文章摘要 本文系统介绍了从本地RAG到生产级Agent系统的技术演进路径。主要内容包括：1) Agent与LLM的本质区别在于多步推理-行动循环；2) ReAct框架的三步循环机制（思考-行动-观察）；3) 工具调用的底层原理与优化技巧；4) 记忆系统的四种类型与管理策略；5) 工具设计的四个关键要素和错误处理规范。文章还涵盖了Agent质量优化、框架选型、多Agent协作等进阶内容，为构建生产级

工欲善其事，必先利其器。在动手做 AI 项目之前，需要先把本地开发环境配好。本文记录了在 Windows 上使用 Miniconda 搭建 Python AI 学习环境的完整流程，包括安装、换源、创建虚拟环境、安装依赖，以及常见报错的处理方案。

构建一个能够自动识别垃圾短信（Spam）和正常短信（Ham）的机器学习模型。机器学习是让计算机从数据中自动学习规律，而不是通过硬编码规则来解决问题。传统编程: 规则 + 数据 → 答案机器学习: 数据 + 答案 → 规则朴素贝叶斯 (Naive Bayes)是一种基于贝叶斯定理的概率分类算法。过拟合 (Overfitting)：模型在训练集上表现很好，但在测试集上表现差。训练准确率：99%测试准确

本文介绍了使用CNN进行MNIST手写数字识别的完整流程，采用代码驱动的学习方式。主要内容包括：数据加载（MNIST数据集介绍与可视化）、数据预处理（归一化与通道维度处理）、模型构建（CNN网络结构设计）。教程详细解释了每个步骤的核心概念、代码实现原理和常见问题，如归一化的重要性、CNN组件功能等。通过模块化组织，读者可以系统掌握从数据准备到模型搭建的关键技术要点，为后续训练和评估奠定基础。

无论哪种架构，在解码器的最后一步，模型都需要将抽象向量（高维浮点数）转换为具体的单词。Linear 层：将解码器最后一层的输出向量映射到词典大小（Vocabulary Size）的维度。假如词典包含 5 万个词，Linear 层就输出一个 5 万维的向量，每个维度对应一个词的原始得分（Logits）。注：Linear 层不只在输出层出现——它遍布模型各处：生成 Q/K/V 时、FFN 内部的两个线

Driver 是 Spark 应用中运行。

本教程带你构建一个的多级缓存演示项目。在Windows上用 Docker Desktop 搭建完整的数据库 / 缓存 / 搜索引擎环境使用uv管理 Python 虚拟环境和依赖理解为什么互联网后端需要“三级缓存”亲手写一个类，体验Cache-Aside（旁路缓存）模式的完整流程通过多种工具（命令行、浏览器、PyCharm 插件）查看各层数据。

现在很多人已经习惯让 AI（比如 Claude、ChatGPT）帮自己写代码、改 bug。但你可能也遇到过这种情况：你说：“页面打不开/数据不显示，帮我看看怎么回事。AI 很快回复：“可能是数据库没有数据，你检查一下数据库。你查了，数据库明明有数据。AI 猜错了，你们都浪费了一轮。这不是 AI “笨”，而是它在没有线索的情况下被迫瞎猜。它就像一个刚到案发现场、还没看任何证据就被要求"说说凶手是谁"

现在很多人已经习惯让 AI（比如 Claude、ChatGPT）帮自己写代码、改 bug。但你可能也遇到过这种情况：你说：“页面打不开/数据不显示，帮我看看怎么回事。AI 很快回复：“可能是数据库没有数据，你检查一下数据库。你查了，数据库明明有数据。AI 猜错了，你们都浪费了一轮。这不是 AI “笨”，而是它在没有线索的情况下被迫瞎猜。它就像一个刚到案发现场、还没看任何证据就被要求"说说凶手是谁"

摘要： 本地部署ollama运行deepseek模型时出现端口冲突问题，执行ollama list报错无法连接。检查发现默认端口11435处于系统限制区间(11377-11476)。通过netsh命令查看被禁端口范围后，将环境变量OLLAMA_HOST改为可用端口11500，成功解决问题。临时方案可通过命令行设置，永久方案需在环境变量中配置新端口。调整后模型列表正常显示，可运行deepseek-r