技术栈

花褪残红青杏小

Rust图像处理第15节-鱼眼广角畸变：非线性几何变换🦀 Rust + WASM 实战系列第 15 篇阅读时间：约 6 分钟 | 实战可运行前2篇做的翻转、旋转、缩放、斜切——全部是"线性变换"，都能写成一个矩阵 MM M。

我和 Fable 5 聊了一晚上 AI，得出的结论大吃一惊今天我跟ai连续聊了三个小时，围绕的重点就是ai未来到底会怎么样？这个念头我一直都有，但是没有找到合适的机会。直到最新的模型，Fable5出来了刚刚好有时间就跟他聊了一下。

Spring AI 对接Deepseek ChatModel 聊天对话1. 基础文本生成 (/ai/generate)场景：最简单的 AI 对话，输入消息返回生成内容用途：通用问答、闲聊、内容创作等

哥不想学算法

【C++】字符串字面量拼接这是 C/C++ 语言中特有的字符串字面量拼接（String Literal Concatenation）语法。

差生文具多？我给自己改造了一款AI周计划工具今年以来，感觉记忆力直线下降，啥事前脚说完，后脚就忘掉。但对于我们差生来说，不是记忆力减弱了，也不是执行力不高，而是——没有一款好用的待办事项记录软件。

高考志愿填报：大数据相关专业到底怎么选？一、分清三类大数据专业，匹配自身分数层次高职 / 大专：大数据技术侧重实操工具，弱化高数、算法理论，主攻数据清洗、报表可视化、集群运维，毕业适配数据专员、ETL 实施岗，上手速度快，就业率稳定，但高端研发岗存在学历门槛。选科限制宽松，多数省份文理均可报考。

GPT-Image-2 文生图：背景虚化怎么描述？本文系统性地探讨了如何为 GPT-Image-2 等文生图模型精准描述"背景虚化"效果。文章指出，简单的"blurred background"指令过于笼统，难以获得理想的浅景深效果。为此，我们引入摄影专业术语进行"光学编码"，将虚化意图拆解为可量化的参数：

MOTIONGPT3：人类运动作为第二模态仅供参考，未经实验验证。之前我们是按照顺序阅读论文的，即【原论文总结=>原文顺序阅读&遇到问题停下来理解=>全文架构图理解】，但由于最近想看的论文有点多，我们尝试调整一下顺序，改成 1.原论文总结=>全文架构图理解=>架构图产生的问题（本篇） 2.架构图产生的问题的理解 3.原文顺序阅读&遇到问题停下来理解

1500分的题目，确实有实力，不过还是我略胜一筹Problem: 2841. 几乎唯一子数组的最大和子数组，定长，一定的条件限制，已经是条件反射了。立即推：滑动窗口。

【记忆化搜索】条条大路通AC，走好适合你的那一条，走到后再考虑走得快Problem: 2850. 将石头分散到网格图的最少移动次数思路解题过程复杂度Code一看标签，动态规划，觉得没啥思路，一看矩阵，固定大小3*3，好！咱们可以试试dfs，然后再用记忆化搜索优化一下时间复杂度。

Elasticsearch 前缀匹配性能优化实战,附4种方式即执行计划判别当你的业务需要匹配 Y01、Y02 这样的固定前缀编码，如何在亿级数据中实现毫秒级响应？想象这样一个需求：系统中存储了大量编码数据（如物料编码、订单编号、设备序列号），格式类似于 Y01010101、Y02020305、Y03040506。业务需要筛选出所有以 Y01 或 Y02 开头的记录，并且要支持多个前缀的灵活组合查询。

赵庆明老师

Vben精讲：04-了解VSCode中的Githttps://git-scm.com/Git 是一款免费、开源的分布式版本控制系统，能够高效地处理从小型到超大型项目的版本管理需求。

利用好手机这个工具-碎片化学习信息是原材料（零散、真假混杂且具时效性）概念是砖块（事物 / 现象的抽象总结）记住不等于搞懂规律是图纸（概念和概念之间的关系，事物运转的逻辑）

不像程序员的程序媛

系统cpu内存负载资源分析判断系统平均负载（Load Average）高不高，不能只看数字本身，关键是看它和CPU核心数的关系，如果是单核，满负载就是1，如果是4核，满负载就是4.

耍酷的冬瓜

AI Agent 30天速成｜Day7 笔记Day3 FAISS仅内存存储，重启丢失向量、无元数据、不支持过滤、无内置去重逻辑； Chroma专为LLM RAG设计，核心优势：

两大经典智能能体框架解析：Reflexion 与 VOYAGER核心挑战：强化学习需要进行微调才能发挥作用，如何让 Agent 像人类一样，通过少数几次失败的试错和自我反思来快速改进决策

葫芦和十三

图解 MongoDB 28｜块与迁移：balancer 怎么均衡数据前面讲片键决定了数据怎么分布，但没讲数据分布后怎么保持均衡。新数据持续写入、加新 shard、不同片键范围数据量不均——这些都会让各 shard 的数据量失衡。负责保持均衡的是 balancer（均衡器），它操作的基本单位是 chunk（块）。

采用 mem0 之前，先决定 Agent 到底允许记住什么mem0 吸引人的地方很直接：给 AI assistant 和 agent 提供长期记忆层。但真正的采用风险也在这里。Memory 不是一个普通功能，它会变成控制面。第一步不应该问 agent 能不能 add/search memory，而应该问：哪些事实允许被写入，谁以后能读到，过期事实如何降权，删除是否真实生效，以及一次回答被 memory 影响时有没有证据。

葫芦和十三

图解 MongoDB 27｜分片策略：范围分片 vs 哈希分片上一篇讲了片键设计的三个目标，这一篇讲片键选好后，怎么分——范围分片还是哈希分片。这是同一个片键的两种分散策略，它们直接决定了：范围查询能不能定向、写入会不会热点。选错了，要么查询全广播，要么写入堆在一个 shard。

AI客服系统技术选型：Agentic架构与传统规则引擎的能力差异评估摘要： AI客服系统的底层架构正在从传统规则引擎向Agentic原生架构迁移，两者在意图理解、流程执行、系统集成和持续运营四个能力层存在系统性差异。传统规则引擎以决策树和关键词匹配为核心，优势在于确定性高、实现简单，但在模糊表达、跨意图跳转和复杂流程编排上存在边界。Agentic架构以大模型+状态机双轨为基础，大模型负责意图理解和自然语言生成，状态机负责业务规则的确定性执行，具备理解动态对话、执行业务任务和持续运营优化三个核心能力。评估两种架构时，应从语义理解覆盖度、业务流程编排能力、系统集成深度和运营闭

京ICP备2021030436号-2© 2023-2026 技术栈 jishuzhan.net