博客 RSS 訂閱

u_16773655 頭像

向量檢索 - DeepResearch 應用展示

本文為您視頻展示DeepResearch在複雜推理與長多步推理、日常生活規劃與決策、深級別的跨學科問答、需要詳細且真實的旅行行程、司法與成文法解釋、多情境研究寫作場景下的應用。 複雜推理與長多步推理 複雜的多步推理任務，需要網絡搜索、跨來源信息綜合以及工具編排，以解決具有動態且時間敏感數據的現實世界查詢。 點擊查看視頻示例

強化學習 , 阿里巴巴 , 大數據 , yyds乾貨盤點 , 數據倉庫 , AI , 人工智能

收藏 評論

xzqcsj 頭像

愛學習的懶洋洋 - 分表路由：為什麼大神都用 & (n-1)，而不用 % ？一次給你講透

寫在前面 "分庫分表"大家都不陌生。當數據量激增時，我們習慣性地寫下 userId % tableCount 來決定數據路由到哪張表。 這段代碼邏輯正確、簡單直觀。但在對性能要求極高的底層中間件開發中，這真的是最優解嗎？ 如果我們翻開 JDK 1.8 的 HashMap 源碼，會發現大神 Doug Lea 在計算數組下標時，刻意避開了 % 取模，而是使用了一行看起來更晦澀的 (n -

後端

收藏 評論

u_17405625 頭像

楓葉丹6 - 【海賊王航海日誌：前端技術探索】HTML你學會了嗎？(一)

目錄 1 - HTML概念 2 - HTML結構 2.1 - 認識HTML標籤 2.2 - HTML文件基本結構 2.3 - 標籤層次結構 3 - 快速生成代碼框架 4 - HTML常見標籤 4.1 - 註釋標籤 4.2 - 標題標籤 4.3 - 段落標籤 4.4 - 換行標籤 4.

oracle , 數據庫 , Css , HTML , 前端 , html5 , VScode

收藏 評論

u_16099226 頭像

雲端夢想實現家 - Hopper Disassembler試用版如何使用

教程背景： 第一部分Hopper disassember動態調試：3 第二部分LLDB動態調試14 第三部分使用Radare2動態調試27 第四部分分析整理算法32 第五部分使用Python編寫keygen34 第六部分使用Swift編寫keygen36 教程背景： 在Youtube閒逛時，無意間發現了飄雲

機器學習 , 字符串 , 動態調試 , 人工智能 , desktop

收藏 評論

u_16213724 頭像

mob64ca141a2a87 - ubuntu16.04利用ssh反向代理及autossh實現內網穿透

背景 綜合分析了之前提到的遠程開發技術方案，結合安全，性能，效率，成本，應用，部署難度多方面因素，決定以內網穿透為基礎，進行遠程開發環境部署，下面先準備部署遠程創建環境 內網穿透 首先，明確當前的目標，遠程的目的不是為了去控制一個內網的 Windows 系統，而是希望能連接上遠程的 Ubuntu 環境，準確點應該説

內網 , 雲計算 , OpenStack , ip , 雲服務

收藏 評論

u_16099193 頭像

落花有意飛花 - 火山引擎語音合成安卓sdk demo

當露營成為年輕人的一種全新生活方式後，連帶着户外野營帳篷、可摺疊桌椅、卡式爐、多人趣味桌遊等露營周邊市場都迎來新一輪增長。 受限於户外環境，年輕人在露營期間可供選擇的集體娛樂消遣方式更偏向於桌遊、垂釣、燒烤等，到了晚間，集體“刷”綜藝、電視劇則成了主要消遣之一，但手機、平板電腦、筆記本電腦等設備受限於屏幕大小與音量音質體驗，很難滿足三人以上的集體觀

機器學習 , 火山引擎語音合成安卓sdk demo , 數據 , 人工智能 , 用户需求 , 歷史數據

收藏 評論

u_16099281 頭像

雲端築夢師 - AssemblyLoadContext 插件和dll

手把手教你給VC++編寫插件 下午偶然注意到VC++6.0新建工程標籤頁下的DevStudio Add-in Wizard，沒有接觸過，看名字是給Developer Studio開發插件，心生喜感，於是百度之，發生百度檢索幾乎找不到一篇完整的文字講述這個wizard的使用，費盡周折下載了一個只有幾行實際代碼的demo，同時在MSDN提供的實例中看到了類似的dem

機器學習 , 工具條 , 人工智能 , 位圖 , Visual

收藏 評論

u_17536710 頭像

mb68d4f4b730ca5 - 商業智能報告如何為企業創造價值

商業智能（Business Intelligent）的概念由來已久。在數聚股份看來，近年來，隨着國內外企業進入到移動互聯時代，信息獲取方式和數據量較之PC時代又有了質的改變和增加，商業智能報表正成為越來越多的企業青睞的決策輔助利器。 商業智能，是將人的規律發現方法與決策思路傳授給計算機，由計算機來進行部分或全部規律發現、分析預測與決策工作。很多人對商業智能和

數字化轉型 , 數據分析工具 , bi工具 , 數據可視化 , 人工智能 , 商業智能BI

收藏 評論

ducafecat 頭像

獨立開發者_貓哥 - Cursor AI Skills 實戰：自動生成 Flutter 頁面、代碼與文檔

Cursor AI Skills 實戰：自動生成 Flutter 頁面、代碼與文檔 視頻 https://youtu.be/UeJYlTpm4ek https://www.bilibili.com/video/BV1xpipBYE24/ 前言 本文系統介紹如何使用 Cursor AI Skills 自動生成 Flutter 頁面、初始化項目結構，並持續維護項目技術文檔。適合 Flutter 開發

cursor , 人工智能 , flutter

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM教程】TVM 運行時系統

TVM 現已更新到 0.21.0 版本，TVM 中文文檔已經和新版本對齊。 Apache TVM 是一個深度的深度學習編譯框架，適用於 CPU、GPU 和各種機器學習加速芯片。更多 TVM 中文文檔可訪問 →Apache TVM TVM 支持多種編程語言用於編譯器棧的開發和部署。在本説明中，我們將解釋 TVM 運行時的關鍵組成部分。 VM 的運行時系統需要滿足多種看似相互矛盾但又非常關鍵的需求：

機器學習 , 知識 , openai , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - Python可口可樂股票交易數據分析：KMeans-RF-LSTM多模型融合聚類、隨機森林迴歸價格預測與交易模式識別

全文鏈接：https://tecdat.cn/?p=44707 原文出處：拓端數據部落公眾號 關於分析師 在此對Yichen Tang對本文所作的貢獻表示誠摯感謝，他完成了數據科學與大數據技術專業的碩士學位，專注數據科學與大數據技術領域。擅長Python、C、SQL、機器學習、數據庫、數據分析。 Yichen Tang曾參與多個數據分析與機器學習相關項目，在股票數據挖掘

機器學習 , 數據挖掘 , 人工智能 , 深度學習

收藏 評論

ponponon 頭像

universe_king - ubuntu22.04 下的 firefox146.0.1 高分屏縮放顯示模糊

我的顯示器的 4k 的，然後縮放選擇 200%，一直都是這樣 前幾天突然變模糊了，類似早期那種不適配分數縮放導致的模糊的那種感覺。但問題我是整數縮放的，居然還會模糊，而且所有軟件裏面只有 firefox 這樣，非常無語。重啓電腦也沒用 怎麼解決的？進入設置裏面，把縮放調整為 100%，再調整回 200% 問題就解決了

firefox , Linux , Ubuntu

收藏 評論

software-Development 頭像

IT開發者筆記 - 【案例分享】基於TeeChart圖表庫實現高級流體網絡仿真

關於客户 Fluid Systems 公司成立於 20 世紀 90 年代初，是一家領先的波蘭公司，專門從事流體網絡建模和仿真軟件的開發，包括供暖系統、燃氣供應網絡、供水系統、加壓污水系統等等。 Fluid Systems提供靜態（穩態）和動態（瞬態）仿真，以及優化和諮詢服務，幫助客户： 分析當前網絡性能並找出效率低下的環節。 優化設計、管道尺寸和運行策略。 模擬瞬態效應，以預測激增和其他挑

.net , 後端

收藏 評論

wuyvzhang 頭像

BiliWu - AKS 容器與安全優化操作系統選型指南：Immutable 特性介紹

AKS 容器與安全優化操作系統選型指南：Immutable 特性介紹 在 Azure Kubernetes Service（AKS）架構設計中，節點操作系統（OS）的選擇往往被視為 “基礎配置” 而容易被忽視。但實際上，OS 不僅決定了容器運行的底層環境，更直接影響集羣的安全性、運維複雜度與跨環境兼容性 —— 一個不合適的 OS 選型，可能導致後期安全漏洞頻發、運維成本激增

雲平台 , kubernetes , 雲計算 , azure , 系統 , OS , 安全

收藏 評論

software-Development 頭像

IT開發者筆記 - 國產化PDF處理控件Spire.PDF教程：使用Python批量轉換PDF為PDF/A

在文檔歸檔或合規審計中，許多機構要求文件必須符合 PDF/A（ISO 19005） 標準，普通 PDF 往往無法直接通過驗證。本文將介紹如何藉助Spire.PDF for Python批量轉換PDF為PDF/A，幫助您高效完成合規轉換。 Spire.PDF for Python免費試用下載，請聯繫慧都科技 加入Spire技術交流QQ羣（125237868），與更多開發者一起提升文檔開發技能。 P

後端

收藏 評論

u_15147453 頭像

全極世界 - 5分鐘快速瞭解：大模型智能體RAG原理3步拆解-從檢索到生成，如何根治AI幻覺？

檢索增強生成（RAG）技術通過為大模型引入外部知識庫，已成為解決其知識侷限與幻覺問題的核心方案。本文將聚焦於RAG在大模型智能體中的應用，系統解析其從數據準備、智能檢索到答案生成的核心工作流程。文章將探討Agentic RAG如何通過自主決策優化傳統流程，並分析其在企業級應用中的實際價值與面臨的性能挑戰。 如果，你重金聘請的AI專家

機器學習 , 數據 , 數據庫 , 人工智能 , 迭代

收藏 評論

u_15308345 頭像

龍蜥社區OpenAnolis - OPPO 正式加入龍蜥社區，共啓移動端安全新生態

近日，OPPO 廣東移動通信有限公司（以下簡稱"OPPO"）簽署了 CLA（Contributor License Agreement，貢獻者許可協議），正式加入龍蜥社區（OpenAnolis）,成為社區合作伙伴。未來，雙方將聚焦移動場景下的機密計算技術，共同推進端雲協同的安全架構、可信計算標準化及國產基礎軟件安全能力的突破。 OPPO 是全球領先的智能終端

機密計算 , MySQL , 端雲協同 , CLA , 數據庫 , OPPO , 龍蜥社區

收藏 評論

zentaopms 頭像

易軟項目平台分享 - 項目管理軟件排行2026年最新，10款品質經得起考驗的管理系統

在數字化轉型進入深水區的2026年，項目管理軟件已從輔助協作工具升級為企業提升組織效能、保障目標落地的核心基礎設施。據行業報告顯示，全球項目管理軟件市場規模預計突破450億美元，國產化替代加速與AI智能賦能成為顯著趨勢。企業在選型時愈發關注功能適配性、數據安全性與生態集成能力。本文基於功能完整性、用户口碑、行業適配性及市場穩定性四大維度，篩選出10款品質經得起考驗的項目管理系統，以中立視角全面

軟件工程

收藏 評論

horizondeveloper 頭像

地平線智駕開發者 - 大模型 | QWen3 結構解析

一、簡介 25/4/29 發佈的u Qwen3 /u系列模型，共 8 個模型，其中六個u Dense 模型/u分別為，Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B 和 Qwen3-0.6B。另外兩個u MoE 模型/u分別為，Qwen3-235B-A22B，擁有 2350 多億總參數和 220 多億激活參數的大模型，以及 Qwen3-30B-A3

自動駕駛 , 算法

收藏 評論

u_16099270 頭像

字節小舞神 - mobaxtem類似的軟件

1. 傳統文檔 Typora 最經典的本地軟件應該是 Typora。支持 Markdown 的實時預覽，界面簡潔美觀(使用基於 Chromium 瀏覽器的 Electron 框架開發的軟件基本上都比較好看) 可以使用微雲同步助手對文檔進行同步，將文檔保存到微雲，不用擔心文檔丟失。 最明顯的缺點是圖片與文檔分離，即如果想把文

思維導圖 , aigc , 父節點 , bard , 筆記 , mobaxtem類似的軟件 , 代碼塊

收藏 評論

u_16099217 頭像

技術博客達人 - 標書中的索引表怎麼做

分節表視圖 簡單的表視圖僅僅有一個節，它實際上是分節表視圖的一個特例。一個表能夠有多個節，節也有頭有腳，分節是加入索引和分組的前提。 索引的正確使用原則如所看到的： 1、索引標題不能與顯示的標題全然一樣。假設與要顯示的標題一致，索引就變得毫無意義。 2、索引標題應具有代表性。能代表一個數據集合。 3、假設採用

數據集 , 大數據 , 數據倉庫 , 標書中的索引表怎麼做 , 下拉列表 , 表視圖

收藏 評論

horizondeveloper 頭像

地平線智駕開發者 - LLM 量化技術概述及 AWQ 和 GPTQ 介紹

一、前言 近期在學習 Qwen3 的模型結構時，看到了 Qwen 使用了 GPTQ 與 AWQ 量化方案，於是便萌生了介紹 LLM 量化技術的想法，筆者將用 2-3 篇文章，給讀者們介紹大模型量化的技術。 量化是指將高精度計算的浮點型數據近似為低比特位數據（如 int16、int8、int4 等）的過程，此過程需在不顯著損耗精度的同時，提升模型推理效率並降低內存佔用。特別是在當前主流大語言模型（L

自動駕駛 , 算法

收藏 評論

u_15988698 頭像

代碼天地 - 基於CNN的手寫數字識別

在深度學習領域，卷積神經網絡（CNN）已成為圖像識別任務的首選架構。而在CNN訓練過程中，優化器的選擇對模型性能有着至關重要的影響。本文將深入探討多種優化算法的原理，並通過手寫數字識別任務對比它們的實際表現。 優化器原理詳解 1. 隨機梯度下降（SGD） 隨機梯度下降是最基礎的優化算法，其更新公式為： 其中$η$是學習率，$∇J(θ

自適應 , 卷積 , 卷積核 , 服務器 , 分佈式

收藏 評論

u_11659620 頭像

爾等氏人 - PostgreSQL外部數據包裝器

引言 在現代數據生態系統中，數據往往分散在不同的存儲系統中——關係數據庫、NoSQL數據庫、API接口、文件系統等。如何有效地整合這些異構數據源，為用户提供統一的數據訪問接口，成為了一個重要挑戰。PostgreSQL通過外部數據包裝器(Foreign Data Wrapper, FDW)機制，提供了一種優雅的解決方案，使得用户可以像訪問本地表一樣訪問外部數據源中的數據。這種能力不僅簡

外部表 , 大數據 , 數據 , hadoop , SQL

收藏 評論