存在的分支Agit checkout A 不存在的新分支Agit checkout -b A 右键项目 -> Git -> Branches -> 选择要切换的分支 -> Checkout 
idea/webstorm编译器 右下角状态栏 -> 点击当前分支 -> 选择要切换的分支 -> Checkout 
git面板 -> Local -> 右击要切换的分支 -> Checkout
人工智能：大模型分布式训练与高效调参技术实战 1.1 本章学习目标与重点 💡 学习目标：掌握大语言模型分布式训练的核心原理、主流框架使用方法，以及高效调参策略，能够解决大模型训练过程中的算力瓶颈和效果优化问题。 💡 学习重点：理解数据并行、张量并行、流水线并行的技术差异，掌握基于DeepSpeed的分布式训练实战，学会使用超参数搜索提升模型性能。 1.2 大模型训练的核心挑战 1.2.1 单卡训练的算力瓶颈 💡 大语言模型的参数量动辄数十亿甚至上万亿，单张GPU的显存和计算能力完全无法满足训练需求。以LLaMA-2-70B模型为例： * FP32精度下，模型参数本身就需要约280GB显存，远超单张消费级或企业级GPU的显存容量。 * 训练过程中还需要存储梯度、优化器状态等数据，实际显存占用是模型参数的3-4倍。 * 单卡训练的计算速度极慢，训练一轮可能需要数月时间，完全不具备工程可行性。 1.2.2 大模型训练的核心需求 为了高效完成大模型训练，我们需要解决以下三个核心问题： 1. 显存扩容：通过并行技术，将模型参数和计算任务分布到多张GPU上，突破
第一部分：认知篇 —— 什么是 OpenClaw？ 1.1 定义与定位 OpenClaw（原名 Clawdbot / Moltbot）是一个本地优先、隐私至上、多渠道集成的自托管 AI 助手平台。它标志着人工智能从“对话式交互”迈入“自主行动”的第三阶段。 通俗理解： 传统 AI（如网页版 ChatGPT）：你问一句，它答一句，像个顾问。 OpenClaw：你给它一个目标（如“帮我整理本月财报并发送给团队”），它能自己规划步骤、搜索数据、处理文件、发送邮件，像个员工。 1.2 核心架构：App、Gateway 与 CLI 要玩转 OpenClaw，必须理解它的三个核心组件： Gateway（网关）
2026三掌柜赠书活动第十六期 AI提效手册：豆包+即梦+剪映+飞书+扣子5合1实操指南 目录 前言 选对工具，让 AI 提效不再是空谈 场景化实战，让 AI 工具适配你的工作与创作 关于《AI提效手册：豆包+即梦+剪映+飞书+扣子5合1实操指南》 编辑推荐 内容简介 作者简介 图书目录 《AI提效手册：豆包+即梦+剪映+飞书+扣子5合1实操指南》全书速览 结束语 前言 当下，AI 工具早已不是技术从业者的专属，而是职场人、创作者、办公族提升效率、解锁创意的核心利器。从智能对话、内容生成到视频剪辑、协同办公，一款好用的 AI 工具能让原本几小时的工作压缩到几十分钟，
人工智能：预训练语言模型与BERT实战应用 1.1 本章学习目标与重点 💡 学习目标：掌握预训练语言模型的核心思想、BERT模型的架构原理，以及基于BERT的文本分类任务实战流程。 💡 学习重点：理解BERT的双向注意力机制与掩码语言模型预训练任务，学会使用Hugging Face Transformers库调用BERT模型并完成微调。 1.2 预训练语言模型的发展历程与核心思想 1.2.1 为什么需要预训练语言模型 💡 传统的自然语言处理模型（如LSTM+词嵌入）存在两个核心痛点：一是需要大量标注数据才能训练出高性能模型，二是模型对语言上下文的理解能力有限。 预训练语言模型的出现解决了这些问题。它的核心思路是先在大规模无标注文本语料上进行预训练，学习通用的语言知识和语义表示，再针对特定任务进行微调。这种“预训练+微调”的范式，极大降低了对标注数据的依赖，同时显著提升了模型在各类NLP任务上的性能。 预训练语言模型的发展可以分为三个阶段： 1. 单向语言模型阶段：以ELMo为代表，通过双向LSTM分别学习正向和反向的语言表示，再拼接得到词向量。但ELMo本质还