搜索[思考模型]结果-低调大师优秀个人博客

精选列表

搜索[思考模型]，共10000篇文章

ADO.NET 对象模型

ADO.NET 对象模型中有五个主要的组件，分别是 Connection 对象、 Command 对象、 DataSetCommand 、 DataSet 以及 DataReader 。

2017-11-13

Android中的沙箱模型

原文请见： http://mobile.51cto.com/abased-354672.htm 沙箱模型是业界保证系统安全的关键安全技术，已经在浏览器等领域得到了成功应用。

2017-11-07

HBase数据模型(1)

HBase数据模型(1) HBase数据模型(2) 1.0 HBase的特性 Table HBase以表（Table）的方式组织数据，数据存储在表中。

2016-04-27

HBase数据模型(2)

HBase数据模型(1) HBase数据模型(2) 1.0 HBase的版本version，是一个用长整型表示的。

2016-04-27

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq1010885678/article/details/45788083 整个Spark框架都是基于RDD算子来进行计算的。 What is RDD？ Resilient Distributed Dataset(RDD)，分布式弹性数据集，是Spark上的一个核心抽象表示用于并行计算的，不可修改的，对数据集合进行分片的数据结构简单地，可以将RDD看成是Spark平台上的通用货币在Spark上，针对各种各样的计算场景存在着各种各种的RDD，这些RDD拥有一些共同的操作，例如map，filter，persist等，就好像RDDs都是一个总RDD的子类一样，拥有所有RDD的共同特性同时RDDs也拥有能表达自己特性的操作，例如PairRDDR有groupByKey，join等操作，而DoubleRDD有Doubles操作所有的RDD都有以下特性：可以表示数据分片的列表集合。将原始数据经过某些分片处理生成RDDs，这些RDD将用于并行计算通用的算子来计算每个数据分片包括transformation和action两大算子类别。 RDD之间拥有依赖关系 transformation只对数据进行处理而不计算，处理过程会被画成一个DAG有向无循环图，只有当action操作要获取结果时，才根据DAG图来进行并行计算。 DAG图会根据RDD之间的依赖关系被分解成一个个stage之后提交形成DAG图的过程中也会根据RDD之间的依赖关系形成Lineage 这是Spark上一个重要的容错机制当某个节点计算错误时，只需要根据Lineage重新计算相关的操作而不必回滚整个程序以下两张图是来源自网络的 Spark中部分RDD类的截图 transformation和action操作的Function截图除了transformation和action两大类算子之外，RDD还有一个比较特殊的算子如persist和checkpoint，它们既不属于transformation也不属于action 但是都会触发Job的运行 persist将RDD结果持久化，修改了RDD中meta info的存储级别 checkpoint在持久化RDD的同时还切断了RDD之间的依赖血缘关系。除了修改了存储级别，还修改了meta info中RDD的lineage依赖关系两者返回的均是修改后的RDD而不是产生的RDD（transformation是产生新的RDD，action是对RDD取结果） RDD之间的依赖关系可以分为Narrow，Wide：窄依赖和宽依赖两种窄依赖：子RDD中的每个数据块只依赖于父RDD中对应的有限个固定的数据块，可以理解成父子RDD是一对一或者多对一的关系，例如：map变换，前后的数据都是一行对一行的。一个子RDD可以根据其父RDD直接计算得出，因而子RDD出现计算错误的时候，只需要重新计算对应的父RDD即可宽依赖：子RDD中的一个数据块可以依赖于父RDD中的所有数据块。即一对多的情况，例如：groupByKey变换，子RDD中的数据块会依赖于多个父RDD中的数据块，因为一个key可能存在于父RDD的任何一个数据块中。宽依赖中的子RDD要等到所有的父RDD计算完成之后才能进行计算，当数据丢失时需要对所有祖先RDD进行重新计算依赖关系图：其中，宽依赖是会触发shuffle行为的而shuffle操作可以减小集群之间网络传输的压力，对数据进行一定的提前处理工作，对于提高整个集群的处理性能是十分重要的在Spark中shuffle操作会是将DAG图划分成一个个stage的起点如图所示： map和union是属于transformation操作的。这里会涉及到一个pipeline的概念，对数据切片之后并行协同计算，从图中我们可以看到，map和union的时候Task之间的处理是并行的，而协同体现在当某个Task计算缓慢的时候，集群会启动一个新的节点来计算该Task，哪个节点先处理完毕就采用哪个节点的结果 groupBy和join操作是产生RDD之间的宽依赖的，这是一个shuffle过程，也是触发划分stages的起点，如上图中的三个stage 从物理的角度看RDD其实是一个元数据结构，存储着Block和Node之间的映射关系关于Spark的transformation，action和划分stage等过程都是怎么处理的，整个作业的处理流程是什么，请看： Spark（四） – Spark内核作业调度机制

2015-05-16

技术思考问题17：上了LangChain框架就等于AI-Agent工程化吗？

最常遇到的不是模型能力不够，而是调用链一长，工程结构开始失控。这次要说的系统是一套工单智能分类与处置建议服务。

2026-10-14

技术思考问题18：AI的超时和回答不准怎么作系统设计和处理？

该链接的具体模型能力、接口形态与限制条件，需按当前官方文档核验；本篇架构不基于任何未核验的模型能力假设。

2026-10-14

技术思考问题6：技术演讲该晒成功架构，还是交代失败与取舍？

> 名词记一堆 > 判断说不出 > 变更一到来 > 决策被推翻 # 03、原理这一篇只讲两个模型，它们恰好是同一枚硬币的两面。

2026-10-11

这套skill让 AI 帮你写论文，但绝不替你思考

接 Semantic Scholar API 做引用验证，还支持跨模型交叉验证。 SKILL 2 #### Academic Paper 12 个代理的论文写作流水线，11 种模式。

2026-09-08

当 AI 开始给人"建数据库"：SteeraMed Bench 与人体尺度建模的架构思考

在 AI 圈，大家早已习惯用"数据基建"的思路解决问题：推荐系统有用户画像体系，风控有特征仓库，大模型有 RAG 的向量库。**一个核心共识是——先定义清楚"状态"用什么维度刻画，再做推理才有意义。

2026-08-17

当 PostgreSQL 面临性能瓶颈：80TB 电商业务迁移至 Apache Doris 的实践思考

在着手重构之前，更值得思考的是：**当前面临的问题是否已经达到需要引入新技术栈、投入额外资源解决的程度。如果答案是肯定的，希望本文能够为相关技术选型和架构演进提供一些参考**。

2026-07-31

2026年复杂攻坚的心流屏障：用图谱式知识构建工具捍卫深度思考

然而，它们的痛点在于偏向单打独斗的个人思考，在跨部门团队敏捷协同、刚性 WIP 流量控制与项目看板流转方面相对薄弱。

2026-07-30

Cline 接入 GLM-5.2 实战：配置流程、思考模式体验及与 Sonnet 5 的成本差异

第一，GLM-5.2 不是 Claude 模型，所以它不该填进大多数 Cline 教程让你填的那个位置。第二，思考开关的行为跟 Sonnet 5 的不一样。

2026-07-28

关于碳基与硅基协同的一些思考（二）一场权力游戏

http-save/yehe-7542502/19ce2ff5b8bb303ad77beaa551c132c6.webp) ** AI原生时代的资本论 ** **所有人都假装看不见的真相：AI落地的敌人不是算力，不是模型

2026-07-27

关于碳基与硅基协同的一些思考（一）如何分阶段设置目标

一旦出现过热、超载、硬件故障等紧急情况，还会启动强制保护机制，关停非必要功能、降低设备负荷，让冰冷的算力系统拥有类似生命体自我维稳、自我保护的稳定能力；对外执行层面，则对人工智能进行差异化分工：云端大模型如同人类大脑

2026-07-24

消息队列在 AI 时代的数智化转型中：在项目中的实践与思考

----- ## 引言：AI 时代的喧嚣与一个被忽视的真相 2025-2026 年，AI 大模型、Agent 编排、MCP 协议如同一场技术海啸，席卷了每一个技术决策者。

2026-07-21

当博客学会了「思考」——用 EdgeOne Makers 为静态博客注入 AI 知识库问答助手

# 当博客学会了「思考」——用 EdgeOne Makers 为静态博客注入 AI 知识库问答助手 ## 前言：一个「安静的」博客每一个的技术爱好者或者从业者，都会想要一个自己的博客，用来记录自己的技术学习和分享

2026-07-19

我不想让搜索引擎替我思考：AI 摘要浪潮下的信息消费反思

当我打开一个搜索引擎，输进一个问题，然后直接看到一个由AI整理好的段落式答案——这个体验正在变得越来越普遍。Google的AI Overview、Perplexity的答案卡片、SearchGPT的摘要视图……AI搜索正在重塑我们获取信息的方式。但这种"喂到嘴边"的信息消费模式，是真正的进步吗？ SearchZee博客近日发表了一篇观点鲜明的文章，作者的立场相当明确：AI搜索摘要正在让互联网变得更糟。 AI摘要的三个隐蔽代价文章指出了AI搜索摘要的三个核心问题。第一是信息收窄。当搜索引擎把多个来源的不同观点压缩成一段自信满满的总结时，读者实际上失去了接触多元视角的机会。那些原本需要用户自己消化、比较、判断的过程，被一个"权威"答案替代了。而这个答案的倾向性，往往取决于搜索引擎算法，而不是真实的信息生态。第二是验证行为的消失。传统的搜索模式会引导用户点击多个链接、对比不同说法、甚至主动阅读原始资料。而AI摘要让用户停留在一个页面，不再需要自己动手求证。长期来看，这种习惯会削弱人们的信息甄别能力——当你习惯了一个答案，为什么还要多看一眼？第三是网络经济的结构性破坏。当用户不再访问原始网页，广告收人就向平台集中而非内容创作者。这会直接导致优质内容的商业价值下降，进而压制高质量内容的生产动力。内容变少、变浅，最终损害的仍然是用户。 "简单查询"不是借口文章也承认，AI摘要并非一无是处。单位换算、天气预报、简单的名词解释等场景下，AI摘要确实提升了效率。但问题在于，搜索引擎无法预先判断一个查询是"简单"还是"高风险"。用户搜"血压正常值"希望得到快速答案，这没问题；但同一用户搜"某种药物的副作用"时，如果AI给出了一个过度简化的答案，后果可能很严重。搜索引擎不知道哪次查询会救人，哪次只是好奇。回归"只给结果"的搜索哲学作者倡导的解决思路很直接：搜索引擎应该回归"只给结果，不给答案"的定位。平台提供链接，用户自己判断。这不是反技术，而是对信息传播责任边界的重新划定。AI可以辅助检索，但最终的认知结论应该由人来做。从更宏观的视角看，这篇文章折射出一个正在困扰整个互联网的问题：效率与深度之间的永恒张力。AI在提升信息获取效率的同时，也在系统性地削减深度加工信息的动机。当"快"成为唯一的评价维度，"慢"的内容就逐渐消失了。参考来源：https://searchzee.com/blog/search-without-ai-summaries

2026-06-03

吴炳锡：AI 时代下的湖仓一体化平台建设的思考

在第 16 届中国数据库技术大会（DTCC2025）的「实时数仓与湖仓一体应用实践（上）」专场中，Databend 联合创始人吴炳锡带来了主题为《AI 时代下的湖仓一体化平台建设的思考》的深度分享。

2025-08-28

DistilQwen2.5-DS3-0324发布：知识蒸馏+快思考=更高效解决推理难题

推理模型通过深度思考可以解决复杂的推理任务，但这种深度思考也带来了大规模的计算资源需求。模型思考的过程中一般都有反思机制的参与，其会反复推敲模型已有的推理步骤，确保每个步骤都正确推进。

2025-04-23

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。

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

精选列表

ADO.NET 对象模型

Android中的沙箱模型

HBase数据模型(1)

HBase数据模型(2)

Spark（六） -- Spark计算模型

技术思考问题17：上了LangChain框架就等于AI-Agent工程化吗？

技术思考问题18：AI的超时和回答不准怎么作系统设计和处理？

技术思考问题6：技术演讲该晒成功架构，还是交代失败与取舍？

这套skill让 AI 帮你写论文，但绝不替你思考

当 AI 开始给人"建数据库"：SteeraMed Bench 与人体尺度建模的架构思考

当 PostgreSQL 面临性能瓶颈：80TB 电商业务迁移至 Apache Doris 的实践思考

2026年复杂攻坚的心流屏障：用图谱式知识构建工具捍卫深度思考

Cline 接入 GLM-5.2 实战：配置流程、思考模式体验及与 Sonnet 5 的成本差异

关于碳基与硅基协同的一些思考（二）一场权力游戏

关于碳基与硅基协同的一些思考（一）如何分阶段设置目标

消息队列在 AI 时代的数智化转型中：在项目中的实践与思考

当博客学会了「思考」——用 EdgeOne Makers 为静态博客注入 AI 知识库问答助手

我不想让搜索引擎替我思考：AI 摘要浪潮下的信息消费反思

吴炳锡：AI 时代下的湖仓一体化平台建设的思考

DistilQwen2.5-DS3-0324发布：知识蒸馏+快思考=更高效解决推理难题

资源下载

Mario

Spring

Rocky Linux

Sublime Text

欢迎您来访！

精选列表

ADO.NET 对象模型

Android中的沙箱模型

HBase数据模型(1)

HBase数据模型(2)

Spark（六） -- Spark计算模型

技术思考问题17：上了LangChain框架就等于AI-Agent工程化吗？

技术思考问题18：AI的超时和回答不准怎么作系统设计和处理？

技术思考问题6：技术演讲该晒成功架构，还是交代失败与取舍？

这套skill让 AI 帮你写论文，但绝不替你思考

当 AI 开始给人"建数据库"：SteeraMed Bench 与人体尺度建模的架构思考

当 PostgreSQL 面临性能瓶颈：80TB 电商业务迁移至 Apache Doris 的实践思考

2026年复杂攻坚的心流屏障：用图谱式知识构建工具捍卫深度思考

Cline 接入 GLM-5.2 实战：配置流程、思考模式体验及与 Sonnet 5 的成本差异

关于碳基与硅基协同的一些思考（二） 一场权力游戏

关于碳基与硅基协同的一些思考（一）如何分阶段设置目标

消息队列在 AI 时代的数智化转型中：在项目中的实践与思考

当博客学会了「思考」——用 EdgeOne Makers 为静态博客注入 AI 知识库问答助手

我不想让搜索引擎替我思考：AI 摘要浪潮下的信息消费反思

吴炳锡：AI 时代下的湖仓一体化平台建设的思考

DistilQwen2.5-DS3-0324发布：知识蒸馏+快思考=更高效解决推理难题

资源下载

Mario

Spring

Rocky Linux

Sublime Text

欢迎您来访！

关于碳基与硅基协同的一些思考（二）一场权力游戏