logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

Anki插件开发必知必会:钩子函数与右键菜单定制

再说一点就是,Anki就算升级到了新版本,还是要注意下它里面的有些属性和函数,因为版本差异,就是死活找不到,这时候,你只能去源码里“移至定义”,慢慢找了,结合出错信息提示,会快一些!再说个容易翻车的点:修改了代码后,记得重启Anki,网上说的什么“开发者模式”下的“重载插件”功能,我找了半天,我这个版本里也没有找到,还是重启来的干脆,还省了缓存干扰。最好的办法不是死记硬背,因为它可能因为版本不同,

#ubuntu#前端
数据库软限制相关研究

服务器在执行全量备份期间,MySQL 错误日志中出现如下报错:OS error 24(EMFILE)表示进程打开的文件描述符数量已达到操作系统限制。在备份过程中,InnoDB 需要同时访问大量 .ibd 数据文件,导致瞬时文件描述符需求大幅增加,从而触发该限制。此次报错反映出数据库实例及相关进程在操作系统资源软限制(soft limit)和 MySQL 文件描述符参数两个层面存在配置不当的问题,需

#数据库#adb#android
AI native: Casebook 面向 AI Agent 时代的测试用例工程化工作流

统测试用例管理的常见思路是:上传需求到平台,生成 XMind 或 Excel,用例再被下载、导入、复制、维护。即使接入了 AI,本质上仍然是把 AI 包装进平台流程里,测试用例依旧是孤立的表格资产。Casebook 的推荐方式不是在页面里点击“生成用例”,而是在项目工程里让 AI Agent 直接读取需求、技能包、schema 和已有 YAML 文件,然后写入 releases/ 目录。到这里,一

#人工智能#测试用例
AI native: Casebook 面向 AI Agent 时代的测试用例工程化工作流

统测试用例管理的常见思路是:上传需求到平台,生成 XMind 或 Excel,用例再被下载、导入、复制、维护。即使接入了 AI,本质上仍然是把 AI 包装进平台流程里,测试用例依旧是孤立的表格资产。Casebook 的推荐方式不是在页面里点击“生成用例”,而是在项目工程里让 AI Agent 直接读取需求、技能包、schema 和已有 YAML 文件,然后写入 releases/ 目录。到这里,一

#人工智能#测试用例
零基础认识大语言模型(LLM)工作原理(6.从 SwiGLU 到 MoE —— FFN 才是大模型真正的算力核心)

Attention 是“通信系统”,FFN 是“计算系统”。SwiGLU 让 FFN 具备“选择能力”,MoE 让 FFN 具备“分工能力”,而现代大模型的真正智能核心,其实是 FFN 系统。

#语言模型#人工智能#自然语言处理
【渗透测试】HTB Season10 Silentium 全过程wp

从报错信息看出,也就是说用户的邮箱是ben@silentium.htb。扫一下子域名 扫到staging.silentium.htb。有个密码是r04D!_R4ge我们ssh一下。这里密码随便设置Password123!可以看到自己是在docker容器里。我们看一下env有没有什么泄露的。可以得到teamToken。有服务开启了3001端口。去抓一个忘记密码的包。

#前端#java
AI Agent 和 Agent 和 LLM的区别 以及 AI Agent(智能体) 教程

AI Agent 就是一个能干活的智能助手。AI Agent = LLM (大脑) + Planning (规划) + Tool use (执行) + Memory (记忆)。学习 Agent 需要思维转变: 从对话框问答进化为目标驱动的任务执行。作为核心推理机,负责理解意图、生成文本和进行逻辑判断。能够将复杂的目标(如"帮我策划一场技术沙龙")拆解成可执行的步骤。记录对话历史(短期)和存储专业知

#服务器#.net
AI Agent 和 Agent 和 LLM的区别 以及 AI Agent(智能体) 教程

AI Agent 就是一个能干活的智能助手。AI Agent = LLM (大脑) + Planning (规划) + Tool use (执行) + Memory (记忆)。学习 Agent 需要思维转变: 从对话框问答进化为目标驱动的任务执行。作为核心推理机,负责理解意图、生成文本和进行逻辑判断。能够将复杂的目标(如"帮我策划一场技术沙龙")拆解成可执行的步骤。记录对话历史(短期)和存储专业知

#服务器#.net
AI Agent 和 Agent 和 LLM的区别 以及 AI Agent(智能体) 教程

AI Agent 就是一个能干活的智能助手。AI Agent = LLM (大脑) + Planning (规划) + Tool use (执行) + Memory (记忆)。学习 Agent 需要思维转变: 从对话框问答进化为目标驱动的任务执行。作为核心推理机,负责理解意图、生成文本和进行逻辑判断。能够将复杂的目标(如"帮我策划一场技术沙龙")拆解成可执行的步骤。记录对话历史(短期)和存储专业知

#服务器#.net
从 OpenClaw.NET 的 /loop 实现,看 Loop Engineering 如何从概念走向工程实践

写到这里,回到文章开头的问题:Loop Engineering 是真有价值,还是又一轮概念炒作?它不是噱头,但需要工程约束。一个没有终止条件的 loop 是灾难,一个有良好设计的 loop 是杠杆。区别不在于概念本身,而在于你愿不愿意回答那五个问题——触发器清楚吗?上下文可信吗?执行器受控吗?结果可验证吗?停止条件明确吗?OpenClaw.NET 的 PR #156 之所以值得关注,正是因为它把一

#.net#人工智能
到底了