但唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码，而且，为了让大模型“认识”这些外部函数，我们还要额外为每个外部函数编写一个JSON Schema格式的功能说明，此外，我们还需要精心设计一个提示词模版，才能提高Function calling响应的准确率。MCP 的主要目的在于。然后，你就可以把它接入任意一个MCP客户端来构建智能体，如果愿意，还可以把MCP服

但唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码，而且，为了让大模型“认识”这些外部函数，我们还要额外为每个外部函数编写一个JSON Schema格式的功能说明，此外，我们还需要精心设计一个提示词模版，才能提高Function calling响应的准确率。MCP 的主要目的在于。然后，你就可以把它接入任意一个MCP客户端来构建智能体，如果愿意，还可以把MCP服

网络请求是什么数据格式进行->JSON(很对版本的演进后目前JSON最火)-所以大模型最好也是使用JSON交互。

过度依赖长Prompt，忽视上下文管理 很多新手开发者喜欢把所有的规则、示例、知识都塞进一个超长的系统提示词（System Prompt）里，以为这样模型就能记住一切。Token消耗剧增：每次对话都重复发送大量固定信息，成本高昂。模型注意力分散：关键指令被淹没在海量背景信息中，模型可能“抓不住重点”。问题：这本质上是把本该由Context Engineering解决的“背景信息提供”问题，错误地用

对于图片来说，我们CNN的前几层学习到的都是低级的特征，比如，点、线、面，这些低级的特征对于任何图片来说都是可以抽象出来的，所以我们将他作为通用数据，只微调这些低级特征组合起来的高级特征即可，例如，这些点、线、面，组成的是园还是椭圆，还是正方形，这些代表的含义是我们需要后面训练出来的。当然，自己训练好的模型也可以当做预训练模型，然后再在自己的数据集上进行训练，来使模型适用于自己的场景、自己的任务。

（Open Graphics Library）开放图形库，跨平台、跨语言的硬件加速图形渲染API规范。（不是一个现成的软件库，是一套行业标准。（）开源计算机视觉库，跨平台算法库，核心是对图像/视频进行处理、分析、内容理解，核心是把CPU的图形数据交给GPU，实现高效的2D/3D图形绘制，

Redis是一个开源的基于内存的键值对数据库基于内存，读写速度极快，可以处理大量读写请求。支持多种数据结构，如字符串、哈希、列表、集合、有序集合等，具有丰富的数据表示能力。支持主从复制，提供数据冗余和故障恢复能力。支持持久化，可以将内存数据保存到磁盘中。支持事务，可以一次执行多个命令。丰富的功能，可用于缓存、消息队列等场景。主要应用场景包括：1、缓存常见的使用场景，比如缓存查询结果、热点数据等，大

以前AI模型都依赖云端算力，现在随着模型量化、剪枝技术的成熟，越来越多的AI应用可以部署到手机、IoT设备、边缘服务器上——比如手机端的AI绘画、智能手表的健康监测、智能家居的语音控制。：设备端AI的“节能专家”，专为边缘设备（手机、物联网设备）设计的AI处理器，聚焦低功耗场景下的实时推理，2025年旗舰手机中的NPU（如Snapdragon 8 Elite的Hexagon NPU）能效较前代提升

优点：和poll一样没有最大文件描述符数量的限制，epoll虽然也需要维护用来存放文件描述符的数据结构（epoll_event），但是它只需要将该数据结构拷贝一次，不需要重复拷贝，并且它只在调用epoll_ctl系统调用时拷贝一次要监听的文件描述符数据结构到内核区，在调用epoll_wait的时候不需要再把所有的要监听的文件描述符重复拷贝进内核区，这就解决了select和poll种内存复制开销的问

a1是第一个数据元素，称为表头元素，an是最后一个数据元素，称为表尾元素。链表：链表是一种物理存储结构上非连续、非顺序的存储结构，数据元素的逻辑顺序是通过链表中的指针链接次序实现的。头结点的指针域指向线性表的第一个元素的结点。用一组地址连续的存储单元依次存储线性表中的数据元素的线性表。一般表示形式：L = （a1，a2，... ，ai，... ，an）顺序表的插入、删除操作，平均需要移动半个表长的