解密大厂技术团队如何实战OKR！
0 你的问题，我知道！ OKR规划分两阶段： 高层业务负责人 针对 整条业务线 做业务规划 中层Team Leader 针对 专业团队 做团队规划 做团队规划，了解第二阶段就够？No，中层TL同样要了解第一阶段。你只有理解业务规划背后逻辑，才能做出匹配的团队规划。 这也是为啥很多公司，当你到P7+， ...
解密prompt系列47. O1 Long Thought的一些特征分析
O1之后，思维链的一个简单但之前都没进入视野的特征引起了大家的注意，那就是思考的长度对推理效果的影响，更准确来说是通过哪些思考步骤来有效延长思维长度对推理的影响。这一章我们着重讨论思考长度 ...
大模型训练工具，小白也能轻松搞定！
目录AxolotlLlama-FactoryFirflyXtunerSwiftUnslothtransformers.Trainer总结 Axolotl Axolotl 是一款旨在简化各种人工智能模型微调的工具，支持多种配置和架构。 主要特点： 支持的常见开源大模型，多种训练方式，包括：全参微调、L ...
一镜到底，通过Llama大模型架构图看透transformers原理
想了解大模型 Llama 的工作原理？Llama Nuts and Bolts 项目不依赖外部库，通过 Go 语言从零构建 Llama 3.1 8B-Instruct 模型，为学习者提供了一个教育性深度探索，让您动手实践理解大型语言模型。 ...
如何构建大模型代理 LLM Agent？
什么是LLM Agent 大模型代理？ LLM Agent是一个程序，其执行逻辑由底层模型控制。与少样本提示（few-shot prompting）或固定工作流等方法相比，LLM Agent的特别之处在于它能够定义并适应执行用户查询所需的步骤。借助一组工具（如代码执行或网络搜索）的支持，代理可以决定 ...
【原创】dify 如何集成 Ollama
在文章 MAC OS 本地部署开源大模型 和 MAC OS 本地搭建部署 dify 分别介绍了在mac os系统下通过ollma 部署和管理本地大模型，以及在本地搭建 dify，在 dify 中可以引用 ollma 的本地大模型，本文主要介绍如何引入。 一、dify 集成Ollama的作用 1. 本 ...
【原创】MAC OS 本地搭建部署 dify
一、什么是 dify？ Dify 是一个开源的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as Service, BaaS）和 LLMOps 理念，旨在简化和加速生成式AI应用的创建和部署。它支持多种大型语言模型（如OpenAI的GPT系列、Claude3等），并提供强大的数 ...
Hugging Face功能介绍，及在线体验当前顶级文生图模型Flux
Hugging Face简介 对于非机器学习或深度学习领域的人士来说，Hugging Face这个名字可能并不耳熟。然而，随着近年来大模型的迅速崛起，相信大家或多或少都有所接触。如果你对这一领域感兴趣，并在GitHub上查阅过一些开源资料，那么你一定会频繁地看到Hugging Face的身影。例如， ...
【原创】MAC OS 本地部署开源大模型
本文的目标是演示如何在本地环境中搭建并体验AI模型，包括安装Ollama、Docker、Open WebUI，下载LLM开源大模型，并通过命令行或Web界面进行交互验证结果。 一、下载并安装Ollama 1. 什么是 Ollama？ Ollama 是一个开源的大型语言模型（LLM）服务工具，旨在帮助 ...
职场真相：努力加班≠好绩效，你必须懂的职场规则！
0 你的问题，我知道！ 没有职场认知而产生的疑惑： 遇到问题就死磕，觉得问人丢人，麻烦别人不好意思，结果问题没解决，自己先纠结半天； 觉得工作特努力，常加班，但好绩效无缘 面临裁员，愤怒为什么裁我，又因无规划，觉得惶恐 这些问题是不是很眼熟？你或多或少也想过？其实，认识职场就是： 认识职场的底层规律 ...
从数据到模型，足球预测方法解析
在足球赛事范畴内，比赛结局始终蕴含着诸多不确定性，而这恰恰构成了足球独特的魅力要素。对于广大球迷而言，尝试预测足球比赛的最终结果，向来是一项极具吸引力与挑战性的活动。 近年来，伴随数据科学以及机器学习技术的迅猛发展，足球预测领域发生了深刻变革。这些先进技术为深入探究比赛背后潜在规律提供了契机。 本文 ...
AI生成公司CMS网站
提示词 Design a website for a local plumbing service. Include sections for services, pricing, customer testimonials, and a contact form. Use a profession ...
阿里二面和面试官争论Spring程序配置优先级
0 前言 一般用application.yml实现Spring Boot应用参数配置。但Spring配置有优先级，避免重复配置项的覆盖，须清晰优先级。 Spring通过Environment抽象出： Profile：规定场景。定义诸如dev、test、prod等环境 Property：Propert ...
深入解析 Spring AI 系列：分析 Spring AI 可观测性
今天我们将讨论之前略过的可观测性部分的代码。在这里，我想简单说明一下，当时这部分代码属于必须编写的固定模板，因此在最初的讨论中我们直接跳过了它。虽然这部分代码乍看之下可能显得比较复杂，但实际上它的核心功能只是链路追踪的实现而已。既然如此，接下来我们就不再赘述，直接来看一下这部分关键代码，如图所示： ...
深入解析 Spring AI 系列：解析函数调用
我们之前讨论并实践过通过常规的函数调用来实现 AI Agent 的设计和实现。但是，有一个关键点我之前并没有详细讲解。今天我们就来讨论一下，如何让大模型只决定是否调用某个函数，但是Spring AI 不会在内部处理函数调用，而是将其代理到客户端。然后，客户端负责处理函数调用，将其分派到相应的函数并返 ...
Stable Diffusion WebUI 最新版使用文档整理
太久没用基本都忘光了，发现记的笔记也没有很好的梳理，虽然网上已经有了不少详细的文档了，但自己梳理一遍记忆比较深刻。 本文转载自我的博客：https://blog.abyssdawn.com/archives/515.html 已同步公众号 环境准备 $ python --version Python ...
部署 Browser-Use WebUI + DeepSeek 实现浏览器AI自动化
一、安装部署 1.安装 python3.11 或以上版本 2.安装browser-use pip install browser-use 3.安装 Playwright playwright install 4.安装项目依赖 pip install langchain-google-genai==2 ...
揭秘35岁技术人去向：是高薪管理，还是无奈转行？
1 35 岁危机 35 是虚指，不一定 35 岁，也可是一个区间。有人 33 岁，有人是 40 岁。对技术人，到年龄确实明显困境。甚至不到 35 岁，网上招聘焦虑到32岁。 头部大厂小伙伴说晋升就像“续命卡”。升上去不一定稳，但可“多活”一两年，升不上去，不但目前绩效难保，甚至可能进入下一波裁员名单 ...
线性代数13.向量的线性相关性&内积&范数&正交
13.向量的线性相关性&内积&范数&正交 13.1 向量组的线性相关性 13.1.1 定义 对于任意向量组\(A:a_1,a_2,a_3,...,a_n\)，存在不全为0的数\(k_i(i=1,2,3,...,m)\)，使： \[\tag{1} \sum_{i=1}^mk_i\cdot a_i=0 ...
用于决策的世界模型 -- 论文 World Models (2018) & PlaNet (2019) 讲解
介绍了两篇世界模型的文章 World Models (2018) 和 Learning Latent Dynamics for Planning from Pixels (2019)，主要侧重点是世界模型在决策和规划中的应用。 ...
