SSH（Secure Shell）是一个用于安全远程登录的协议，它允许用户通过加密的连接远程访问和管理计算机。它通常用于Linux、macOS和其他类Unix操作系统中的远程管理。：这个是命令的基础部分，表示你希望使用SSH协议进行连接。：这是你在远程计算机上的用户名。你需要提供一个有效的用户名才能登录到目标服务器。例如，如果远程计算机上你的用户名是user1，那么就用user1替换这个部分。：这

无论vscode安装在哪里都可以！

本文系统阐述了图神经网络（GNN）的核心原理与实现方法。首先介绍了图数据的两个核心矩阵：特征矩阵X表示节点属性，邻接矩阵A描述拓扑结构。重点讲解了消息传递范式，包括邻居信息聚合与更新机制。随后详细分析了GCN的数学实现，将其分解为特征变换和结构传播两个步骤，并指出其全图依赖的局限性。针对这一问题，GraphSAGE采用邻居采样和特征拼接策略，通过固定采样数量实现可扩展性。最后探讨了mini-bat

（全局架构视角，主打“高可用”与“落地能力”）“在开发我的 Modular RAG MCP Server 时，我没有采用简单的单路检索，而是设计了一套高可用的多阶段检索流水线。它的核心亮点不仅在于实现了 BM25 与向量的并行双路召回，更重要的是我引入了动态加权融合 (wRRF)来适配不同业务场景。同时，为了抵御线上突发流量洪峰，我在底层加入了部分召回 (Partial Recall) 的优雅降级

本文介绍了离线数据摄取Pipeline的五个核心阶段：1)解析阶段将原始文档转为结构化Markdown并提取元数据；2)切分阶段采用递归字符分割保留语义连贯性；3)增强处理通过LLM重写和图片摘要提升文本块独立性；4)向量化阶段采用稠密向量和稀疏向量的混合检索策略；5)存储阶段使用幂等写入确保数据一致性。整个流程旨在将非结构化文档转化为适合大模型理解的高质量向量数据，重点解决了语义保留、上下文连贯

摘要：RAGAS是针对RAG系统的评估框架，通过LLM-as-a-Judge方法将评估拆解为生成质量（Faithfulness和AnswerRelevance）和检索质量（ContextRelevance/Precision和ContextRecall）两大维度。其创新点包括：1）无需标准答案的评估设计；2）逆向工程计算回答相关性；3）支持冷启动阶段的测试集自动生成。落地时需注意API成本控制、评

项目内容张量定义通用的n维数组与NumPy区别支持GPU & 自动微分关键能力高效计算 + 梯度追踪应用场景模型输入/输出/参数的基础单位。

MCP是由Anthropic提出的AI应用连接标准协议，类似AI界的USB接口，旨在统一LLM与数据源/工具的交互方式。其核心架构包含Host(主程序)、Client(连接插件)和Server(数据接口)三个角色，通过Tools(执行函数)、Resources(只读数据)和PromptTemplates(结构化指令)三类资产提供服务。支持本地Stdio和远程HTTP流式传输两种通信方式，开发者可通

定义：不是简单直接让AI一步到位（直上直下），而是将大任务拆解。Agentic Workflow（智能体工作流）：包含“思考-研究-输出-修改”的循环迭代（Circular iterative process）过程。最终形态：完全独立弄清楚步骤、挑选工具的 Truly autonomous AI agent（真正自主的智能体）。

以为是把 API Key 嵌进去，或者是简单的插入操作。：Embedding 是将**人类语言（文字）计算机语言（向量/数字列表）**的过程。计算机看不懂“苹果”，但 Embedding 模型把它变成。计算机通过计算两个向量的**距离（余弦相似度）**来判断意思像不像。：入库（Indexing）和查询（Query）必须使用Embedding 模型，否则就像一个说英语一个说日语，完全鸡同鸭讲。