如果不想安装其他字体，而将公式更改为Times New Roman的话，可以选中公式后，进入【公式】选项卡，在转换栏，选中【ab文本】，然后就可以在【开始】选项卡中选择【Times New Roman】了，然后通过【Ctrl+I】将其改为斜体。当同时选中多个公式时，【ab文本】是灰色的，如果想在选中多个公式的情况下，修改公式字体，则必须下载公式专用字体。1 【Ctrl+H】->查找选项卡->【更多

Python3.10 = 国内全缓存（老系统 + 高热度）→ 秒拉；Python3.11 = 国内未全同步（新系统 + 低热度）→ 回源国外 → 必失败本次部署让我深刻理解了 Docker 国内加速的局限性、Python 镜像的底层系统差异、Linux 包管理冲突的根源，以及虚拟环境在生产部署中的核心价值。如果你也遇到以下问题：Docker 拉取不到新版 Python 镜像（如 3.11）配置了镜

本文详细记录了在Windows系统安装Docker环境的完整踩坑过程。作者从下载错误的WSL旧内核开始，经历了卸载旧版本、安装新版WSL、配置Ubuntu分发版、迁移Docker到D盘、设置软链接、配置镜像加速等一系列问题。关键教训包括：必须下载正确的WSL版本、管理员权限安装、用户名规范、C盘空间管理、软链接创建方式以及镜像加速配置等。经过一整晚的反复尝试，最终成功搭建环境并运行hello-wo

MoE 架构是当前大模型领域从"更大"到"更聪明"的关键技术路径。本文从路由机制、负载均衡、模型架构、训练优化、推理部署等维度全面剖析了 MoE 的核心技术体系。核心要点回顾稀疏激活：MoE 的核心是"大参数、小计算"，用路由机制选择性激活专家负载均衡：通过辅助损失、Expert Choice、容量控制等方法缓解路由不均工程复杂：MoE 需要 EP+DP+TP 三维并行，通信和显存管理是核心挑战效

2023 年 GPT-4V 的发布标志着人工智能正式进入多模态时代。与纯文本模型不同，多模态大模型（Multimodal Large Language Model, MLLM）能够同时理解图像、文本（甚至视频、音频）内容，实现真正的"看图说话"。应用场景代表模型核心能力图文搜索文本→图片跨模态检索图像生成文本→图像生成（依赖 CLIP 编码）视觉问答图片内容理解与推理文档分析图表、扫描件、PDF

随着微服务架构的全面普及，传统的单体应用被拆分为多个独立部署、独立运行的服务单元，每个服务拥有自己独立的数据库 —— "去共享库"成为微服务设计的核心原则之一。这一拆分带来了显著的架构红利：独立部署、弹性伸缩、技术栈异构、故障隔离。然而，硬币的另一面是，原本在单体应用中通过本地数据库事务（ACID）轻松保证的数据一致性，如今不得不面对跨服务、跨库调用的分布式事务难题。举个最典型的例子 ——电商下单

Python3.10 = 国内全缓存（老系统 + 高热度）→ 秒拉；Python3.11 = 国内未全同步（新系统 + 低热度）→ 回源国外 → 必失败本次部署让我深刻理解了 Docker 国内加速的局限性、Python 镜像的底层系统差异、Linux 包管理冲突的根源，以及虚拟环境在生产部署中的核心价值。如果你也遇到以下问题：Docker 拉取不到新版 Python 镜像（如 3.11）配置了镜

MoE 架构是当前大模型领域从"更大"到"更聪明"的关键技术路径。本文从路由机制、负载均衡、模型架构、训练优化、推理部署等维度全面剖析了 MoE 的核心技术体系。核心要点回顾稀疏激活：MoE 的核心是"大参数、小计算"，用路由机制选择性激活专家负载均衡：通过辅助损失、Expert Choice、容量控制等方法缓解路由不均工程复杂：MoE 需要 EP+DP+TP 三维并行，通信和显存管理是核心挑战效

2026 年的今天，AI Agent 早已不再是概念验证阶段的玩具。从自动化工作流到多智能体协作系统，Agent 框架正在重塑企业级 AI 应用的开发范式。然而，面对 LangChain、AutoGPT、CrewAI 等层出不穷的框架，开发者常陷入"选择瘫痪"——每个框架都有独特的架构哲学和擅长的战场，选错了方向，项目可能要付出数月重构的代价。

JVM 内存管理是 Java 工程师从"会写代码"走向"懂性能"的必经之路。本文从内存区域划分入手，深入剖析了 G1 和 ZGC 两大主流垃圾收集器的原理与调优方法，通过真实案例展示了内存泄漏的定位技巧，并提供了完整的监控告警体系建设方案。G1 适合通用场景，通过 Region 分代回收 + 停顿时间目标控制，是大多数应用的首选ZGC 是大堆 + 低延迟场景的最佳选择，JDK 21+ 的分代 ZG