搜索[可灵AI]结果-低调大师优秀个人博客

精选列表

搜索[可灵AI]，共10000篇文章

GitHub Pages部署互联网上可访问的自己域名静态网页

计算机本地资源项目端口可以通过nat123端口映射或类似内网穿透提供公网访问，但需要本地主机保持运行。如只是简单的静态网页，可使用GitHub Pages部署上自己的静态网页，无需购买服务器，不用本地维持电脑开机，几分钟上线你的个人网页或项目站点。

2026-08-21

企业研发知识库建设：让团队经验沉淀为可复用资产

引入 AI 研发工具之后，AI 智能体也要读取知识库生成方案，旧的知识管理模式就暴露大量问题。

2026-08-19

React Hooks + Redux Toolkit + Antd 实战：构建高效可维护的后台管理系统

Hooks 自 16.8 引入后，彻底改变了 React 组件的编写方式。它让我们在不编写 Class 的情况下使用 state 和生命周期，更重要的是，自定义 Hooks 让逻辑复用变得前所未有的简单。相比 HOC 或 render props，Hooks 更直观、嵌套更少，也更容易进行类型推断。

2026-08-17

Python 用同花顺问财把"排雷"做成可复制的选股流程

系列2我们讲了三个造假红旗：应收增速超营收、应计比率畸高、经营现金流长期为负。但注师不会只停留在"看懂"，更要"落地"——怎么把这套排雷逻辑变成每天能扫全市场的动作？

2026-08-16

用 EfficientNetB0 构建可复现的图像分类训练流水线

图像分类项目经常从一个看似简单的目标开始：给定一张图片，判断它属于哪个类别。真正进入训练阶段后，问题通常不在于能否调用一个预训练模型，而在于数据目录是否稳定、训练集和验证集是否泄漏、输入预处理是否与模型匹配，以及训练完成后如何可靠地保存和加载模型。

2026-08-13

把日志清理做成可审计任务：Ansible、Cron 与 SSH 的协同实践

日志文件通常以追加方式增长。访问日志、应用日志、审计日志和临时调试日志如果没有生命周期管理，最终会带来三个问题：磁盘空间被耗尽，服务因无法写入而异常；人工登录多台机器执行清理，容易出现路径、权限和时间参数错误；清理动作缺少记录，事后无法确认哪些主机、哪些文件被处理过。

2026-08-09

Web自动化工程的落地实践：从脚本到可维护框架

Web自动化是软件测试领域最成熟的自动化方向，但大量团队仍停留在“录制回放”或“线性脚本”的原始阶段，导致脚本维护成本超过手工测试，最终项目烂尾。本文从工程化角度，聚焦于稳定性策略、元素定位策略、框架分层设计、以及常见坑的规避，给出经过实践验证的方案。

2026-08-07

用 PyTorch 搭建一个可复用的 CNN 图像分类训练闭环

很多开发者第一次学习 CNN 时，容易停留在“卷积层提特征、池化层降维、全连接层分类”的概念层面；真正写训练代码时，却会遇到一组更工程化的问题：数据目录怎么组织、输入尺寸如何统一、训练和验证如何拆分、模型参数怎样保存、推理脚本如何复用训练时的预处理逻辑。

2026-08-02

从“看懂曲线“到“预测未来“：TimechoAI 让时序分析触手可及

在工业互联网的浪潮中，时序数据已经成为企业最核心的数字资产之一。从工厂产线上每秒跳动的传感器读数，到电网中实时变化的负荷曲线，从交通流量的潮汐波动到金融市场的价格走势——这些随时间推移不断产生的数据，构成了现代工业与商业世界的"心跳"。然而，一个尴尬的现实是：大多数企业的时序数据，至今仍停留在"存储"阶段，远未释放出应有的预测价值。

2026-08-01

用金融 Skills 将专业能力沉淀为可复用工作流

Skils共创活动：开发者可以将自己沉淀的Skill 提交到联想开放平台，通过审核后上架到天禧AI 技能广场，让更多天禧AI 的用户直接调用。

2026-07-09

微软开源 mimalloc，面向现代的高性能、可扩展内存分配器

这不仅有利于代码维护，也使得内存布局更加可预测，有助于减少碎片化。在内存碎片化这个老问题上，mimalloc 通过 free list sharding 和 page stealing 等机制来缓解。

2026-05-15

一个完整的“短链接”服务，可立即对外运营

sitemap.xml 含中英文 hreflang 标注 • Open Graph 标签，微信/Twitter/LinkedIn 分享有预览图 • Schema.org FAQPage 结构化数据，直接被 AI

2026-03-25

loveqq 框架新增 ApplicationScope，IOC 全量容器刷新也可保持单例

是什么？ ApplicationScope 作用域是什么？ ApplicationScope 是 loveqq-framework 新增的一种 bean 的作用域，它的作用是保证 IOC 容器全量刷新时，仍然能够保持单例。 loveqq-framework 已支持的作用域有：单例：IOC 容器全量刷新时会重建，IOC 全量刷新即应用启动后，多次调用 ApplicationContext#refresh() 方法原型：每次获取都是新的实例线程：同一个线程内，是同一个实例，线程终结后自动销毁 bean 应用：即使IOC 容器全量刷新，也保持同一个单例为什么？为什么需要 ApplicationScope？因为 loveqq-framework 支持 IOC 容器的全量刷新，全量刷新时，所有 bean 都会销毁并重建。基于这个机制，可以实现插件化开发，即通过 http 上传插件 jar 包，即可实时的加载新功能，可以点击参考这里所有 bean，自然也包括一些重量级的 bean，比如 WebServer，虽然重新启动一个 WebServer 很快，但也会造成毫秒级别不可用的问题。因此设计了 ApplicationScope，标记 WebServer bean，从而保证真正的不停机热部署实时刷新。不重建又想刷新怎么办？还是以 WebServer 为例，当 IOC 全量刷新时，有可能新增控制器方法，此时如果不更新 WebServer 的话，直接访问会报 404，这怎么搞？答案是：实现ScopeRefreshed 接口，实现了该接口的 bean，当对应的作用域刷新时，将不会销毁重建，而是回调该接口，由开发者自己决定如何刷新！实际案例可以点击参考这里感兴趣的同学可以看一下

2025-10-23

字节跳动开源 AIBrix：专为 vLLM 打造的可扩展、高性价比控制面

vLLM 日前宣布了由字节跳动开发的 AIBrix 大模型推理系统正式开源，为 vLLM 推理引擎提供可扩展且高性价比的控制面。

2025-02-28

腾讯公布大语言模型训练专利：可提高模型的准确性

天眼查App显示，腾讯科技（深圳）有限公司申请的“大语言模型的训练方法、装置、计算机设备及存储介质”专利正式公布。摘要显示，在该方法中，通过在大语言模型的训练过程中引入第一摘要文本和第二摘要文本，为模型训练提供了更多可学习信息，同时由于第一摘要文本和第二摘要文本包含的信息量不同，且第一摘要文本中包含正确语句和错误语句，通过对同一样本文本的两个不同摘要文本进行对比学习，并区分学习第一摘要文本中的正确语句和错误语句，避免了由于摘要文本单一而导致的模型过拟合和生成不准确等问题，不仅提高了模型的泛化性能，还提高了模型的准确性。有媒体分析称，腾讯的专利通过多样化摘要文本及对比机制，为模型提供了更贴近真实应用的学习环境，尤其对智能客服、内容生成等需高精度输出的领域具有直接意义。此外，该技术或能加速大模型落地进程。例如，在短文本对话场景中，腾讯曾推出基于混合注意力机制的对话模型专利，若结合新训练方法，有望进一步提升回复的相关性与丰富性。

2025-02-08

🔥 Solon Ioc 的魔法 - 注解注入器（也可叫虚空注入器）

> targetClz, BeanInjector<T> injector); 二、为什么也可叫“虚空”注入器？这个是因为，Solon 的注入是执行一个接口，而不是即定的内容。

2024-10-25

XL-LightHouse 2.2.8 发布，开源、免费、可商用的数据指标管理系统

项目特点通用型流式数据统计或许是唯一一种有可能支撑百万量级数据指标，而成本仍可控制在企业可承受范围之内的技术。XL-LightHouse 是开源社区第一个也是目前唯一一个通用型流式数据统计系统。

2024-10-22

StarCoder2-Instruct: 完全透明和可自我对齐的代码生成

指令微调是一种技术，它能让大语言模型 (LLMs) 更好地理解和遵循人类的指令。但是，在编程任务中，大多数模型的微调都是基于人类编写的指令 (这需要很高的成本) 或者是由大型专有 LLMs 生成的指令 (可能不允许使用)。我们推出了一个叫做 StarCoder2-15B-Instruct-v0.1 的模型，这是第一个完全自我对齐的大型代码模型，它是通过一个完全开放和透明的流程进行训练的。我们的开源流程使用 StarCoder2-15B 生成了成千上万的指令-响应对，然后用这些对来微调 StarCoder-15B 本身，而不需要任何人类的注释或者从大型专有 LLMs 中提取的数据。 StarCoder2-15B-Instruct-v0.1 https://hf.co/bigcode/starcoder2-15b-instruct-v0.1 StarCoder2-15B-Instruct 在 HumanEval 上的得分是 72.6，甚至超过了 CodeLlama-70B-Instruct 的 72.0 分！在 LiveCodeBench 上的进一步评估表明，自我对齐的模型甚至比在从 GPT-4 提炼的数据上训练的同一模型表现得更好，这意味着 LLM 可能能从自己分布内的数据中更有效地学习，而不是从教师 LLM 的偏移分布中学习。理论我们的数据生成流程主要包括三个步骤: 从 The Stack v1 中提取高质量和多样化的种子函数。The Stack v1 是一个拥有大量允许使用许可的源代码的大型语料库。创建包含种子函数中不同代码概念的多样化且现实的代码指令 (例如，数据反序列化、列表连接和递归)。对每个指令，通过执行引导的自我验证生成高质量的响应。 The Stack v1 https://hf.co/datasets/bigcode/the-stack 在接下来的部分中，我们将详细探讨这些方面的内容。收集种子代码片段为了充分解锁代码模型的遵循指令能力，它应该接触到涵盖广泛编程原则和实践的多样化指令集。受到 OSS-Instruct 的启发，我们通过从开源代码片段中挖掘代码概念来进一步推动这种多样性，特别是来自 The Stack V1 的格式良好的 Python 种子函数。 OSS-Instruct https://github.com/ise-uiuc/magicoder 对于我们的种子数据集，我们仔细提取了 The Stack V1 中所有带有文档字符串的 Python 函数，使用 autoimport 推断所需的依赖关系，并在所有函数上应用以下过滤规则: autoimport https://lyz-code.github.io/autoimport/ 类型检查: 我们应用 Pyright 启发式类型检查器来移除所有产生静态错误的函数，这可能是错误的信号。去污处理: 我们检测并移除我们评估的所有基准项。我们同时在解决方案和提示上使用精确字符串匹配。文档字符串质量过滤: 我们使用 StarCoder2-15B 作为评判来移除文档质量差的函数。我们给基础模型提供 7 个少样本示例，要求它用“是”或“否”来回应是否保留该条目。近似去重: 我们使用 MinHash 和局部敏感哈希，设置 Jaccard 相似性阈值为 0.5，以过滤数据集中的重复种子函数。这是应用于 StarCoder 训练数据的相同过程。 Pyright https://github.com/microsoft/pyright 相同过程 https://hf.co/blog/dedup 这个过滤流程从带有文档字符串的 500 万个函数中筛选出了 25 万个 Python 函数的数据集。这个过程在很大程度上受到了 MultiPL-T 中使用的数据收集流程的启发。 MultiPL-T https://hf.co/datasets/nuprl/MultiPL-T Self-OSS-Instruct 在收集了种子函数之后，我们使用 Self-OSS-Instruct 生成多样化的指令。具体来说，我们采用上下文学习的方式，让基础 StarCoder2-15B 模型从给定的种子代码片段中自我生成指令。这个过程使用了 16 个精心设计的少样本示例，每个示例的格式为*(代码片段，概念，指令)*。指令生成过程分为两个步骤: 概念提取: 对于每个种子函数，StarCoder2-15B 被提示生成一个存在于函数中的代码概念列表。代码概念指的是编程中使用的基础原则和技术，例如模式匹配和数据类型转换，这些对开发者掌握至关重要。指令生成: 然后提示 StarCoder2-15B 自我生成一个包含已识别代码概念的编程任务。最终，这个过程生成了 23.8 万条指令。响应自我验证我们已经有了 Self-OSS-Instruct 生成的指令，我们的下一步是将每条指令与高质量的响应相匹配。先前的实践通常依赖于从更强大的教师模型 (如 GPT-4) 中提炼响应，这些模型有望展现出更高的质量。然而，提炼专有模型会导致非许可的许可问题，而且更强大的教师模型可能并不总是可用的。更重要的是，教师模型也可能出错，而且教师和学生之间的分布差距可能是有害的。我们提议通过显式指示 StarCoder2-15B 在生成交织自然语言的响应后生成测试来进行自我验证，这个过程类似于开发者测试他们的代码实现。具体来说，对于每条指令，StarCoder2-15B 生成 10 个*(自然语言响应，测试)*格式的样本，我们在沙箱环境中执行测试以过滤掉那些被测试证伪的样本。然后我们为每个指令随机选择一个通过的响应作为最终的 SFT 数据集。总共，我们为 23.8 万条指令生成了 240 万 (10 x 23.8 万) 个响应，其中 50 万个通过了执行测试。去重后，我们剩下 5 万条指令，每条指令配有一个随机通过的响应，最终我们将其用作我们的 SFT 数据集。评估在流行且严格的 EvalPlus 基准测试中，StarCoder2-15B-Instruct 在其规模上作为表现最佳的拥有许可的 LLM 脱颖而出，超过了更大的 Grok-1 Command-R+ 和 DBRX，与 Snowflake Arctic 480B 和 Mixtral-8x22B-Instruct 相近。据我们所知，StarCoder2-15B-Instruct 是第一个具有完全透明和许可流程，达到 70+ HumanEval 分数的代码 LLM。它大大超过了之前的最佳透明许可代码 LLM OctoCoder。 EvalPlus https://github.com/evalplus/evalplus 即使与具有限制性许可的强大 LLM 相比，StarCoder2-15B-Instruct 仍然具有竞争力，超过了 Gemini Pro 和 Mistral Large，与 CodeLlama-70B-Instruct 相当。此外，仅在自我生成数据上训练的 StarCoder2-15B-Instruct 与在 GPT-3.5/4 提炼数据上微调 StarCoder2-15B 的 OpenCodeInterpreter-SC2-15B 非常接近。除了 EvalPlus，我们还对具有相似或更小规模的最新开源模型在 LiveCodeBench 上进行了评估，LiveCodeBench 包括 2023 年 9 月 1 日之后创建的新编程问题，以及针对数据科学程序的 DS-1000。在 LiveCodeBench 上，StarCoder2-15B-Instruct 在评估的模型中取得了最佳结果，并且一致优于从 GPT-4 数据中提炼的 OpenCodeInterpreter-SC2-15B。在 DS-1000 上，尽管 StarCoder2-15B-Instruct 只在非常有限的数据科学问题上进行了训练，但它仍然具有竞争力。 LiveCodeBench https://livecodebench.github.io DS-1000 https://ds1000-code-gen.github.io 结论 StarCoder2-15B-Instruct-v0.1 首次展示了我们可以在不依赖像 GPT-4 这样的更强大的教师模型的情况下，创建出强大的指令微调代码模型。这个模型证明了自我对齐——即模型使用自己生成的内容来学习——对于代码也是有效的。它是完全透明的，并允许进行提炼，这使得它与其它更大规模但非透明的许可模型如 Snowflake-Arctic、Grok-1、Mixtral-8x22B、DBRX 和 CommandR+ 区别开来。我们已经将我们的数据集和整个流程，包括数据整理和训练，完全开源。我们希望这项开创性的工作能够激发该领域更多的未来研究和开发。资源 StarCoder2-15B-Instruct-v0.1: 指令微调模型 https://hf.co/bigcode/starcoder2-15b-instruct-v0.1 starcoder2-self-align: 自我对齐流程 https://github.com/bigcode-project/starcoder2-self-align StarCoder2-Self-OSS-Instruct: 自我生成的、用于指令微调的数据集 https://hf.co/datasets/bigcode/self-oss-instruct-sc2-exec-filter-50k/ 英文原文: https://hf.co/blog/sc2-instruct 原文作者: Yuxiang Wei, Federico Cassano, Jiawei Liu, Yifeng Ding, Naman Jain, Harm de Vries, Leandro von Werra, Arjun Guha, Lingming Zhang 译者: innovation64 本文分享自微信公众号 - Hugging Face（gh_504339124f0f）。如有侵权，请联系 support@oschina.cn 删除。本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

2024-05-10

Xshell 8 开启 Beta 公测：支持 RDP 协议、可远程连接 Windows 10/11

Xshell 8 宣布开启 Beta 公测。下载地址：https://www.xshell.com/zh/version-8-open-beta/#download 新功能亮点如下：身份验证配置文件触发器电脑通知快速命令管理器十六进制查看器 RDP 支持快速启动集成日志查看器自定义会话图标脚本参数支持点此查看详情。

2024-04-30

VersionFox 0.2.3 发布：强大且可拓展的 SDK 版本管理工具!

项目地址:https://github.com/version-fox/vfox 该版本是一次重大更新，相较于之前版本插件只能分发预先编译好的二进制文件, 此次更新真正做到插件完全自定义，如支持Python这类需要自定义编译和安装的SDK。另外允许自定义存储路径, 避免$HOME占用过大! 更新内容: 功能: 支持自定义存储路径 by@aooohanand@XuZheCheung627330f 功能: 允许插件安装本地文件 by@aooohanin8888f41 功能: 添加验证插件支持的最低运行时版本的新机制 by@aooohanin0bc5b1d 功能:http插件模块支持 HEAD 请求 by@aooohanin2a4fc77 修复: mac arm64 安装问题 by@ankit-pnin#34 修复: 别名导致不生效问题 by@aooohanin1987a2a 修复: Windows环境下默认作用域不生效问题 by@aooohanin32421d1 新增插件: Python 插件 by@aooohanversion-fox/version-fox-plugins#10 Python Npmmirror镜像插件 by@aooohanversion-fox/version-fox-plugins#12 Nodejs Npmmirror镜像插件 by@yimiaoxiehouversion-fox/version-fox-plugins#9 Zulu JDK 插件 by@yimiaoxiehouversion-fox/version-fox-plugins#11 新贡献者: @ankit-pnmade their first contribution in#34 @yimiaoxiehoumade their first contribution inversion-fox/version-fox-plugins#8 Full Changelog:v0.2.2...v0.2.3 已支持插件: Name Version Author Description dart/dart 0.0.1 Aooohan dart plugin, support for getting stable, dev, beta version deno/deno 0.0.1 Aooohan Deno plugin,https://deno.com/ dotnet/dotnet 0.0.1 Korbinian Habereder dotnet plugin, support for dotnet sdks 6.0, 7.0, 8.0 flutter/flutter-cn 0.0.1 Aooohan flutter plugin for China, support for getting stable, dev, beta version flutter/flutter 0.0.2 Aooohan flutter plugin, support for getting stable, dev, beta version golang/golang 0.0.2 Aooohan java/adoptium-jdk 0.0.1 aooohan Adoptium JDK java/azul-jdk 0.0.1 yimiaoxiehou Azul JDK, also known as Zulu maven/maven 0.0.1 Aooohan nodejs/nodejs 0.0.3 Aooohan Node.js nodejs/npmmirror 0.0.1 yimiaoxiehou install Node.js usehttps://cdn.npmmirror.com python/npmmirror 0.0.1 aooohan vfox >= 0.2.3 !!! From npmmirror.org. For Windows, only support >=3.5.0, but no restrictions for unix-like python/python 0.0.1 aooohan vfox >= 0.2.3 !! For Windows, only support >=3.5.0, but no restrictions for unix-like zig/zig 0.0.3 aooohan Zig 快速开始每种编程语言都有对应的版本管理工具，如 nvm、fvm、gvm、sdkman 等，它们的核心功能大同小异。但对于使用多种语言的开发者来说，这意味着需要学习和记忆各种不同的命令，增加了学习成本。如果你是全栈工程师，或者使用不止一种语言，使用VersionFox，你无需再学习这些繁杂的工具，从而降低学习成本，节省时间。亮点: 跨平台 (Windows、Linux、macOS), 不同的平台拥有相同的用户体验使用一致的命令管理所有语言简单的插件系统添加对您所需 SDK 的支持支持 Global、Project、Session 三种作用域切换项目时，自动切换到对应版本快速入门安装 vfox (详细安装) $ brew tap version-fox/tap $ brew install vfox 选择一条适合你 shell 的命令 echo 'eval "$(vfox activate bash)"' >> ~/.bashrc echo 'eval "$(vfox activate zsh)"' >> ~/.zshrc echo 'vfox activate fish | source' >> ~/.config/fish/config.fish # For PowerShell, add the following line to your $PROFILE: Invoke-Expression "$(vfox activate pwsh)" 3. 添加插件 $ vfox add nodejs/nodejs 4. 安装版本 vfox install nodejs@latest 5. 切换版本 $ vfox use nodejs@21.5.0 $ node -v 21.5.0 目前已支持多种开发语言，欢迎使用～～作用域演示 Project 作用域 Session 作用域 Node 完整演示项目地址:https://github.com/version-fox/vfox

2024-02-20

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。

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。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。