搜索[符号链接]结果-低调大师优秀个人博客

精选列表

搜索[符号链接]，共10000篇文章

Mistral AI 用「磁链链接」开源了 87 GB 的 8x7B MoE 模型

有“欧洲版 OpenAI”之称的大模型创业公司——Mistral AI 昨天发布了一条仅包含磁力链接的推文：来源：https://twitter.com/MistralAI/status/1733150512395038967

2023-12-10

PicList V1.7.1 发布，云存储-图床管理和图片上传工具，新增短链接功能

PicList 是一个云存储管理和图片上传工具，可以进行包括云端目录查看、文件搜索、批量上传下载和删除文件，复制多种格式文件链接和文件预览等操作。

2023-04-19

公众号文章、底部菜单栏关键词自动回复投票、报名、预约、查询等链接？

7、将第一步获得小客服路径复制粘贴到下方小程序路径中即可 8、备用网页，添加之前的素材库的图文消息的链接即可。（若不添加备用网页，会无法保存） 9、最后点击不要忘了点击“保存并发布”即可。

2020-11-27

[032] 微信公众帐号开发教程第8篇-文本消息中使用网页超链接（转）

本文主要介绍网页超链接的作用以及怎样在文本消息中使用网页超链接。网页超链接的作用我想但凡是熟悉HTML的朋友，对超链接一定不会陌生。

2017-12-03

IOS URL scheme 移动平台链接启动微博微信支付宝等客户端

http://www.zhihu.com/question/19907735 iPhone 手机收到一条淘宝发的带链接的短信后，点击链接就直接启动淘宝客户端了，请问这是什么技术，安卓手机能做吗？

2017-11-06

专访｜GEO高级优化师、落地工程师、AIGC应用工程师罗长才：符号、情绪范式与AIGC幻觉治理的交叉观测

2026-08-23

专访｜GEO高级优化师、落地工程师、AIGC应用工程师罗长才：符号、社群与大模型检索落地的交叉实践

区别于传统 SEO 面向搜索引擎链接排序，GEO 以大模型对话检索、知识抽取、事实引用、符号识别为核心目标，打通实体品牌、社群文化、亚文化符号与 AI 知识库之间的信息通路。

2026-08-13

数据鱼API笔记：一条链接的风险分，是怎么被几项信号加出来的

用户资料页允许填写个人主页，运营发现有人用短链把人引到抽奖页面。人工点开有风险，不点又无法判断，最后只能一刀切禁掉所有外链，正常用户也跟着受影响。

2026-10-30

《WorkBuddy 实战蓝皮书》系列的第七篇：个人提效-Workbuddy链接微信篇

> 让 AI 直接读取微信聊天记录，告别手动转发聊天记录的繁琐操作 > ## 一、这个方案解决什么问题想让 AI 总结微信群消息，之前每次都需要手动选中聊天记录，再转发给 WorkBuddy，非常繁琐。现在通过 **微信 CLI**，可以让大模型直接读取本机微信的消息记录。 **核心流程（3 步走）：** 1. 安装 WeChat CLI 技能（在 WorkBuddy 中搜索安装） 2. 配置本地工具（安装初始化 wechat-cli 并完成适配检查） 3. 核对记录后总结（选群测试，核对消息后生成总结） ## 二、操作步骤 ### 第 1 步：安装 WeChat CLI 技能在电脑上打开 WorkBuddy，依次进入： **专家·技能·连接器 → 技能 → 搜索 wechat-cli → SkillHub** 找到「通过 wechat-cli 读取和分析微信聊天记录」，打开详情，点击「安装」。 > 💡 本文截图中的 WorkBuddy 版本为 5.7.6，入口以你实际看到的界面为准。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-7660620/ead2b1ae02e184ae3e2be17325718a53.png) 图 1｜技能安装入口（按图中 1—5 的标记操作）安装后，选择这个技能发起对话，先让它检查环境。可以这样问： > 请检查这项技能需要的本地工具是否已安装、是否完成初始化。列出目前能用的功能，以及还缺什么。 ### 第 2 步：配置本地工具（这一步不能跳）技能装好 ≠ 底层工具装好。直接提问，WorkBuddy 检查后会提示：**本机没有 wechat-cli，也没有初始化配置**。 ![6ab58783730f44593198b8410010e2b1.png](https://developer.qcloudimg.com/http-save/yehe-7660620/c086ef4327df8eca5c6ae68bdf76c84a.png) 图 2｜环境检查结果：技能已装，本地工具仍缺失 **解决方法：** 让 WorkBuddy、Codex 这类智能体帮你搜索当前可用的 WeChat CLI 开源项目，再让它按项目文档帮你安装（资源随时变化，建议直接让 AI 现场搜索最新可用版本）。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-7660620/33f2f6c20e3b0b3f9d567b2e0c6b4d3f.png) 图 3｜WeChat CLI 项目示例（npm 安装，支持 macOS / Windows / Linux）安装前，可以让 WorkBuddy 先做项目核验： > 请核对这项技能依赖哪个 WeChat CLI 项目，给出项目地址和安装文档，检查是否支持我的系统和微信版本。确认它能与当前技能配合使用；找不到项目或文档时直接说明，不要猜安装命令。确认项目和适配条件后，按该项目文档完成安装、初始化和必要授权。**验收标准：WorkBuddy 能实际读出一小段本机聊天记录**。只收到"安装成功"的回复，还不算配置完成。 > ⚠️ **数据安全提示**：本方案涉及读取、解密本机微信聊天数据。只处理你有权使用的记录；交给模型总结前，确认所选模型的数据处理方式。 ### 第 3 步：先核对记录，再让它总结先选一个你熟悉的群，用**明确的群名、日期和时间段**做测试。提问示例（替换方括号内容即可）： > 查找「[群名]」在 [日期] 20:00—21:00 的消息，列出最近 10 条文字消息，保留发送时间和发言人，先不要总结。找到多个同名群时，先让我选择。对照微信检查：群有没有选错、时间是否对应、消息内容是否一致。原文作者提到好友数量第一次统计就出错，后来调整查询才修正——**能返回结果，不等于统计口径正确**。核对无误后，再发总结要求： > 总结这个群在上述时间段的讨论，分成「主要话题」「明确结论」「待办事项」三部分。关键结论附消息时间，聊天里没有的信息不要补充。 **原则：范围先小后大。本机没有的记录，不要默认它能查到；查询结果和 AI 总结也要分开核对。** ### 第 4 步：把微信连接到 WorkBuddy 电脑端能正常查询后，再设置手机入口： **助理 → 设置 → 微信助理 → 连接** 用自己的微信扫描弹出的二维码，按手机提示完成连接。 > ⚠️ 注意选择「**微信助理**」，不要点到旁边的「微信客服」入口。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-7660620/48b890a6085608fd0d46fadfbe08ac78.png) 微信助理连接入口（请扫描自己电脑上的二维码） > 💡 如果提示已有绑定，先核对当前绑定对象。重新绑定可能替换之前连接的智能体，确定要更换后再确认。 ### 第 5 步：在微信里做一次完整测试绑定后，在微信助理对话中**先发一句问候**，确认能收到回复，再发送刚才在电脑端验证过的查询： > 请查询「[群名]」在 [日期] 的聊天记录，整理主要话题和待办事项。若无法访问本机记录，请直接告诉我失败原因。测试期间，保持**电脑开机联网、WorkBuddy 运行**，并确保本地查询工具可用。收到回复后，再抽查几条原始消息。能在微信中发起查询、读到对应记录并得到总结，才算整条流程接通。也可以在手机端进行操作 ![5d8b5ebe-cb66-447b-a3d4-743823e55bbe.png](https://developer.qcloudimg.com/http-save/yehe-7660620/3ba3e79ffdbf8d7b4edf93369e9074bc.png) ![image.png](https://developer.qcloudimg.com/http-save/yehe-7660620/c101a0d7b5b24fbd33cb27cd89d648c1.png) ## 三、注意事项与风险提示 | 事项 | 说明 | |------|------| | 数据安全 | 本方案涉及读取、解密本机微信聊天数据，只处理你有权使用的记录 | | 模型隐私 | 交给模型总结前，确认所选模型的数据处理方式 | | 账号风险 | 微信对这类操作是否封号较难判断，**建议不要用常用微信操作**，避免封号带来麻烦 | | 网络依赖 | 电脑关机后是否可用未经验证，测试和使用期间保持电脑开机联网 | | 自动回复 | 理论上可实现自动回复，但操作方式需自行摸索，风险自担 | ## 四、快速上手 Prompt 模板汇总 | 场景 | Prompt 模板 | |------|-------------| | 环境检查 | 请检查这项技能需要的本地工具是否已安装、是否完成初始化。列出目前能用的功能，以及还缺什么。 | | 项目核验 | 请核对这项技能依赖哪个 WeChat CLI 项目，给出项目地址和安装文档，检查是否支持我的系统和微信版本。找不到项目或文档时直接说明，不要猜安装命令。 | | 消息核对 | 查找「[群名]」在 [日期] [时间段] 的消息，列出最近 10 条文字消息，保留发送时间和发言人，先不要总结。 | | 生成总结 | 总结这个群在上述时间段的讨论，分成「主要话题」「明确结论」「待办事项」三部分。关键结论附消息时间，聊天里没有的信息不要补充。 | | 微信端测试 | 请查询「[群名]」在 [日期] 的聊天记录，整理主要话题和待办事项。若无法访问本机记录，请直接告诉我失败原因。 |

2026-10-09

视频、图集、音乐，一个链接直接抓下来

http-save/yehe-9074736/eb0cb0ea478994e308dc911e1d0412f1.png)它干的事情其实很好理解：平时在抖音、小红书、B站之类的平台看到一个想保存的视频，把分享链接复制过来

2026-10-03

TABBITAI制作网页并生成链接分享实操：零代码快速交付可访问页面

**脚本妙招**：作用于当前已经打开的页面，注入 JS 修改现有 DOM，只改变本地浏览效果，无法生成独立新网页，不能对外生成分享链接。 1.

2026-09-10

AI 建议用pgbouncer 解决PostgreSQL 链接多的问题，唉信AI，你的死多少次！

我们从DBA的角度，如果要降低内存的占用率和波动，从连接数下手，削平波峰即可，常出的方案使用链接复用的方案，最常见的是通过pgbouncer来解决问题，通过事务模式的链接复用来解决，我们的一个DBA这样说

2026-07-20

工信部：保证合法网址链接正常访问是互联网发展的基本要求

以下是文字实录：中央广播电视总台央广记者: 前几天工信部召开会议提出三点合规标准，要求9月17日各平台要按标准解除屏蔽网址链接。请问，提出这一要求的背景和考虑是怎样的?

2021-09-13

10月18日云栖精选夜读 | 送你9个常用的人脸数据库（附链接、报告）

热点热议送你9个常用的人脸数据库（附链接、报告）作者：技术小能手发表在：数据派THU 面对霍金的担忧，人工智能会让我们在火星实现定居吗作者：技术小能手发表在：人工智能观察贫困日一起关注农产品电商贫困县前

2018-10-17

代码面试需要知道的8种数据结构(附面试题及答案链接)

译者按：搞定面试，不要急着刷题，先弄懂什么是数据结构！原文：The top data structures you should know for your next coding interview 译者：Fundebug 为了保证可读性，本文采用意译而非直译。另外，本文版权归原作者所有，翻译仅用于学习。 data_structure.png 1976年，一个瑞士计算机科学家写一本书《Algorithms + Data Structures = Programs》。即：算法 + 数据结构 = 程序。40多年过去了，这个等式依然成立。很多代码面试题都要求候选者深入理解数据结构，不管你来自大学计算机专业还是编程培训机构，也不管你有多少年编程经验。有时面试题会直接提到数据结构，比如“给我实现一个二叉树”，然而有时则不那么明显，比如“统计一下每个作者写的书的数量”。什么是数据结构？数据结构是计算机存储、组织数据的方式。对于特定的数据结构(比如数组)，有些操作效率很高(读某个数组元素)，有些操作的效率很低(删除某个数组元素)。程序员的目标是为当前的问题选择最优的数据结构。为什么我们需要数据结构？数据是程序的核心要素，因此数据结构的价值不言而喻。无论你在写什么程序，你都需要与数据打交道，比如员工工资、股票价格、杂货清单或者电话本。在不同场景下，数据需要以特定的方式存储，我们有不同的数据结构可以满足我们的需求。 8种常用数据结构数组栈队列链表图树前缀树哈希表 1. 数组数组(Array)大概是最简单，也是最常用的数据结构了。其他数据结构，比如栈和队列都是由数组衍生出来的。下图展示了1个数组，它有4个元素： array.png 每一个数组元素的位置由数字编号，称为下标或者索引(index)。大多数编程语言的数组第一个元素的下标是0。根据维度区分，有2种不同的数组：一维数组(如上图所示) 多维数组(数组的元素为数组) 数组的基本操作 Insert - 在某个索引处插入元素 Get - 读取某个索引处的元素 Delete - 删除某个索引处的元素 Size - 获取数组的长度常见数组代码面试题查找数组中第二小的元素查找第一个没有重复的数组元素合并2个排序好的数组重新排列数组中的正数和负数 2. 栈撤回，即Ctrl+Z，是我们最常见的操作之一，大多数应用都会支持这个功能。你知道它是怎么实现的吗？答案是这样的：把之前的应用状态(限制个数)保存到内存中，最近的状态放到第一个。这时，我们需要栈(stack)来实现这个功能。栈中的元素采用LIFO (Last In First Out)，即后进先出。下图的栈有3个元素，3在最上面，因此它会被第一个移除： stack.png 栈的基本操作 Push — 在栈的最上方插入元素 Pop — 返回栈最上方的元素，并将其删除 isEmpty — 查询栈是否为空 Top — 返回栈最上方的元素，并不删除常见的栈代码面试题使用栈计算后缀表达式使用栈为栈中的元素排序检查字符串中的括号是否匹配正确 3. 队列队列(Queue)与栈类似，都是采用线性结构存储数据。它们的区别在于，栈采用LIFO方式，而队列采用先进先出，即FIFO(First in First Out)。下图展示了一个队列，1是最上面的元素，它会被第一个移除： queue.png 队列的基本操作 Enqueue — 在队列末尾插入元素 Dequeue — 将队列第一个元素删除 isEmpty — 查询队列是否为空 Top — 返回队列的第一个元素常见的队列代码面试题使用队列实现栈倒转队列的前K个元素使用队列将1到n转换为二进制 4. 链表链表(Linked List)也是线性结构，它与数组看起来非常像，但是它们的内存分配方式、内部结构和插入删除操作方式都不一样。链表是一系列节点组成的链，每一个节点保存了数据以及指向下一个节点的指针。链表头指针指向第一个节点，如果链表为空，则头指针为空或者为null。链表可以用来实现文件系统、哈希表和邻接表。下图展示了一个链表，它有3个节点： linked_list.png 链表分为2种：单向链表双向链表链表的基本操作 InsertAtEnd — 在链表结尾插入元素 InsertAtHead — 在链表开头插入元素 Delete — 删除链表的指定元素 DeleteAtHead — 删除链表第一个元素 Search — 在链表中查询指定元素 isEmpty — 查询链表是否为空常见的队列代码面试题倒转1个链表检查链表中是否存在循环返回链表倒数第N个元素移除链表中的重复元素 5. 图图(graph)由多个节点(vertex)构成，节点之间阔以互相连接组成一个网络。(x, y)表示一条边(edge)，它表示节点x与y相连。边可能会有权值(weight/cost)。 graph.png 图分为两种: 无向图有向图在编程语言中，图有可能有以下两种形式表示：邻接矩阵(Adjacency Matrix) 邻接表(Adjacency List) 遍历图有两周算法广度优先搜索(Breadth First Search) 深度优先搜索(Depth First Search) 常见的图代码面试题实现广度优先搜索实现深度优先搜索检查图是否为树统计图中边的个数使用Dijkstra算法查找两个节点之间的最短距离 6. 树树(Tree)是一个分层的数据结构，由节点和连接节点的边组成。树是一种特殊的图，它与图最大的区别是没有循环。树被广泛应用在人工智能和一些复杂算法中，用来提供高效的存储结构。下图是一个简单的树以及与树相关的术语： tree.png 树有很多分类： N叉树(N-ary Tree) 平衡树(Balanced Tree) 二叉树(Binary Tree) 二叉查找树(Binary Search Tree) 平衡二叉树(AVL Tree) 红黑树(Red Black Tree) 2-3树(2–3 Tree) 其中，二叉树和二叉查找树是最常用的树。常见的树代码面试题计算树的高度查找二叉平衡树中第K大的元素查找树中与根节点距离为k的节点查找二叉树中某个节点所有祖先节点 7. 前缀树前缀树(Prefix Trees或者Trie)与树类似，用于处理字符串相关的问题时非常高效。它可以实现快速检索，常用于字典中的单词查询，搜索引擎的自动补全甚至IP路由。下图展示了“top”, “thus”和“their”三个单词在前缀树中如何存储的： tries.png 单词是按照字母从上往下存储，“p”, “s”和“r”节点分别表示“top”, “thus”和“their”的单词结尾。常见的树代码面试题统计前缀树表示的单词个数使用前缀树为字符串数组排序 8. 哈希表哈希(Hash)将某个对象变换为唯一标识符，该标识符通常用一个短的随机字母和数字组成的字符串来代表。哈希可以用来实现各种数据结构，其中最常用的就是哈希表(hash table)。哈希表通常由数组实现。哈希表的性能取决于3个指标：哈希函数哈希表的大小哈希冲突处理方式下图展示了有数组实现的哈希表，数组的下标即为哈希值，由哈希函数计算，作为哈希表的键(key)，而数组中保存的数据即为值(value)： hash_table.png 常见的哈希表代码面试题查找数组中对称的组合确认某个数组的元素是否为另一个数组元素的子集确认给定的数组是否互斥参考 Fundebug博客 - Node.js面试题之2017 Fundebug博客 - 快速掌握JavaScript面试基础知识(一) Fundebug博客 - 快速掌握JavaScript面试基础知识(二) Fundebug博客 - 快速掌握JavaScript面试基础知识(三) GeeksforGeeks 关于Fundebug Fundebug专注于JavaScript、微信小程序、微信小游戏、支付宝小程序、React Native、Node.js和Java实时BUG监控。自从2016年双十一正式上线，Fundebug累计处理了6亿+错误事件，得到了Google、360、金山软件等众多知名用户的认可。欢迎免费试用！版权声明: 转载时请注明作者Fundebug以及本文地址：https://blog.fundebug.com/2018/08/27/code-interview-data-structure/

2018-08-26

用单片机实现TCP链接的快捷车道-CH9121芯片，解决MQTT的联网问题。

有一点需要注意，MQTT通讯协议是运行在可靠的连接基础上的，想建立可靠的双向通讯链接，最简单的办法是搞定TCP连接。今天零妖就先普及一下TCP连接的基本知识（大神可以忽略后面的东西了）。

2018-06-04

Cloud Foundry平台中国唯一云供应商，阿里云持续链接Cloud Foundry/Kubernetes生态

日前，在Cloud Foundry Summit 2018大会上，基金会执行董事Abby Kearns宣布，阿里云成为Cloud Foundry平台中国区唯一公共云基础设施提供商：“中国企业将在Cloud Foundry和阿里云共同作用下得到更加优质的体验”。阿里云致力于为客户提供多种选择 Cloud Foundry基金会官网显示，阿里云已经成为该基金会金牌会员。Cloud Foundry基金会撰文表示：“全球增长最快的云服务公司成为Cloud Foundry Foundation金牌会员，为Cloud Foundry打开了中国及更广阔的市场”。 Cloud Foundry发布于2011年，是一个云原生领域非常流行的开源项目。它提供给开发者自由度去选择云平台、开发框架和应用服务。 “作为业界第一个开源PaaS平台，Cloud Found

2018-04-22

（附重要论文下载链接）

2016年机器学习领域取得了很多可以铭记在历史中的进展，将其称为”机器学习元年”也并不为过。市场上各大公司都在进行机器学习的研究，即使没有，他们也通过收购各类机器学习初创公司来快速进入这个领域。造就这一轮机器学习的热潮的原因很多。虽然Google开源Tensorflow框架才过去短短一年，Tensorflow已然成为Github上最为炙手可热的项目，使用场景横跨从药物研发到自动音乐生成等各个领域。Google并不是唯一开源了机器学习基本框架的科技巨头，微软的CNTK，百度的PaddlePaddle都是目前被广泛使用的机器学习框架。Amazon虽然没有自己研发的机器学习框架，但他们已经宣布将在未来支持MXNet，以期推广他们最新的AWS ML平台。而Facebook目前主要支持两个深度学习平台：Torch以及Caffe。Google本身也同时在支持在学术和工业界都取得重大成功的机器学习框架Keras。在这个意义上来说，在AI的这场技术”军备大战”中，Google与Facebook算是打成了平手。除了各大技术公司争相开源自己的机器学习框架，2016年也见证了无数优质的机器学习的应用，这些工作即使放到几个月前都是不可想象的。我特别印象深刻的是Wavenet的音频生成的质量。过去我曾经处理过类似的问题，对比之下对于那些他们所完成的结果我很欣赏。我也要强调一些最近在唇读方面的成就，一个伟大的视频识别的应用，在不久的将来可能是非常有用的（也许是可怕的）。我还应该提到谷歌在机器翻译方面取得的令人印象深刻的进步。看到这一领域在一年内有这么大进步真是令人惊讶。事实上，机器翻译并不是我们在过去一年中在机器学习在自然语言技术领域看到的唯一有价值的进步。通过结合深度序列神经网络以及语言相关的一些信息，我们可以生成一些更为丰富的语言模型。例如在“A Neural Knowledge Language Model”这篇论文中，Bengio的团队将知识图谱与RNN相结合，而在“Contextual LSTM models for Large scale NLP Tasks”的论文中，Deepmind团队将文章的主题提取同时纳入到LSTM模型。此外，我们还看到了许多在建模语言模型的attention和memory(这两个词在学术方面有专门的含义，解释成注意力和记忆也没错，但是总觉得有点不太对)方面的有趣工作。作为一个例子，我推荐在今年的ICML(国际机器学习大会)中发表的论文“Ask Me Anything: Dynamic Memory Networks for NLP”。此外，我还想要提及一些发表于2016年在巴塞罗那举行的NIPS上的工作。遗憾的是，我错过了这次在我的家乡举行的会议。从我了解的内容来看，两个最热门的话题可能是生成式对抗网络（包括Ian Goodfellow的非常受欢迎的教程）和结合概率模型的深度学习相关的课题。另外我也想谈一下机器学习在我的主要专业领域，推荐系统方面的一些进步。毫无疑问，深度学习也深刻影响了这一领域。虽然我个人仍然不建议将DL作为推荐系统的默认方法，但看它如何在实际工作中大规模的使用是很有趣的，例如通过像Youtube这样的产品我们可以看到DL对比传统的方法上还是取得了一定进展(这里有一篇Google的paper https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf)。也就是说，在该领域还是有一些有趣的研究与深度学习无关。例如今年ACM Recsys的最佳论文奖颁给了“Local Item-Item Models For Top-N Recommendation”，这篇工作主要是针对稀疏线性方法（即SLIM）的一个有趣扩展，通过增加一个初始化非监督聚类的步骤提升效果。此外，“Field-aware Factorization Machines for CTR Prediction”主要详细解释了在Kaggle上的Criteo CTR预测挑战赛中的获胜算法，我们不得不正视在推荐领域，Factorization Machine仍然是你的ML工具包中非常实用的一个工具。我可以继续在接下来的段落中列举出机器学习在过去12个月里取得的有影响力的进步。例如与图像识别或者深度强化学习相关的突破，一些重要的可应用场景包括自动驾驶汽车，聊天机器人或游戏对战，这些领域在2016年都获得了巨大的进步。此外还有各类关于机器学习如何具有或可能对社会有负面影响的争论，以及关于算法偏差和公平性的讨论的兴起。附言：（这段有点调侃，算是学术界八卦，不翻译也罢哈哈）在我被打电话之前，我还应该提到，大多数这些进展可能是由Schmidhuber在几年前就已经发表了。不过他至少上了今年的纽约时报特刊！ Wavenet:https://arxiv.org/pdf/1609.03499.pdf 唇读方面的成就: https://arxiv.org/pdf/1611.05358.pdf 机器翻译：https://arxiv.org/pdf/1609.08144.pdf A Neural Knowledge Language Model：https://arxiv.org/pdf/1608.00318.pdf Contextual LSTM models for Large scale NLP Tasks：https://arxiv.org/pdf/1602.06291.pdf 结合概率模型的深度学习相关的课题： http://inverseprobability.com/2016/12/13/nips-highlights.html Deep Neural Networks for YouTube Recommendations： http://dl.acm.org/citation.cfm?id=2959190 Local Item-Item Models For Top-N Recommendation： http://dl.acm.org/citation.cfm?id=2959185 Field-aware Factorization Machines for CTR：Prediction：http://dl.acm.org/citation.cfm?id=2959134 算法偏差和公平性的讨论： https://www.wired.com/2016/11/humans-can-force-machines-play-fair?mbid=social_twitter Schmidhuber的纽约时报特刊： http://www.nytimes.com/2016/11/27/technology/artificial-intelligence-pioneer-jurgen-schmidhuber-overlooked.html?_r=0 本文来源于Quora，作者Xavier Amatriain，译者：郭昕（来自蚂蚁金服－人工智能部）云栖社区兴趣翻译小组提供翻译支持

2017-01-05

Word Copilot三大新功能上线：超链接、图片理解、高亮编辑一次看懂

：告别复制粘贴过去在Word中插入超链接通常需要： + 查找网址 + 复制链接 + 选中文字 + 插入超链接 + 调整格式如今，只需要一句话，Copilot即可自动完成超链接创建和格式化。

2026-10-08

开源电子书管家 Calibre 9.13 版发布：PDF 链接跳转终于修好了，还有 5 项关键修复

# **重点修复：PDF 链接跳转——从"点了没反应"到"指哪打哪"** 本次更新最值得说的，就是 PDF 输出的链接跳转问题。问题出在哪？

2026-09-14

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

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。

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。