logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

从矩阵乘法到多模态大模型

显然,我在 CS336 中 Tokenizer 的 encode() 函数对长文本的效果很不好,于是我用 AI 快速跑了一个快速 Tokenizer,依旧使用的了 C++ 来写核心的循环合并部分(毕竟 C++ 的哈希表还是太强了),又加入了并行计算,然后就以 8 核全部 98.7% 以上榨干极致性能实现了快速的 Token 化。这个项目的起源在于斯坦福的 AI 神课 CS336。CLIP-ViT

OpenCode 中构建分层多智能体协作系统:DeepSeek 双模型成本感知调度实践

这套方案最核心的启示或许是:在多 Agent 系统中,"什么不交给谁做"比"谁做什么"更重要。能力边界的清晰定义、执行与探索的严格分离、读写的权限隔离、写作用域的冲突检测——这些约束机制才是系统稳定性的基石,而非 Agent 数量或模型能力。评论纪律:不写 AI 样板注释(“Initialize the service”),只写解释 WHY 而非 WHAT 的注释,不留被注释掉的代码——它们属于

#数据库
PipedReader和PipedWriter的源码分析和使用方法详细分析(windows操作系统,JDK8)

/标记符:true表示与这个 PipedReader (消费者)相关联的PipedWriter(生产者)已经持有了这个PipedReader (消费者)对象(或者叫已经连接上了),反之,反之。一、PipedWriter(生产者)源码——向PipedReader(消费者)中的缓冲区(char[]数组)写入字符数据的字符输出流(生产者)二、PipedReader(消费者)源码——从自己的缓冲区(cha

#windows
Kimi K3悄悄上线:1M上下文、专攻编程,月之暗面的最强底牌亮了

就在今天上午,GPT-5.6刚刚在Tracking AI的离线IQ测试中拿下136分,破了LLM的天才线。K2.6能把任务拆成300个子任务并行跑,K3在这个基础上把上下文拉到1M——这两件事放在一起看,逻辑很清晰:月之暗面在赌AI Agent的未来。Kimi的API和第三方工具集成度一直是弱项,K3模型ID虽然已经开放,但开发者文档、SDK支持、社区生态能否跟上,决定了K3是天上的卫星还是地上的

#图形渲染
完成任务,需要哪些能力?

我们把整个任务过程拆开,我们会发现,一个真正能够完成工作的 AI,至少需要具备下面几种能力。因此,Agent 与聊天机器人的最大区别,并不是它拥有更多工具,而是:它拥有完成任务的能力。更准确地说:Agent 是一个基于LLM能够围绕某一个目标持续工作的 AI 系统。所以到了这里,我们就会发现,这已经不再是一次推理,而是一个持续运行的过程。而是不断的:思考->行动->观察->调整->直到目标完成。这

#数据库#redis
wso2~关于workbuddy中mcp在wso2中的授权端点

统一地址:https://test-apim-gateway.xxx.com/mcp-agg/1.0.0/.well-known/oauth-protected-resource返回样式],“openid”,在apimgt.org.wso2.carbon.apimgt.gateway项目中做了相关适配合在admin平台添加自定义的key manager ,状态为关闭,避免对其它api产生影响ima

#java#数据库#redis
一种适合程序员的 Agent 协作方式的实践

构思与实践前提在展开具体实践之前,先交代三个前提条件。第一,使用集成开发环境(IDE)作为 Agent 协作的面板。本实践的 IDE 限定为 TRAE,因为它免费,且功能足以满足需求。更重要的是,IDE 本身就是可观测性和可交互性的来源——你能实时看到 Agent 在做什么,也能随时介入调整。第二,使用 DeepSeek 作为 AI 模型。它足够便宜,即便是 Flash 这样较轻量的模型,产出质量

#架构
一种适合程序员的 Agent 协作方式的实践

构思与实践前提在展开具体实践之前,先交代三个前提条件。第一,使用集成开发环境(IDE)作为 Agent 协作的面板。本实践的 IDE 限定为 TRAE,因为它免费,且功能足以满足需求。更重要的是,IDE 本身就是可观测性和可交互性的来源——你能实时看到 Agent 在做什么,也能随时介入调整。第二,使用 DeepSeek 作为 AI 模型。它足够便宜,即便是 Flash 这样较轻量的模型,产出质量

#架构
到底了