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

人工智能基础知识笔记四十:Claude 扩展机制深度解构:Command、Skill、Sub-agent 与 Hook 的四层协同架构

本文系统介绍了ClaudeAI的四种协作机制:Command(用户手动触发的快捷指令)、Skill(AI自动加载的专业知识包)、Sub-agent(独立运行的子任务处理器)和Hook(事件驱动的自动化流程保障)。这些机制各具特点:Command提供简洁操作入口,Skill实现知识按需注入,Sub-agent隔离复杂任务,Hook确保流程安全可靠。文章通过代码提交场景展示了四者的协同工作模式:用户输

文章图片
#人工智能
人工智能基础知识笔记四十:Claude 扩展机制深度解构:Command、Skill、Sub-agent 与 Hook 的四层协同架构

本文系统介绍了ClaudeAI的四种协作机制:Command(用户手动触发的快捷指令)、Skill(AI自动加载的专业知识包)、Sub-agent(独立运行的子任务处理器)和Hook(事件驱动的自动化流程保障)。这些机制各具特点:Command提供简洁操作入口,Skill实现知识按需注入,Sub-agent隔离复杂任务,Hook确保流程安全可靠。文章通过代码提交场景展示了四者的协同工作模式:用户输

人工智能基础知识笔记四十:Claude 扩展机制深度解构:Command、Skill、Sub-agent 与 Hook 的四层协同架构

本文系统介绍了ClaudeAI的四种协作机制:Command(用户手动触发的快捷指令)、Skill(AI自动加载的专业知识包)、Sub-agent(独立运行的子任务处理器)和Hook(事件驱动的自动化流程保障)。这些机制各具特点:Command提供简洁操作入口,Skill实现知识按需注入,Sub-agent隔离复杂任务,Hook确保流程安全可靠。文章通过代码提交场景展示了四者的协同工作模式:用户输

人工智能基础知识笔记九:模型评估的指标

在评估机器学习模型的性能时,根据任务的不同(分类、回归等),我们可以使用不同的评价指标。本文主要是介绍一些常见的评估指标及其优缺点。

#人工智能
人工智能基础知识笔记三:假设检验

P值(P-value)是假设检验中用于判断原假设是否成立的一个概率值。它表示在原假设成立的前提下,观察到当前数据或更极端数据的概率。如果P值小于预先设定的显著性水平α(通常为0.05),则拒绝零假设。

文章图片
#人工智能
Failed to connect to repository : Error performing git command: git.exe

Jenkins环境下,Failed to connect to repository : Error performing git command: git.exe 的问题的解决方案。

文章图片
#git#jenkins#github
Error response from daemon: failed to resolve reference “docker.io/library/redis:7“

摘要:在安装langfuse时遇到Docker拉取redis镜像失败的问题,错误提示连接registry-1.docker.io超时。尝试DeepSeek提供的方案无效后,最终通过修改Docker Engine配置解决:在Docker设置中添加多个国内镜像源(如dockerpull.pw等)和公共DNS(8.8.8.8/114.114.114.114)。修改后重新执行docker compose

文章图片
#docker#容器#运维
人工智能基础知识笔记三十九:几个Skills的网站

AI的Skills是为大语言模型安装的“专业外挂”,使其能直接执行代码优化、文档生成等具体任务,实现从“理论”到“实干”的跨越。用户可通过skills.sh等包管理器搜索、安装与管理社区共享的技能包。为确保安全高效,应优先选择高信誉来源、理解技能权限、定期更新并谨慎处理敏感数据。遵循“选择可信、看清能力、保持更新、保护数据”的原则,即可充分释放AI的生产力。

文章图片
#人工智能
人工智能基础知识笔记三十九:几个Skills的网站

AI的Skills是为大语言模型安装的“专业外挂”,使其能直接执行代码优化、文档生成等具体任务,实现从“理论”到“实干”的跨越。用户可通过skills.sh等包管理器搜索、安装与管理社区共享的技能包。为确保安全高效,应优先选择高信誉来源、理解技能权限、定期更新并谨慎处理敏感数据。遵循“选择可信、看清能力、保持更新、保护数据”的原则,即可充分释放AI的生产力。

文章图片
#人工智能
人工智能基础知识笔记十七:微调方法

全面微调训练所有参数性能潜力最大成本极高,灾难性遗忘算力无限,任务特殊适配器插入并训练小网络参数高效,模块化推理延迟,结构复杂需要快速切换多任务提示微调优化输入前缀极其高效,无结构改动占用上下文,效果不稳轻量级任务适配LoRA用低秩矩阵模拟权重更新高效、强效、零开销需选择秩r当前绝大多数场景的首选QLoRA量化 + LoRA极致的内存效率有极小的量化损失资源受限的个人或团队。

#人工智能
    共 70 条
  • 1
  • 2
  • 3
  • 7
  • 请选择