SFT = 监督微调。它的核心思想是：在预训练模型基础上，使用“带标准答案的指令数据”继续训练模型。例如：用户：写一封请假邮件模型输出：尊敬的领导……本质目标：最小化模型输出和标准答案之间的误差（交叉熵损失）。LoRA = Low-Rank Adaptation（低秩适配）它不是一种训练目标，而是一种“参数高效微调方法（PEFT）”。核心思想：冻结原模型参数只训练一个低秩矩阵来表示权重变化原线性层

(lora)Cursor 中 conda 虚拟环境的问题，本质不是 Python 或依赖问题，而是 PowerShell 没有加载 conda 的 shell 激活逻辑。是在“教 PowerShell 如何切换 conda 环境”。

whoamiscp 使用的用户名必须与whoami一致服务器目录名 ≠ 登录用户Windows 自带的scp已完全够用大多数本质都是身份不匹配这次问题的根源并不复杂，但由于用户名理解错误，导致后续排错方向不断跑偏，浪费了大量时间。希望这篇文章能帮助你在：Windows → Linux 文件传输深度学习服务器使用ssh / scp 实战场景中少踩坑、快定位、一次成功。

端口冲突 ≠ 程序冲突，本质是bind 失败LISTEN才是真正占用端口Docker / vLLM / 多实例部署会同时占用多个端口GPU 推理服务起不来，有时是显存不足，而不是端口问题通过的组合，可以在1 分钟内完成端口 → 进程 → 项目 → 是否可关闭的完整定位，非常适合服务器排障和模型部署场景。

(lora)Cursor 中 conda 虚拟环境的问题，本质不是 Python 或依赖问题，而是 PowerShell 没有加载 conda 的 shell 激活逻辑。是在“教 PowerShell 如何切换 conda 环境”。

whoamiscp 使用的用户名必须与whoami一致服务器目录名 ≠ 登录用户Windows 自带的scp已完全够用大多数本质都是身份不匹配这次问题的根源并不复杂，但由于用户名理解错误，导致后续排错方向不断跑偏，浪费了大量时间。希望这篇文章能帮助你在：Windows → Linux 文件传输深度学习服务器使用ssh / scp 实战场景中少踩坑、快定位、一次成功。