笔记

ROS项目设计案例智能大模型正经乱答案例依据图片中给定的项目示例给出设计方案：不合适回复：从截图可见：RViz中蓝色全局规划路径、环境点云障碍物（灰色立柱）、机器人模型、目标点，是典型机器人自主避障导航场景，下面给出完整ROS方案，可基于ROS Noetic/Melodic（ROS1）或ROS2 Humble。

学习笔记：知识图谱是什么，在测试里能干什么哈喽，大家好～这阵子我在折腾「用 AI 辅助测试」：把测试知识库切成片段喂给 AI，帮着生成测试用例；又通过 MCP 协议连上 bug 管理系统，让 AI 自动拉缺陷数据做分析。

以为你知道啊

90年代复古博客开源地址：github.com/xiwen-haochi/oldie-blog前置声明：它有 bug，而且我清楚地知道是哪些。

波力海苔夹心脆675

C# 值类型与引用类型详解：存储位置、赋值机制、参数传递、相等比较、装箱拆箱与常见陷阱在开始之前首先祝大家中秋快乐!! 一句话核心结论：值类型"存值"——赋值时把整份数据复制一份，两份互不影响；引用类型"存地址"——赋值只复制引用，多个变量指向堆上同一个对象。

AOI小白新手上路

从 Keil 调试视角看 51 指针，到 Cortex-M 内存映射访问寄存器 · 学习笔记所属课程：郭天祥《51 单片机 C 语言教程》+ 韦东山 Cortex-M 嵌入式开发课程所在章节：指针与寄存器访问专题原视频：教材第 X 章 / 课件《怎么访问寄存器》整理日期：2026-09-29

ELF加载、动态链接、GOT与PLT前面已经弄清楚了 .o、ELF、Section、Segment 和静态链接。程序编译链接完成以后，还差最后一步：

野莓采集图片修改指南：从单张处理到批量优化野莓采集在日常使用中经常会带回来大量图片素材，但原始图片往往不能直接用于发布或入库。常见的问题包括：文件名是随机字符、格式不统一、尺寸过大影响加载速度、带有水印或多余留白、重复图片占空间等。因此在采集完成后，通常需要先做一轮图片修改和整理，再投入后续使用。

【SAP BASIS】Section 11: SAP System Landscape目录34.Introduction to System Landscape35.SAP Client36.System and Client Options

嵌入式开发笔记随记1、CAN 485相关理解3、snprintf(写到哪里，写多少个，"格式化字符",变量) snprintf(buf,sizeof(temp),"%s",version);strncat(连接到哪里，连接谁，从哪里开始连接) strncat(buf,temp.sizeof(buf)-strlen(buf)-1);

【唤醒实战笔记】2026-09-29 | 智能体提示词迭代史（v1 → v8）同一个智能体，同一个"分析模型"角色，两个月前和现在的提示词开头，几乎认不出是同一个东西：v1 开头：

2026年9月：雷神专业维修服务保障在购买雷神设备后，维修保障是大家颇为关注的痛点。一旦设备出现故障却难以找到靠谱维修渠道，不仅耽误使用，还可能花费冤枉钱。拥有专业的维修服务，无疑能让用户在使用时有更安心的保障。

MySQL密码重置用管理员身份打开命令提示符（不是win+r，再输入cmd的操作）输入net stop mysql，可能会和我一样，服务名无效，无效的执行下面操作，可以的直接跳到3️⃣那操作

【SAP BASIS】Section 13: Managing Transport Request目录39.Customizing Projects40.Customizing Transport Request

操作系统个人学习笔记(四)：K8s基础Pod 是 K8s 的最小调度单位，里面可以有一个或多个容器，这些容器共享网络、存储等资源。所以同一个 Pod 里：

懒人代餐即食米饭：常温全能型，让一顿热饭不受厨房和冰箱限制一顿饭的自由，可以不受厨房和冰箱的限制。你有没有过这样的时刻？露营时翻遍背包只找到一包干粮，加班到深夜却连一碗热饭都难求，或是出差途中饿得发慌却只能啃面包？现代生活节奏快、场景杂，一顿热乎、方便的主食，可以成为日常选择。而值得考虑的懒人代餐即食米饭，可以兼顾日常与应急场景——有范先生的常温即食米饭，可以满足相关需求。

高山有多高

【Linux笔记】Linux基本指令ls表示：list的缩写，列出目录下的文件ls : 仅列出当前目录下文件和文件夹的名称ls -l：展示每个文件或目录的详细属性

AI infra 学习笔记（三）：预处理·第一步——QKV 投影到底算了多少注意力的公式大家都背得出来：Attention ( Q , K , V ) = softmax ( Q K T d k ) V \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V Attention(Q,K,V)=softmax(dk QKT)V

AiMaMi 介绍及与 CC Switch 对比AiMaMi 是一个面向 OpenAI Codex 的桌面管理/增强工具，Tauri 2 + React + Rust 构建，macOS/Windows 提供安装包，Linux 为部分支持。它不替代 Codex 聊天能力，而是把 Codex 本地那些分散在 ~/.codex、auth.json、TOML、SQLite、AGENTS.md 里的管理工作收进一个 GUI 控制台。

喜欢打篮球的普通人

MiniMind 学习笔记(十):优化器、学习率和数据设置——训练稳定性的三块基石大模型的训练不是简单的"用个 Adam 就行了",而是需要对优化器、学习率调度、数据设置等多个方面进行细致调整和理解,才能保证训练的稳定性。这一节是 Pretrain 中最偏实践的部分:从权重初始化、Warmup、Cosine Decay,一路讲到 Adam/AdamW 的构造、Lion/Muon 新方向、数据质量、Scaling Law,以及 batch size / epoch / tokens seen 这套训练计量体系。

喜欢打篮球的普通人

MiniMind 学习笔记(十三):SFT 导言——从“续写文本“到“回答用户“SFT 是 Supervised Fine-Tuning(监督微调),通常接在 Pretrain 之后:用整理好的指令、问答或多轮对话数据,让一个主要学会"续写文本"的基座模型,进一步学会按照用户输入给出回答。有了 Pretrain 的基础,SFT 的训练形式会简单很多——它并没有发明一个全新的 loss,仍然是 next token prediction。真正变化的是训练数据的组织方式,以及哪些 token 会参与 loss。