如果接触过计算机网络中的TCP/IP协议的话，你可能会对滑动窗口比较熟悉。那么滑动窗口到底是什么原理？在机器学习中又是如何运用？

在[上一篇文章](https://blog.csdn.net/ordinary_brony/article/details/149293790)中，我们完成了ChatOpenAI的实例化。接下来也就自然而然是使用它了。

本文介绍了如何通过微调千问大模型，使其具备个性化风格。作者基于8张5090显卡的环境，使用ms-swift工具和开源沐雪角色数据集进行全参数微调。文章详细说明了环境配置、依赖版本调整、数据集准备以及训练参数设置，并分析了损失函数的设计原理，重点阐述了因果遮罩和交叉熵损失在生成任务中的作用。最终训练结果显示模型能生成符合预期的个性化回答，同时指出适当调整batch_size可优化训练稳定性。

既然我们在前面的$9$篇文章中做了这么多事情，接下来就再加一点新东西：`LangGraph`。虽然说官方最新版本已经更新到了比较后面，支持`Runtime`的版本，但是我的项目已经有点积重难返了，所以只能使用早些时候不支持`Runtime`的版本了。代码库已经开源至[GitHub](https://github.com/sakebow/streamlit-tongyi)，欢迎来玩。

既然MCP都已经出现了，甚至已经纳入面试题目了，就简单尝试一下这个新玩意儿。

既然我们之前从用Qt学着做个界面中学到了最基本的GUI搭建方法，那就让我们结合研究生的数据分析日常，让我们来看看一个简单的数据分析界面应该怎么做。主要的分析步骤是根据数据酷客的案例的基础上加以改编，在这里这位佚名作者表示感谢。

一开始Vue生态还尚未完善的时候，Electron和其他框架很难整合。现在Vue生态逐步完善了，整合Electron也方便很多了。注：本篇将默认大家都会使用nodeJS。

本文介绍了如何通过微调千问大模型，使其具备个性化风格。作者基于8张5090显卡的环境，使用ms-swift工具和开源沐雪角色数据集进行全参数微调。文章详细说明了环境配置、依赖版本调整、数据集准备以及训练参数设置，并分析了损失函数的设计原理，重点阐述了因果遮罩和交叉熵损失在生成任务中的作用。最终训练结果显示模型能生成符合预期的个性化回答，同时指出适当调整batch_size可优化训练稳定性。

我们在之前的文章中学到了监督学习、非监督学习，现在就来看看强化学习，英文是Reinforcement Learning，也可以简写为RL。让我们来一探究竟，看看强化学习到底是怎么一回事。

在https://blog.csdn.net/ordinary_brony/article/details/150351142中，我们讨论了怎么在构建MCP。为了能够实现更复杂的功能，我们尝试将LangGraph引入到MCP中。