登录社区云，与社区用户共同成长
邀请您加入社区
同样是用Cursor，为什么有些人用得飞起，有些人却频繁纠错、反复解释？（新版叫这篇文章将系统讲解Cursor Rules的设计哲学、最佳实践，以及如何用Rules构建一个真正"懂你"的AI编程助手。—## 一、Cursor Rules是什么？Cursor Rules是一套给AI编程助手的"系统级指令"——在每次对话开始之前，这些规则就已经被注入到AI的上下文中，让AI在整个项目中都遵循你的偏好和
2026年4月，阿里云正式发布Qwen3系列模型，这次更新被业界视为国产开源大模型的重要里程碑。Qwen3不仅在多项基准测试上追平甚至超越了国际顶级模型，更重要的是其混合推理（Hybrid Thinking）能力和灵活的MoE架构，为中文场景下的工程实践提供了新的选择。本文从技术层面深度解析Qwen3的架构创新，并给出实际工程落地的最佳实践。
## 1.5 第五代：大规模通用Embedding模型（当前主流）OpenAI text-embedding-3系列、Cohere Embed v3、阿里云通义Embedding等，用数十亿文本对训练，泛化能力极强。：无法捕捉语义，"大模型"和"LLM"是完全不同的向量。### 1.2 第二代：Word2Vec/GloVe（词级静态向量）2013年Word2Vec的出现革命性地引入了语义向量空间：
当模型不确定时，它不会说"我不知道"，而是倾向于生成一个"听起来像答案"的序列——这正是幻觉的根源。—## 一、什么是幻觉？：步骤看似合理，但逻辑链条有缺口—## 二、幻觉的根本成因### 2.1 训练数据的噪声LLM从海量互联网文本学习，其中包含：- 错误的维基百科编辑（在被纠正前）- 博客中的主观臆断被当作事实陈述- 过期信息（某项技术"最新版本"在训练截止后已更新）- 数据重复导致特定错误被
如果把AI Agent比作一个人，Function Calling就是它的双手——让语言模型从"说说而已"变成"真正执行"。这是从"AI助手"到"AI Agent"的本质跨越。：防止Agent进入无限循环，生产环境必不可少掌握Function Calling，是从"会用LLM"到"能构建AI Agent"的关键一步。—## 总结Function Calling是构建AI Agent的核心机制，工程
本代码库实现了一个基于STM32F103微控制器和中颖SH367309方案的锂电池保护板系统。从代码结构来看，这是一个典型的嵌入式实时系统，采用了CMSIS-Cortex-M3标准架构，包含完整的硬件抽象层、驱动层和应用逻辑层。在core_cm3.h// 寄存器结构体定义// 中断使能寄存器// 中断禁用寄存器// ... 更多寄存器定义这种结构体映射的方式使得寄存器访问更加类型安全，代码可读性更
训练大模型是「烧钱」，推理大模型是「持续烧钱」。当你的 AI 应用每天有百万次请求时，推理成本直接决定了商业模式的可行性。本文深度解析三大主流推理加速技术：量化、知识蒸馏和投机解码，帮你找到适合自己场景的加速方案。
定位。
全量微调一个 7B 参数的大模型需要 8 张 A100，但 LoRA 让这件事在一张 RTX 4090 上成为现实。本文从原理到实战，带你完整走完用 LoRA 打造专属领域模型的全流程——数据准备、训练配置、合并推理，每一步都有可直接运行的代码。
不只是"怎么做”，更是"为什么这么做"：| 决策场景 | 需要权衡的维度 ||---------|-------------|| 选模型 | 精度、成本、延迟、合规、可控性 || 微调vs提示 | 效果上限、维护成本、部署复杂度 || 自建vs托管推理 | 成本、安全性、运维能力 || RAG vs 长上下文 | 准确率、延迟、成本 |- 知道何时用gpt-4o，何时用gpt-4o-mini- 能
## 第一章：提示词设计的基础原则（快速回顾）在深入进阶之前，确认你掌握了这些基础原则：### 原则一：具体优于模糊。### 技术三：动态Few-Shot（基于相似度检索示例）静态Few-Shot的问题是示例固定，对某些输入不够针对性。—## 第二章：高级Prompt技术### 技术一：思维链（Chain-of-Thought）的正确用法CoT不是到处都适用的银弹。：没有评估指标的Prompt优化
”“),(“human”, “当前状态：\n{state}\n\n请决定下一步行动。”,“proposal”: proposal,“action”: “approve_or_reject”})if human_input[“decision”] == “approve”:return {“approved”: True, “messages”: [AIMessage(content=“操作已批准，
pip install mysqlclient失败经历，MacBook m系列介绍安装
3、最后pyinstaller在该python3.7虚拟环境下打包ok。2、下载api-ms-win-core-path-l1-1-0.dll。放到..\envs\python37目录下。win7不支持太高的python版本。
一般情况下，我们会以一种文件格式将数据记录在磁盘上，比如说maya的.ma、.mb，houdini的.hip，ps的.psd等等，经过一个环节的处理后，我们移交另外一个环节，也是通过磁盘文件。数据就这样通过流程管理约定的规格发生转移，事情并不简单。大规模生产的时代，项目会被分解成细小任务，分配到艺术家身上，在不同环节的艺术家将需要纳入其他人的工作数据，或作为参考，或延续下一步工作，并将自己的成果发
本文详细解析了Python中安装cv2（OpenCV）的常见误区，特别是为什么直接使用`pip install cv2`会失败。文章提供了多种可靠的安装方法，包括使用`opencv-python`包、从源码编译以及在不同操作系统（如Windows、macOS和Linux）上的具体步骤。此外，还涵盖了环境配置、依赖项管理和常见错误的解决方案，帮助开发者高效、无痛地集成OpenCV到Python项目中
解决：pip3 install xxx -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com （使用 -i 指定第三方pip源，并用 -- trusted 信任该来源）解决：pip3 install scikit-learn -i http://pypi.douban.com/simple/ --trusted-host
本文详细介绍了在WSL2环境下部署vLLM运行大语言模型的完整流程。首先需要具备NVIDIA显卡（≥4GB显存）并安装Python和WSL2。主要步骤包括：1）安装Miniconda并创建Python3.10虚拟环境；2）安装WSL2专用CUDA12.1工具包；3）通过conda安装vLLM框架；4）从魔搭社区下载Qwen3.5-0.8B模型；5）启动API服务并进行测试。整个过程涉及环境配置、依
Matplotlib是Python中最流行的2D绘图库，由John Hunter于2003年创建。它提供了一个类似MATLAB的绘图接口，支持多种输出格式（如PNG、PDF、SVG等），能够满足从简单折线图到复杂3D图形的绘制需求。plt.show()Matplotlib作为Python可视化的基石，其强大功能和灵活性使其成为数据科学家的必备工具。通过掌握核心组件和绘图流程，结合Pandas、Se
本文分享了在雨云服务器上部署FastAPI项目的实战经验。内容包括：Python 3.11环境配置、虚拟环境搭建、项目结构设计、数据库集成、API开发、生产环境部署（Gunicorn+Systemd+Nginx）、雨云服务器优化技巧等。作者通过真实案例详细记录了部署过程中遇到的典型问题及解决方案，如SQLite权限问题、Nginx配置错误、环境变量设置等。特别针对雨云服务器的特性，提供了对象存储集
函数是组织好的、可重复使用的代码块，用于实现单一或相关联功能。定义与作用name }!name }!通过def关键字声明，return返回结果。优势包括代码复用（减少重复）和模块化（分解复杂任务）。返回值：若无return，函数默认返回None。return 10, 20 # 等价于 (10, 20)核心函数分类：字符串处理（如split）、数据结构（如dict.get）、文件IO（如open）等
如果荷载需要通过表格定义的时间和荷载数据来施加，可以在子程序中读取表格数据。假设我们有一个文本文件，格式为两列，第一列是时间，第二列是荷载值。C 定义变量C 读取表格数据N = 0N = N + 1END DOCLOSE(10)C 获取当前时间C 线性插值获取当前荷载EXITEND IFEND DOF(2) = 0.0F(3) = 0.0RETURNEND。
很多人检索 claude sonnet 4.6，其实并不只是想看参数表，更关心一个更实际的问题：新一代 Claude 模型在国内到底怎么稳定使用，是否能接入自己的开发环境，以及值不值得替换当前方案。 结合这次更新信息来看，2026 年 2
羽毛球价格监控系统 本项目构建了一个自动化工作流，用于监控羽毛球商品价格变化。系统通过影刀RPA定时采集淘宝商品数据，存储为Excel文件，并由OpenClaw进行数据分析后生成飞书日报。主要解决了人工监控效率低的问题，实现了从数据采集到报告生成的全链路自动化。技术难点包括RPA与OpenClaw的集成、定时任务触发和数据处理等，最终采用松耦合架构实现了稳定运行。系统可应用于商业分析决策场景，显著
博主在推广 MindSpore 的实践中注意到，GPU 版本的安装问题是不少开发者与入门学习者的核心门槛。为此，决定撰写这份详细的安装配置教程，助力大家扫清技术障碍；后续也计划在 B 站发布全流程安装演示视频。本文为博主首次创作技术内容，若有疏漏或表述不当之处，欢迎各位前辈批评指正。以上就是 MindSpore GPU 版本的完整安装流程，环境配置是开启 MindSpore 学习的关键一步。这里强
labview调用halcon实现语义分割，源码，labview2018 64位，halcon22.05，里面包含模型和数据集，包含所有安装包，支持cpu和gpu推理，模型训练可用halcon的DLT。labview调用halcon实现语义分割，源码，labview2018 64位，halcon22.05，里面包含模型和数据集，包含所有安装包，支持cpu和gpu推理，模型训练可用halcon的DL
列举在Optisystem仿真软件中用到的基本功能和元器件，并建立了波分复用传输系统的基本仿真模型，测量了波分复用和解复用后光信号的频谱，通过检测Q因子误码率等数据分析了波分复用设计方案的可行性，并得出了一些结论。这玩意儿就像在光纤里开高速公路，八个车道各自跑不同颜色的光（波长），想想就有意思。列举在Optisystem仿真软件中用到的基本功能和元器件，并建立了波分复用传输系统的基本仿真模型，测量
传统PI控制虽然稳如老狗，但遇到参数变化或者动态响应要求高的时候，总感觉差点意思。MPCC就像个预言家，提前算好未来几步的操作，直接挑个最优解，这思路确实骚。反正MPCC这玩意儿就像炒菜，火候（参数）掌握好了比PI控制香，但千万别迷信理论模型，示波器+电流探头才是亲爹。实测时候发现个坑：当转速接近极限时，预测模型可能算出来需要超过逆变器输出能力的电压，这时候得加个电压前馈补偿。这个暴力搜索看着蠢，
本文详细记录了Windows开发环境配置过程中遇到的各种问题及解决方案。主要内容包括：1）Windows Terminal的安装与错误排查（需64位系统19041以上版本）；2）Python 3.8+、Git、Make等基础工具的安装配置；3）虚拟机环境下VMware Tools的异常处理（需禁用Hyper-V解决冲突）；4）常用工具如7-Zip的安装设置。文中提供了所有必要软件的下载链接和详细操
整套代码用到了FreeRTOS，但任务划分很讲究——把PWM生成、保护检测这些高实时性的放在裸机循环里，而通讯、显示这些丢到RTOS任务中。原理图上有个细节：DCBUS电容并了三个不同材质的电容——电解电容扛大容量，CBB吸收高频，陶瓷电容处理尖峰。原理图上那个LM393比较器不是白给的，配合STM32的刹车功能，响应时间控制在3us内。风扇智能控制，提供过流、过压、短路、过温等全方位保护。STM
我最近把 SwiftBoot 里的项目问答链路从“普通 RAG 检索”升级成了一套更像工程系统的 Agent-RAG：前面先做意图分流，再按需调用源码检索或文档检索，后面再接长期记忆、实时增量索引和流式输出。做完之后，一个很直观的变化是：AI 不再只会给通用答案，而是真的开始“按项目说话”了。
矢量控制听起来高大上，但拆解后无非就是坐标变换+PID调节。不过真做起来，魔鬼全在细节里：角度观测的精度、死区补偿、参数鲁棒性……好在现在有现成的开源库（比如SimpleFOC），能帮工程师省不少力气。搞控制的工程师都懂——调参调到头秃的时候，不妨喝口水，想想这玩意儿本质上还是在“驯服”磁场的方向。毕竟，代码和磁场一样，你得顺着它的脾气来。（代码示例仅供参考，实际项目需结合硬件平台调整）
本套MATLAB代码旨在实现计及源-荷双重不确定性的虚拟电厂（微网）日前随机优化调度。通过蒙特卡洛算法生成光伏出力与负荷功率的多场景样本，结合快概率距离快速消除法进行场景削减，最终基于随机规划理论构建优化模型，在满足各类设备约束条件下，实现虚拟电厂内燃气轮机、储能系统、光伏单元的协同调度及电网购售电优化，核心目标是最小化调度总成本。代码整体依赖MATLAB平台与CPLEX求解器，结构清晰、模块划分
光伏储能虚拟同步发电机simulink仿真模型主电路：三相全桥逆变 直流侧电压800V光伏模块：光伏板结合Boost电路应用MPPT储能模块：采用双闭环控制，外环直流母线电容稳压，内环为电池电流环控制Matlab/simulink 2021b及以上版本仿真结果：1.VSG仿真输出的功率可以无静差跟踪给定参考值2.直流母线电容电压可以实现稳压功能，稳定时可以跟踪给定参考电压值3.光伏模块MPPT算法
介绍一款 免费 开源 轻量 方便 开箱即用 基于AI 的 图片转 LaTeX 工具 。可以提取图片公式、截图识别、本地预览、自动批量识别、识别记录保存、AI对话。不只是公式，不只是LaTeX！可以是化学式、可以是Math ML ，只要你想得到的图片转换，内置的AI都能帮你实现！
本文介绍了一种基于豆包/火山引擎API的本地多模态服务方案，通过FastAPI搭建本地服务，调用文生图(Seedream)和文生视频(Seedance)能力。系统要求至少4核CPU、16GB内存和50GB存储，需Python3.10-3.11环境及火山引擎账号。详细说明了API密钥申请、服务搭建、参数优化等步骤，包含完整的Python代码实现，支持图片/视频生成结果的本地保存。文章还提供了效果优化
混动软件P1P3开发原理解析说明1.混动架构：P1P3架构2.软件功能：驱动控制，能量回收，能量管理，混动模式控制，发动机启停管理，串并联切换控制，上下电控制，故障诊断及处理3.可以按照需求提供全部软件开发，也可以按照功能提供单个软件功能开发4.软件功能策略经过实车验证5.开发流程符合V模型，可以提供从系统需求到整车验证整个验证在混动汽车领域，P1P3架构正逐渐崭露头角。今天咱就来深入剖析一下基于
本文介绍了Agent Skill的概念及其使用方法。Agent Skill是为大模型设计的说明文档，可避免重复粘贴代码，适用于智能客服、会议总结等场景。文章演示了如何在Claude Code中创建和使用Agent Skill，包括元数据、指令的编写以及高级功能如Reference和Script的使用。此外，还介绍了Agent Skill的三层渐进式披露机制，并与MCP进行了比较。最后，以通义灵码为
本次使用的仿真平台是MATLAB结合YALMIP和CPLEX。MATLAB强大的矩阵运算和可视化功能为我们提供了良好的编程环境。YALMIP是一个用于在MATLAB中求解优化问题的工具箱，它简化了优化模型的构建过程。CPLEX则是一款高效的优化求解器，能快速准确地求解我们构建的复杂优化模型。
整体接入过程比较顺畅，之后基本就是add和search两个接口的事儿。5 层记忆树的设计在长对话场景确实比扁平方案体验好不少。项目还比较新，社区和文档还在完善，但核心功能已经可用了。以上是个人使用记录，如果你也在做 Agent 记忆相关的东西，欢迎评论交流。
上图中描述了用户请求到服务器经历了三层的负载均衡，下边分别简单介绍一下这三种负载均衡。①OSPF（开放式最短链路优先）是一个内部网关协议（Interior Gateway Protocol，简称 IGP）OSPF 通过路由器之间通告网络接口的状态来建立链路状态数据库，生成最短路径树，OSPF 会自动计算路由接口上的 Cost 值，但也可以通过手工指定该接口的 Cost 值，手工指定的优先于自动计算
基于深度学习的图像分割与语义识别》这个课题的实现过程主要包括数据集准备、模型选择、模型训练、模型评估与调优以及部署与应用等步骤。通过合理的设计和实现，可以得到能够在图像分割和语义识别任务中表现良好的深度学习模型。2. 深度学习模型选择：根据课题需求选择适合的深度学习模型，如基于卷积神经网络（CNN）的模型。可以选择使用轻量级的模型或者进行模型压缩等方法优化模型的部署效果。《基于深度学习的图像分割与
python3.11
——python3.11
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
龙虾开发者社区
AI硬件创业社区
魔珐星云开发社区
开源鸿蒙跨平台开发者社区
2048 AI社区
昇腾开源生态专区
openvela
松山湖开发者村综合服务平台
魔乐社区
