softmax函数的实现中要进行指数函数的运算，但是指数函数的值很容易变得非常大。如：e的10次方会超过2000，e的40次方会变成一个后面有40个0的超大值，如果这些超大值进行除法运算，结果会出现“不确定”的情况。在进行softmax函数时，加上或者减去某个常数并不会改变运算的结果，为了防止溢出问题，我们可以通过。图式公式可以理解为：假设输出层共有n个神经元，计算第k个神经元的输出y。其中，ex

如果只是自己项目内部用，普通函数就够了。如果这个能力未来要复用、要独立暴露、要给别的系统接入，MCP 才真正有价值。上面的内容，都是我基于基础版 MCP 代码跑通之后总结出来的。如果你想要我这套基础版 MCP 对比代码，包括普通函数版和 MCP 版，直接在评论区留一句“要代码”。我会直接私信发你，并顺带给你讲解说明。#AI开发 #MCP #大模型 #Agent #工具调用 #AI工程化 #编程入门

主程序启动时，先读取SKILL.md里的name和。这一步不会把完整 skill 说明和天气数据全给模型，只给最少信息，让模型做第一轮判断。代码里会从SKILL.md的 front matter 里解析出这两个字段。weather.md只有当城市参数提取成功之后，程序才会真正去读weather.md，然后通过标题匹配找到对应城市的小节，把那段天气文本返回出来。代码里_weather()使用正则去匹

主程序启动时，先读取SKILL.md里的name和。这一步不会把完整 skill 说明和天气数据全给模型，只给最少信息，让模型做第一轮判断。代码里会从SKILL.md的 front matter 里解析出这两个字段。weather.md只有当城市参数提取成功之后，程序才会真正去读weather.md，然后通过标题匹配找到对应城市的小节，把那段天气文本返回出来。代码里_weather()使用正则去匹

最近看 AI Agent 框架的人，基本都绕不开几个名字：它们都很火，也确实很好用。这也是我为什么觉得，Parlant 这个框架特别值得认真看。

【代码】opencv读取摄像头视频。

根据一维数组推论二维数组生成随机数，必定是np.random.rand(m,n)，其中m，n表示数组的行和列。1.np.random.rand用法理解。2.np.random.rand代码实现。大小[1]、[2]、[0]