在前面的章节中，我们了解到大语言模型（LLM）本质上是一个“文本生成器”——它根据输入的提示，预测下一个最合理的词语。其核心思想是：在LLM的输入中，提供一组预先定义好的工具（如函数、API接口），LLM在生成回答时，可以自主决定是否需要调用某个工具，并生成相应的参数。通过将外部工具以结构化的方式暴露给LLM，我们赋予了它“行动能力”——它不再只是被动地生成文本，而是可以主动决策、调用工具、获取反

零基础认识大语言模型（LLM）工作原理(5.Transformer的FFN模块到底是什么?x → Linear(升维) → GELU(激活函数) → Linear(降维) → y。MoE（Mixture of Experts）为什么是 FFN 的终极形态？FFN 不再只是“变换层”，而是“特征选择 + 特征重组系统”Attention 是“通信系统”，FFN 是“计算系统”。6.6 MoE(混合专

NIO线程数到达1000（达到设置的最大值）、thread线程2000多（用的Async没有用线程池设置）、Hystrix线程3000多、数据库连接100多、少量redis和mq的线程。因为没有用线程池导致thread线程会不停的进行创建，这里需要改成线程池配置，另外涉及到@Async的使用方式不规范问题。Hystrix线程没有进行配置，或配置没有生效，导致线程也是不停的进行创建，也同时涉及到Hy

# 数据转换的基本概念在 PyTorch 中，数据转换（Transformation）本质上是一个可调用对象，它接收一个输入数据（如 PIL 图像、Tensor 或 NumPy 数组），并返回转换后的输出。在后续的工程实践中，建议根据具体任务需求灵活组合不同的变换，并通过可视化验证转换后的数据是否符合预期。- 测试集只做必要的尺寸调整和标准化，不做随机增强，以保证评估结果的稳定性。的基本使用方式，

今天，我们就从 Docker 这个“指挥官”出发，深入到它手下的“执行者”——runC。简单说，Docker 像一个“管家”，你告诉它：“我要跑一个 Nginx”，它就会帮你拉镜像、创建容器、跑起来。命令2. Docker 守护进程（dockerd）接收命令3. dockerd 调用 containerd（容器管理守护进程）4. containerd 启动 runC 实例5. runC 根据 OC

SQL生成。

视觉解析器把屏幕变成机器可读的结构化数据，任务规划器把人类语言翻译成机器可执行的操作，执行引擎则负责最后的物理交互。这种设计的好处是模块化——你可以单独升级视觉模型（比如换成YOLOv8），或者增强规划器（接入GPT-4进行复杂推理），而其他部分不用改动。未来，随着多模态大模型的发展，这类GUI-Agent可能会直接跳过视觉解析环节，由模型端到端生成操作坐标，实现真正的“看-想-做”一体化。上一期

为什么需要 Agent Teams？你有没有过这种经历：本来要加个登录功能，写着写着顺便"优化"了数据库连接池优化完发现原来的认证逻辑被改坏了改回来，又改坏了另一个模块最后回头一看——登录功能还没做完这就是目标漂移和质量失控。Agent Teams 的思路很简单：把一个 AI 拆成多个角色，每个角色有明确的职责边界。Planner 产品经理 → Builder 开发 → Reviewer QAPl

零基础认识大语言模型（LLM）工作原理(5.Transformer的FFN模块到底是什么?x → Linear(升维) → GELU(激活函数) → Linear(降维) → y。MoE（Mixture of Experts）为什么是 FFN 的终极形态？FFN 不再只是“变换层”，而是“特征选择 + 特征重组系统”Attention 是“通信系统”，FFN 是“计算系统”。6.6 MoE(混合专

工具太多时，把所有 schema 一次性塞进上下文，会让模型注意力变差。CLI 的 list 和 -h 可以把这个问题拆开。模型先看一级命令，确定领域；再看二级命令，确定动作；最后只读取目标命令的参数说明和示例。上下文更小，误选工具的概率也会下降。