Datawhale 大模型算法全栈基础篇 202602第2次笔记

weixin_448119942026-02-24 8:49

作业：

目录

[第一节 初级分词技术](#第一节 初级分词技术)

方案一：降低"九""头"词频，并添加"九头"词条

方案二：直接添加"九头虫"词条

准备测试代码

对比分析

[第三节 从主题模型到 Word2Vec](#第三节 从主题模型到 Word2Vec)

[1. 数据加载部分](#1. 数据加载部分)

[2. 特征提取部分](#2. 特征提取部分)

[3. 转换为 PyTorch 张量](#3. 转换为 PyTorch 张量)

[4. 模型结构](#4. 模型结构)

[5. 训练设备](#5. 训练设备)

[6. 训练过程](#6. 训练过程)

[7. 测试集评估](#7. 测试集评估)

[8. 推理示例](#8. 推理示例)

总结

第一节 初级分词技术

user_pos_dict.txt

九 10000000 n

头 1000000 n

奔波儿灞 nr

每行格式：词语 词频 词性

当前"九"的词频是 10000000，"头"的词频是 1000000，数值很大。这导致 jieba 在分词时，认为"九"和"头"单独出现的概率非常高，所以会把"九头虫"拆成"九""头""虫"。

方案一：降低"九""头"词频，并添加"九头"词条

将文件内容修改为：

复制代码 
九 1 n
头 1 n
九头 100000 n
奔波儿灞 nr

修改说明：

把"九"的词频从 10000000 降到 1，概率变得极低。

把"头"的词频从 1000000 降到 1。

新增一行"九头 100000 n"，表示"九头"作为一个词，词频较高（10万）。这样动态规划会倾向于把"九头"连起来，而不是分开。

方案二：直接添加"九头虫"词条

如果你想看"九头虫"作为一个整体，可以这样修改：

复制代码 
九 1 n
头 1 n
九头虫 100000 n
奔波儿灞 nr

准备测试代码

test_pos.py

复制代码 
import jieba
import jieba.posseg as pseg

# 加载词典（确保路径正确）
jieba.load_userdict("./user_pos_dict.txt")

# 测试句子
text = "九头虫让奔波儿灞把唐僧师徒除掉"

# 分词并打印词性标注结果
words = pseg.lcut(text, HMM=False)   # HMM=False 强制只使用词典和动态规划
print(words)

当user_pos_dict.txt如下时：

复制代码 
九 10000000 n
头 1000000 n
奔波儿灞 nr

输出：

pair('九', 'n'), pair('头', 'n'), pair('虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')

方案一时输出：

pair('九头', 'n'), pair('虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')

方案二时输出：

pair('九头虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')

对比分析

  • 原理回顾：jieba 动态规划会计算每种切分路径的 log 概率之和，选择最大的。词频高的词 log 概率大，更容易被选中。

  • 在方案一中，"九头"词频高，所以路径 九头+虫 的 log 概率和大于 九+头+虫，因此被选中。

  • 在方案二中，"九头虫"整体词频高，路径 九头虫 的 log 概率大于 九头+虫 或拆分，所以被选中。

code/C2/01_jieba.py

python 复制代码 
import jieba

text1 = "我在梦里收到清华大学录取通知书"
seg_list = jieba.lcut(text1, cut_all=False) # cut_all=False 表示精确模式
print(seg_list)

# 未加载词典前的错误分词
text2 = "九头虫让奔波儿灞把唐僧师徒除掉"
print(f"精准模式: {jieba.lcut(text2, cut_all=False)}")

# 加载自定义词典
jieba.load_userdict("./user_dict.txt") 
print(f"加载词典后: {jieba.lcut(text2, cut_all=False)}")

text3 = "我在Boss直聘找工作"

# 开启HMM（默认）
seg_list_hmm = jieba.lcut(text3, HMM=True)
print(f"HMM开启: {seg_list_hmm}")

# 关闭HMM
seg_list_no_hmm = jieba.lcut(text3, HMM=False)
print(f"HMM关闭: {seg_list_no_hmm}")

import jieba.posseg as pseg

words = pseg.lcut(text2, HMM=False)
print(f"默认词性输出: {words}")

jieba.load_userdict("./user_pos_dict.txt")

dic_words = pseg.lcut(text2, HMM=False)
print(f"加载词性词典后: {dic_words}")

输出：

(base) PS E:\Datawhale 2026\base-llm202602> & D:/Users/app/miniconda3/envs/base-llm/python.exe "e:/Datawhale 2026/base-llm202602/01_jieba.py"

D:\Users\app\miniconda3\envs\base-llm\lib\site-packages\jieba\_compat.py:18: UserWarning: pkg_resources is deprecated as an API. See https://setuptools.pypa.io/en/latest/pkg_resources.html. The pkg_resources package is slated for removal as early as 2025-11-30. Refrain from using this package or pin to Setuptools<81.

import pkg_resources

Building prefix dict from the default dictionary ...

Loading model from cache C:\Users\app\AppData\Local\Temp\jieba.cache

Prefix dict has been built successfully.

'我', '在', '梦里', '收到', '清华大学', '录取', '通知书'

精准模式: ['九头', '虫', '让', '奔波', '儿', '灞', '把', '唐僧', '师徒', '除掉']

加载词典后: ['九头虫', '让', '奔波儿灞', '把', '唐僧', '师徒', '除掉']

HMM开启: ['我', '在', 'Boss', '直聘', '找', '工作']

HMM关闭: ['我', '在', 'Boss', '直', '聘', '找', '工作']

默认词性输出: [pair('九头虫', 'x'), pair('让', 'v'), pair('奔波儿灞', 'x'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

加载词性词典后: [pair('九', 'n'), pair('头', 'n'), pair('虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

方案一：

(base) PS E:\Datawhale 2026\base-llm202602> & D:/Users/app/miniconda3/envs/base-llm/python.exe "e:/Datawhale 2026/base-llm202602/01_jieba.py"

D:\Users\app\miniconda3\envs\base-llm\lib\site-packages\jieba\_compat.py:18: UserWarning: pkg_resources is deprecated as an API. See https://setuptools.pypa.io/en/latest/pkg_resources.html. The pkg_resources package is slated for removal as early as 2025-11-30. Refrain from using this package or pin to Setuptools<81.

import pkg_resources

Building prefix dict from the default dictionary ...

Loading model from cache C:\Users\app\AppData\Local\Temp\jieba.cache

Loading model cost 0.491 seconds.

Prefix dict has been built successfully.

'我', '在', '梦里', '收到', '清华大学', '录取', '通知书'

精准模式: ['九头', '虫', '让', '奔波', '儿', '灞', '把', '唐僧', '师徒', '除掉']

加载词典后: ['九头虫', '让', '奔波儿灞', '把', '唐僧', '师徒', '除掉']

HMM开启: ['我', '在', 'Boss', '直聘', '找', '工作']

HMM关闭: ['我', '在', 'Boss', '直', '聘', '找', '工作']

默认词性输出: [pair('九头虫', 'x'), pair('让', 'v'), pair('奔波儿灞', 'x'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

加载词性词典后: [pair('九头', 'n'), pair('虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

方案二：

(base) PS E:\Datawhale 2026\base-llm202602> & D:/Users/app/miniconda3/envs/base-llm/python.exe "e:/Datawhale 2026/base-llm202602/01_jieba.py"

D:\Users\app\miniconda3\envs\base-llm\lib\site-packages\jieba\_compat.py:18: UserWarning: pkg_resources is deprecated as an API. See https://setuptools.pypa.io/en/latest/pkg_resources.html. The pkg_resources package is slated for removal as early as 2025-11-30. Refrain from using this package or pin to Setuptools<81.

import pkg_resources

Building prefix dict from the default dictionary ...

Loading model from cache C:\Users\app\AppData\Local\Temp\jieba.cache

Loading model cost 0.498 seconds.

Prefix dict has been built successfully.

'我', '在', '梦里', '收到', '清华大学', '录取', '通知书'

精准模式: ['九头', '虫', '让', '奔波', '儿', '灞', '把', '唐僧', '师徒', '除掉']

加载词典后: ['九头虫', '让', '奔波儿灞', '把', '唐僧', '师徒', '除掉']

HMM开启: ['我', '在', 'Boss', '直聘', '找', '工作']

HMM关闭: ['我', '在', 'Boss', '直', '聘', '找', '工作']

默认词性输出: [pair('九头虫', 'x'), pair('让', 'v'), pair('奔波儿灞', 'x'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

加载词性词典后: [pair('九头虫', 'n'), pair('让', 'v'), pair('奔波儿灞', 'nr'), pair('把', 'p'), pair('唐僧', 'nr'), pair('师徒', 'n'), pair('除掉', 'v')]

第三节 从主题模型到 Word2Vec

安装所需库

pip install scikit-learn torch numpy

python text_classifier.py

python 复制代码 
"""
text_classifier.py
基于 20newsgroups 数据集和全连接网络的文本分类示例
"""

# ==================== 1. 导入所需库 ====================
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import TensorDataset, DataLoader

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer

import numpy as np

# ==================== 2. 加载数据 ====================
print("正在加载 20newsgroups 数据...")
# 加载训练集和测试集
train_data = fetch_20newsgroups(subset='train', shuffle=True, random_state=42)
test_data = fetch_20newsgroups(subset='test', shuffle=True, random_state=42)

print(f"训练样本数: {len(train_data.data)}")
print(f"测试样本数: {len(test_data.data)}")
print(f"类别数: {len(train_data.target_names)}")
print("类别名称:", train_data.target_names)

# ==================== 3. 文本特征提取 (TF-IDF) ====================
print("\n正在提取 TF-IDF 特征...")
# 创建 TF-IDF 向量化器，限制最大特征数以控制内存和维度
# 如果内存不足，可以减小 max_features 的值（例如 5000）
max_features = 10000
vectorizer = TfidfVectorizer(max_features=max_features, stop_words='english')

# 对训练集进行拟合和转换
X_train = vectorizer.fit_transform(train_data.data)
# 对测试集只进行转换
X_test = vectorizer.transform(test_data.data)

# 标签
y_train = train_data.target
y_test = test_data.target

print(f"训练集特征矩阵形状: {X_train.shape}")  # (样本数, max_features)
print(f"测试集特征矩阵形状: {X_test.shape}")

# ==================== 4. 转换为 PyTorch 张量 ====================
print("\n正在转换为 PyTorch 张量...")
# 注意：toarray() 会将稀疏矩阵转为稠密矩阵，可能占用大量内存。
# 如果内存不足，可考虑减小 max_features 或使用分批转换。
X_train_dense = torch.tensor(X_train.toarray(), dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)

X_test_dense = torch.tensor(X_test.toarray(), dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)

# ==================== 5. 定义全连接网络模型 ====================
class TextClassifier(nn.Module):
    def __init__(self, input_dim, hidden_dim1, hidden_dim2, num_classes):
        super(TextClassifier, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim1)
        self.fc2 = nn.Linear(hidden_dim1, hidden_dim2)
        self.fc3 = nn.Linear(hidden_dim2, num_classes)
        self.dropout = nn.Dropout(0.5)  # 防止过拟合

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = self.dropout(x)
        x = F.relu(self.fc2(x))
        x = self.dropout(x)
        x = self.fc3(x)          # 输出 logits，不加 softmax
        return x

# 定义模型参数
input_dim = X_train.shape[1]      # 等于 max_features
hidden_dim1 = 128
hidden_dim2 = 64
num_classes = len(train_data.target_names)

model = TextClassifier(input_dim, hidden_dim1, hidden_dim2, num_classes)
print("\n模型结构:")
print(model)

# ==================== 6. 准备数据加载器 ====================
batch_size = 64
train_dataset = TensorDataset(X_train_dense, y_train_tensor)
test_dataset = TensorDataset(X_test_dense, y_test_tensor)

train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# ==================== 7. 定义损失函数和优化器 ====================
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# ==================== 8. 训练模型 ====================
num_epochs = 10
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
print(f"\n使用设备: {device}")

print("开始训练...")
for epoch in range(num_epochs):
    model.train()
    total_loss = 0
    for inputs, labels in train_loader:
        inputs, labels = inputs.to(device), labels.to(device)

        # 前向传播
        outputs = model(inputs)
        loss = criterion(outputs, labels)

        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_loss += loss.item()

    avg_loss = total_loss / len(train_loader)
    print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {avg_loss:.4f}")

# ==================== 9. 评估模型 ====================
model.eval()
correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in test_loader:
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f"\n测试集准确率: {accuracy:.2f}%")

# ==================== 10. 推理函数与示例 ====================
def predict_text(text, model, vectorizer, device):
    """对单个文本进行预测，返回预测的类别索引"""
    model.eval()
    # 文本向量化
    X = vectorizer.transform([text])
    X_tensor = torch.tensor(X.toarray(), dtype=torch.float32).to(device)
    with torch.no_grad():
        outputs = model(X_tensor)
        _, predicted = torch.max(outputs, 1)
    return predicted.item()

# 用测试集中的第一个文本进行演示
sample_text = test_data.data[0]
true_label = test_data.target[0]
pred_label = predict_text(sample_text, model, vectorizer, device)

print("\n推理示例：")
print(f"文本预览: {sample_text[:200]}...")
print(f"真实类别: {test_data.target_names[true_label]}")
print(f"预测类别: {test_data.target_names[pred_label]}")

# 可选：保存模型
# torch.save(model.state_dict(), "text_classifier.pth")
# print("\n模型已保存为 text_classifier.pth")

输出：

(base-llm) PS E:\Datawhale 2026\base-llm202602> python text_classifier.py

正在加载 20newsgroups 数据...

D:\Users\app\miniconda3\envs\base-llm\lib\site-packages\sklearn\datasets\_base.py:1518: UserWarning: Retry downloading from url: https://ndownloader.figshare.com/files/5975967

warnings.warn(f"Retry downloading from url: {remote.url}")

训练样本数: 11314

测试样本数: 7532

类别数: 20

类别名称: ['alt.atheism', 'comp.graphics', 'comp.os.ms-windows.misc', 'comp.sys.ibm.pc.hardware', 'comp.sys.mac.hardware', 'comp.windows.x', 'misc.forsale', 'rec.autos', 'rec.motorcycles', 'rec.sport.baseball', 'rec.sport.hockey', 'sci.crypt', 'sci.electronics', 'sci.med', 'sci.space', 'soc.religion.christian', 'talk.politics.guns', 'talk.politics.mideast', 'talk.politics.misc', 'talk.religion.misc']

正在提取 TF-IDF 特征...

训练集特征矩阵形状: (11314, 10000)

测试集特征矩阵形状: (7532, 10000)

正在转换为 PyTorch 张量...

模型结构:

TextClassifier(

(fc1): Linear(in_features=10000, out_features=128, bias=True)

(fc2): Linear(in_features=128, out_features=64, bias=True)

(fc3): Linear(in_features=64, out_features=20, bias=True)

(dropout): Dropout(p=0.5, inplace=False)

)

使用设备: cuda

开始训练...

Epoch [1/10], Loss: 2.6843

Epoch [2/10], Loss: 1.3785

Epoch [3/10], Loss: 0.7894

Epoch [4/10], Loss: 0.5311

Epoch [5/10], Loss: 0.3786

Epoch [6/10], Loss: 0.2989

Epoch [7/10], Loss: 0.2285

Epoch [8/10], Loss: 0.1875

Epoch [9/10], Loss: 0.1520

Epoch [10/10], Loss: 0.1311

测试集准确率: 81.05%

推理示例：

文本预览: From: v064mb9k@ubvmsd.cc.buffalo.edu (NEIL B. GANDLER)

Subject: Need info on 88-89 Bonneville

Organization: University at Buffalo

Lines: 10

News-Software: VAX/VMS VNEWS 1.41

Nntp-Posting-Host: ubvmsd....

真实类别: rec.autos

预测类别: misc.forsale

输出翻译与解释

1. 数据加载部分

text

复制代码 
正在加载 20newsgroups 数据...
D:\Users\app\miniconda3\envs\base-llm\lib\site-packages\sklearn\datasets\_base.py:1518: UserWarning: Retry downloading from url: https://ndownloader.figshare.com/files/5975967
  warnings.warn(f"Retry downloading from url: {remote.url}")
训练样本数: 11314
测试样本数: 7532
类别数: 20
类别名称: ['alt.atheism', 'comp.graphics', ...]

  • 训练样本数 11314：训练集共有 11,314 篇新闻文档。

  • 测试样本数 7532：测试集有 7,532 篇文档。

  • 类别数 20：数据集包含 20 个不同的新闻组类别。

  • 类别名称 ：列出了所有类别，例如 alt.atheism（无神论）、comp.graphics（计算机图形学）等，涵盖科技、体育、政治、宗教等多个领域。

2. 特征提取部分

text

复制代码 
正在提取 TF-IDF 特征...
训练集特征矩阵形状: (11314, 10000)
测试集特征矩阵形状: (7532, 10000)

  • TF-IDF 特征：将文本转换为数值向量，每个维度代表一个词（或词组）的 TF-IDF 值。

  • 形状 (11314, 10000) ：训练集有 11,314 个样本，每个样本被表示为一个 10,000 维的向量（因为我们设置了 max_features=10000，只保留最重要的 1 万个词）。

  • 测试集形状 (7532, 10000)：测试集也有相同的 10,000 维特征（特征空间与训练集一致）。

3. 转换为 PyTorch 张量

text

复制代码 
正在转换为 PyTorch 张量...
  • 这一步将 NumPy 数组（稠密矩阵）转换为 PyTorch 的张量（torch.tensor），以便输入神经网络。

4. 模型结构

text

复制代码 
模型结构:
TextClassifier(
  (fc1): Linear(in_features=10000, out_features=128, bias=True)
  (fc2): Linear(in_features=128, out_features=64, bias=True)
  (fc3): Linear(in_features=64, out_features=20, bias=True)
  (dropout): Dropout(p=0.5, inplace=False)
)

  • fc1：第一个全连接层，输入 10,000 维，输出 128 维（即隐藏层 1）。

  • fc2：第二个全连接层，输入 128 维，输出 64 维（隐藏层 2）。

  • fc3：第三个全连接层，输入 64 维，输出 20 维（对应 20 个类别，输出的是每个类别的得分 logits）。

  • dropout：在训练时随机丢弃 50% 的神经元，防止过拟合。

5. 训练设备

text

复制代码 
使用设备: cuda
  • 你的电脑有 NVIDIA GPU，并且 PyTorch 检测到了它，因此使用 GPU 加速训练（cuda）。如果没有 GPU，这里会显示 cpu。

6. 训练过程

text

复制代码 
开始训练...
Epoch [1/10], Loss: 2.6843
Epoch [2/10], Loss: 1.3785
Epoch [3/10], Loss: 0.7894
Epoch [4/10], Loss: 0.5311
Epoch [5/10], Loss: 0.3786
Epoch [6/10], Loss: 0.2989
Epoch [7/10], Loss: 0.2285
Epoch [8/10], Loss: 0.1875
Epoch [9/10], Loss: 0.1520
Epoch [10/10], Loss: 0.1311

  • Epoch：模型完整遍历一次训练集称为一个 epoch。

  • Loss：损失值（交叉熵损失），衡量模型预测与真实标签的差距。数值越小表示模型拟合得越好。

  • 观察：损失从 2.68 稳步下降到 0.13，说明模型在学习，并且效果逐渐变好。

7. 测试集评估

text

复制代码 
测试集准确率: 81.05%
  • 模型在从未见过的 7,532 篇测试新闻上，正确分类的比例为 81.05%。这是一个不错的准确率，说明模型学到了有意义的特征，能够区分不同类别的新闻。

8. 推理示例

text

复制代码 
推理示例：
文本预览: From: v064mb9k@ubvmsd.cc.buffalo.edu (NEIL B. GANDLER)
Subject: Need info on 88-89 Bonneville
Organization: University at Buffalo
Lines: 10
News-Software: VAX/VMS VNEWS 1.41
Nntp-Posting-Host: ubvmsd....
真实类别: rec.autos
预测类别: misc.forsale

  • 文本预览：这是测试集中第一篇新闻的部分内容，看起来是关于一辆 88-89 年庞蒂亚克 Bonneville 汽车的咨询。

  • 真实类别 ：rec.autos（汽车主题的讨论组），与实际内容相符。

  • 预测类别 ：misc.forsale（买卖信息组），模型预测错了。

  • 分析：准确率 81% 意味着模型在 100 次预测中大约有 19 次会出错，所以这里预测错误是正常现象。可能的原因是：这则咨询帖虽然主题是汽车，但可能包含一些与买卖相关的词语（如"info"可能被模型误解为"广告"），或者模型对这类边界模糊的样本判断不准。

总结

  • 成功：完整地运行了一个基于 TF-IDF 和全连接网络的文本分类项目，从数据加载到训练、评估、推理全部走通。

  • 性能：模型达到了 81% 的测试准确率，证明了方法的有效性。

  • 局限：从推理示例看，模型仍有错误，这提示我们可以通过调参、增加数据、使用更复杂的模型（如 CNN、BERT）来进一步提升效果。

相关推荐
样例过了就是过了2 小时前
LeetCode热题100 反转链表
数据结构·算法·leetcode·链表
weixin_448119942 小时前
Datawhale 大模型算法全栈基础篇 202602第3次笔记
笔记·rnn·算法
紫陌涵光2 小时前
538. 把二叉搜索树转换为累加树
c++·算法·leetcode
Zik----2 小时前
Leetcode35 —— 搜索插入位置(二分查找)
数据结构·算法·leetcode
ding_zhikai2 小时前
【Web应用开发笔记】Django笔记3：模版的用法-实现一个简单的网页
笔记·后端·python·django
yi.Ist2 小时前
牛客寒假训练营3
c++·学习·算法
24白菜头2 小时前
2026-2-23：LeetCode每日一题（动态规划专项）
笔记·学习·算法·leetcode·动态规划
土拨鼠烧电路2 小时前
笔记09：产品与研发：爆款、成分与上市生死时速
笔记
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03AI Agent 平台横评：ZeroClaw vs OpenClaw vs Nanobot04【OpenClaw 本地实战 Ep.3】突破瓶颈：强制修改 openclaw.json 解锁 32k 上下文记忆05Clawdbot部署教程：解决‘gateway token missing’授权问题的完整步骤06openClaw安装飞书插件｜核心踩坑：spawn EINVAL 错误终极解决指南07全面体验 Grok API 中转站（2025 · Grok 4 系列最新版）08HTML 早已不是标签了，它现在是系统级接口：这 9 个 API 直接干翻常用 JS 库09如何解决 OpenClaw “Pairing required” 报错：两种官方解决方案详解10AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南