Posts

LYAH字典查询函数理解指南 for what 最近在看Haskell，并且极度想要给好基友安利这一个语言。So，今天看《Learn You a Haskell for Great Good》恰巧基友被我安利烦了，问我haskell有什么好的，我刚看到§7.4 Data.Map这章，就发了看到的第一个函数给他，不过感觉他会看不懂，就想写个讲解给他，写长了之后就想成文了。 ...

DeepSeek-V4 技术报告解析 论文全名： DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence 来源： DeepSeek-AI（2026年4月24日，预览版） 总页数： 58 页 一、核心定位 DeepSeek-V4 的核心目标是：打破超长上下文处理的效率瓶颈，实现百万 Token 上下文的高效支持。传统 Attention 的二次复杂度是制约超长上下文推理的根本瓶颈，DeepSeek-V4 通过架构创新将其突破。 ...

这是一个完整的重构方案，遵循接口隔离原则，实现了基于配置的算法切换，并统一了动态配置更新机制。 1. 修改配置模型：增加算法选择参数 首先，在配置中增加 PLACEMENT_ALGORITHM 环境变量支持，默认为 best-of-k。 ...

初步功能 ENV功能，手写ENV和secret 通过脚本导入github。同时需要有从github再次拉下所有env和secret的功能，以供本地使用。所以需要： env+secret模板，新增env+secret需要修改这个文件； env+secret 推送github environment功能，支持推送和更新； env+secret 从github environment拉下来的功能，以供检视和本地使用； 构建功能 基于github原始代码构建； 有不同局点公用的patch，需要先打，编号用 001 + 功能 不同局点也有特有 patch 也需要增加编号。区分独立文件夹。 构建时的环境变量，从 github environment 获取 需要方便github action构建，以及本地构建 支持构建参数功能。（暂未想好需要什么参数需要进一步细化） 产物管理功能 构建产物包含二进制文件以及容器镜像； 容器镜像存放到私有镜像仓。其他文件放到火山引擎的s3, 产物目录区分 release / daily / debug，构建版本号 E2B版本+日期时间； 产物包含：1. E2B二进制文件，2. manifest.json 支持从S3下拉相关版本所有产物 部署配置生成功能 部署目前使用 nomad 手动部署，通过 run hcl文件进行； ops代码仓中会存放基于E2B官方hcl修改的文件，它需要是一个模板，通过 env导入需要的配置。 部署功能（暂不实现） DEV是已有的环境，可通过ssh登录。 更新相关的二进制，然后run hcl更新版本 在上面进行自动化测试 以上 2和3是 需要github action去做的，1和4大部分是手动执行脚本的功能，5暂不实现 ...

零基础使用 Claude Code 写论文完全指南（macOS 专属） 本文档面向没有编程经验的 macOS 用户，手把手教你用 Claude Code 辅助写学术论文。 全程不需要写代码，只需要会用电脑和浏览器。 ...

第一部分：运行时核心 (The Runtime) 1. GMP 调度模型 Go 语言高并发的基石，解决了 OS 线程创建和切换开销大的问题。 G (Goroutine): 协程，极轻量（初始 2KB），包含栈和执行现场。 M (Machine): 对应操作系统内核线程。 ...

第一部分：核心基础原理 Transformer 架构 (Transformer) 模型微调 (Fine-Tuning) 参数高效微调 (PEFT - Parameter-Efficient Fine-Tuning) Lora / QLora 全量微调 (Full Fine-Tuning) 大语言模型架构与适配技术基础指南 第二部分：LLM 应用开发核心技术 提示工程 (Prompt Engineering) 链式思考 (CoT - Chain-of-Thought) 思维树 (ToT - Tree of Thoughts) 思维图 (GoT - Graph of Thoughts) 检索增强生成 (RAG - Retrieval-Augmented Generation) 知识库构建 (Knowledge Base Construction) Embedding 模型 (Embedding Models) 高级 RAG (Advanced RAG) RAG 评估 (RAG Evaluation) 智能体 (Agents) 工具调用 (Tool Calling / Function Calling) 智能的架构：现代大语言模型应用开发核心技术综合分析报告 一文读懂：思维链 CoT（Chain of Thought） ...

目标 我们的目标是尽可能使用低成本地来创建一套RAG。包括较低的计算成本和存储成本。 所以对于下载好的wikipadia离线资料会先做处理，选择我们感兴趣的页面计算并丢入向量数据库。 ...

本报告旨在为具备编程背景的开发者提供一份详尽的、专家级的技术指南。我们将从零开始，构建一个专门为小红书平台定制的 AI 内容创作代理（Agent），聚焦于高热度的“宠物”赛道。此代理的核心技术栈将采用 LangGraph 框架，并搭载一个完全离线运行的检索增强生成（RAG）知识库，确保数据隐私与独立运行能力。 ...

第一部分：大语言模型应用开发图景 1.1. 引言：人工智能工程的新前沿 当前人工智能（AI）时代的核心价值创造正经历一场深刻的变革：重心正从基础模型层（即构建大语言模型LLM）转向应用层（即使用LLM）1。这一转变催生了对一类全新工具的迫切需求，这些工具旨在精心编排LLM、数据源及外部系统之间的复杂交互。 ...