博客作者
投递温柔
311
已发布文章
8.5K
博客获赞
570K
博客浏览
第 14 页
自动化测试能显著节省时间并提高效率。通过 Python 示例讲解了如何搭建测试项目骨架、编写 Room 类及其测试用例、使用 nosetests 运行测试并查看结果。同时提供了测试脚本编写规范及最佳实践建议，帮助开发者建立自动化测试流程，确保代码修改后功能依然正常。
在一次授权攻防演练中，通过 MSSQL 注入获取管理员哈希值后尝试破解失败。随后利用堆叠注入插入账号成功 GetShell，并进一步对目标系统 DTcms 进行代码审计。通过分析 .NET 源码中的 DESEncrypt 类，还原了加解密逻辑，编写 C# 脚本成功解密出明文密码，验证了代码审计在安全测试中的重要性。
LangChain 是构建语言模型应用的框架，涵盖模型、提示、内存、索引、链和代理六大模块。通过标准化接口简化组件集成，支持检索增强生成（RAG）、多步任务编排及自主代理决策。各模块功能、代码实现及最佳实践，帮助开发者快速上手构建端到端 AI 应用。
Python 凭借其在自动化、数据分析和人工智能领域的优势，成为技术变现的有力工具。详细解析了通过程序代写、数据抓取、编程教学及自动化副业四种主要途径实现 Python 技术变现的方法，并强调了法律合规性与持续学习的重要性，为开发者提供了从入门到实践的系统性参考。
PyCharm 是 Python 开发的主流集成环境。详细介绍从零开始使用 PyCharm 的全过程，涵盖新建项目、解释器配置、文件管理、代码运行及调试技巧。内容补充了常用快捷键、Git 版本控制集成、代码重构与静态检查等进阶功能，帮助初学者快速搭建开发环境并提升编码效率，适用于 Python 初学者及希望规范开发流程的开发者。
深入解析了大语言模型（LLM）的技术架构与演进路径。内容涵盖 Transformer 核心原理、自注意力机制、预训练与微调范式、推理优化技术（量化、蒸馏、MoE），以及 RAG、Agent 等主流应用场景。文章还探讨了当前面临的幻觉、安全及算力挑战，并展望了多模态融合的未来趋势，旨在为技术人员提供系统的 LLM 知识框架。
系统阐述了人工智能大模型的基础知识，涵盖历史演进、技术架构与应用场景。文章指出大模型发展经历了从专家系统到深度学习的转变，核心依赖于 Transformer 架构、预训练及微调技术。当前大模型在 NLP、内容生成、产业赋能等领域广泛应用，但也面临算力成本、幻觉及安全伦理等挑战。通过引入 RAG 及提示工程等优化手段，大模型正逐步解决实际问题，成为推动科技创新…
探讨了进入大型互联网企业相较于小公司的优势，包括公平性、成长空间、职业格局、价值认可及人脉圈子等方面。同时详细梳理了 Android 高级开发所需的核心技术栈，涵盖 Java 基础、架构设计思想、性能调优、框架体系、NDK 开发、跨平台技术及源码阅读等关键领域，旨在为开发者提供清晰的进阶路径与行业认知。
使用 PyTorch 实现策略梯度算法解决 CartPole 问题的完整流程。内容涵盖策略梯度算法的基本原理，包括随机策略特性、Softmax 导数计算及梯度更新逻辑。通过 Python 代码演示了环境构建、回合模拟函数 run_episode 的实现、训练循环中的权重更新策略以及结果可视化分析。文章还深入探讨了算法在高方差、样本效率方面的局限性，并简要提及…
通过邀请九个大模型参加 2024 年河南高考新课标Ⅰ卷测试，评估了当前大模型的智力水平。结果显示，大模型在文科表现优异，GPT-4o 等模型可超一本线，但在数学和理综等理科科目上表现不佳，普遍不及格。测试揭示了大模型在逻辑推理、复杂计算及反思能力上的短板，尽管语言类学科接近人类水平，但整体仍属于偏科生。未来需结合神经符号系统等架构优化以提升理科能力。
AI 大模型开发的核心技术与实践路径，推荐了五本关键书籍，涵盖从基础理论到 Agent 构建的全流程。内容包括 Transformer 架构、预训练与微调、提示工程、RAG 知识库应用及多模态技术。文章详细阐述了大模型在自然语言处理与视觉领域的应用，提供了从系统设计到商业化落地的完整学习路线，旨在帮助开发者掌握 Python 环境配置、LangChain 框…
大模型技术发展涵盖提示工程、智能体、微调及预训练四个关键阶段。提示工程通过优化输入引导模型输出；智能体结合工具与推理实现自主任务；微调利用特定数据适配领域任务；预训练则基于海量无标签数据构建通用能力。详细解析各阶段原理、应用场景及技术价值，帮助理解大模型演进路径。
大语言模型微调概念，对比 SFT 与 RLHF，深入解析 LoRA 低秩适配原理及数学基础。通过 Hugging Face Transformers 库实战演示电影评论分类任务，涵盖数据准备、模型加载、PEFT 配置及训练评估全流程。文章补充了模型合并与量化部署方案，并提供最佳实践建议，帮助开发者低成本实现模型定制化。
系统阐述了大语言模型（LLM）的定义、发展历程及核心技术。从统计语言模型到 Transformer 架构的演进，详细解析了预训练与微调的训练范式。内容涵盖数据清洗、模型架构（Encoder-Decoder、Causal Decoder 等）、指令微调与 RLHF 对齐技术。同时探讨了文本生成、代码辅助等应用场景，并分析了幻觉、算力成本等当前挑战及未来多模态发…
提供人工智能与大模型学习的完整路线图。涵盖入门阶段的数学基础与 Python 编程，中级阶段的机器学习算法与深度学习框架实践，以及进阶阶段的自然语言处理、计算机视觉和强化学习技术。内容包含具体学习资源推荐、代码示例及项目实战方向，帮助初学者系统掌握 AI 核心技能，从理论推导到工程落地，逐步成长为领域专家。
探讨了大模型时代下智能文档处理技术的发展与挑战。重点分析了 GPT-4V 等多模态大模型在文档识别、理解及信息抽取方面的优异表现，同时也指出了其在像素级任务、长文档处理及幻觉问题上的局限性。文章介绍了合合信息在统一像素级 OCR 模型 UPOCR 及 OCR 大一统模型 SPTS v3 方面的研究进展，阐述了文档识别分析与 LLM 融合的应用范式。通过财报问…
深入分析了大模型微调技术的局限性，指出微调会导致通用能力下降、评估困难、成本高昂及知识更新滞后等问题。文章提出以智能体（Agent）和检索增强生成（RAG）替代传统微调作为更优解决方案，强调了工具调用、提示词工程及知识库构建的重要性，旨在引导开发者采用更灵活、低成本且易于维护的大模型应用架构。
RAG 系统评估涉及检索评估和响应评估。检索评估关注上下文相关性，常用指标包括精确度、召回率、MRR 和 MAP。响应评估关注忠实度和答案相关性。通过 LangSmith 平台可以方便地创建测试数据集并运行自动化评估器（如 cot_qa），从而迭代改进 RAG 系统的性能与可靠性。 RAG 优化策略、评估指标计算方法以及 LangSmith 的具体实施代码。
全面综述了基于大语言模型的 GUI 智能体技术，涵盖发展历程、核心架构、数据策略及评价体系。文章详细解析了操作环境、提示工程、模型推理、动作执行与记忆机制五大关键技术模块，探讨了多模态数据收集与模型微调方法。同时介绍了 WebAgent、AutoDroid 等现有框架的应用现状，并分析了多模态融合、跨平台兼容、隐私安全等面临的挑战与未来发展方向。该研究为构建…
探讨了 30 岁程序员转行大模型领域的可行性与优势，指出资深开发者在技术积累、业务认知及抗压能力上的核心竞争力。文章详细规划了四阶段学习路径：从基础原理与提示工程入手，进阶至 RAG 架构与 Agent 应用开发，深入模型微调技术如 LoRA 与 QLoRA，最后涵盖云端与本地部署及合规策略。内容强调实战落地，建议通过动手构建项目与参与开源社区来适应 AI…
