排序算法---冒泡排序：对数组进行遍历，每次对相邻的两个元素进行比较，如果大的在前面，则交换两个元素的位置，完成一趟遍历后，数组中最大的数值到了数组的末尾。再对前面n-1个数值进行相同的遍历。一共完成n-1次遍历就实现了排序。

本文系统梳理了图像识别领域的8种学习范式：1. 有监督学习（图像+标签），作为分类研究的基础基线；2. 无监督学习（仅图像），通过聚类或生成模型间接学习特征；3. 自监督学习（无需标签），包括对比学习、蒸馏重建等主流方法，能学习强视觉表征；4. 半监督学习（少量标签+大量无标签数据），采用伪标签和一致性约束提升数据效率；5. 弱监督学习（不精确标签），增强模型鲁棒性；6-7. 迁移学习和知识蒸馏作

本文介绍了使用PyTorch框架在CIFAR10数据集上构建和训练卷积神经网络(CNN)的完整流程。首先通过torchvision下载并预处理CIFAR10数据集，然后构建了一个包含4个卷积层、批归一化、ReLU激活和Dropout的CNN模型。使用SGD优化器配合学习率调度器进行10个epoch的训练，并在测试集上达到71%的准确率。代码实现了训练过程可视化、模型保存与加载功能，并展示了如何用训

摘要：Plan-and-Execute是大模型Agent的经典分层架构，通过全局规划与动态执行相结合解决复杂任务。其核心包含三层：规划器生成结构化步骤，执行器按计划调用工具，重规划器处理异常情况。相比ReAct模式，该架构具有全局视野强、步骤清晰、容错性高等优势，但存在前期规划耗时长、开销大等不足。文中以出差安排为例，展示了从需求接收、计划生成到执行落地的完整流程，并提供了包含天气查询、机票预订、

本文介绍了Dify平台的配置使用流程：1)通过GitHub下载并配置Dify环境；2)接入本地ollama模型和阿里Qwen等API大模型；3)创建金融助手等应用并设置提示词；4)构建和使用知识库；5)安装使用时间查询等工具；6)开发自定义天气查询工具（含Python脚本示例）；7)创建工作流应用。文章详细说明了各功能模块的具体操作步骤，包括环境配置、模型接入、工具开发等工作流程，帮助用户快速上手

本文全面整理了Git版本控制工具的高频使用场景和实用命令，涵盖从环境配置到团队协作的全流程。主要内容包括：首次使用的全局配置、项目提交完整流程、日常开发操作（修改/暂存/提交）、版本历史查看、代码回退技巧、分支管理方法、远程协作命令、临时存档操作以及版本标签管理。特别针对代码冲突、错误提交、分支切换等常见问题提供了解决方案。文章采用场景化分类方式，命令即查即用，适合开发者日常参考和面试准备，适用于

本文介绍了使用PyTorch框架在CIFAR10数据集上构建和训练卷积神经网络(CNN)的完整流程。首先通过torchvision下载并预处理CIFAR10数据集，然后构建了一个包含4个卷积层、批归一化、ReLU激活和Dropout的CNN模型。使用SGD优化器配合学习率调度器进行10个epoch的训练，并在测试集上达到71%的准确率。代码实现了训练过程可视化、模型保存与加载功能，并展示了如何用训

LangGraph是LangChain团队开发的低层级Agent编排框架，用于构建有状态、长时运行的AI工作流。其核心特点是将工作流建模为有向图，包含节点（执行函数）、边（流转路径）和状态（共享数据）。文章通过多个示例演示了LangGraph的核心功能：1. 基础图结构构建（定义状态、节点和图关系）2. 串行节点执行流程3. 分支和条件分支实现4. 循环工作流5. 结合LLM的节点调用（意图分类路

摘要：本文介绍了MCP架构中的核心组件：MCP Host（如VSCode的Cline插件）作为AI应用控制中心，与MCP Server（特定功能程序）的交互机制。通过创建天气查询MCP Server的实例（使用FastMCP框架编写Python脚本），演示了如何实现获取天气预警和预报的功能。最后展示了MCP Server、Host与AI模型间的协作流程，呈现了轻量级AI工具扩展的实践方案。

摘要： FunctionCalling是AI模型调用外部函数的能力，由模型提供商实现，用于决策和执行特定任务（如查询天气）。MCP（ModelContextProtocol）则是一套通信协议标准，规范AI应用与外部工具的数据交互方式，由开发者实现。两者并非替代关系，而是协作关系：FunctionCalling负责决策调用哪个工具，MCP负责标准化通信流程。前者是“决策层”，后者是“通信层”，共同实