通过绘制真正类率（TPR）与假正类率（FPR）的曲线下面积评估模型性能，值越接近1性能越好。其中$D$为样本间距离，$Y$为相似性标签（0/1），$m$为间隔阈值。适用于类别均衡的场景，但对不均衡数据集可能产生误导。$\delta$为超参数，控制线性与二次区域的阈值。其中$y_i$为真实标签，$p_i$为预测概率。$p_i$为预测概率，$y_i$为真实标签。

康威定律（Conway's Law）指出：**“设计系统的组织，其产生的设计等同于组织之间的沟通结构。”**这一原则揭示了团队协作方式与软件架构之间的强关联性，尤其在多智能体微服务场景下，康威定律成为协调组织与技术的核心逻辑。在传统软件开发中，康威定律强调团队结构与模块化设计的匹配性；而在 AI 时代，智能体（Agent）作为自治的决策单元，其协作模式需通过微服务架构实现动态解耦。通过微服务的自治

AI大模型指参数规模庞大（通常超过十亿级）、通过海量数据训练的深度学习模型，如GPT-4、PaLM、LLaMA等。其核心能力包括自然语言处理、图像生成、代码编写等，基于Transformer架构实现跨领域任务迁移。大模型依赖Transformer的自注意力机制，通过多头注意力层捕捉长距离依赖关系。训练过程分为预训练（无监督学习）和微调（有监督学习），使用分布式计算框架（如Megatron-LM）加

通过 Lightning/USB 数据线连接 iPhone 与 Windows 电脑，使用 QuickTime Player（需 Mac 桥接）或第三方工具如 iMazing。部分工具需启用“信任此电脑”并允许屏幕录制权限，音频采集需额外设置。将 iPhone 视频信号转为 HDMI 输入采集卡，音频通过 HDMI 或 3.5mm 接口同步传输。5KPlayer 或 LetsView 等免费工具支

本文探讨了用于部署和优化 AI 智能体（AI Agents）与大型语言模型（LLMs）的各类基础设施选项及工具。无论采用云、本地还是混合云部署，基础设施在 AI 架构落地过程中都起着关键作用。本文是 AI 基础设施系列文章的一部分，聚焦于部署和优化 AI 智能体与大语言模型的多样化基础设施选择，深入剖析了基础设施在 AI 架构（尤其是推理环节）实现中的核心价值。我们将详细介绍包括开源解决方案在内的