KNN算法是一种基于距离的分类方法，通过计算测试样本与训练样本的距离，选取最近的K个邻居进行多数表决分类。其核心思想是"平滑假设"——相近样本具有相似特征。本文以鸢尾花分类为例，展示了KNN算法的完整实现流程：包括数据加载、标准化处理、数据集划分、模型训练与评估。Python代码实现了75/25和56/19/25的数据集划分比例，使用KNeighborsClassifier(n

OpenAI提出五级AGI发展框架：从对话机器人到超级AI系统。当前已实现L1聊天机器人（如ChatGPT），L2推理者（博士级问题解决）接近突破，L3智能体（自主行动）处于商业化过渡期。更高阶段的L4创新者（创造性突破）和L5组织者（战略管理）仍待发展。该框架系统描绘了从基础对话到完全体AGI的演进路径，为AI发展提供清晰路线图。

贝叶斯优化算法摘要 贝叶斯优化是一种高效的全局优化方法，特别适用于评估成本高的目标函数。其核心是通过高斯过程构建概率模型，结合采集函数（如EI、UCB）平衡探索与开发，在有限评估次数内寻找最优解。算法流程包括：初始化采样、迭代更新模型和选择下一个评估点。以参数优化为例，贝叶斯优化会基于现有数据建立损失函数的三维概率曲面，用EI函数预测最有潜力的参数组合，通过实验反馈逐步逼近最优解。该方法在机器学习

摘要： 本文探讨了人工智能中的智能体（Agent）范式，强调其通过感知、决策和行动的循环实现与环境交互。智能体核心包括状态感知、策略决策、规划推理和工具使用，示例代码展示了决策循环和规划器实现。文章指出当前挑战：可靠性（避免错误行动）、效率（计算成本）、评估（开放世界能力）和安全性（价值观对齐）。这些问题是未来Agent发展的关键方向。（148字）

摘要： 本文探讨了人工智能中的智能体（Agent）范式，强调其通过感知、决策和行动的循环实现与环境交互。智能体核心包括状态感知、策略决策、规划推理和工具使用，示例代码展示了决策循环和规划器实现。文章指出当前挑战：可靠性（避免错误行动）、效率（计算成本）、评估（开放世界能力）和安全性（价值观对齐）。这些问题是未来Agent发展的关键方向。（148字）

摘要： RAG（检索增强生成）通过结合大型语言模型（LLM）与外部知识库，解决了模型静态知识、幻觉和领域局限问题。其架构分为三部分： 检索器：使用密集向量（如FAISS）、稀疏检索（如BM25）或混合方法动态查找相关文档； 增强模块：通过重排序和上下文压缩优化检索结果，减少噪声； 生成器：基于Prompt工程控制LLM生成答案，确保依赖上下文且可信。示例代码展示了LangChain实现RAG的流程

刚开始我认为只要把每一行中后面几个为零的元素去掉就可以调用np.mean()和np.std()这两个方法，但是尝试之后发现，去掉之后就不是矩阵，就没法调用上面这个方法。因此无法直接调用np.mean和np.std这两个方法。

提示工程：优化自然语言输入以提升大模型表现 提示工程是通过设计优化输入提示词（Prompt），在不改变模型参数的情况下引导大模型输出期望结果的技术。它能显著提升模型在零样本和少样本任务中的表现，降低微调成本。 常见方法包括： 零样本提示：直接指令激活模型能力（如翻译、情感分析）； 少样本提示：提供示例引导模型模仿（如颜色对应、拼音转换）； 思维链：显式生成推理步骤以减少误差（如数学计算）； 自动提

提示工程：优化自然语言输入以提升大模型表现 提示工程是通过设计优化输入提示词（Prompt），在不改变模型参数的情况下引导大模型输出期望结果的技术。它能显著提升模型在零样本和少样本任务中的表现，降低微调成本。 常见方法包括： 零样本提示：直接指令激活模型能力（如翻译、情感分析）； 少样本提示：提供示例引导模型模仿（如颜色对应、拼音转换）； 思维链：显式生成推理步骤以减少误差（如数学计算）； 自动提

00 写在前面本系列内容主要是对李治军老师的《操作系统》课程的笔记整理。b站地址：https://www.bilibili.com/video/BV1d4411v7u7?spm_id_from=333.337.search-card.all.click01 操作系统的核心操作系统的核心就是管理计算机硬件：CPU、内存等等。1、多进程图像是操作系统的核心，因为把CPU管理好了，其他硬件自然也会带动管