人工智能

【分布式利器：腾讯TSF】7、TSF高级部署策略全解析：蓝绿/灰度发布落地+Jenkins CI/CD集成（Java微服务实战）在微服务架构落地过程中，“发布”是贯穿全生命周期的核心环节——一次不规范的发布可能导致服务不可用、用户体验受损，甚至引发生产事故。腾讯微服务框架（TSF）作为一站式微服务治理平台，提供了覆盖滚动更新、蓝绿发布、金丝雀（灰度）发布的全维度部署策略，同时支持与CI/CD工具无缝集成，解决了传统发布“停机风险高、回滚不及时、自动化程度低”的痛点。

RAG索引流程详解：如何高效解析文档构建知识库在RAG（检索增强生成）系统中，文档解析是整个知识库构建的第一步，也是最关键的一步。就像建房子需要打好地基一样，良好的文档解析质量直接决定了后续检索和生成的效果。今天，我们就深入探讨RAG索引流程中的文档解析技术。

海上风电“AI偏航对风”：把发电量提升2.1%，单台年增30万度海上风电作为清洁能源的核心支柱，其发电效率直接关系到能源转型的推进成效。但海上风况复杂多变，风切变、湍流等现象频发，传统偏航对风系统依赖机械式风向标与固定算法，响应延迟达数秒，对风精度偏差常超1°，导致大量风能流失。行业数据显示，偏航精度偏差1°可使发电效率下降2%-3%，成为制约海上风电效能提升的关键瓶颈。而“AI偏航对风”技术的落地，通过智能算法与多源感知的深度融合，实现对风精度提升至±0.5°以内，将发电量提升2.1%，单台15MW机组年增发电量超30万度，为海上风电高效开发提供了核心技术支撑。

机器学习第二讲 KNN算法KNN算法思想：如果一个样本在特征空间中的 k 个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。

Skills vs MCP：竞合关系还是互补？深入解析Function Calling、MCP和Skills的本质差异摘要：Function Calling是AI Agent调用工具的基础能力，MCP和Skills都基于它构建。本文深入解析三者的本质差异：MCP解决工具集成问题，Skills解决任务流程定义问题。通过Lynxe框架的实践，我们发现MCP和Skills实际上是竞争关系大于互补关系，并提出了"一切都是函数，函数才是第一公民"的设计理念。

测试工程师入门AI技术 - 前序：跨越焦虑，从优势出发开启学习之旅导读：本文是“测试工程师入门AI技术”系列的开篇，面向所有对AI感到好奇或焦虑的测试同行。我们将一起探讨如何将测试领域的既有优势转化为学习AI的独特动力，并规划一条从“使用”到“理解”再到“创造”的实践路径。

盛世宏博北京

云边协同・跨系统联动：智慧档案馆建设与功能落地原标题：智慧档案馆建设路径与核心功能全景方案添加图片注释，不超过 140 字（可选）一、智慧档案馆建设核心逻辑

讲透知识图谱Neo4j在构建Agent时到底怎么用（二）在构建面向真实业务场景的智能 Agent 时，我们很快会发现：仅靠大语言模型（LLM）和向量检索（RAG）远远不够。LLM 擅长生成流畅自然的语言，却缺乏对业务规则的精确把握；RAG 能从海量文档中召回相关信息，但无法处理需要多跳推理或结构化判断的问题。当用户问出“我是科技城的，家里空调坏了找谁？”这类问题时，系统若仅依赖关键词匹配或语义相似度，极易给出错误甚至自相矛盾的答案。

DeepSeek-mHC深度拆解：流形约束如何驯服狂暴的超连接？当大模型参数从百亿级迈向万亿级，训练过程中的“底层架构瓶颈”愈发凸显。我们可以用“城市供水系统”来类比：神经网络的残差连接（Transformer核心结构，形式为x + F(x)）就像城市的“直通水管”，通过恒等映射（Identity Mapping）保证信号在深层网络中无损传输，这是模型能稳定训练的核心前提。但随着模型规模扩大，这根“细水管”的弊端逐渐显现——信息通道宽度受限于隐藏层维度，无法满足大规模特征交互的需求，成为性能提升的瓶颈。

AI工作流如何开始作为软件开发的你，是否也想让智能助手帮你工作？那么如何开始呢？带着这个疑问，不防阅读下本文。着手搭建AI开发工作流的核心原则是 “从低门槛场景切入，工具轻量化起步，流程逐步固化，效果迭代优化”，完全贴合Golang后端、云原生、信创的开发需求。无需一开始就搭建复杂的私有化模型平台，可按 “个人试水→团队落地→企业深化” 三阶段推进，以下是具体步骤和实操指南：

用于机器人电池电量预测的Sarsa强化学习混合集成方法📝分享的所有Java项目源码均包含（前端+后台+数据库），可做毕业设计或课程设计，欢迎留言分享问题，交流经验，白嫖勿扰🍅更多优质项目👇🏻👇🏻可评论留言获取！！

扫地的小何尚

NVIDIA RTX PC开源AI工具升级：加速LLM和扩散模型的性能革命在人工智能快速发展的今天，PC端的AI开发活动正在经历爆炸式增长。这一趋势的驱动力来自于小型语言模型（SLMs）和扩散模型质量的显著提升，如FLUX.2、GPT-OSS-20B和Nemotron 3 Nano等模型的出现。与此同时，ComfyUI、llama.cpp、Ollama和Unsloth等AI PC框架也在不断进行功能升级，其受欢迎程度在过去一年中翻了一番，使用PC级模型的开发者数量更是增长了十倍。开发者们不再仅仅是在实验生成式AI工作流，而是在NVIDIA GPU上构建下一代软件栈，从数据中心延

人工智能AI技术

多智能体开发实战：从需求拆解到落地部署，这套工程化方案直接复用朋友，可以转载，但请注明出处，谢谢！ http://blog.csdn.net/jiangjunshow

我的offer在哪里

Hugging Face 生态全景图：从数据到部署的全链路 AI 工厂它就像一个 “大模型工厂”，你只要把数据放进去，就能拿到可用的模型；你只要把模型放进去，就能拿到可上线的服务。

多模态RAG实战指南传统RAG系统在处理纯文本应用场景中已展现出显著效果，然而现实世界的信息载体往往呈现多模态特征。文档中普遍包含图像、表格、图表等承载关键信息的视觉元素，这些多模态内容的有效处理正是多模态RAG系统的核心价值所在。

DX_水位流量监测

大坝安全监测之渗流渗压位移监测设备技术解析一．引文大坝作为水利工程的核心构筑物，其安全运行直接关系到下游人民群众的生命财产安全与区域经济社会的稳定发展。渗流、渗压与位移监测是大坝安全监测体系的关键组成部分，相关监测设备的稳定运行与精准测量，成为保障大坝全生命周期安全的重要技术支撑。

昵称已被吞噬~‘(*@﹏@*)’~

【RL+空战】学习记录03：基于JSBSim构造简易空空导弹模型，并结合python接口调用测试

MindSpore开发之路（二十四）：MindSpore Hub：快速复用预训练模型在上一篇文章中，我们探索了 MindSpore 的 ModelZoo，它像一个庞大的“模型菜谱”集合，为我们提供了各种高质量模型的标准实现代码。这对于学习、复现和进行深度定制非常有帮助。但如果我们的目标是快速将一个成熟的模型应用到某个任务中，有没有比“照着菜谱从零做起”更高效的方式呢？

老周聊架构

基于YOLOv8-OBB旋转目标检测数据集与模型训练1.1 YOLOv8 数据集的格式YOLOv8 对数据集有明确的格式要求，图像文件通常是 jpg、png 等图像格式，其标准结构可概括为三级目录体系与镜像式文件映射。以下为结构化说明：

基准测试：Akamai云上的NVIDIA RTX Pro 6000 Blackwell基准测试显示，在Akamai云上运行的NVIDIA RTX PRO™ 6000 Blackwell推理吞吐量比H100最高提升1.63倍，在100个并发请求下每台服务器达到24,240 TPS。