博客 RSS 訂閱

lanyiyun666 頭像

藍易雲 - 藍易雲cdn:ArrayList和Vector及Vector的區別

結論先拋出來：在今天的 Java 項目裏，絕大多數場景都應該用 span style="color:red"ArrayList/span，而不是 span style="color:red"Vector/span。span style="color:red"Vector 基本已經是“歷史兼容”角色/span，只在極少數老系統或特殊場景才需要保留。🙂 一、ArrayList 和 Vector 的

kubernetes , devops , serverless , Docker , apache

收藏 評論

lanyiyun666 頭像

藍易雲 - 藍易雲cdn:web端實現rtsp實時推流視頻播放可行性方案

從結論先説：span style="color:red"RTSP 流在瀏覽器裏無法“原生直接播放”，必須做協議中轉/span。可行的工程方案，核心都是： 📡 攝像頭/編碼器（RTSP） → 協議網關/轉碼 → span style="color:red"WebRTC / LL-HLS / WebSocket/span → Web 播放器 → span style="color:red"藍易

服務器 , 微服務 , Debian , Nginx , Ubuntu

收藏 評論

tongkudezicai_c7db2r 頭像

張飛簽名上架 - 2025年主流蘋果簽名工具橫向對比

在iOS生態閉環特性下，蘋果簽名工具始終是開發者測試分發、企業內部應用部署的核心支撐。2025年，隨着蘋果風控體系升級與AI技術賦能，簽名工具市場呈現“合規化、智能化、場景化”三大趨勢。本文聚焦當前主流的四類簽名工具，從技術原理、穩定性、成本、適用場景等維度展開橫向對比，為不同需求用户提供選型指南。 首先是企業簽名工具，以ioszf企業版為代表（更多關於簽名的信息：iOS簽名-超級籤企業籤TF籤）

ios

收藏 評論

smalbox 頭像

SmalBox - 【基礎】Unity着色器編程的語言和數學基礎介紹

【Unity Shader Graph 使用與特效實現】專欄-直達 着色器編程語言基礎 Unity URP（Universal Render Pipeline）管線中主要支持三種着色器語言：GLSL（OpenGL Shading Language）、CG（C for Graphics）以及HLSL（High-Level Shading Language）。這些語言均基於C語言的語法結構，並針

遊戲開發 , unity3d , 圖形學

收藏 評論

u_16175514 頭像

mob649e81680b4f - stablediffusion煉丹顯卡

通過使用stable diffusion模型進行圖像生成，許多用户會遇到性能優化、顯卡利用率等問題。下面我們就來詳細聊聊“stablediffusion煉丹顯卡”問題的解決過程，涵蓋協議背景、抓包方法、報文結構、交互過程、字段解析及異常檢測等方面。 協議背景 在討論stablediffusion的相關技術時，瞭解協議的背景是非常重要的。四象限圖能夠幫助我們更清晰地瞭解這些協議的整

抓包 , 字段 , 數據 , aigc

收藏 評論

yuhaibao324 頭像

DeepSeaAI - RAG（檢索增強生成）分類與開發框架

RAG（檢索增強生成）分類與開發框架 概述 RAG（Retrieval-Augmented Generation）是一種結合檢索機制與大型語言模型的技術範式，通過從外部知識源檢索相關信息來增強生成模型的準確性和可靠性。 一、RAG 分類體系 1. 按架構分類 類型 特點 適用場景

數據集 , 分塊 , pytorch , 人工智能 , 開發框架

收藏 評論

u_16175523 頭像

mob649e816a3664 - R語言登錄copilot

在數據科學的領域，R語言的靈活性和豐富的生態系統使其成為許多分析和建模任務的首選工具。然而，最近在使用R語言登錄Copilot過程中，出現了一些問題。以下是解決這一問題的詳細過程，涵蓋環境配置、編譯過程、參數調優、定製開發、性能對比和生態集成等方面。 環境配置 為了使用R語言成功登錄Copilot，首先需要進行環境配置。以下是配置流程： flowchart TD A[

優先級 , aigc , 編譯過程 , 調優

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 智能體開發框架選型與技術架構深度分析

智能體開發框架選型與技術架構深度分析 一、智能體開發框架技術架構深度剖析 1.1 LangChain 框架技術架構 LangChain 作為 AI 應用開發的核心框架，其技術架構在 2024-2025 年經歷了重大演進。當前的 LangChain 3.0 版本實現了歷史性的架構重構，將框架解構為三個核心層級：開發層、工程化層和部署層(1)。 在模塊化架構設計方面，Lang

任務分配 , 技術架構 , pytorch , 架構設計 , 人工智能

收藏 評論

u_16213310 頭像

mob64ca12d2dee8 - ollama modelfile 多個guff文件

在現代 IT 環境中，特別是在使用 ollama 框架進行機器學習模型開發時，處理模型文件的工作顯得尤為重要。然而，最近我們團隊遇到了一個問題：ollama modelfile 多個 guff 文件。下面就來詳細描述這個問題的背景、表現、分析、解決方案和後續優化措施。 問題背景 在開發和維護機器學習模型時，模型文件的管理至關重要。在使用 ollama 環境時，我們曾遇到多個 gu

加載 , 錯誤碼 , aigc , 解決方案

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 智能體開發框架選型決策樹V2

四大框架的技術架構和典型應用案例，通過結構化拆解讓選型邏輯更貼合實際開發場景，同時優化決策樹的實用性和參考價值。 智能體開發框架選型決策樹 各框架核心信息補充説明 LlamaIndex 架構亮點：核心優勢在索引優化，提供Llama Parse組件支持複雜文檔解析，Workflows引擎可編排多步驟異步流程，索引層支持增量更新和量化壓縮，兼顧精

應用層 , 技術架構 , pytorch , 人工智能 , 結構化

收藏 評論

u_16213374 頭像

mob64ca12e2ba6f - SysTableLookup 的 addLookupfield 方法

“SysTableLookup 的 addLookupfield 方法”是 Dynamics 365 FO 中用於表格字段取值的一個重要方法。在實現更復雜的表格交互時，它常常需要與其他數據源進行聯合查詢。在本篇博文中，我們將系統地介紹處理“SysTableLookup 的 addLookupfield 方法”所需的各個方面，包括環境預檢、部署架構、安裝過程、依賴管理、擴展部署和遷移指南。

字段 , aigc , 安裝過程 , 解決方案

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 智能體（Agent）的分類與開發框架V2

智能體（Agent）的分類與開發框架 一、智能體（Agent）的實現類型 根據能力與形態，Agent主要分為4類： 1. 通用型Agent 具備跨任務、自主決策能力，能拆解複雜目標並調用工具完成（如AutoGPT、BabyAGI），核心是目標驅動+自主迭代。 2. 知識型Agent 專注於知識檢索與利用（結合RAG技術），擅長處理專業文檔、領域知識類任務（如基於L

API , pytorch , 加載 , 人工智能 , 示例代碼

收藏 評論

u_16213449 頭像

mob64ca12f49f4b - 2024CVPR aigc

關於“2024 CVPR aigc”的探索過程引言 在計算機視覺與生成對抗網絡快速演進的背景下，如何利用AIGC（人工智能生成內容）技術優化CVPR（計算機視覺與模式識別會議）中的實際應用，成為了當前技術圈的一大挑戰。為了滿足這一需求，我們的團隊需要深入分析現有的技術痛點，設計出行之有效的解決方案。以下是我在這個過程中所記錄的各個環節。 背景定位 在這個過程中，團隊面臨的初始

System , aigc , 基礎設施 , 解決方案

收藏 評論

tong_6816038415d24 頭像

小童童 - Permute 3 for Mac v3.11.6 安裝教程（超簡單）

​ Permute 3​ 就是一個格式轉換工具，而且是專門對付視頻和音頻的。 第一步：準備工作（下載軟件） 安裝包下載：https://pan.quark.cn/s/2048b6a6b931，就是那個Permute 3 for Mac v3.11.6.dmg文件。 雙擊把它打開。這時候會彈出一個新的窗口，裏面一般就一個軟件的圖標和一個“應用程序”的文件夾圖標。 第二步：開始安裝（拖拽大法）

macos

收藏 評論

milton 頭像

Milton - 不到80元的E88無刷電機無人機拆解

前幾天微信裏有個公眾號推了個150元內的無人機文章, 看着看着就忍不住也跑到拼多多上搜了一圈, 發現現在的無人機真是好卷啊, 無刷還帶圖傳居然只要...不到80? 1503電機我有一堆, 對這個電機還是挺熟的, 心想買個試試, 不行拆零件也不虧. 外觀 到貨了這東西長這個樣子, 拆開一股濃濃的劣質塑料味, 機身是定製的鋰電, 遙控是三節五號電池 電機確實是1503, 頂上的是避障傳感器,

操作系統

收藏 評論

wuxiedekeben 頭像

無邪的課本 - IDEA 插件 SpotBugs Idea 1.2.7.zip 使用詳解（一步步教你排查Bug）

​ SpotBugs Idea 1.2.7.zip 是一款專為 IntelliJ IDEA 打造的靜態代碼分析插件，能幫你在寫 Java 程序時快速找出潛在的 Bug 和性能問題，比如空指針、資源未關閉、邏輯錯誤等。 1. 下載插件 先去官網或者 CSDN、GitHub 搜 “spotbugs idea plugin”，找到spotbugs-idea-1.2.7.zip​ 這個文件，下到本地。 提

intellij-idea

收藏 評論

yuhaibao324 頭像

DeepSeaAI - AI與微服務系統架構解決方案V1

AI與微服務系統架構 一、方案概述 1.1 核心思想 本方案採用雲原生微服務架構作為基礎，將AI能力原子化、服務化，構建一個高內聚、低耦合、可獨立演進的智能分佈式系統。通過解耦業務邏輯與AI能力，實現技術團隊的敏捷協作、系統的彈性伸縮和能力的持續演進。 1.2 設計原則 服務自治：每個微服務（含AI服務）獨立開發、部署、擴展 能力複用：AI服務作為基礎能

Pod , 神經網絡 , API , 人工智能 , 基礎設施

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 金融行業大模型微調

針對銀行和金融行業專有詞彙標準化系統 注意：在醫療領域，由於涉及隱私，我們需要確保使用公開數據或合成數據。 一、大模型微調方案選擇 推薦方案：混合策略微調 1. 監督微調(SFT) + 檢索增強(RAG)結合 - SFT微調：增強基礎理解能力 - RAG檢索：確保標準化準確性 2. 多階段微調流程： ├── 第一階段：領域預訓練 ├── 第二階段：任

數據 , 神經網絡 , 相似度 , 人工智能 , Python

收藏 評論

u_16213337 頭像

mob64ca12d97dad - stable marriage 習題

在“stable marriage 習題”的背景下，我們面對的是如何在一組男性和女性之間匹配，使得每一對匹配都能達到穩定狀態的問題。以下是處理此類問題的詳盡步驟，包括備份策略、恢復流程、災難場景、工具鏈集成、案例分析、遷移方案。 備份策略 在處理穩定匹配問題時，首先要確保數據的安全和可恢復性。這裏涉及到備份策略的制定。 flowchart TD A[備份計劃開始

工具鏈 , bash , 數據恢復 , aigc

收藏 評論

u_16213365 頭像

mob64ca12e08acf - llama修改

在處理 llm（大型語言模型）時，修改調整參數是個不容忽視的環節。讓我來分享一個關於如何解決“llama修改”問題的過程，包括環境配置、編譯過程、參數調優、定製開發、錯誤集錦以及生態集成的步驟。 首先，我配置了一個乾淨的開發環境，確保所有必要的依賴都能滿足需求。以下是我的環境配置清單： 安裝依賴庫 設置Python環境 配置CUDA支持（如果需要）

API , aigc , 編譯過程 , 環境配置

收藏 評論

u_16213404 頭像

mob64ca12e9cad4 - LangChain 入門指南 下載

LangChain 入門指南 下載 LangChain 是一個強大且靈活的框架，幫助開發者輕鬆構建和集成語言模型應用。在這篇博文中，我們將詳細探討如何下載和配置 LangChain，確保您能順利入門。 環境準備 在開始下載和配置 LangChain 之前，我們需要明確徵求系統的軟硬件要求。以下是符合這一要求的清單： 軟件要求: Pyt

User , aigc , Python

收藏 評論

u_16175443 頭像

mob649e8156b567 - llama預訓練默認損失函數

llama預訓練默認損失函數是指在進行LLaMA（Large Language Model Meta AI）模型的預訓練時使用的損失計算方法。使用合適的損失函數是提升模型訓練性能的關鍵。接下來，我將詳細記錄解決“llama預訓練默認損失函數”問題的整個過程。 環境配置 首先，確保你擁有一個合適的環境來進行LLaMA模型的預訓練。以下是整個環境配置的流程圖，以及相關的配置代碼。

數據集 , 損失函數 , aigc , 數據預處理

收藏 評論

u_16213359 頭像

mob64ca12df277e - ollama key string

在使用 OLLAMA 工具進行自然語言處理時，遇到“ollama key string”相關問題是很常見的。這種問題通常與 API 密鑰或字符串的配置項有關，導致服務無法正常工作。下面將對這一問題進行詳細的覆盤記錄，並提供解決方案、驗證測試、預防優化的經驗。 問題背景 在使用 OLLAMA 進行模型加載和句子生成時，用户可能會遇到如下現象：當輸入的 API 密鑰或字符串不正確時，

API , aigc , 解決方案 , ci

收藏 評論

lizhuo6 頭像

oioihoii - 【精華】C++成員初始化列表完全指南：為什麼、何時以及如何正確使用

本文是我攢給自己的面試前必看文章之一，屬於私藏。 一個常見的誤解 許多C++初學者會有這樣的疑問：“為什麼我需要在構造函數後面加個冒號來初始化成員？在構造函數體內賦值不行嗎？”本文將通過深入分析C++對象構造機制，徹底解答這個問題。 一、初始化列表的基本語法 class Example { int a; std::string str; pu

初始化列表 , 初始化 , 構造函數 , c++ , 後端開發 , c

收藏 評論