如果你要处理Excel、CSV 文件，或者需要列名、行索引，请务必使用Pandas (df。如果你要做复杂的矩阵运算、图像处理，或者追求极致速度，请使用NumPy。最佳实践：通常流程是读取数据(Pandas)->清洗数据(Pandas)->数值计算(NumPy)->结果展示(Pandas)。

DeepAgents是一个基于LangChain和LangGraph构建的高级智能体框架，专为处理复杂、多步骤任务设计。它通过四大核心能力（任务规划、文件系统、子代理委派、长期记忆管理）实现智能体执行任务的标准四步流程：1）用户输入指令；2）大模型规划调用子智能体；3）子智能体调用工具执行；4）结果返回整合。框架支持层级和协作两种多智能体架构模式，并可通过Skills机制扩展领域知识。相比底层工具

LLaMA-Factory 基本都收录了这些新方法，学会它之后改一行配置就能试用。微调 = 好基座 + 好数据 + QLoRA + 迭代评估不需要理解梯度下降、反向传播，也能做出有效的微调模型。

❌ .cu 文件 / CUDAExtension 完全不兼容# ✅ 方案A：用标准 torch API 替代# ✅ 方案B：用 TBE（Tensor Boost Engine）重写# ✅ 方案C：用昇腾 DSL 自定义算子CUDA C++ 代码无法在昇腾上编译。标准 PyTorch 算子通常已有替代，自定义高性能算子需用 TBE/DSL 重写。# 昇腾自定义算子开发套件# TBE（Tensor B

❌ .cu 文件 / CUDAExtension 完全不兼容# ✅ 方案A：用标准 torch API 替代# ✅ 方案B：用 TBE（Tensor Boost Engine）重写# ✅ 方案C：用昇腾 DSL 自定义算子CUDA C++ 代码无法在昇腾上编译。标准 PyTorch 算子通常已有替代，自定义高性能算子需用 TBE/DSL 重写。# 昇腾自定义算子开发套件# TBE（Tensor B

昇腾NPU迁移分析工作指南 摘要：本文档详细介绍了从GPU平台迁移到昇腾NPU平台的全流程分析方法。主要内容包括： 前置工作：建立GPU基线（精度/性能指标），搭建昇腾环境并验证基础功能 核心分析： 使用msFmkTrans工具扫描API兼容性（支持/部分支持/不兼容） 检查三方库（如transformers/deepspeed）适配情况 动态Shape识别与优化建议 亲和API替换建议（性能提升

昇腾NPU迁移分析工作指南 摘要：本文档详细介绍了从GPU平台迁移到昇腾NPU平台的全流程分析方法。主要内容包括： 前置工作：建立GPU基线（精度/性能指标），搭建昇腾环境并验证基础功能 核心分析： 使用msFmkTrans工具扫描API兼容性（支持/部分支持/不兼容） 检查三方库（如transformers/deepspeed）适配情况 动态Shape识别与优化建议 亲和API替换建议（性能提升

本文详细介绍了Hive离线数仓的分层规范及实现流程。数据仓库采用经典四层架构：ODS层存储原始数据，DWD层进行数据清洗和标准化，DWS层实现轻度汇总，ADS层生成业务指标。通过用户行为日志分析示例，展示了从原始JSON数据到最终报表的完整ETL流程，包括建表语句、数据转换逻辑和分区管理。文章还提供了数据导出到MySQL的方案（推荐使用Spark），并给出Airflow调度任务示例。最后强调分层设

Function Calling是扩展大语言模型能力的核心技术，让AI不仅能对话还能执行操作。它通过四步流程实现：识别用户意图→匹配工具并生成参数→外部执行→整合结果反馈。这种机制突破了模型的知识时效性限制和计算能力边界，避免了"幻觉"答案，可广泛应用于客服、数据分析、个人助理等场景。就像智能助手一样，用户只需表达需求，AI就能自动调用API完成复杂任务，实现从"会说

LangGraph三大特殊API详解：Command、ContextSchema和Send分别解决了状态流程控制、运行时依赖注入和动态并行分支三大核心问题。Command通过统一返回值实现状态更新与流程跳转的原子操作，适用于中心化路由场景；ContextSchema支持安全注入敏感配置和运行时依赖；Send则实现了Map-Reduce模式的动态并行处理。这三个API共同扩展了LangGraph的能