笔记列表-低调大师优秀个人博客

文章列表

共 218406 篇

2026-09-23

Muse 安全吗？拆解它的云端隔离与授权确认机制

当一个 AI 能替你花钱、发邮件、登录账户，「它安全吗」就是我评估它时最先问的问题。我的判断是：Muse 在架构上做了相当完整的安全设计——云端虚拟机隔离、名为 Sentinel 的安全哨兵、凭证代理

阅读约5分钟

2026-09-23

Muse 的工作原理是什么？拆解云端虚拟机与 Muse Spark 模型

每次有人问我 Muse 为什么能替人办事，我都会先纠正一个误区：它靠的不是一个大模型，而是一整套「模型 + 云端虚拟机 + 安全哨兵」的系统。用一句话概括工作原理：Muse Spark 模型负责思考和

阅读约5分钟

2026-09-23

Python 获取股票数据后如何直接转 DataFrame？一套代码统一 A 股、美股和港股

当量化策略从单一 A 股扩展到美股、港股时，真正棘手的问题往往不是 API 调用，而是不同市场的数据结构和代码规则如何统一。本文从我实际搭建跨市场量化数据层的经历出发，介绍如何利用统一的股票代码规则和 DataFrame 输出，把不同市场的数据接入同一套 Pandas 分析流程。

阅读约19分钟

2026-09-23

Muse 怎么用？能做什么？真实使用场景与功能盘点

很多人对 Muse 最实际的疑问就两个：怎么用、能做什么。我直接给结论：Muse 的用法不是一条条下指令，而是把一个目标交给它，由它在云端虚拟机里自己拆解、执行；它能做的事集中在订餐比价、处理邮件、填

阅读约4分钟

2026-09-23

Muse 和 ChatGPT 有什么区别？一张表看懂 AI 助手与 AI 智能体

经常有人问我：Muse 是不是又一个 ChatGPT？我的答案很明确——不是。它俩代表了 AI 产品的两种形态：ChatGPT 是回答问题的 AI 助手，Muse 是替你办事的 AI 智能体。一句话记

阅读约5分钟

2026-09-23

Muse 为什么火？上线两周超越 ChatGPT 登顶的 4 个原因

作为长期观察 AI 产品的人，我可以先给一个结论：Muse 上线两周就超越 ChatGPT 登顶美国 App Store 免费榜，不是靠营销偶然，而是四个因素叠加的结果——产品形态从「回答」变成「办事

阅读约4分钟

2026-09-23

Meta Muse 是什么？一文看懂这款登顶 App Store 的 AI 智能体

我跟进 AI 产品这些年，很少见到一款应用能在两周内把 ChatGPT 挤下榜首。Meta Muse 做到了。简单说，Muse 是 Meta 在 2026 年 9 月 8 日上线的个人 AI 智能体应

阅读约5分钟

2026-09-23

Python 获取股票数据后如何直接转换成 DataFrame？从 API 原始数据到量化分析表的完整实践

在量化开发中，真正麻烦的往往不是获取股票数据，而是把 API 返回的数据稳定地转换成可以直接用于 Pandas 分析、回测和因子计算的 DataFrame。本文结合我在量化数据工程中的实践，拆解从接口请求、字段检查、异常处理到 DataFrame 校验的完整流程，并用一个实际可运行的 Python 示例说明如何减少手工转换带来的数据错误。

阅读约18分钟

2026-09-23

一个人、九个月、20 万行代码、每个月烧掉 40 亿+ token——造出一款Harness架构应用

一个人、九个月、20 万行代码、每个月烧掉 40 亿+ token——前五个月白天上班、晚上通宵，后面干脆辞职 all-in，就这么把 Notrat 1.3.0 磨到了上线这天（2026 年 9 月 12 日）。这篇文章不聊宏大叙事，就说清楚三件事：一个 Markdown 编辑器，为什么要自己造一套 Harness 架构；它跟 Claude Code、Obs...

阅读约22分钟

2026-09-23

Jev 和 JSON 模式 / 结构化输出有什么区别？为什么它不是"更小的 LLM"

每次跟人聊 Jev，最常被反问的一句就是："这不就是结构化输出吗？我用大模型的 JSON 模式一样能拿到结构化结果。"这一周我把两者放在同一批判断任务上对照着用，越用越确定：它们看起来都返回结构化数据

阅读约6分钟

2026-09-23

TypeSafe AI 是谁？从 RLHF 到 Jev 的一次"反向下注"

一个模型火起来，大家先关心它能干什么；但我更好奇的往往是，是谁、出于什么判断，做出了这样一个反直觉的东西。Jev 的特别之处，不只在于它不生成文本，还在于做它的人恰恰是当年帮助让"聊天模型"变得好用的

阅读约7分钟

2026-09-23

Jev "不会幻觉"是真的吗？一次讲清它的可靠性边界

"不会幻觉"是 Jev 传播时被引用最多、也最容易被误解的一句话。这一周我在自己的判断任务里反复验证它，越发觉得这句话既是真的、又非常需要限定条件。如果不把它讲准确，很容易让人以为找到了一个"永远不会

阅读约6分钟

2026-09-23

AI圈最近爆火的"哑巴"Jev，到底是个啥？

你问它问题，它不写文章、不写代码、不陪聊，连一句完整的话都蹦不出来。给它一段文字，它只回几个数字和标签——"96% 紧急""分类：账单问题""愤怒程度：3.0/4"。

阅读约6分钟

2026-09-23

Jev 能做什么、不能做什么？适用场景与九大失败模式盘点

用一个新模型，最贵的学费往往不是学会怎么用，而是搞不清它在哪里会翻车。这一周我把 Jev 放进几类真实任务里试了个遍，也逐条对照了官方公开的弱点清单，越来越确信一句话：用好 Jev 的前提，是先把它的

阅读约6分钟

2026-09-23

Jev 怎么用？三种原语 Choice、Score、Noul 使用入门

把 Jev 接进项目的第一天，我最想要的其实是一份"能照着做"的上手说明，而不是又一篇讲理念的文章。这一周我把它的调用方式、三种原语、以及一次调用的请求响应结构都跑通了，这篇就把我总结的入门路径写下来

阅读约7分钟

2026-09-23

Jev 定价和速度解析：输出免费、毫秒级延迟该怎么算账

Jev 最抓眼球的两个数字，是"输出免费"和"快几百倍"。但作为要把它接进生产环境的人，我更关心的是这两个数字背后能不能算出一笔靠谱的账。这一周我把官方定价、延迟口径，以及我参考的第三方实测放在一起，

阅读约6分钟

2026-09-23

为什么大模型不适合做"判断"？从 Jev 看 Agent 架构的快慢分工

做过 Agent 的人大概都有同一个体感：一个看起来不复杂的智能体任务，跑一趟下来却调了几十上百次大模型，慢、贵、还偶尔崩。这一周我借着 Jev 这个新模型，重新审视了自己 Agent 里的每一次模型

阅读约7分钟

2026-09-23

Jev 对比传统大模型：速度、成本、可靠性到底差在哪

这一周我做得最多的一件事，就是把同一批判断任务分别丢给 Jev 和几款传统大模型，然后把速度、成本、可靠性和准确率一项一项摆到一起看。外界的说法大多是"Jev 快几百倍、便宜几百倍"，但真正落到我自己

阅读约8分钟

2026-09-23

查信息和做情报，一字之差，为啥价格差了几十倍？

不少老板都有过这个疑问：查一家公司，企查查会员几百块一年，请情报公司做分析却要几万块，凭什么？答案在于两者交付的根本不是一回事：一个给你原始记录，一个给你带证据链的判断。这篇以开源情报服务商明驭未来为例，把信息查询和开源情报在目标、来源、产出三个层面的差异掰开讲，看完你就知道什么情况用查询工具就够，什么情况必须上专业分析。

阅读约9分钟

2026-09-23

系统要出海，多语言怎么做？国际化三条路线对比

企业系统做到一定阶段，多语言需求总会找上门：工厂来了外籍工程师、公司在东南亚设了分公司、SaaS 产品要卖给海外客户。老板一句"加个英文版"，开发一评估才发现：页面上写死的中文有几千处，数据库里的状态值、错误提示也全是中文——这不是翻译问题，是架构问题。

阅读约7分钟

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

文章列表

Muse 安全吗？拆解它的云端隔离与授权确认机制

Muse 的工作原理是什么？拆解云端虚拟机与 Muse Spark 模型

Python 获取股票数据后如何直接转 DataFrame？一套代码统一 A 股、美股和港股

Muse 怎么用？能做什么？真实使用场景与功能盘点

Muse 和 ChatGPT 有什么区别？一张表看懂 AI 助手与 AI 智能体

Muse 为什么火？上线两周超越 ChatGPT 登顶的 4 个原因

Meta Muse 是什么？一文看懂这款登顶 App Store 的 AI 智能体

Python 获取股票数据后如何直接转换成 DataFrame？从 API 原始数据到量化分析表的完整实践

一个人、九个月、20 万行代码、每个月烧掉 40 亿+ token——造出一款Harness架构应用

Jev 和 JSON 模式 / 结构化输出有什么区别？为什么它不是"更小的 LLM"

TypeSafe AI 是谁？从 RLHF 到 Jev 的一次"反向下注"

Jev "不会幻觉"是真的吗？一次讲清它的可靠性边界

AI圈最近爆火的"哑巴"Jev，到底是个啥？

Jev 能做什么、不能做什么？适用场景与九大失败模式盘点

Jev 怎么用？三种原语 Choice、Score、Noul 使用入门

Jev 定价和速度解析：输出免费、毫秒级延迟该怎么算账

为什么大模型不适合做"判断"？从 Jev 看 Agent 架构的快慢分工

Jev 对比传统大模型：速度、成本、可靠性到底差在哪

查信息和做情报，一字之差，为啥价格差了几十倍？

系统要出海，多语言怎么做？国际化三条路线对比

资源下载

腾讯云软件源

Nacos

Spring

Rocky Linux

欢迎您来访！