【代码】设置Ollama在局域网中访问的方法（Ubuntu）

摘要： 人工智能正深刻改变软件开发范式，从代码补全工具发展为编程助手。本文分享了作者在AI协同开发中的实践经验，强调人类工程能力仍是核心。开发环境建议采用WSL Ubuntu + VSCode Remote架构，注重Git管控和Docker容器化。模型选择应场景适配，qwen3.6-plus、deepseek-r2和qwen3.7-max各司其职。关键挑战在于清晰定义问题，避免"合理化幻觉"。AI

这个系统展示了如何用LLM 驱动的动态规划LangGraph 的强大编排能力构建一个灵活、高效的任务执行框架。🧠智能理解用户意图，自动分解任务⚡充分并行，提高执行效率🔄自适应调整，处理失败重试🎛️易于扩展，添加新工具只需一个装饰器非常适合构建AI Agent 系统自动化助手工作流编排等应用！“”“汇总所有任务结果”“”print(“🔗 [JOINER] 汇总执行结果…”)if failed

工业AI Agent的最优架构是"一次性全局规划+局部动态执行"，这一分层设计完美契合工业场景的核心需求。全局规划层由大模型一次性生成结构化任务序列，确保符合SOP规范和安全底线；执行层则通过P-E-O动态闭环实现局部微调，应对现场异常。该架构解决了工业三大痛点：1)通过局部纠偏提升容错能力，避免频繁重新规划；2)以全局规划为安全边界，杜绝模型幻觉风险；3)减少大模型调用次数，

《计算机世界的双向哲学：从Unix管道到变量赋值的逻辑对立与统一》 本文探讨计算机系统中两种核心逻辑范式：Unix管道的「对象优先」与变量赋值的「结果优先」。Unix采用动态流水线思维，数据从左向右流动（推力模型），体现时间维度的过程导向；而编程语言赋值语句遵循静态容器思维，先在左侧确定目标再填充数据（拉力模型），体现空间维度的状态存储。二者在硬件层面统一于「目的地优先」原则：汇编指令的DEST-

摘要：大模型（LLM）能完成简单加减乘除等基础计算任务，但不适合作为可靠的计算引擎。虽然LLM可以处理账单分析、折扣计算等简单场景，但本质上仍是概率生成模型，可能出现计算错误。稳定系统的正确做法是让程序负责计算，LLM专注于解释和分析。在Agent系统设计中，应明确分工：程序处理计算、查询等确定性任务，LLM负责理解、推理等智能任务。仅在一两步简单计算、粗略估算等特殊场景下，可让LLM直接参与计算

点击 New SSH key 按钮添加一个 SSH key。把你复制的 SSH key(公钥) 代码粘贴到 key 所对应的输入框中，记得 SSH key 代码的前后不要留有空格或者回车。上面的 Title 所对应的输入框你也可以输入一个该 SSH key 显示在 github 上的一个别名，也可以不输入，默认会使用你的邮件名称。从右上角的设置（ Settings ）进入，然后点击菜单栏的 “SS

方法一：脚本后加&加了&以后可以使脚本在后台运行，这样的话你就可以继续工作了。但是有一个问题就是你关闭终端连接后，脚本会停止运行；python3run.py >/dev/null 2>&1 &方法二：使用nohup在后台执行命令nohup python3run.py >/dev/null 2&

系统 windows 10改变用户sudo chown -R $USER <directory_project>

在过去几年的探索中，业界发现了一个现象，在增大模型参数量和训练数据的同时，在多数任务上，模型的表现会越来越好。因而，现有的大模型LLM，最大参数量已经超过了千亿。然而，增大模型参数规模，对于一些具有挑战的任务（例如算术、常识推理和符号推理）的效果，并没有太大提升。对于算术类推理任务，我们期望模型生成自然语言逻辑依据来指导并生成最终答案，但是获得逻辑依据是比较复杂昂贵的（标注成本层面）。