显卡）。• 自建高频语种TTS模型（Tortoise-TTS），租用GPU服务器部署轻量级大模型（如Phi-3）。• 低频长尾需求（如小语种/方言）：通过自建模型+缓存（如Redis）降低API调用频次。• 推荐方案：混合部署（核心语种用API，小众语种自建）
2025-05-10 11:02:10
1012
原创 Conda激活环境无效
首先手动加载 Conda 配置（注意在管理员的cmd窗口或者powershell窗口）如果执行报错如下：. “C:\software\anaconda3\shell\condabin\conda-hook.ps1” . : 无法加载文件C:\software\anaconda3\shell\condabin\conda-hook.ps1，因为在此系统上禁止运行脚本那么按下面流程解决。
2025-05-09 11:54:42
320
原创 Windows下Dify连接Ollama无效
• 版本检查：确认Dify和Ollama均为最新版本，避免已知兼容性问题。• 若Dify通过Docker部署，需使用宿主机IP（如。• 模型名称匹配：确保Dify中填写的模型名称（如。• 检查Docker容器是否在同一网络，或通过。• 模型兼容性：部分模型可能需要额外参数（如。），需参考Ollama文档调整Dify配置。）与Ollama已下载的模型完全一致。• 验证模型是否下载成功（如。若未下载模型，需先执行。需要管理员打开cmd。
2025-05-09 09:55:33
1162
原创 Dify工作流接收API请求带文件（有小坑）
在上面这样一个工作流中，开始节点需要接收一个音频文件，那么如何构建请求。首先看一下官方给的示例，这里注意如果采用 local_file 模式，需要先调用上传文件接口，然后拿到文件id。实际请求如下，file 需要放到 inputs 里面。如果还有其他疑问，欢迎留言探讨！
2025-05-08 17:24:03
1766
13
原创 在线dify访问本地ollama报错
• 安全警告：暴露公网端口需启用TLS加密，可参考Ollama官方文档配置HTTPS。• 替代方案：若企业有云服务器，可在云端部署Ollama并通过VPC专线连接Dify。• 性能优化：若需长期使用，建议购买Cpolar付费套餐获得固定域名。• 任务栏右键Ollama图标 → 退出 → 重新启动Ollama。右键点击 此电脑 → 属性 → 高级系统设置 → 环境变量。• 基础URL：内网穿透地址或映射后的公网地址。→ 设置 → 模型供应商 → Ollama。• 外部端口：任意未占用端口（如。
2025-05-08 10:37:53
1685
原创 Python 常用Web框架对比
• 理由：内置Admin后台、权限系统，适合教育管理系统等需要快速开发的全栈项目。• "包含电池"设计，内置ORM、Admin后台、认证系统等20+组件。• 短板：性能相对较低（单请求响应约50ms），灵活性受限。• 200KB轻量内核，支持按需加载扩展（如数据库、表单）• 严格MVC架构规范，插件化开发支持（如DRF扩展）• 高性能选择：FastAPI（自动化文档+异步支持）• 案例：智能客服系统（推理延迟优化至300ms）• 备选方案：Sanic（金融级低延迟场景）
2025-04-22 16:25:19
565
原创 主流向量数据库核心技术对比与选型指南（2025年4月）
2025年向量数据库市场呈现三大趋势——多模态支持扩展至视频流处理、边缘端推理延迟突破50ms阈值、隐私计算与联邦学习深度整合。◦ 分布式架构支持十亿级向量规模，延迟低至毫秒级，适用于超大规模企业级场景。◦ 提供IVF_FLAT、HNSW等6种索引算法，灵活平衡精度与效率。◦ 全托管云服务支持分钟级部署，API调用成功率99.99%◦ 内置RBAC权限体系与数据加密功能，满足金融级安全需求。◦ 支持向量与标量数据联合检索，满足多条件过滤需求。◦ 支持动态数据更新与混合搜索，适配实时业务需求。
2025-04-15 17:15:29
747
原创 主流Embedding模型优劣势解析与技术选型指南（2025年4月）
◦ 长文本处理能力弱于BGE-M3（5000+ tokens文档召回率低28%）• BGE-M3支持4bit量化，显存占用可压缩至2.1GB（精度损失<5%）◦ 支持边缘计算部署（内存占用3.2GB，i9处理器45ms/token）◦ 多语言支持（194种语言）与长文本处理（8K tokens）能力双优。◦ 金融数据向量映射误差比BGE-M3低0.08（余弦相似度）◦ 中文语义捕捉能力弱于BGE-M3（测试低15-20%）◦ 显存占用高达6.8GB（FP16），需高端显卡支持。
2025-04-15 17:11:30
2243
原创 企业级大模型落地核心工具深度解析：Ollama、vLLM与LMDeploy技术对比
◦ PagedAttention技术：显存利用率提升3倍，支持10万token超长文本生成。测试环境：单卡A100-80G，Qwen2-7B/72B模型，输入512tokens。◦ 硬件友好：6GB显存GPU即可运行7B模型，M1/M2芯片优化出色。◦ 隐私保障：完全离线运行，内置1700+量化模型（int4为主）◦ 4bit量化：推理速度达FP16的2.4倍，显存占用减少60%◦ 极简部署：支持Windows/macOS/Linux全平台，：LMDeploy+昇腾910B实现国产化替代，成本降低40%
2025-04-15 15:17:15
1052
原创 Ollama模型显存管理机制解析与Flask部署方案对比
• PyTorch与CUDA版本不匹配会导致显存异常（推荐CUDA 12.1 + PyTorch 2.3）。• 部署7B模型时，启动后未调用时显存占用约6GB，调用后峰值占用8GB，闲置5分钟后降至6GB。• 示例：24GB显存服务器最多部署3个7B模型（3×6GB=18GB）。• 若服务器配置24GB显存，可同时保留3个7B模型权重以支持快速切换。• 启用Ollama分块加载机制，避免单次显存溢出。• 若同时运行多个模型，需预留20%显存冗余。：7B模型显存从8GB→4.8GB。Ollama部署模型后，
2025-04-14 23:04:10
1120
【多线程编程】基于Java的多线程技术详解：从基础概念到高级应用的设计与实现
2025-06-11
【Java技术演进】JDK8-17新特性详解：语法优化、API更新与GC改进助力高效开发从JDK8（下）
2025-06-11
【Java技术领域】JDK 8-17新特性详解：版本迭代、关键特性和应用实践（上）
2025-06-11
【Java编程技术】深入解析Java反射机制及其应用：类加载、API操作与动态性实现
2025-06-11
大模型术语表：涵盖AI对话、图像、视频等多领域代表性产品及关键技术概念解析
2025-06-11
Delphi课程设计.zip
2021-03-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人