教程
筛选与排序
共 298 篇教程
支付与订阅
ChatGPT 订阅与支付方式指南:网页、安卓应用与银行卡
说明通过 ChatGPT 官方网页和安卓 Google Play 订阅的具体步骤,以及 Mastercard 等银行卡、账单资料和续费管理的适用条件。
工具使用
Cockpit Tools 的 Codex 账号添加、切换与验证
按安装、添加账号、浏览器授权、切换并启动的顺序操作,管理多个自有 Codex 账号,并在切换后核对实际登录身份。
故障排查
Codex 重连故障与 TUN 模式的分步排查
针对 Codex 开启 TUN 后可用、常用代理模式下反复重连的现象,按原教程五步定位、重启、切换模式并验证,补充节点与端口检查。
故障排查
Codex 重新连接故障:代理环境变量配置与验证
保留旧版教程创建代理环境变量文件的完整五步,说明八行配置、真实监听端口、版本兼容性,以及从已配置代理的终端启动后的验证方法。
故障排查
Codex 在 Windows 启动后无窗口的排查与恢复步骤
按七项措施检查启动后无窗口、残留进程与初始化异常,保留只读命令和四步反馈流程,并说明旧版目录处理的适用边界。
数据与数据库
Matplotlib:Python 绘图的底层标准
Matplotlib 用 Figure、Axes 和 Artist 组织图形,适合生成可精确调整并导出的图表。复杂脚本中显式持有 fig 与 ax 有助于避免当前图形状态混淆。
数据与数据库
NumPy:数值计算的地基
NumPy 用带 shape、dtype 与 strides 的多维数组组织数值数据,并通过数组运算调用高效的底层实现。性能取决于操作、规模、数据类型和内存布局。
数据与数据库
OpenPyXL:读写 Excel 文件
OpenPyXL 读写 Office Open XML 工作簿,支持单元格、样式、公式字符串和图表;它不启动 Excel,也不负责计算公式结果。
数据与数据库
Pandas:表格数据分析(3.x)
pandas 用 Series 和 DataFrame 表达带标签的数据,支持读取、筛选、分组、连接与导出。3.x 使用 Copy-on-Write,使派生对象的修改不会隐式回写原表。
数据与数据库
Plotly:交互式图表(7.x)
Plotly 的 Python 接口构建可序列化的图形对象,再由网页中的 plotly.js 渲染交互图。HTML 导出与静态图片导出的依赖不同。
数据与数据库
Polars:高性能 DataFrame(2.x)
Polars 以列表达式和惰性查询组织表格变换,由引擎优化查询并执行。2.0 默认使用流式引擎,但流式与磁盘溢写能力仍取决于具体算子。
数据与数据库
PyArrow:列式内存格式与 Parquet
PyArrow 提供 Arrow 内存数据结构及计算和交换接口,也能读写 Parquet。Arrow 的内存格式与 Parquet 的磁盘格式用途不同。
数据与数据库
Seaborn:统计可视化
Seaborn 在 Matplotlib 上提供统计绘图接口,用变量映射组织分组、分布与关系图,并可绘制不同含义的误差线。
数据与数据库
Streamlit:用纯 Python 快速做数据应用
Streamlit 通过 Python 脚本生成交互界面,常规组件交互会触发脚本重跑;缓存与 session_state 分别管理重复计算和会话状态。
编程基础
断点(Breakpoint)与交互式调试器
断点让执行在指定位置或满足条件时暂停,以便检查栈帧、变量并单步观察后续行为。断点改变执行时序,因此并发故障还需要日志等证据。
编程基础
Clean Code(整洁代码)
整洁代码把意图、边界和约定表达清楚,让维护者能够理解并检查修改的影响。短函数、命名和统一格式是手段,正确行为与可维护性才是目标。
编程基础
代码评审(Code Review)
代码评审由作者之外的评审者检查改动及其上下文,关注正确性、设计、测试和维护成本。自动检查和 AI 建议可以提供线索,最终意见仍需可验证的理由。
编程基础
代码坏味道(Code Smell)
代码坏味道是提示设计可能需要检查的表面迹象,例如重复逻辑、职责混杂或参数过多。它是调查起点,不是必须修改的判决。
编程基础
调试(Debugging)
调试把预期与实际的差异变成可复现的问题,再通过观察、提出假设和实验定位原因,最后修复并验证。
编程基础
声明式编程(Declarative Programming)
声明式编程描述想得到的结果、约束或关系,把具体执行步骤交给语言运行时、查询引擎或框架。
编程基础
设计模式(Design Patterns)
设计模式是对反复出现的设计问题、适用条件与解决方式的命名总结。它提供讨论结构的语言,具体实现应结合所用语言和项目规模。
编程基础
文档(Documentation)
软件文档说明功能如何使用、接口有哪些约束,以及设计为何如此。教程、操作指南、参考与解释各自服务不同阅读任务。
编程基础
异常处理(Exception Handling)
异常处理把失败从发生处传到能作出决定的层级,用明确的异常类型、原因链和清理逻辑支持报错、重试或降级。
编程基础
函数式编程(Functional Programming)
函数式编程重视函数组合、高阶函数与显式的数据变换。纯函数和不可变数据是常用手段,但实际程序仍需要把文件、网络等副作用管理好。
编程基础
命令式编程(Imperative Programming)
命令式编程通过赋值、分支、循环等语句,明确描述程序如何一步步改变状态并得到结果。
编程基础
日志(Logging)
日志按级别记录程序事件,并通过时间、来源和关联字段帮助还原运行过程。日志与指标、链路追踪一起支持排查故障。
编程基础
面向对象编程(OOP)
面向对象编程用对象组织数据与行为,通过封装、接口和协作管理状态,并让不同实现遵守相同的行为约定。
编程基础
编程范式(Programming Paradigm)
编程范式是组织程序的思路。命令式强调执行步骤,声明式强调目标或关系;函数式、面向对象等范式可以在同一个程序中组合使用。
编程基础
重构(Refactoring)
重构在保持约定的可观察行为的前提下调整内部结构,使后续理解和修改更容易。每一步都应足够小,并用合适的检查及时发现行为变化。
编程基础
SOLID 原则
SOLID 汇总了单一职责、开闭、里氏替换、接口隔离和依赖倒置五条设计原则,用于控制需求变化对代码的影响。
编程基础
栈追踪(Stack Trace / Traceback)
栈追踪记录异常传播经过的调用位置;结合异常类型、消息与异常链,可以从报错现场追溯更早的原因。
编程基础
异步编程 async / await
async 与 await 描述可挂起的协程。asyncio 通常在一个事件循环线程中交替推进任务,让非阻塞 I/O 的等待时间重叠。
编程基础
上下文管理器(Context Manager)与 with 语句
上下文管理器用进入与退出协议管理资源或临时状态;with 在进入成功后,确保正常离开或异常展开时调用退出逻辑。
编程基础
装饰器(Decorator)
装饰器在函数或类定义后接收该对象,并用返回对象重新绑定其名字。常见用途包括包装行为、注册对象和修改定义时的元数据。
编程基础
生成器(Generator)
生成器函数在调用时返回生成器对象,迭代推进到 yield 时产出一个值并暂停,下次从保存的状态继续。它适合按需计算的数据流。
编程基础
迭代器(Iterator)与可迭代对象
可迭代对象能提供迭代器;迭代器保存当前位置,通过 next 逐项返回元素,并以 StopIteration 表示结束。迭代器本身也是可迭代对象。
编程基础
多进程(Multiprocessing)
多进程把工作分配给多个独立进程,适合可分解的计算任务与需要隔离的工作。收益要扣除启动、序列化、通信和内存开销。
编程基础
可变与不可变(Mutable vs Immutable)
可变性描述对象内容能否原地改变;可哈希性描述能否作为字典键或集合元素。两者相关但不等价,嵌套元素与自定义相等规则都要考虑。
编程基础
变量、对象与引用(Names, Objects and References)
Python 的名字绑定到对象。赋值通常改变绑定而非复制对象;多个名字引用同一个可变对象时,一方的原地修改会被其他引用看到。
编程基础
多线程(Threading)、GIL 与自由线程 Python
多线程在一个进程中共享对象并运行多条执行流。带 GIL 的 CPython 对纯 Python CPU 并行有限制;自由线程构建可并行执行,但仍需保护共享状态。
编程基础
类型提示(Type Hints)
类型提示描述期望的类型契约,供静态检查器、IDE 和框架使用;Python 本身通常不会因标注而自动验证传入值。
数学与算法
广度优先搜索(BFS)
BFS 用队列按距起点的边数分层扩展,在无权图或相同正权的图中得到最少边数路径。入队时标记可避免重复扩展。
数学与算法
Big O:时间与空间复杂度
Big O 给出资源消耗随规模增长的渐进上界,帮助比较算法的扩展性。分析时还要说明最坏、平均、摊还等口径,并区分输入参数。
数学与算法
二分搜索(Binary Search)
二分搜索在有序序列或具有单调真值的搜索空间里不断缩小区间,典型查询需要 O(log n) 次比较。
数学与算法
深度优先搜索(DFS)
DFS 用递归或显式栈沿一条路径深入,再回退探索其他分支。常规图遍历访问每个节点和边一次,邻接表下为 O(V+E)。
数学与算法
Dijkstra 最短路径算法
Dijkstra 在非负权图中反复取出当前暂定距离最小的节点,确定其最短距离并松弛邻边。优先队列避免每次扫描全部未确定节点。
数学与算法
动态规划(Dynamic Programming)
动态规划定义状态与转移,保存并复用子问题结果,按依赖顺序计算目标。它可以用于最优化、计数或概率求和,不只用于找最优解。
数学与算法
贪心算法(Greedy)
贪心算法按当前规则选择一步并继续,不遍历所有未来分支。是否得到全局最优需要针对问题证明,局部看起来最好并不足够。
数学与算法
归并排序(Merge Sort)
归并排序先分别排序子序列,再把它们合并。典型数组实现最坏时间为 O(n log n),需要 O(n) 辅助空间;稳定性取决于相等元素的合并规则。
数学与算法
快速排序(Quicksort)
快速排序通过选择基准并分区,再递归处理各分区。随机化等策略使期望时间达到 O(n log n),但某些实现的最坏时间仍为 O(n²)。
数学与算法
最短路径问题总览(BFS / Bellman-Ford / Floyd-Warshall)
最短路径最小化边权总和。算法选择取决于边权条件、图结构和要查询的起终点范围:无权可用 BFS,非负权可用 Dijkstra,负权常用 Bellman–Ford。
数学与算法
数组(Array)与 Python 列表
数组按下标组织元素;CPython 的 list 使用可扩容的对象指针数组。下标访问快,尾部追加为摊还常数时间,头部插入则需移动元素。
数学与算法
二叉树与二叉搜索树(BST)
二叉树每个节点最多有左右两个孩子。二叉搜索树再要求整棵左、右子树满足键的有序关系;操作成本取决于树高,普通 BST 不保证平衡。
数学与算法
图(Graph)
图用顶点与边表示关系,可以是有向、无向或加权。邻接表与邻接矩阵在存储空间和访问成本上有不同权衡。
数学与算法
哈希表(Hash Table)与 dict / set
哈希表通过键的哈希值定位候选槽位,再用相等比较确认键。良好的散列与装载控制使查找、插入、删除的平均成本接近常数。
数学与算法
堆(Heap)与优先队列
二叉最小堆把完全二叉树放入数组,保持父节点不大于孩子。读取堆顶为 O(1),移除堆顶并恢复结构通常为 O(log n)。
数学与算法
链表(Linked List)
链表由节点及链接组成。已知所需节点或前驱时可以局部调整链接;寻找位置和按下标访问通常需要遍历。
数学与算法
队列(Queue)
队列通常按先进先出消费元素;双端队列允许两端操作。线程、协程和进程间队列提供不同的等待与同步机制。
数学与算法
栈(Stack)
栈提供后进先出的访问顺序。Python 中 list 的 append 与尾部 pop 可以实现栈;显式栈还能把某些递归遍历改成循环。
数学与算法
树(Tree)
有根树把节点组织成层级,除根外每个节点只有一个父节点。它适合表示可递归分解的层级数据;一般无向树则是连通且无环的图。
数学与算法
Trie(前缀树 / 字典树)
Trie 按字符或 token 前缀共享路径,支持精确查找、前缀查询与补全。查找成本与键长度有关,枚举补全还要计入输出数量。
数学与算法
贝叶斯定理与贝叶斯推断
贝叶斯定理用似然与先验更新后验。一次更新必须明确假设、证据及它们的联合或条件概率模型。
数学与算法
导数:变化率、数值微分与链式法则
导数是函数在某一点的瞬时变化率。链式法则处理复合函数;有限差分近似导数,自动微分则沿运算规则计算导数。
数学与算法
特征值与特征向量
对方阵 A,非零向量 v 若满足 Av=λv,就称为特征向量,λ 为特征值。实数负特征值可以反向,零特征值会把该向量映为零。
数学与算法
梯度与反向传播
梯度由标量函数的偏导数组成。可微处、以欧氏单位方向比较瞬时变化时,它指向最陡上升方向;反向传播高效地在计算图中应用链式法则。
数学与算法
线性代数总览:线性方程组、线性变换与秩
线性代数研究向量空间、线性映射和方程组。选定有限维空间的基后,线性映射可用矩阵表示;神经网络中的带偏置映射则属于仿射变换。
数学与算法
损失函数:MSE、交叉熵与困惑度
损失函数定义训练时优化的目标。MSE、MAE、Huber 和交叉熵适用于不同误差模型;语言模型困惑度是指定 token 评估方式下平均负对数似然的指数。
数学与算法
矩阵与矩阵运算
矩阵按行列组织坐标或数据。矩阵乘法组合线性映射、批量计算内积;维度一致是运算有定义的必要条件。
数学与算法
归一化:特征缩放、BatchNorm、LayerNorm 与 RMSNorm
归一化与标准化按选定维度调整数据尺度。输入特征缩放和 BatchNorm、LayerNorm、RMSNorm 等网络层使用不同统计量与参数。
数学与算法
优化:梯度下降、动量与 Adam
优化寻找使目标更小的参数。梯度下降、动量和 Adam 采用不同的方向与步长规则,结果取决于目标、初始点和超参数。
数学与算法
概率:随机变量、分布与 softmax 采样
概率描述事件的不确定性,分布描述随机变量的取值规律。语言模型通过 logits 和归一化生成 token 的条件分布,再按策略选择输出。
数学与算法
正则化:L1、L2、Dropout 与权重衰减
正则化通过约束参数、更新、模型或训练过程改善泛化,常见形式包括 L1/L2 惩罚、Dropout、早停和数据增强。
数学与算法
统计学:描述统计、置信区间与假设检验
统计学用样本描述数据并推断总体,通过标准误、区间和检验表达不确定性。分析方式应与抽样、配对和重复测量设计一致。
数学与算法
向量:范数、点积与余弦相似度
在本篇的实数坐标空间中,向量是一组有序坐标。范数衡量大小,点积连接大小与夹角,余弦相似度比较非零向量的方向。
模型基础
Diffusers:扩散模型工具库
Diffusers 用可组合的网络、调度器与流水线支持扩散及相关生成模型。本篇通过 DDPM 的加噪与去噪例子展示组件关系。
模型基础
JAX:可组合函数变换的数值计算库
JAX 用 NumPy 风格的数组操作与 grad、jit、vmap 等函数变换,构建可微分、可编译和可批量化的数值程序。
模型基础
PEFT 与 LoRA:参数高效微调
参数高效微调只更新少量新增或选定参数。PEFT 是相关方法库;LoRA 通过低秩矩阵表示权重更新,冻结底座并训练较小的适配部分。
模型基础
PyTorch:动态图深度学习框架
PyTorch 提供张量计算、自动微分和神经网络模块。训练通常由前向计算、损失、反向求梯度与优化器更新组成。
模型基础
Scikit-learn:经典机器学习工具箱
scikit-learn 为经典机器学习提供统一的估计器接口、预处理、模型选择与指标。Pipeline 把训练阶段的变换和模型组合,减少评估过程中的数据泄漏。
模型基础
TensorFlow 与 Keras
TensorFlow 提供张量、自动微分与执行图等能力。Keras 是高层模型 API;Keras 3 支持 TensorFlow、JAX 和 PyTorch 后端,本篇示例选择 TensorFlow 后端。
模型基础
Hugging Face Transformers:预训练模型的统一接口
Transformers 为多种模型架构提供配置、分词、加载、推理与训练接口。统一接口减少重复代码,但不同模型的输入、任务头和生成行为仍需分别检查。
模型基础
激活函数(Activation Function)
激活函数为网络引入非线性,不同函数的导数、饱和区和输出尺度会影响优化。
模型基础
反向传播(Backpropagation)
反向传播用链式法则沿计算图反向计算损失对中间量和参数的梯度,参数更新由优化器另行执行。
模型基础
卷积神经网络(CNN)
卷积神经网络用共享卷积核处理局部邻域,并组合成多层特征表示。
模型基础
扩散模型(Diffusion Model)
扩散模型学习逐步加噪过程的逆向生成过程,通过多步或经压缩的采样过程从噪声生成数据。
模型基础
前向传播(Forward Propagation)
前向传播按模型计算图把输入变为预测或损失,执行层间变换而不更新参数。
模型基础
生成对抗网络(GAN)
生成对抗网络联合训练生成器和判别器,使生成样本在所选目标下逼近真实数据分布。
模型基础
长短期记忆网络(LSTM)
LSTM通过输入、遗忘和输出门控制单元状态与隐藏状态,为学习长程依赖提供额外路径。
模型基础
神经网络(Neural Network)
神经网络把可学习的线性或仿射变换与非线性组合起来,通过训练适应输入输出关系。
模型基础
感知机(Perceptron)
感知机用线性打分与阈值进行二分类,并根据错分样本更新权重。
模型基础
循环神经网络(RNN)
循环神经网络在序列位置之间传递隐藏状态,使当前计算依赖此前状态。
模型基础
视觉 Transformer(ViT)
视觉Transformer把图像表示为patch等视觉token序列,并用注意力模块学习其关系。
模型基础
注意力机制(Attention)
缩放点积注意力根据查询与键形成权重,对值做加权汇集;多头注意力组合多组投影结果。
模型基础
上下文窗口(Context Window)
上下文窗口是一次模型处理可容纳的token范围或预算,上限和输入输出计数规则取决于模型与服务。
模型基础
直接偏好优化(DPO)
DPO在参考策略基础上,用偏好对及相对对数概率损失直接优化策略,经典离线训练无需独立奖励模型和在线rollout。
模型基础
嵌入(Embedding)
嵌入把离散对象或复杂输入编码为向量,表示的相似关系由训练目标和使用方式决定。
模型基础
微调(Fine-tuning)
微调从已训练参数继续优化,以适应目标任务、领域或输出行为。
模型基础
推理(Inference)
推理是用模型计算预测;自回归LLM通常先预填充提示,再迭代解码并选择输出token。
模型基础
指令微调(Instruction Tuning / SFT)
指令微调用指令与目标回复等监督数据训练模型,改善按任务或对话约定作答的行为。
模型基础
大语言模型(LLM)
大语言模型是在大量语言数据上训练的大规模模型;本篇聚焦以Transformer自回归预测下一个token的生成式LLM。
模型基础
预训练(Pre-training)
预训练在较广泛数据上先学习可迁移表示或生成能力;本篇示例采用文本自监督的下一个token目标。
模型基础
推理模型(Reasoning Model)
推理模型通过训练与推理时计算安排,改善多步推断任务,内部推理过程未必完整展示给用户。
模型基础
基于人类反馈的强化学习(RLHF)
RLHF利用人类反馈作为学习信号;经典语言模型流程以偏好训练奖励模型,再用带约束的策略优化改善生成。
模型基础
分词(Tokenization)
分词把输入转换为token及其id;粒度和特殊标记由目标模型配套的分词器决定。
模型基础
Transformer
Transformer以注意力、前馈模块和残差等结构组织序列计算,具有编码器、解码器和组合等变体。
模型基础
偏差-方差权衡(Bias-Variance Tradeoff)
偏差—方差分解在平方损失下,把期望预测误差拆成系统性偏差、训练样本变化引起的方差及不可约噪声。
模型基础
分类(Classification)
分类学习把输入映射到离散类别,可用概率、决策分数或直接标签支持决策。
模型基础
聚类(Clustering)
聚类按选定的距离、密度或模型假设,把相似样本组织成组,不预先给定每个样本的业务类别。
模型基础
交叉验证(Cross-Validation)
交叉验证多次划分训练与验证数据,用多个验证结果评估既定学习流程。
模型基础
特征工程(Feature Engineering)
特征工程把原始数据转成模型可使用的表示,包括编码、缩放、交互、变换与业务统计。
模型基础
特征选择(Feature Selection)
特征选择保留一部分输入特征,用来降低成本、改善解释或控制过拟合。
模型基础
过拟合(Overfitting)
过拟合指学习流程过度适应训练样本或调参数据中的偶然结构,泛化表现没有随训练表现一起改善。
模型基础
回归(Regression)
回归学习输入与数值目标之间的关系,输出数值预测,并用适合任务的误差指标评价。
模型基础
半监督学习(Semi-supervised Learning)
半监督学习结合少量有标签样本与更多无标签样本,借助分布或预测一致性假设改善学习。
模型基础
监督学习(Supervised Learning)
监督学习用带目标值的样本学习输入到输出的映射,再在未参与拟合的数据上评估泛化。
模型基础
训练集、验证集与测试集划分
训练、验证和测试划分分别用于参数学习、方案选择与最终评价,划分方式应模拟实际部署对象和时间。
模型基础
欠拟合(Underfitting)
欠拟合指当前表示、模型或训练流程不能充分捕捉任务所需关系,训练与验证表现都可能较差。
模型基础
无监督学习(Unsupervised Learning)
无监督学习在没有指定目标标签的数据上发现结构,例如聚类、降维和密度估计。
AI 工程
Agent Loop(智能体循环)
Agent循环重复执行模型决策、工具调用和观察回传,直至任务完成或代码层终止条件触发。
AI 工程
AI Agent(智能体)
本篇的LLM Agent根据目标和观察动态选择行动,应用负责执行工具并管理状态、预算与终止。
AI 工程
AutoGen
AutoGen以消息和模型客户端组织多智能体应用,本文针对分层的Core、AgentChat与Extensions接口。
AI 工程
CrewAI
CrewAI用Agent、Task、Crew及Flows等抽象安排模型、工具和任务之间的协作。
AI 工程
Function Calling(函数调用协议)
函数调用协议让模型用结构化形式提出函数及参数,应用执行后按对应调用标识回传结果。
AI 工程
LangChain
LangChain用模型、提示、工具等接口组合LLM应用,langchain-core的Runnable可组织调用管道。
AI 工程
LangGraph
LangGraph以状态、节点和边组织有状态工作流或Agent,并提供检查点等运行机制。
AI 工程
LlamaIndex
LlamaIndex围绕数据接入、Node、索引、检索和响应合成组织LLM应用,也提供Agent和工作流组件。
AI 工程
记忆系统(Agent Memory)
记忆系统把会话或跨会话信息存入应用状态或外部存储,并按当前任务选择性读入上下文。
AI 工程
多智能体(Multi-Agent)
多智能体系统通过多个决策单元的角色、工具和通信安排共同完成任务。
AI 工程
规划(Planning)
规划明确目标、子任务及依赖,并根据观察调整执行安排;DAG是适合无环依赖的一种表示。
AI 工程
推理(Agent 中的推理与 ReAct)
Agent推理把目标与观察组织为下一步行动或结论;ReAct展示交替推理、行动与观察的组织方式。
AI 工程
反思(Reflection / Self-Refine)
反思用测试、环境或评价反馈检查初稿并修改,实际收益取决于反馈是否能指出真实问题。
AI 工程
Tool Calling(工具调用)
工具调用包括工具描述、模型提出调用、应用校验与授权执行,以及把执行结果回传的机制。
AI 工程
工作流编排(Workflow Orchestration)
工作流编排按定义的控制逻辑调度任务,管理依赖、分支、并行、失败处理及状态恢复。
AI 工程
Benchmark(基准测试)
基准测试规定数据、任务和评分设置,为比较模型或系统提供共同参照,可以公开也可以内部使用。
AI 工程
评测流水线(Evaluation Pipeline)
评测流水线把数据加载、被测系统运行、评分、汇总和门禁报告组织成可重复且有记录的流程。
AI 工程
金标准数据集(Golden Dataset)
金标准数据集把应用输入、参考证据及判定准则整理为经审核、可追踪的评价集合。
AI 工程
幻觉检测(Hallucination Detection)
幻觉检测识别输出与可信事实或给定证据的矛盾、无依据内容及资料不足时的误答。
AI 工程
人工评价(Human Evaluation)
人工评价由评审者按明确指南标注正确性、偏好或其他质量维度,是构建与校准评测的一种证据来源。
AI 工程
LLM-as-a-Judge(大模型当裁判)
LLM裁判按评分标准评价输出,用作可扩展的自动评价信号,须用可靠样本校准。
AI 工程
质量指标(EM、F1、ROUGE、Recall@k、MRR、nDCG)
质量指标把指定行为转换为数值,生成重叠、检索召回与排序质量衡量不同方面。
AI 工程
回归测试(Regression Testing for LLM Apps)
回归测试在约定数据和设置上比较改动前后的行为,追踪逐题退化与改进,并执行预设发布门槛。
AI 工程
思维链(Chain-of-Thought, CoT)
思维链提示用中间步骤示例或指令引导模型组织多步回答,是特定模型和任务下可评测的方法。
AI 工程
上下文压缩(Context Compression)
上下文压缩通过抽取、摘要或其他转换减少输入长度,同时尽量保留任务需要的信息。
AI 工程
上下文管理(Context Management)
上下文管理按本次任务和预算选择系统指令、历史、检索资料、工具结果及外部记忆。
AI 工程
Few-shot(少样本提示)
少样本提示把若干任务示例放入上下文,以展示标签、格式或处理方式,不更新模型权重。
AI 工程
JSON Schema
JSON Schema用标准关键字描述JSON实例约束,可用于校验结构、类型与字段取值。
AI 工程
提示词设计(Prompt Design)
提示词设计明确任务、背景、输入边界、约束和输出约定,帮助模型完成可评价的工作。
AI 工程
结构化输出(Structured Output)
结构化输出让模型结果遵循约定的数据结构,可通过提示、校验重试或推理端约束实现。
AI 工程
系统提示词(System Prompt)
系统提示为模型提供应用层角色和行为指引,具体角色、优先级和传递方式由模型或API规定。
AI 工程
Chroma
Chroma提供集合中的向量、文档和元数据管理,支持内存、本地持久化及服务部署。
AI 工程
Chunking(文档切块)
文档切块把资料分成适合模型长度和检索粒度的单元,保留来源与必要上下文。
AI 工程
嵌入模型(Embedding Model)
嵌入模型把文本等输入编码为向量,用匹配训练目标的相似度支持检索和其他任务。
AI 工程
FAISS
Faiss是向量相似性搜索与聚类库,提供多类精确和近似索引,可在应用进程内使用。
AI 工程
混合搜索(Hybrid Search)
混合搜索组合不同检索方法的候选或排序,以利用它们在词项和语义匹配上的互补。
AI 工程
关键词搜索(Keyword Search / BM25)
关键词检索依据分词后的词项匹配,BM25结合词频饱和、稀有度及长度归一化进行排序。
AI 工程
知识库(Knowledge Base)
知识库同时包含可检索资料、来源和版本信息,以及与权限、更新和删除相配套的维护流程。
AI 工程
元数据过滤(Metadata Filtering)
元数据过滤把版本、时间、类别、租户或访问范围等结构化约束加入检索。
AI 工程
Milvus
Milvus提供向量与标量数据检索,具有Lite、单机和分布式等部署形态。
AI 工程
pgvector
pgvector为PostgreSQL增加向量类型、距离运算及近似索引,可与SQL过滤和事务配合。
AI 工程
Qdrant
Qdrant以带向量和payload的point组织数据,支持检索、过滤及多种部署方式。
AI 工程
RAG(检索增强生成)
检索增强生成先获取外部证据,再让模型结合证据回答,检索、生成及引用各自需要验证。
AI 工程
Reranker(重排序模型)
重排器对已召回候选重新评分排序,常见实现是联合编码查询和文档的cross-encoder。
AI 工程
语义搜索(Semantic Search)
语义搜索根据学习的表示匹配查询与资料,本篇讨论常见的稠密向量检索。
AI 工程
向量数据库(Vector Database)
向量数据库管理向量及其关联数据,提供相似性检索和一定的更新、过滤或持久化能力。
数据与数据库
数据清洗(Data Cleaning)
数据清洗按数据契约规范格式、识别缺失、重复和异常,并保留处理依据及被隔离的数据。
数据与数据库
数据库索引(Database Index)
数据库索引维护可供定位、排序或覆盖查询使用的辅助结构,代价是存储、维护与写入成本。
数据与数据库
ETL(抽取—转换—加载)
ETL把源数据抽取、按明确规则转换,再加载到目标存储;ELT则先加载原始数据、再在目标系统转换。
数据与数据库
MongoDB(文档数据库)
MongoDB用BSON文档组织数据,提供查询、聚合、索引、校验和按部署配置可用的事务等能力。
数据与数据库
MySQL(InnoDB 关系数据库)
MySQL是关系数据库系统;本篇限定InnoDB,介绍聚簇索引、事务、字符集与一致性读。
数据与数据库
NoSQL(非关系型数据库)
NoSQL是文档、键值、宽列和图等数据库的常见统称,需按具体产品的数据模型、查询、事务与一致性能力判断。
数据与数据库
数据流水线(Data Pipeline)与编排
数据流水线把处理任务及其依赖组织为可执行流程,编排负责调度、失败处理、状态和可观测性;定时只是触发方式之一。
数据与数据库
PostgreSQL(对象关系数据库)
PostgreSQL是支持SQL、事务、MVCC及扩展的对象关系数据库,可在同一系统处理关系数据、JSONB和其他受支持类型。
数据与数据库
Redis(内存数据结构服务器)
Redis以多种数据结构提供低延迟读写、过期、计数与其他服务能力,常用于缓存、会话和配额等场景。
数据与数据库
SQL(结构化查询语言)
SQL声明查询和数据操作的目标,数据库根据语义与优化规则选择执行方式;具体语法、约束和事务行为依方言而异。
数据与数据库
数据验证(Data Validation)
数据验证依据模式、业务与批次规则检查数据是否满足约定,并输出可追踪的失败结果供隔离或门禁使用。
数据与数据库
数据版本管理(Data Versioning)
数据版本管理用可追踪的快照或标识定位输入数据,并保存足够的对象、清单与处理信息支持复核和恢复。
数据与数据库
数据仓库(Data Warehouse)
数据仓库面向跨来源的历史分析数据与查询,常采用适合扫描、聚合的组织和存储方式;列存与星型建模是常见选择。
本地部署
API 网关(API Gateway / LLM Gateway)
API 网关是客户端访问后端的统一受控入口,集中执行认证、授权、请求校验、限流、路由和计量。LLM网关还需处理模型能力差异、token预算与流式协议,不能只改base_url就假定行为一致。
本地部署
批量推理(Batch Inference)
批量推理把多条输入组织成可共同调度的计算工作,以提高资源利用率或减少单条处理开销。自回归生成仍包含多次前向计算;一次提交一批请求,不等于整段回答只做一次前向。厂商离线Batch任务是另一层调度方式。
本地部署
缓存(LLM 应用中的响应缓存、语义缓存与前缀 KV 缓存)
LLM缓存是在输入语境与有效性条件允许时,复用回答、检索结果或推理状态。精确回答缓存、语义近似缓存和前缀KV缓存复用的对象不同,因此命中条件、权限边界与错误风险也不同。
本地部署
延迟优化(LLM Inference Latency Optimization)
延迟优化是针对明确定义的请求路径,减少首个有效输出时间或最终完成时间。先测量排队、预填充、解码和网络,再评估缩短上下文、复用状态、调度或降低计算量等方案,并同时检查质量。
本地部署
llama.cpp(CPU/端侧大模型推理引擎)
llama.cpp是提供LLM推理、量化工具和HTTP服务的C/C++项目,可按后端支持在CPU及多类加速设备上运行模型。GGUF是承载张量和元数据的文件格式,本身不保证模型兼容、量化质量或特定速度。
本地部署
负载均衡(Load Balancing for Model Serving)
负载均衡按容量、健康状态和路由策略,把请求分配给多个副本。它可以减少个别副本排队和提高故障容忍,但不能为超出集群容量的负载创造额外算力。
本地部署
模型服务(Model Serving)
模型服务把模型推理暴露为受管理的接口,并负责生命周期、输入约束、调度、失败处理和观测。接口形状相似不代表完整兼容某个商业API,也不代表具备生产容量。
本地部署
Ollama(本地大模型运行与服务工具)
Ollama是提供模型管理、配置和推理API的运行工具。它可按需加载模型、保留或卸载运行状态,并提供原生接口和部分OpenAI兼容接口;实际引擎和能力随模型与版本变化。
本地部署
流式推理(Streaming Inference)
流式推理是把生成过程中的增量结果逐步传给客户端,让用户在整段结果完成前开始阅读。传输的片段、Unicode字符和模型token并不一一对应;流式可以改善等待体验,但不保证减少总计算时间。
本地部署
TensorRT(NVIDIA GPU 推理优化引擎)
TensorRT是NVIDIA的推理优化与执行工具链,可将受支持的模型构建为适配目标环境的引擎。模型类型、动态形状、精度表示及兼容模式由目标TensorRT版本决定,不能把旧版构建参数当作通用接口。
本地部署
Triton Inference Server(NVIDIA Triton 推理服务器)
NVIDIA Triton Inference Server是管理模型仓库、后端执行和推理请求的服务器,支持多种模型后端、批处理、实例配置和观测接口。它与用于编写GPU内核的Triton语言是不同项目。
本地部署
vLLM(高吞吐 LLM 推理与服务引擎)
vLLM是面向大语言模型的推理和服务引擎,提供请求调度、KV状态管理及模型执行接口。PagedAttention和连续批处理是其重要设计;具体后端、模型和量化能力要按安装版本核对。
模型基础
BF16(bfloat16,脑浮点数)
BF16是具有1位符号、8位指数和7位显式小数的16位浮点格式。其正规指数范围与FP32相近,精度比FP16粗;较大动态范围可减少某些溢出风险,但不会消除数值误差或使训练自动稳定。
模型基础
知识蒸馏(Knowledge Distillation)
知识蒸馏用教师模型提供的分布、特征或生成样本等监督信号训练学生,常用于压缩或迁移行为。教师可以是更大的模型或集成,但学生不保证更小,也不保证一定接近或超过教师。
模型基础
FP16(半精度浮点数)
FP16通常指IEEE754 binary16,用1位符号、5位指数、10位显式小数表示数值。它比FP32省一半存储,但正规动态范围更窄;训练常与FP32累加、权重更新及适当的损失缩放配合。
模型基础
FP32(单精度浮点数)
FP32通常指IEEE754 binary32:1位符号、8位指数、23位显式小数,在正规数中有24位有效二进制精度。它约有7位十进制有效精度,但仍会舍入、上溢、下溢和累加误差。
模型基础
INT4 / 4 比特量化(含 NF4、GGUF K-quants)
4-bit量化用4位码表示权重等数据,每字节通常能打包两个码。均匀INT4、NF4及GGUF中的混合量化方案具有不同码表、分组和元数据,不应把它们当成同一种整数计算格式。
模型基础
INT8 量化
INT8量化用8位整数码及缩放/零点表示近似数值。权重、激活是否都量化,以及采用整数乘法还是运行时反量化,取决于方案;有符号码可取-128到127,但对称实现常故意使用-127到127。
模型基础
LoRA(低秩适配微调)
标准LoRA在选定层上冻结底座权重,并训练低秩矩阵A、B表示增量更新。可训练参数和优化器状态通常显著减少;是否还训练bias或额外模块、是否合并以及部署开销,取决于配置。
模型基础
剪枝(Pruning)
剪枝是依据某种准则屏蔽或移除神经网络的参数或结构。把权重置零只得到掩码或稀疏数值;要减少实际存储和推理工作,还需要压缩结构、稀疏表示或匹配的执行内核。
模型基础
QLoRA(4-bit 量化底座上的 LoRA 微调)
QLoRA以量化的冻结底座支撑LoRA训练,原方法采用NF4、双重量化及分页优化器降低训练内存。底座参数不更新,适配器通常保持较高精度;反向仍须通过相关底座计算到达适配器。
模型基础
量化(Quantization)
量化把权重、激活或状态编码为较少比特的数值表示,并规定缩放、零点或码表等解码规则。目标通常是降低存储、带宽或计算成本;能否加速与精度损失大小,需要结合内核、硬件及任务验证。
AI 工程
成本优化(LLM 应用的 Token 成本优化)
LLM 成本优化是在可接受的任务质量、延迟和可靠性约束下,减少完成一次任务的总开销。应同时计算模型调用、重试、工具、缓存、路由、存储及自托管资源,而不只比较token单价。
AI 工程
降级策略(Graceful Degradation:重试、熔断、备用模型、兜底)
降级是在依赖故障或资源紧张时,根据预设的质量和可用性目标切换到备用能力、缓存、人工接管或明确失败。重试是恢复尝试,熔断是保护机制;它们可以与降级配合,但不是同一件事。
AI 工程
错误边界(Error Boundary)
错误边界是对组件故障的显式处理边界:限制资源与等待、记录失败,并按业务决定传播、重试或返回带标记的降级结果。后端中的这一用法是工程归纳,不能等同于 React 的渲染错误边界。
AI 工程
失败分析(Failure Analysis / Error Analysis)
失败分析是根据可追溯的样本和明确的评分口径,识别失败类型、检查标注、提出修复假设,再在独立数据上验证的过程。失败数量之外,还应考虑影响程度与发生频率。
AI 工程
模型路由(Model Routing)
模型路由是在给定权限、质量、成本和延迟约束下,为请求选择候选模型或执行路径。请求长短、分类概率和模型自报置信度只是路由信号,需要用真实任务结果验证。
AI 工程
AI 可观测性(Observability for AI Systems)
AI 可观测性是通过系统产生的遥测信号,判断请求经过了什么、哪里变慢或失败,并结合评测分析输出质量的能力。日志、指标和追踪提供证据,但不会自动证明答案正确或找出根因。
AI 工程
遥测(Telemetry)与 OpenTelemetry
遥测是采集、处理和传输运行信号的机制;OpenTelemetry 提供厂商中立的 API、SDK、协议和 Collector。它帮助统一埋点,但后端功能、语义版本与数据保留策略仍需单独配置。
AI 工程
链路追踪(Distributed Tracing)
链路追踪把相关操作记录为带时间区间和上下文的 span,并用父子关系或 span links 连接起来。一个 trace 常显示为调用树,但异步消息、批处理和多来源工作流可能还需要链接关系。
编程基础
C/C++(底层性能与 AI 框架根基)
C 与 C++ 是不同的系统编程语言;C++继承了许多C语法并提供类、模板、RAII等机制,但并非C的严格超集。二者常用于数值库、运行时和AI框架的性能敏感部分。
编程基础
CUDA(NVIDIA GPU 通用计算)
CUDA 是NVIDIA的并行计算平台与编程模型,可通过C++、Python及库等方式在受支持GPU上执行工作;kernel通常由大量线程按block和grid组织,性能取决于任务与内存访问。
编程基础
Go(并发与云原生服务)
Go 是提供静态类型、垃圾回收、goroutine与channel等机制的通用语言;标准工具链通常可构建含Go运行时的单一可执行文件,链接和部署依赖仍受cgo、系统与构建选项影响。
编程基础
Java(企业后端与 JVM 生态)
Java 是具有静态类型、类与接口等机制的通用语言,通常编译为JVM字节码执行;JVM提供即时编译、垃圾回收和并发运行时,语言并不限于纯面向对象或一种部署方式。
编程基础
JavaScript / TypeScript 生态(运行时、包与工具链)
JavaScript/TypeScript生态包含语言规范、执行运行时、模块系统、包管理、类型检查、构建工具与应用框架;这些层各有职责,TypeScript的静态类型不能代替外部数据的运行时验证。
编程基础
Rust(内存安全的系统语言)
Rust 利用所有权、借用与类型规则在安全Rust中提供内存与数据竞争安全,并以RAII管理资源而不依赖追踪式GC;unsafe与FFI的正确性仍需要实现者保证。
编程基础
SQL(数据处理视角)
SQL 是查询和操作关系型数据的声明式语言族;数据库依据语义、统计与实现选择执行计划,方言、事务和类型行为在SQLite、PostgreSQL、MySQL等系统间并不完全相同。
网络与建站
云计算(按需租用算力、存储与托管服务)
云计算按需提供共享的可配置计算资源与服务,具有网络访问、资源池化、弹性和计量等特征;按使用量计费是常见商业方式,具体承诺、隔离与责任边界取决于服务。
网络与建站
容器(namespace 隔离 + cgroup 限制的进程)
本文中的 Linux 容器,是由运行时利用 namespace、cgroup、文件系统及安全机制组织的一组隔离进程;普通 Linux 容器通常共享承载它们的 Linux 内核,镜像提供用户态内容。
网络与建站
Docker(构建、运行与管理容器的工具)
Docker 提供构建、分发和运行容器的工具链;CLI 调用相应后端管理镜像、容器、网络和持久存储,具体行为取决于 Engine/Desktop、平台与配置。
网络与建站
Docker Compose(多容器应用编排)
Docker Compose 根据 Compose 文件声明多服务应用及其网络、卷和配置,并通过 Docker 后端创建、更新与停止这些资源;依赖条件用于启动协调,运行期间的故障恢复仍需应用自行处理。
网络与建站
镜像(容器镜像的分层、缓存与安全)
容器镜像由 manifest、配置和按内容摘要引用的文件系统层等对象组成;普通容器常在这些不可变层之上提供可写存储。镜像标签可移动,摘要则标识特定内容对象。
网络与建站
Kubernetes(容器编排)
Kubernetes 通过 API 对象和控制循环管理容器工作负载,使可观测的实际状态趋近期望状态;它提供调度、服务发现和生命周期管理,但资源、网络或应用条件不足时不保证收敛和可用性。
网络与建站
Linux 命令(文本处理、查找与权限)
Linux 命令行用 Shell 组织命令、文件描述符与管道来操作系统;本文聚焦 GNU/Linux 上的文本处理、查找和模式权限,命令并不都同时读取标准输入、写入标准输出。
网络与建站
进程管理(进程、信号、退出码与资源限制)
进程是操作系统管理的程序执行实例,含地址空间、线程、文件描述符与身份等状态;进程管理包括观测、发送信号、等待回收和设置资源约束,相关接口依赖操作系统。
网络与建站
Shell 脚本(Bash 脚本的安全写法)
Shell 脚本是由 Shell 解释执行的命令程序;Bash 提供变量、控制流、函数、重定向和任务控制,适合组织工具调用,但不自动提供事务、权限隔离或完整错误处理。
网络与建站
SSH(安全远程登录与隧道)
SSH 是提供服务器身份核验、加密传输和用户认证的协议族;OpenSSH 在此基础上实现远程命令、文件传输与端口转发,服务器主机密钥和用户登录密钥承担不同角色。
账号安全
权限控制(最小权限与默认拒绝)
权限控制是使主体只能对获准资源执行获准动作的机制;默认拒绝与最小权限应覆盖身份、资源范围、动作、有效期和环境,不能仅靠一个角色名或scope字符串。
账号安全
认证(Authentication:你是谁)
认证通过验证凭据及其信任链建立请求主体的身份;密码校验、会话、JWT或OIDC都需要相应验证规则,凭据存在或JWT可解码不等于认证成功,授权是后续独立决策。
账号安全
授权(Authorization:你能做什么)
授权按已确认的主体、动作、资源与环境属性决定是否允许访问;RBAC、ABAC和关系模型用于表达策略,执行点必须在服务端覆盖每一次访问路径。
账号安全
数据泄露(AI 系统中的敏感信息外泄)
数据泄露是信息违反其访问策略而到达未获授权主体的事件;响应、日志、异常、检索、缓存和模型输出都可能成为通道,是否敏感取决于数据分类与业务规则。
账号安全
Jailbreak(越狱:绕过模型安全策略)
越狱通常指诱导模型绕过其安全策略的输入与交互;OWASP LLM01:2025将其视为提示注入的一种目标,研究中的术语边界可能不同,应用还需独立防止未授权动作。
账号安全
Prompt Injection(提示注入)
提示注入是输入内容使模型或下游系统偏离应用预期指令的风险;间接注入通过网页、检索片段或工具返回等外部内容,把低信任数据伪装成需要执行的指令。
账号安全
沙箱(运行不可信代码的隔离环境)
沙箱是围绕明确威胁模型建立的受约束执行环境;文件、网络、身份、系统调用、资源与生命周期限制共同决定边界,单独超时、chdir、清空环境或删掉Python内建函数均不能隔离敌对代码。
账号安全
密钥管理(生成、存储、注入与轮换)
密钥管理控制凭据从生成、授予、存储、使用到轮换、撤销和销毁的生命周期;出站访问第三方服务需要受控取回原密钥,而验证入站随机令牌可只保存其校验摘要。
AI 工程
分支策略(Git Flow、GitHub Flow 与主干开发)
分支策略是团队对分支职责、存活时间、评审合并和发布方式的约定。Git Flow、GitHub Flow和主干开发是可选的协作模式,选择应结合发布节奏、多版本维护和自动验证能力。
AI 工程
CI/CD(持续集成与持续交付/部署)
持续集成(CI)是把小步改动频繁集成到共享主干,并用自动构建和测试快速反馈的实践。持续交付使软件保持可按需发布;持续部署进一步让通过发布流水线验证的改动自动进入生产。
AI 工程
Git(分布式版本控制工具)
Git 是分布式版本控制工具,以内容寻址对象和引用组织版本历史。普通完整克隆可在本地提交和查看历史;分支是指向提交的可移动引用,HEAD 通常指向当前分支,也可以直接指向提交。
AI 工程
GitHub(代码托管与协作平台)
GitHub 是在Git仓库上提供代码托管、Pull Request评审、Issue、自动化及权限管理的平台。Git在本地管理版本,GitHub管理围绕仓库的协作服务;两者可以分别使用。
AI 工程
GitLab(一体化 DevOps 平台)
GitLab 是提供Git托管、Merge Request、CI/CD及相关DevOps功能的平台,支持托管和自托管等形态。GitLab根据流水线配置创建job,Runner领取并执行任务;功能与许可取决于部署形态及版本。
AI 工程
包管理(依赖声明、解析与锁文件)
包管理器根据依赖约束、平台和可用制品解析并安装依赖。锁文件记录解析选择及必要的来源、标记或哈希,帮助在其覆盖的环境中重建依赖;它不单独保证跨操作系统得到完全相同的运行行为。
AI 工程
Pipeline(流水线:DAG、并行与缓存)
流水线将工作拆成有依赖关系的步骤,再由执行器按规则调度。本文采用DAG模型,节点代表步骤、边代表前置依赖;并行、重试、缓存和失败策略需要分别定义。
AI 工程
版本控制(Version Control)
版本控制系统记录显式保存的文件版本及其关系,支持查看差异、追溯和协作合并。它不会自动保存每次键盘修改;能恢复到哪些状态,取决于已保存的对象、引用与保留策略。
网络与建站
CSS(层叠样式表:层叠、盒模型与布局)
CSS用选择器和声明指定页面表现。多个声明竞争时,浏览器依照层叠规则,综合适用性、来源与重要性、层、内联样式、优先级及后续顺序等因素决定结果;specificity不是整个算法。
网络与建站
Django(“自带电池”的全栈 Python Web 框架)
Django是提供ORM、迁移、认证、模板、表单和管理后台等组件的Python Web框架。它把常见业务能力组织在统一约定中,但数据模型、接口权限、查询性能和部署安全仍需应用开发者设计。
网络与建站
FastAPI(基于类型注解的 Python 异步 Web 框架)
FastAPI是基于Starlette与Pydantic的Python ASGI Web框架,利用类型注解和数据模型完成参数解析、校验与OpenAPI生成。路径函数可采用异步或同步写法,实际并发取决于调用链、执行器与资源限制。
网络与建站
Flask(轻量级 Python Web 框架)
Flask是基于WSGI的Python Web微框架,提供路由、请求响应、模板和默认签名Cookie会话等基础能力;数据库、表单及更完整的认证方案可按需组合。微框架描述核心取舍,不表示应用规模只能很小。
网络与建站
HTML(网页结构与 DOM)
HTML是描述网页结构与语义的标记语言;浏览器依照HTML解析规则建立DOM,再结合样式、脚本和其他资源构建页面。DOM可以与原始源码不同,也可能在加载后被JavaScript继续修改。
网络与建站
HTTP(超文本传输协议)
HTTP是以请求和响应语义为核心的应用层协议;方法、目标、字段、状态与内容共同表达一次交互。HTTP/1.1、HTTP/2和HTTP/3保留相关语义,但报文编码与传输方式不同。
网络与建站
JavaScript(浏览器与 Node.js 的通用语言)
JavaScript是由ECMAScript规范定义核心语义的动态语言,可运行于浏览器、Node.js等宿主。单个JavaScript执行代理通常按事件循环调度任务,但Worker可在其他线程执行;浏览器也能运行WebAssembly。
网络与建站
Next.js(React 全栈框架)
Next.js是基于React的Web框架,提供路由、服务器与客户端组件、数据获取、渲染和Route Handler等能力。页面何时渲染及如何缓存,取决于路由配置、读取的数据和采用的缓存机制。
网络与建站
React(声明式组件化 UI 库)
React是构建UI的组件库。组件依据props和state描述界面;更新会触发必要的渲染计算,再由提交阶段协调到宿主界面。浏览器DOM是常见宿主,组件渲染次数与真实DOM更新次数不相等。
网络与建站
REST API(资源化的 HTTP 接口设计)
REST是以资源及其表述为中心、满足一组约束的架构风格,包括无状态交互、可缓存与统一接口等。JSON over HTTP接口可以借鉴这些原则,但使用名词URL、JSON和HTTP方法本身不足以证明符合完整REST。
网络与建站
TypeScript(带静态类型的 JavaScript)
TypeScript在JavaScript基础上增加静态类型语法与检查。类型注解和接口通常在生成或剥离为JavaScript时消失;某些扩展语法会生成运行时代码,静态检查也不会自动验证网络或文件数据。
网络与建站
Vue(渐进式响应式前端框架)
Vue是支持渐进采用的前端框架。Vue3用响应式对象与ref追踪依赖,配合模板编译、调度与渲染更新界面;reactive主要利用Proxy,ref则通过.value访问器参与追踪。
网络与建站
WebSocket(全双工实时通信)
WebSocket提供有序、双向的消息通信。本文演示RFC6455的HTTP/1.1 Upgrade握手及其后的WebSocket帧;HTTP/2、HTTP/3也有扩展CONNECT的承载方式,不能概括为所有WebSocket都独占并升级一条TCP连接。
支付工具
Roogoo 用卡范围、订阅限制与二十三项黑名单说明
完整整理七类用卡范围、五项订阅建议、十五类风险交易和二十三项黑名单,区分作者历史记录与当前支付限制。
账号安全
AI 账号安全:登录态、密钥、授权与申诉
分别保护网页登录、API Key 和外部授权。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
Harness
AI 编程 Agent 选择指南:工具、权限与工作方式
选出一个适合当前任务和电脑环境的工具。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
Harness
AI Agent 下载、安装与首次使用
分清桌面安装包和终端命令,验证工具确实装好了。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
创作实践
AI 辅助游戏开发:原稿观点、原型与验收
从一个极小的原型开始,逐步验证玩法和代码。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
AI 工具术语表:Harness、模型、网关与报错
根据上下文识别同名术语,读懂配置与错误信息。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
创作实践
AI 视频编辑与生成:素材、流程与发布检查
完成一个短片的编辑或生成,再核对发布材料。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
创作实践
AI 辅助小说写作:原稿观点、用途与校对流程
保留自己的表达,用 AI 发现可核对的问题。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
API 配置
API 报错速查:状态码、错误正文与重试
从错误信息判断该改配置、查额度还是有限重试。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
Bash 基础:目录、引号、脚本与退出码
在练习目录执行小脚本,分清输出与退出码。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
C 语言基础:源码保存、编译、运行与错误定位
把 Hello World 保存成文件,分别完成编译与运行。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Claude Code 使用:安装、权限与项目工作流
在自己的测试项目中完成一次受控修改。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Codex 本地使用:安装、权限、项目规则与排错
在练习项目中启动 Codex,并检查权限与改动。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Codex 云端任务与 ChatGPT:从需求到代码审查
分清讨论需求、运行云端任务和合并代码三个环节。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
本地部署
ComfyUI 入门:安装、节点、模型文件与第一张图
从一个可复现的基础工作流得到第一张图。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
C++ 基础:源码、标准库、构建与模板报错
保存并编译一个 C++ 程序,识别第一条真实错误。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
C# 基础:.NET 项目、运行与异常定位
用 .NET SDK 创建并运行控制台项目。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Cursor 使用:项目规则、执行模式与自带 Key
在 IDE 中看懂修改,并区分自带 Key 的使用范围。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
网络与建站
域名与静态网站:发布、DNS 与 HTTPS
先得到可访问的站点,再绑定域名和 HTTPS。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
创作实践
游戏引擎选择指南:目标平台、学习成本与许可
按一个能完成的小项目选择引擎。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Grok Build 使用:安装、权限、沙箱与目标任务
验证 CLI 可用,并在受控目录完成一次任务。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
Java 基础:JDK、编译、运行与异常堆栈
确认 JDK 可用,并区分源码、字节码与运行命令。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
模型基础
大语言模型原理:Token、上下文、生成与幻觉
区分模型生成、联网检索与知识库检索。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
本地部署
本地模型部署的成本与适用性:硬件、显存、电费与时间
先用现有设备测量,再决定是否增加投入。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
模型基础
模型类别:LLM、扩散、JEPA、世界模型与 Agent
按输入、输出和能力判断产品属于哪一层。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
评测方法
模型能力实测:固定条件、题库与评分表
用固定起点的多轮实测得到可复核的结果。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
网络与建站
网络、地区与建站基础:IP、账号与服务器
分清本机地址、公网地址、账号资格与网站部署。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
本地部署
Ollama 入门:下载模型、对话、API 与 Modelfile
下载一个合适的本地模型,并确认它真的在本机运行。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
本地部署
Open WebUI 入门:安装、模型连接与知识库
在私有访问范围连接一个模型,并验证资料问答。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
Agent
OpenClaw 入门:独立环境、配置与安全边界
在独立环境里配置一个仅自己可用的助理。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
PowerShell 基础:Cmdlet、对象管道与错误
确认版本,在练习目录读取文件并理解对象管道。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
编程基础
Python 基础:虚拟环境、运行脚本与 Traceback
创建独立环境,并确认 pip 与 Python 指向同一解释器。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
Qoder 使用:IDE、CLI、权限与自定义模型
分清 IDE 与 CLI 的设置,完成一次可控任务。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
AI 办公
千问办公使用:个人空间、扩展与文档交付
从个人空间完成一次有明确格式的文档任务。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
创作实践
SillyTavern 酒馆图解:连接、角色卡、世界书与提示词
从一份自己创建的简单角色卡完成对话。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
正常订阅
AI 订阅与 API 选购:计费形态和用量记录
按自己的用量比较方案,确认续费与取消路径。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
评测方法
AI 订阅与模型评估:计费、支付与能力验证
弄清自己付的是什么费用,并完成一次小评测。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
模型基础
预训练、微调、LoRA 与 RAG:概念与区别
把缺资料和输出行为问题分别定位。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
模型基础
多模态与视频理解:抽帧、音频和时间戳
从一段短视频得到可对照时间点的分析。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
模型基础
纯文本模型的视觉接入:OCR、图像描述与视觉工具
把截图信息转换成能被文本模型使用的材料。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
网络与建站
VPS 入门:连接、账号、防火墙与日常维护
确认登录可恢复,再逐步收紧访问权限。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
AI 办公
WorkBuddy 使用:工作空间、文档任务与模型设置
从一份练习材料生成可打开、可核对的文档。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
工具使用
ZCode 使用:连接模型、执行模式与目标任务
接入正确的计费端点,完成一个可验收的小任务。配合操作示例、图解和检查点,完成第一次练习,再逐步排查使用中的问题。
优惠申请
ChatGPT 2026 学生优惠:资格、验证与续费
通过官方入口核对美国高校在读资格,完成本人 SheerID 验证,并看清活动期限和续费条件。
本地部署
Windows 上安装 Ollama,并跑起第一个本地模型
用官方安装包和一个体积较小的模型完成首次运行,顺手检查下载、启动与退出是否正常。
没有找到对应教程
试试其他关键词,或查看全部教程。