elasticsearch-head 是用于监控 Elasticsearch 状态的客户端插件，包括数据可视化、执行增删改查操作等。elasticsearch是通过API方式进行管理的，因此也可以使用postman等工具操作elasticsearch。

检查环境是否安装了 Java 的 JDK，因为 Jenkins是用Java 语言写的，要想安装 Jenkins 之前，必须安装 JDK。在CentOS上部署Jenkins有多种方式。

分布式锁：在分布式的部署环境下，通过锁机制来让多客户端互斥的对共享资源进行访问。锁是互斥量。信号量：本质也是一种数据操作锁，它本身不具有数据交换的功能，而是通过控制其他的通信资源来实现进程间通信，从而负责数据操作的互斥与同步。区别：互斥量值只能为0/1，信号量值可以为非负整数。互斥量用于线程的互斥，信号线用于线程的同步。应用场景：通常用于限定能够同时使用的资源数量，如库存、限流等。关注公众号，发送

pgvector 并非独立的向量数据库，而是 PostgreSQL 的向量扩展插件，其核心优势是能复用 PostgreSQL 的现有生态，无需额外部署新数据库，同时也存在超大规模场景下性能不足等局限。

其中，Transformer架构是当前大模型的主流基础架构，由Google于2017年提出，其核心是自注意力机制，能够动态关注输入序列中的不同部分，高效处理长距离依赖关系，同时支持高度并行化计算，为模型的规模化扩展奠定了关键基础。不同于传统AI模型依赖人工定义规则，大模型如同一个通过“阅读”海量数据成长的“超级学习者”，通过自主挖掘数据中的潜在模式与深层规律，实现从“机械执行”到“智能涌现”的跨越

本文系统阐述了人工智能技术的四个关键发展阶段：提示工程（Prompt Engineering）通过优化输入提示引导大语言模型生成精准输出；智能体（AI Agent）作为整合LLM能力的自主系统，通过感知-决策-执行闭环完成复杂任务；微调（Fine-tuning）使预训练模型适应特定领域任务；预训练（Pre-training）则通过海量无监督学习构建基础语言理解能力。这四个技术层级由浅入深，共同推动

大模型对应的英文是Large Language Model（LLM），即大语言模型，简称大模型。技术层面讲，大模型是一种基于深度学习技术的机器学习模型。为什么叫大模型呢？它是相对于小模型而言的。传统的机器学习算法一般是解决某个特定领域的问题（例如文本分类），使用的训练数据集规模较小，参数也比较少。而大模型一般是基于互联网上的海量数据训练而成的，模型参数可达数十亿至数万亿。这些参数就像大脑中的神经元

Ollama 是一个开源的本地大模型部署工具，旨在简化大型语言模型（LLM）的运行和管理。通过简单命令，用户可以在消费级设备上快速启动和运行开源模型（如 Llama、DeepSeek 等），无需复杂配置。它提供 OpenAI 兼容的 API，支持 GPU 加速，并允许自定义模型开发。

所有项目均支持「视觉识别 + ADB 操作」，核心差异在于是否依赖大模型、是否支持跨平台、稳定性 / 易用性 Trade-off。：如需 AI 驱动，集成 GPT-4o 到 Airtest/Appium，实现自然语言指令→脚本生成→执行；多模态大模型（GPT-4V/Qwen-VL）驱动，支持跨 App 复杂任务规划；纯视觉 + 控件双驱动，支持「录制操作→生成脚本」，开箱即用；

大模型对应的英文是Large Language Model（LLM），即大语言模型，简称大模型。技术层面讲，大模型是一种基于深度学习技术的机器学习模型。为什么叫大模型呢？它是相对于小模型而言的。传统的机器学习算法一般是解决某个特定领域的问题（例如文本分类），使用的训练数据集规模较小，参数也比较少。而大模型一般是基于互联网上的海量数据训练而成的，模型参数可达数十亿至数万亿。这些参数就像大脑中的神经元