存储AI–AI博客聚合
最新聚合的文章
-
RAG 烂大街？烂大街的只是那条流水线——真正的分水岭在这五处
RAG 烂大街？烂大街的只是那条流水线——真正的分水岭在这五处 目录 先承认：烂大街的是流水线，不是问题 分水岭一：把上下文还给切块——Contextual Retrieval 分水岭二：检索从"动作
-
第5篇 Nginx 监控：流量、连接与性能指标
本文以 nginx 1.31 与 nginx-prometheus-exporter 1.5.0 为运行环境，围绕 nginx 监控体系的搭建，沿流量、连接、性能三条主线逐层展开。
-
AI岗位能力建模：从一份岗位说明书到一张胜任力图谱的技术路线
本文记录这条技术路线的完整实现：从通用技能词典的构建，到LLM从岗位说明书中提取能力项，到五级映射链的打通，以及一路上踩过的坑。
-
AI时代最大的红利：个人做量化，也能开发出一套适合你的策略
先自我介绍一下。我写代码快十年了，前几年在互联网公司做后端，后来转到一家私募做量化研究和交易系统，满打满算在量化这行也就四五年。算不上老兵，但该踩的坑基本都踩过：未来函数、幸存者偏差、手续费算漏、实盘
-
MongoDB文档模型设计——从建模到索引
MongoDB文档模型设计——从建模到索引 用惯了关系型数据库的人第一次接触MongoDB，最常犯的错误就是"把表当集合用"。以为去掉JOIN、把行换成JSON就万事大吉，结果上线后查询慢得没法看。文
-
小程序点餐页吸顶滚动之分类按需加载，上划切换
效果图 点餐页的分类商品，不必在进页时一次加载完 点餐页常见的做法是先请求分类，再把所有分类的商品一起取回来，右侧排成一条长列表。这样做左右联动很直观：滚到哪一段，就选中左边哪一类。但商超分类多、商品
-
LightGBM 入门指南：更快的梯度提升树，Python 实战
LightGBM 入门指南：更快的梯度提升树，Python 实战 训练一个 XGBoost 模型要等十分钟，换 LightGBM 同样的数据只要一分钟，精度还差不多。这不是玄学，是两者在构造决策树的方
-
数据库自带 Agent：10 分钟搭起 DolphinX-Web 数据入库与分析框架
DolphinX 以 DolphinDB 为数据存储、计算与 AI 能力一体化底座，让智能体直接调用数据库完成数据处理。
-
对标 Jev：开源决策模型 NeoHorse-Jev-4B
智能体里大量调用是窄决策而不是写回复。NeoHorse-Jev-4B 是与 Jev 同接口形态的开源决策模型，本地部署做闸门与分流，不能当写文案的 LLM。
-
Python的默认参数把我坑惨了，原来写[]和写None的区别这么大
小张花了整整一个下午，就为了找一个bug。 他写了一个函数，用来给用户添加标签。逻辑很简单：传入用户ID和标签，把标签追加到用户的标签列表里。代码大概长这样： 他预期的输出是： 实际输出是： 小张盯着
-
RAG 检索不准，九成的锅不在向量——不同文件，就该有不同的入库方案
RAG 检索不准，九成的锅不在向量——不同文件，就该有不同的入库方案 目录 向量检索不是"一个方案"，是一条流水线 30 秒讲清 Embedding 与相似度的底层 不同文件形式，不同入库方案（核心）
-
基于 Spring Boot 构建生产级 AI 应用平台
把一个能调用模型的 Spring Boot 服务直接称为 AI 平台，通常只完成了平台能力的很小一部分。生产级平台需要同时管理模型、知识库、Agent、会话、工具、权限、成本和运行状态，并把这些能力稳
-
SQLite管理定时任务执行记录的最佳实践
SQLite管理定时任务执行记录的最佳实践 定时任务跑完就忘，这是很多量化脚本的通病。任务失败、重复执行、耗时异常，全靠人工盯日志，效率太低。用SQLite做任务执行记录，轻量、零配置、单文件，非常
-
1.1-main.cpp入口解剖
1.1-main.cpp入口解剖 上一篇把三条命令拆开，最后落到一句建议：读代码从 src/main.cpp 开始。这篇就顺着这句话走进去。src/main.cpp 有 607 行，但里面几乎没有算法
-
Laya 源码级原理拆解之一：整体架构与运行入口
Laya 源码级原理拆解之一：整体架构与运行入口。我第一次翻 Laya 的源码时，最意外的不是它的模型结构，而是它的包长什么样。这一篇是源码级拆解的第一篇，我把范围划在整体架构和运行入口上。
