2026 年，做自媒体的门槛比以往任何时候都低。小红书作为主流内容社区，随便一个有想法的人都能找到自己的表达方式。但说实话，能坚持更新的人不到 10%——不是没东西可写，而是重复性运营太磨人：找选题、拆爆款、写文案、做封面、排发布时间……拼的不再是谁更能肝，而是谁的系统更聪明。下面是我用 Amazon Quick Desktop 完整走通的实操过程，每一步都有真实的 Prompt 和 AI 执行链

本文介绍了Agent Skills的概念与应用。Skills是一种模块化指令集合，通过文件夹形式为AI智能体扩展专业能力，具有开放标准、可复用等特点。文章详细说明了Skills的核心结构（包含指令、脚本和资源文件）以及SKILL.md的标准格式。Skills适用于专业知识传递、工作流程标准化等场景，能显著提升智能体任务执行的效率和一致性。通过为不同领域Agent（如编程、营销、金融等）配备相应Sk

本文介绍了在AMD开发者云平台上利用ROCm进行Gemma4模型微调的全过程。首先完成账号注册和算力认证，启动Hello ROCm Base课程环境并安装必要依赖库。接着下载Gemma4预训练模型和Emotion数据集，构造prompt-completion格式数据。通过对比微调前后模型的表现，展示了LoRA微调方法如何将通用聊天模型转化为能识别6种人类情绪的专用模型。实践表明微调后模型在情感分析

AMD学习与部署Gemma4的使用

本文对比了Gemma 4 E4B-it和Qwen3.5-2B模型在LoRA微调中的表现。Gemma4耗时17分钟完成250步训练，Qwen3.5耗时20分钟。微调后评估显示，Qwen3.5在sadness类别上正确预测107例，错误预测3例。微调后两模型准确率和F1分数均有提升，Gemma4准确率提升至0.925，Qwen3.5提升至0.9325。文章还指出transformers 5.x版本存在

本文介绍了在AMD开发者云平台上利用ROCm进行Gemma4模型微调的全过程。首先完成账号注册和算力认证，启动Hello ROCm Base课程环境并安装必要依赖库。接着下载Gemma4预训练模型和Emotion数据集，构造prompt-completion格式数据。通过对比微调前后模型的表现，展示了LoRA微调方法如何将通用聊天模型转化为能识别6种人类情绪的专用模型。实践表明微调后模型在情感分析

本文介绍了基于Faiss的文本和图像语义检索实战案例。在文本检索部分，展示了如何构建李白诗歌问答系统，包括数据预处理、向量生成和API开发；图像检索部分则演示了论坛图片相似检索系统的实现方法。文章还详细讲解了工程化部署的三大核心问题：索引增量更新策略（直接添加/索引合并）、性能监控（Prometheus指标采集）和容错处理（备份机制/服务高可用）。最后总结了文本和图像检索系统的实践经验，并提供了相

Auto-Tune（自动参数调优）：Faiss提供的工具链，旨在自动找到满足检索精度（Recall)约束的最优参数配置，平衡精度与检索速度（QPS/Latency)目标：给定Recal阈值前提下，最小化检索延迟，同时兼顾内存占用。没有评估的调优就是盲目试错。HNSW关键参数说明。

BF16：稳半精，训练首选；FP8：激进省，超大模型和推理神器

文章摘要： 在大模型（如Transformer架构）中，总参数量（Total Parameters）和活跃参数（Active Parameters）是两个关键但不同的概念，它们的关系和意义直接影响模型的效率、性能和落地可行性。