vLLM 原生内置了 Prometheus 格式的/metrics接口，配合 Prometheus + Grafana 即可实现指标可视化。

自进化：睡眠时自动补全记忆、修复引用、整合知识，越用越聪明。可解释：Markdown 可读可改，图谱关系明确，无黑箱。高性能：混合检索+图谱，解决单一搜索缺陷，记忆召回率大幅提升。持久化：Minions 队列保证记忆处理不丢失，零额外运维。GBrain 没有黑科技，全部基于结构化数据+正则+图谱查询零LLM提取正则 + 实体字典零LLM关系关键词匹配5种固定链接自我布线写入自动生成/清理图谱链接结

windows版本已成功实现转发！！

‘’’操作有序集合zset‘’’‘’’操作有序集合zset‘’’r=redis.Redis(password=‘123456’)r.zadd(‘zk1’,{‘yoyo’:100,‘yoyo2’:200})r.zadd(‘zk2’,{‘yoyo2’:200,‘yoyo3’:300})print(r.zrange(‘zk1’, 0, -1,withscores=True))print(r.zrange

pandas处理excel表格数据，分组排序处理

报错原因：索引数据在原表中已经存在，reset_index函数默认重置索引的时候会把索引数据放回表里。如果已经存在就会报错。只需要添加drop参数即可。

本文指的数据集为通用数据集，并不单是给机器学习领域使用。包含科研和工业领域需要自己制作数据集的。首先，在制作大型数据集时，代码错误和数据问题可能会非常复杂。前期逻辑总是简单的，库库一顿写，等排查的时候两眼无泪。后期慢慢摸排和检查的时候不断完善代码，前期代码主要是完成功能，后期是增加维护性和检测性。这部分工作其实前期可以考虑进去。以下提供一些血泪经验。

简单来说，浮点数用类似科学计数法的方式来表示一个很大或很小的数字。符号位：表示正负。指数位：表示数值的规模（例如，10的几次方）。尾数位：表示数值的精度（例如，1.234…）。FP16和BF16的区别就在于如何分配这16个比特（位）给这三个部分。特性FP16（半精度）BF16（脑浮点数）FP32（单精度）总位数16位16位32位符号位1位1位1位指数位5位8位8位尾数位10位7位23位动态范围较小

QLORA（）是一种高效的大模型微调技术，通过4位NormalFloat（NF4）量化（针对正态分布权重的信息最优格式）、双重量化（量化量化常量，平均每参数节省0.37位）和分页优化器（利用NVIDIA统一内存避免显存峰值）三大核心创新，将65B参数模型的微调显存需求从>780GB降至<48GB，同时完全匹配16位全参数微调的性能；基于QLORA训练的Guanaco模型。

一个轻量级流程编排引擎节点 = 任务流程 = 任务连线>>= 执行顺序支持：重试、批量、异步、分支判断你只需要写任务，框架帮你调度执行。