本文提出了一种双Agent异步并行架构，解决传统单Agent在语音对话与UI操作并发场景中的实时性冲突和上下文污染问题。系统分为Voice Agent（负责语音交互）和Computer Agent（负责网页操作），通过线程安全队列实现全双工通信。Voice Agent采用流式VAD检测和本地轻量模型校验打断意图，Computer Agent优先使用JS注入快速操作DOM，失败时回退到多模态大模型处

本文介绍了一个真人+AI混合参与的狼人杀游戏系统。系统采用FastAPI后端和React前端架构，通过严格的信息权限控制实现角色身份保密。AI玩家使用不同性能的LLM模型，并针对各角色设计专属提示词和决策流程。系统解决了猎人卡死、预言家误判等技术难题，实现了稳定的多轮游戏运行。实验发现LLM在短期推理表现良好，但需要工程支持跨轮记忆。未来可扩展更多角色功能，并通过数据分析评估不同模型的欺骗和推理能

本项目使用了微博评论数据集，采用BERT模型对评论文本进行分类，预测评论的情感类别（积极/消极）。我们使用了Hugging Face的transformers库来加载BERT模型，借助PyTorch框架进行模型训练和评估。为了能将数据输入到BERT模型中，我们需要对文本进行分词处理，并将其转换为BERT所需的输入格式。我们使用了BertTokenizer进行分词和编码，将评论文本转化为input_

本文介绍了机器学习模型优化的关键方法。主要内容包括：（1）模型选择技术，通过划分训练集、验证集和测试集来评估模型性能；（2）偏差与方差分析，解释如何诊断过拟合和欠拟合；（3）正则化参数调整对模型性能的影响；（4）学习曲线的绘制与应用；（5）神经网络中的偏差-方差特性；（6）构建机器学习系统的完整流程；（7）错误分析的重要性；（8）增加训练数据的多种方法；（9）迁移学习的原理；（10）精确率、召回率

逻辑回归逻辑回归回归问题的目标是从无数种可能的数值中预测一个数字，接下来介绍用于分类问题的模型。通常线性回归模型不适合做分类任务，因此引入另外一种模型：逻辑回归（Logistic Regression）。垃圾邮件分类、肿瘤判断都属于分类问题，这类问题需要预测的变量只能是两个可能值之一，因此这类问题称为二分类（Binary Classification）。二分类问题中的类别可以用“no”和“yes”

本文所实现的问答系统结合了以下技术： -文本分块（Chunking）：将长文本分割成较小的部分，方便索引和查询。-BGE-M3嵌入模型：使用BGE-M3（BAAI）模型将文本转化为嵌入向量。-FAISS：Facebook AI开源的高效相似性搜索库，用于构建并查询向量索引。-DeepSeek生成模型：利用深度学习生成式模型回答用户的问题。我会逐步介绍每项技术的应用与代码实现。

逻辑回归逻辑回归回归问题的目标是从无数种可能的数值中预测一个数字，接下来介绍用于分类问题的模型。通常线性回归模型不适合做分类任务，因此引入另外一种模型：逻辑回归（Logistic Regression）。垃圾邮件分类、肿瘤判断都属于分类问题，这类问题需要预测的变量只能是两个可能值之一，因此这类问题称为二分类（Binary Classification）。二分类问题中的类别可以用“no”和“yes”

监督学习中提供给算法的示例（数据）要包含正确答案，即正确的标签 Y，通过不断地学习，算法学到X->Y的映射关系。在下图的例子中，给定的数据只有肿瘤大小和患者年龄，无监督学习不是要对这些数据分类，而是从数据中找到一些结构或模式，将数据分成不同的集群或组，这就是无监督学习中的聚类算法。分类问题的预测结果是数字 0，1，2，…此外，还有一些其他常用的无监督学习算法，例如：异常检测（用于检测异常事件，可用

本文所实现的问答系统结合了以下技术： -文本分块（Chunking）：将长文本分割成较小的部分，方便索引和查询。-BGE-M3嵌入模型：使用BGE-M3（BAAI）模型将文本转化为嵌入向量。-FAISS：Facebook AI开源的高效相似性搜索库，用于构建并查询向量索引。-DeepSeek生成模型：利用深度学习生成式模型回答用户的问题。我会逐步介绍每项技术的应用与代码实现。