ProxyBridge下使用Antigravity
ProxyBridge下使用Antigravity， 不需要启动TUN模式ProxyBridge 是一款轻量级、开源的代理工具，支持 Windows 和 macOS 系统，可在内核层面拦截指定进程的 TCP 和 UDP 流量，并将其重定向到 SOCKS5 或 HTTP 代理服务器。它常被用于精细化控 ...
基于Ai Coding,20天完成一个基于大模型的医学分析系统：Ai体征分析助手
我是一名长期使用C#开发后台服务与数据库的开发者，在短短20天内，独立完成一个跨前后端、贴合医疗健康场景分析的完整系统（Ai体征分析助手）是未曾想过的。得益于AI Coding工具的深度实践与应用和医疗领域大模型的应用，让我对AI时代的软件开发有了全新的认知。 ...
国产大模型适配优选，MonkeyCode 赋能企业研发
长亭MonkeyCode AI开发平台上线：免费算力赋能，AI助力全场景工程级研发落地 当前AI编程工具层出不穷，但多数仅能应对“代码撰写、Demo运行”的基础场景，难以匹配真实工程研发的复杂诉求。长亭科技全新推出的AI开发平台MonkeyCode，成功突破这一行业瓶颈——平台以企业级研发标准构建， ...
[大模型实战 02] 图形化的大模型交互: Open WebUI部署指南
核心摘要 (TL;DR) 目标：为本地的 Ollama 模型穿上漂亮的图形化界面 (GUI)。 工具：Docker + Open WebUI (社区最活跃的开源 WebUI)。 核心功能：媲美 ChatGPT 的对话界面、本地知识库 (RAG)、自定义角色 (Agent)。 相信各位友人在上一篇文章 ...
Claude Code团队内部使用指南
Claude Code（Anthropic 推出的 AI 命令行编程工具）的团队内部使用指南。它系统地总结了高效使用该工具的 10 个核心技巧，旨在将 AI 从简单的“自动补全”提升为“协同开发者”。以下是梳理的详细解读：一、 核心效率指标图片右上角标注了四个关键目标：10个核心技巧。3-5个并行会 ...
从0到1，快速训练并使用YOLO模型
简介 YOLO是目前计算机视觉领域最前沿、应用最广泛的目标检测算法框架，他能快速识别区分目标，广泛应用于游戏，无人驾驶，工业等领域。 以识别躲避掉落滑块的游戏的物体图片作为例子。 一，环境配置 pip install ultralytics 二，准备数据集 这个格式目录如下： my_dataset/ ...
stable_baseline3 快速入门(二): 训练自定义游戏，构建Gymnasium训练环境
简介 Gymnasium 为强化学习提供了一个标准化的API，它定义了 Agent 应该如何观察世界、如何做出动作以及如何获得奖励，不管是游戏，还是工业设备，只需要满足Gymnasium标准都能使用同一套代码进行训练。 认识Gymnasium 使用stable_baseline3只需要定义好Gymn ...
stable_baseline3 快速入门(一): 训练第一个强化学习模型
简介 stable_baseline3 是一个基于 PyTorch 的强化学习算法开源库，里面集成了多种强化学习算法，使用这个开源库能够让我们不需要过度关注强化学习算法细节，专注于AI业务的开发。 环境配置 pip install stable-baselines3 pip install gymn ...
AI模型Claude的Haiku、Sonnet、Opus 怎么选？
claude模型有以下版本：haiku(诗)，Sonnet(好诗)，Opus(杰作) claude不同模型之间对比 模型版本 速度 成本 智力水平 最佳应用场景 Haiku 极快 ⚡️ 最低 入门级 客服、翻译、大量简单数据清洗 Sonnet 快 中等 高级 (主流) 编程、日 ...
智能客服不是问答机器人，微调更不是“多训点数据”
智能客服失败常因误将“问答机器人”当“服务处理器”。其核心不在答对，而在判断：是否该答、答到哪、何时转人工、如何安抚。微调非万能，仅适用于稳定风格、固化明确规则、强化安全拒答三类场景；知识更新、动态状态、争议判断等问题，应交由RAG或规则系统处理。 ...
PPO 微调的本质：它不是在教模型“更聪明”
PPO微调本质是“行为选择”而非“知识学习”：它不教模型新能力，而是通过奖励信号与KL约束，在已有能力空间中重校输出概率分布，对齐人类偏好。核心只更新Policy，Reward引导方向，KL保障安全，专治风格、安全、边界问题。 ...
通义深度搜索-操作指南
本文详细介绍通义深度搜索的操作指南，含应用开通，应用管理，应用配置，场景选择，检索配置，应用测试，应用发布，联系我们等。 ...
RAG 的失败，大多在“切文档”那一刻就已经注定
RAG项目常败在文档切分：切得过小导致语义断裂，固定长度破坏表格/列表/步骤等关键结构。真正决定效果的，不是模型或向量库，而是chunk是否具备“语义完整性”——能否独立支撑答案。切分应以“生成可用性”为第一标准，而非检索便利性。 ...
如何通过Java SDK描述Collection
本文介绍如何通过Java SDK获取已创建的Collection的状态和Schema信息。 前提条件 已创建Cluster 已获得API-KEY 已安装最新版SDK 接口定义 Java // class DashVectorClient public Response<CollectionMeta> ...
RAG 不是万能解，这些场景你一开始就不该用
RAG并非万能，默认滥用反致系统复杂、效果难测。它仅解决“信息获取”，不提升模型能力。最适合四类场景：动态知识更新、需答案溯源、长尾问题密集、需求尚不明确。慎用于强推理、隐性经验、高实时性及高确定性要求场景。核心判断：问题是“找不到信息”，还是“不会处理信息”？ ...
【1.29 直播】从数据模型到应用实战：AI 时代 IoTDB 时序模型如何真正“跑起来”？
随着 AI 应用进入规模化阶段，时序模型的挑战，正逐步从算法本身，扩展到数据与基础设施层面。 训练越来越重、数据越来越多、部署越来越复杂—— 你是否也在思考： ❓时序模型训练，如何摆脱数据准备与 I/O 瓶颈？ ❓多个模型版本，如何统一管理、部署与复用？ ❓从模型训练到线上应用，如何真正跑在一个稳定 ...
微调与安全隐私：为什么微调会放大风险
微调不是“温和调教”，而是将敏感信息固化进模型参数的风险交换过程。它会放大偶然数据中的隐私隐患，导致过拟合式泄露、隐式模式记忆与不可撤回的记忆固化。安全边界模糊，内部使用反而更易触发风险。真正可控的路径：先RAG，再小步微调，始终以风险而非效果为决策核心。 ...
Claude-Mem：给 AI 编程助手装上"长期记忆"
写在前面 你是不是也遇到过这种情况：昨天用 Claude Code 写了一段复杂业务逻辑，今天重新打开项目，AI 助手却像失忆了一样，完全不记得你们讨论过什么，只能从头再解释一遍？ 这个痛点，Claude-Mem 给出了解决方案——一个专为 Claude Code 打造的持久化记忆系统，让 AI 助 ...
详解大模型安全评估实操流程
当前，生成式人工智能大模型快速普及，其安全可控性直接关系国家安全、社会公共利益及公民合法权益。根据国家互联网信息办公室等七部门联合发布的《生成式人工智能服务管理暂行办法》（国家互联网信息办公室令第15号）第十七条明确要求，“提供具有舆论属性或者社会动员能力的生成式人工智能服务的，应当按照国家有关规定 ...
在复杂任务中如何利用 Claude 4.5 Opus 提高推理精度与响应速度
在 AI 模型不断发展升级的背景下，Claude 4.5 系列带来了 Sonnet、Opus 和 Haiku 三款子模型，每个模型都有其独特的优势和适用场景。尤其是 Opus 4.5，它以其强大的推理能力和响应速度在复杂任务中脱颖而出。 但对于脚本创作者来说，如何在 推理精度 与 响应速度 之间找到 ...
