python3.11标签_AtomGit开源社区

python3.11

TimesFM 本地测试使用指南（二）

《TimesFM2.5时间序列大模型快速实践指南》摘要： Google开源的时间序列基础模型TimesFM2.5（200M）支持开箱即用的预测分析，无需训练即可应用于单变量预测、多变量协变量建模和异常检测三大场景。该模型特点包括：①直接输出概率分布（10%-99%分位数）；②支持512点长序列输入；③跨平台兼容性。本文通过全球温度预测（单变量）、异常检测（无监督）和零售销售预测（引入促销/天气等协

 chenjiajia6
2026-06-10 18:19:58

 429

 16

#人工智能 #python3.11 #pip +1
TimesFM 本地测试完整指南

本文提供Windows系统下部署Google TimesFM2.5时间序列模型的完整指南：环境准备需安装Miniconda/Anaconda 创建Python 3.11虚拟环境修复pip并安装必要依赖包提供GPU加速安装选项关键配置设置HuggingFace国内镜像(hf-mirror.com) 执行系统预检脚本验证环境首次运行会自动下载约800MB模型文件测试验证提供完整测试脚

 chenjiajia6
2026-06-09 09:48:43

 393

 6

#python3.11 #conda #人工智能
LoRA微调实战2026：从零到生产的完整工程指南

LoRA通过低秩分解，只需要训练极少量的附加参数（通常是原模型参数的0.1%-1%），就能在特定任务上达到接近全量微调的效果。这意味着：- 在消费级GPU上（24GB VRAM）可以微调7B甚至13B参数模型- 微调时间从几天缩短到几小时- 多个任务的LoRA权重可以单独管理，随时切换- 部署时可以与基础模型合并，不增加推理开销本文将从工程实践角度，给出LoRA微调的完整指南，覆盖数据准备、训练配

 少林码僧
2026-05-24 00:18:14

 202

 4

#算法 #人工智能 #python3.11
LLM结构化输出工程：让AI返回你想要的格式

但在生产系统中，你的下游代码需要的不是一段流畅的自然语言，而是可解析的、格式固定的结构化数据。：如果用本地模型，Outlines的约束解码比提示词方式可靠100倍结构化输出是LLM工程化的基础设施，掌握它，你的AI应用才能真正稳定地运行在生产环境中。—## 四、本地模型的结构化输出：Outlines当你使用Llama、Qwen、Mistral等本地模型时，无法依赖云端API的结构化输出能力。：越复

 少林码僧
2026-05-24 00:23:05

 189

#人工智能 #网络 #服务器 +1
Vibe Coding工程化：从“感觉编程“到可落地的AI开发范式

## 三、上下文管理：解决Vibe Coding最大痛点长时间的Vibe Coding会话中，最常见的问题是"AI开始忘事"——它不再记得项目的架构决策，开始生成与现有代码风格不一致的代码，甚至引入已经修复过的bug。——在享受AI编程加速的同时，建立可持续的代码质量保障体系。—## 一、Vibe Coding的工程化核心：Context Engineering如果说Vibe Coding的核心操

 少林码僧
2026-05-24 00:18:50

 406

 8

#人工智能 #python3.11 #系统架构
Vibe Coding工程化实践：用AI辅助编程构建可维护的真实产品

Vibe Coding这个词在2025年开始流行，到2026年已经成为开发者日常工作的一部分。但"Vibe Coding"这个名字带来了一个严重的误解——很多人以为它就是随便用AI写写代码、玩玩原型的事。本文要讨论的是另一个问题：当你需要用AI辅助编程构建真正需要维护的生产系统时，工程化的实践方法是什么。

少林码僧
2026-05-23 00:15:22

 449

 5

#人工智能 #python3.11 #系统架构
LLM结构化输出工程：让模型输出你真正需要的格式

# 方法一：原生结构化输出（首选）OpenAI、Anthropic等主流模型现在都支持原生的结构化输出，通过在API层面约束输出格式，可靠性比提示词方法高得多。JSON格式对了，但字段值是模型"编的"——比如要求输出置信度（0-1之间的数字），模型输出了0.99999，看起来没问题，其实是没有根据的。LLM的输出天然是自由形式的文本，但AI应用需要的往往是结构化数据。字符串里包含未转义的特殊字符，

少林码僧
2026-05-21 00:13:10

 375

 3

#windows #linux #运维 +2
AI大模型应用的职业路径2026：从入门到高级工程师的完整成长地图

核心工具python# 入门阶段必须熟练掌握的技术栈tools = { "LLM API": ["OpenAI", "Anthropic", "通义千问"], "框架": ["LangChain（基础使用）"], "向量数据库": ["Chroma（本地开发用）", "Pinecone（生产用）"], "Web框架": ["FastAPI"], "环境管理": ["conda", "venv",

少林码僧
2026-05-13 22:49:56

 524

 6

#json #github #前端 +2
VIC模型输入数据制备完整教程——从零开始构建VIC水文模型输入文件

本教程系统介绍了VIC水文模型输入数据的完整制备流程。主要内容包括：1）VIC模型核心输入文件概述；2）使用Python统一处理各类空间数据，包括网格生成、地形数据提取、气候态降水计算；3）基于HWSD土壤数据和MODIS植被数据分别制备土壤参数和植被参数；4）利用MERRA-2数据生成强迫文件；5）全局文件配置及模型安装运行说明。教程提供了详细的代码实现和数据处理方法，适用于0.1°×0.1°空

 ME1010
2025-11-30 21:10:21

 778

 5

#学习 #linux #python3.11
Vibe Coding实战2026：AI辅助编程的工作流重构与效率倍增指南

## 反模式3：直接粘贴AI代码到生产永远先在本地跑一遍，跑测试，审查一遍，再merge。—## Vibe Coding的反模式### 反模式1：无限接受AI的建议AI永远会给你一个"看起来能跑的"答案。—## 工作流的三个阶段### 阶段一：意图结晶（Crystallization）在动手写任何代码之前，先把需求说清楚——不是给人听，是给AI听。—## Vibe Coding不是"偷懒"，是换一

 少林码僧
2026-05-12 00:15:48

 766

 7

#人工智能 #重构 #python3.11
附图报价系统设计分析6

摘要本报告分析了QuoteApp智能报价系统的设计与实现情况。该系统面向中小机加工企业，通过AI自动解析图纸特征并计算加工成本，将传统2-3天的报价周期缩短至30分钟。核心功能包括：支持7种图纸格式解析、3D预览引擎、13步成本核算公式链、本地Gemma+云端AI双推理引擎等。系统包含129个Python文件(37,261行代码)，UI模块占比44.9%。开发周期36天，提交70次，但存在三大风

 manong~
2026-05-10 17:47:00

 447

 10

#人工智能 #python3.11
LLM量化技术工程实践2026：INT4、GPTQ、AWQ全面对比与生产部署指南

有GPU？├── 是 → 需要最高质量？│ ├── 是 → AWQ INT4（vLLM部署）│ └── 否 → BitsAndBytes NF4（快速实验）└── 否 → GGUF Q4_K_M（llama.cpp CPU推理）模型要微调？└── 是 → BitsAndBytes NF4 + QLoRA（4位基础 + LoRA微调）

少林码僧
2026-05-10 00:15:56

 470

 7

#人工智能 #python3.11
Context Engineering深度实战2026：让AI记住更多、理解更准的完整工程手册

Context Engineering（上下文工程）错误做法pythonasync def summarize_for_context(long_text: str, focus: str, max_words: int = 300) -> str: """将长文本压缩为聚焦于特定主题的摘要""" prompt = f"""请将以下内容压缩为不超过{max_words}字的摘要。重点保留与"{fo

少林码僧
2026-05-10 00:14:44

 491

 8

#人工智能 #python3.11 #系统架构
浅谈：特征工程与过拟合

特征工程是从原始数据中提取、转换和创建新特征以提升机器学习模型性能的关键过程。文章介绍了序贯特征选择(SFS)方法，通过逐步添加最优特征来优化模型表现，并详细探讨了过拟合问题及其解决方案。防止过拟合的技术包括正则化（调整树模型参数、添加Dropout层）、早停机制和集成方法（如Blending）。文中还提供了XGBoost、神经网络和线性模型的具体实现代码，强调通过交叉验证和业务逻辑约束来提升模型

 专门坑人小分队
2026-05-08 22:52:27

 413

 10

#人工智能 #神经网络 #python3.11
MCP协议详解：AI Agent的标准化工具调用接口

MCP的核心价值json{ "name": "code_review", "description": "代码审查提示模板", "arguments": [ { "name": "code", "description": "需要审查的代码", "required": true }, { "name": "language", "description": "编程语言", "required":

少林码僧
2026-05-08 08:04:35

 902

 29

#人工智能 #系统架构 #python3.11
从零搭建RAG架构的财报分析Agent，Ollama本地大模型友好，附源码

本文介绍了一个基于Ollama本地大模型和RAG架构的财报分析Agent开发过程。文章从实际需求出发，分析了传统财报分析的痛点，详细阐述了技术选型（选择Ollama本地模型保障数据隐私）、开发环境搭建（VSCode+ClaudeCode插件）以及系统架构设计（包含RAG检索增强生成流程）。开发过程中解决了PDF解析OOM、多线程优化等关键问题，通过与longcat-2.0-preview模型的多次

 谢绝采访wonder
2026-05-07 00:09:24

 454

 6

#架构 #python3.11 #人工智能 +1
AI大模型2026年5月全景报告：国产模型崛起与推理范式革命

- 国产模型（Kimi K2.6、DeepSeek V4）首次进入全球TOP 2- 中国AI团队在数学推理领域取得决定性优势- 成本效益比：DeepSeek V4 >> 所有国际竞品### 1.2 推理模型专项排行| 模型 | MATH-500 | GPQA | LiveCodeBench ||------|---------|------|---------------|| Kimi K2.6

少林码僧
2026-05-03 08:16:30

 5448

#python #人工智能 #网络 +2
Claude Code工程实战2026：从零搭建AI辅助开发工作流的完整指南

## 6.2 典型成本参考| 任务类型 | 平均Token消耗 | 费用（Claude 3.5 Sonnet） ||---------|--------------|------------------------|| 代码审查（1个PR） | ~15K tokens | ~$0.05 || 生成单元测试 | ~20K tokens | ~$0.07 || 代码库架构分析 | ~50K token

少林码僧
2026-05-03 08:10:58

 718

 5

#人工智能 #python3.11
AI工程化测试实战：LLM应用的单元测试、集成测试与端到端测试完全指南

- 相同 prompt，不同 temperature 会给出不同回答- 模型版本升级，相同 prompt 的行为可能改变- 长对话中早期内容会影响后续回答- 工具调用链路非常长，中间任何一步都可能失败这意味着 LLM 测试不能直接断言输出，而要。：分层运行，控制成本，单测跑每次提交，E2E 只在定时任务中跑测试不能消灭 LLM 应用的不确定性，但能把它控制在可接受的范围内。这才是工程化的核心目标。

少林码僧
2026-05-02 00:15:12

 525

 10

#人工智能 #系统架构 #python3.11
【RLHF实战】消费级显卡突围：在 8G 显存单卡跑通奖励模型 (RM) 训练

本文介绍了在消费级显卡（如RTX 4060 8G）上实现大语言模型人类对齐的奖励模型（RM）训练方法。文章首先解释了为什么需要进行人类对齐，指出预训练模型存在的三大缺陷：幻觉问题、指令遵循困难和价值观未对齐。接着概述了RLHF（基于人类反馈的强化学习）的核心三步流程，重点聚焦于奖励模型的训练与实现。详细阐述了RM模型的输入输出规范、结构改造和数学原理，包括Bradley-Terry模型和极大似然估

 auguste805
2026-05-01 23:31:00

 410

 8

#人工智能 #python3.11 #github +1
AI推理优化工程2026：从模型压缩到推理加速的完整实战指南

## 1.2 延迟和吞吐量的双重压力推理优化目标通常有两个方向：| 目标 | 关注指标 | 典型场景 ||------|----------|----------|| 低延迟 | TTFT（首 token 时间）、TPS（单请求速度）| 实时对话、代码补全 || 高吞吐 | RPS（每秒请求数）、GPU 利用率 | 批量处理、异步任务 |两者往往相互制约，需要根据业务场景做取舍。更糟糕的是，许多企

 少林码僧
2026-05-01 00:14:02

 560

 9

#人工智能 #机器学习 #深度学习 +1
大模型量化技术全解析：INT8、GPTQ、AWQ与GGUF的工程选型

## 方案五：GGUF（llama.cpp格式）### 什么是GGUFGGUF（GPT-Generated Unified Format）是llama.cpp生态的标准量化格式，特点是：1.：- 量化质量优于BitsAndBytes（使用了校准数据）- 需要一次性量化过程（时间成本）- 推理速度快（Triton/CUDA kernel优化）-方法：在量化之前，使用少量校准数据（calibratio

少林码僧
2026-04-30 00:16:21

 379

 7

#人工智能 #python3.11
Cursor IDE深度工程指南2026：从提示到产品的AI编程完整方法论

会话上下文上下文工程工具。

少林码僧
2026-04-28 00:18:19

 710

 5

#人工智能 #音视频 #系统架构 +1
LLM成本优化工程2026：让AI应用的API账单降低70%的实战指南

节省潜力先量化。

少林码僧
2026-04-28 00:17:06

 423

 5

#人工智能 #java #spring +1
【Python3】完全指南：从基础语法到 AI 开发实战，一篇彻底搞懂

本文是一篇全面的Python3指南，从基础语法到AI开发实战。主要内容包括：基础数据类型：数字（整数、浮点数、复数）、字符串（f-string格式化、切片操作）、布尔值等核心概念和操作。数据结构：列表（增删改查、切片、推导式）字典（创建、访问、遍历、合并）集合（去重、集合运算）元组（不可变性、解包特性）特色功能：字符串f-string格式化列表/字典推导式集合运算元组解包变

 拾-光
2026-04-27 10:09:48

 205

 5

#人工智能 #python #java +4
零基础入门 LangChain 与 LangGraph（八）：真正让 Agent“活起来”——持久化、记忆、人机交互与时间旅行

本文深入探讨了LangGraph框架如何通过持久化机制解决复杂Agent系统的状态管理问题。核心内容包括：1）区分线程级持久化（Thread和Checkpoint）与跨会话持久化（Store）；2）Checkpoint作为执行快照的关键作用，保存状态值、下一步节点等关键信息；3）持久化实现的三大价值：中断恢复、短期记忆支持和调试能力增强。文章强调LangGraph不仅是工作流工具，更是托管状态生命

 Trouvaille ~
2026-04-26 17:06:05

 764

 6

#人机交互 #python3.11
1.2 FastAPI 异步 ORM 实战：用 SQLAlchemy 2.0 操作 MySQL

本文介绍了使用FastAPI和SQLAlchemy 2.0异步ORM进行MySQL数据库开发的全过程。主要内容包括：1）安装异步ORM依赖；2）创建异步数据库引擎和模型类；3）实现自动建表功能；4）通过依赖注入管理数据库会话；5）完成书籍的CRUD操作（增删改查）。文章特别讲解了异步ORM的优势，提供了可直接运行的完整代码，并详细说明了查询、插入、更新和删除操作的实现方法。适合刚学习FastAPI

大佬养成之路
2026-04-26 12:28:25

 475

 10

#fastapi #pycharm #python3.11
AI编译器与模型优化：MLIR、TVM与深度学习编译技术完全指南

torch.compile + FlashAttention + 量化。

少林码僧
2026-04-25 00:23:57

 502

 2

#人工智能 #etl #原型模式 +1
Serverless AI推理架构：云原生LLM部署的工程实践指南

冷启动优化是关键。

少林码僧
2026-04-25 00:20:15

 435

 4

#云原生 #serverless #人工智能 +1
Vibe Coding实战：用AI辅助编程重塑开发效率的完整方法论

人机协作中的分工优化。

少林码僧
2026-04-24 00:24:38

 522

 4

#人工智能 #产品运营 #python3.11
LoRA微调工程实践2026：从原理到生产部署的完整指南

LoRA（Low-Rank Adaptation）已成为2026年大模型微调的事实标准。它让在消费级GPU上微调70B大模型成为可能，让企业以极低成本打造专属领域模型。本文从LoRA的数学本质出发，系统讲解微调全流程、关键超参数调优、常见问题排查，以及生产部署的最佳实践。

少林码僧
2026-04-24 00:21:01

 465

 6

#人工智能 #python3.11
LLM推理加速实战2026：KV Cache、投机解码与PagedAttention深度解析

大语言模型的推理速度直接决定产品体验与服务成本。一个70B模型如果没有优化，单请求延迟可能高达数分钟。本文系统梳理2026年最主流的LLM推理加速技术，从原理到工程实践，帮助你把推理速度压到极致。

少林码僧
2026-04-24 00:19:50

 1109

 10

#人工智能 #python3.11
Cursor Rules深度指南：让AI编程助手真正“懂你“的工程方法

同样是用Cursor，为什么有些人用得飞起，有些人却频繁纠错、反复解释？（新版叫这篇文章将系统讲解Cursor Rules的设计哲学、最佳实践，以及如何用Rules构建一个真正"懂你"的AI编程助手。—## 一、Cursor Rules是什么？Cursor Rules是一套给AI编程助手的"系统级指令"——在每次对话开始之前，这些规则就已经被注入到AI的上下文中，让AI在整个项目中都遵循你的偏好和

 少林码僧
2026-04-23 00:16:18

 275

 3

#人工智能 #python3.11
Qwen3全面解析：阿里开源模型的技术突破与工程实践

2026年4月，阿里云正式发布Qwen3系列模型，这次更新被业界视为国产开源大模型的重要里程碑。Qwen3不仅在多项基准测试上追平甚至超越了国际顶级模型，更重要的是其混合推理（Hybrid Thinking）能力和灵活的MoE架构，为中文场景下的工程实践提供了新的选择。本文从技术层面深度解析Qwen3的架构创新，并给出实际工程落地的最佳实践。

少林码僧
2026-04-23 00:18:44

 770

 6

#人工智能 #系统架构 #python3.11
Embedding技术全景2026：从Word2Vec到多模态向量化的工程指南

## 1.5 第五代：大规模通用Embedding模型（当前主流）OpenAI text-embedding-3系列、Cohere Embed v3、阿里云通义Embedding等，用数十亿文本对训练，泛化能力极强。：无法捕捉语义，"大模型"和"LLM"是完全不同的向量。### 1.2 第二代：Word2Vec/GloVe（词级静态向量）2013年Word2Vec的出现革命性地引入了语义向量空间：

少林码僧
2026-04-23 00:17:31

 358

 5

#人工智能 #python3.11 #系统架构 +1
大模型幻觉问题深度剖析：成因、检测与工程级解决方案

当模型不确定时，它不会说"我不知道"，而是倾向于生成一个"听起来像答案"的序列——这正是幻觉的根源。—## 一、什么是幻觉？：步骤看似合理，但逻辑链条有缺口—## 二、幻觉的根本成因### 2.1 训练数据的噪声LLM从海量互联网文本学习，其中包含：- 错误的维基百科编辑（在被纠正前）- 博客中的主观臆断被当作事实陈述- 过期信息（某项技术"最新版本"在训练截止后已更新）- 数据重复导致特定错误被

 少林码僧
2026-04-23 00:16:55

 843

 5

#人工智能 #python3.11 #系统架构
大模型推理加速技术全景：量化、蒸馏、投机解码深度解析

训练大模型是「烧钱」，推理大模型是「持续烧钱」。当你的 AI 应用每天有百万次请求时，推理成本直接决定了商业模式的可行性。本文深度解析三大主流推理加速技术：量化、知识蒸馏和投机解码，帮你找到适合自己场景的加速方案。

少林码僧
2026-04-22 00:20:53

 277

 2

#人工智能 #python3.11
Cursor vs Copilot vs Devin：2026年AI编程助手深度横评

定位。

少林码僧
2026-04-22 00:19:05

 3588

 7

#copilot #人工智能 #python3.11
LoRA微调实战：用消费级GPU打造专属领域大模型

全量微调一个 7B 参数的大模型需要 8 张 A100，但 LoRA 让这件事在一张 RTX 4090 上成为现实。本文从原理到实战，带你完整走完用 LoRA 打造专属领域模型的全流程——数据准备、训练配置、合并推理，每一步都有可直接运行的代码。

少林码僧
2026-04-22 00:17:52

 411

 4

#人工智能 #python3.11
2026年AI工程师成长路径：从初级到架构师的完整技能图谱

不只是"怎么做”，更是"为什么这么做"：| 决策场景 | 需要权衡的维度 ||---------|-------------|| 选模型 | 精度、成本、延迟、合规、可控性 || 微调vs提示 | 效果上限、维护成本、部署复杂度 || 自建vs托管推理 | 成本、安全性、运维能力 || RAG vs 长上下文 | 准确率、延迟、成本 |- 知道何时用gpt-4o，何时用gpt-4o-mini- 能

 少林码僧
2026-04-21 00:18:06

 477

 1

#人工智能 #python3.11
Prompt工程进阶2026：从基础提示到企业级提示系统设计

## 第一章：提示词设计的基础原则（快速回顾）在深入进阶之前，确认你掌握了这些基础原则：### 原则一：具体优于模糊。### 技术三：动态Few-Shot（基于相似度检索示例）静态Few-Shot的问题是示例固定，对某些输入不够针对性。—## 第二章：高级Prompt技术### 技术一：思维链（Chain-of-Thought）的正确用法CoT不是到处都适用的银弹。：没有评估指标的Prompt优化

 少林码僧
2026-04-21 00:15:39

 349

 3

#人工智能 #python3.11
LangGraph实战2026：构建有状态多步骤AI Agent的工程指南

”“),(“human”, “当前状态：\n{state}\n\n请决定下一步行动。”,“proposal”: proposal,“action”: “approve_or_reject”})if human_input[“decision”] == “approve”:return {“approved”: True, “messages”: [AIMessage(content=“操作已批准，

少林码僧
2026-04-21 00:13:16

 556

 5

#人工智能 #网络 #python3.11
本地安装部署vllm并运行大模型

本文详细介绍了在WSL2环境下部署vLLM运行大语言模型的完整流程。首先需要具备NVIDIA显卡（≥4GB显存）并安装Python和WSL2。主要步骤包括：1）安装Miniconda并创建Python3.10虚拟环境；2）安装WSL2专用CUDA12.1工具包；3）通过conda安装vLLM框架；4）从魔搭社区下载Qwen3.5-0.8B模型；5）启动API服务并进行测试。整个过程涉及环境配置、依

 m0_59115390
2026-04-14 14:17:28

 1121

 10

#python3.11
当LabVIEW遇上Halcon：手把手玩转语义分割

labview调用halcon实现语义分割，源码，labview2018 64位，halcon22.05，里面包含模型和数据集，包含所有安装包，支持cpu和gpu推理，模型训练可用halcon的DLT。labview调用halcon实现语义分割，源码，labview2018 64位，halcon22.05，里面包含模型和数据集，包含所有安装包，支持cpu和gpu推理，模型训练可用halcon的DL

OoxJqfQCaS
2026-04-06 19:30:00

 136

 1

#python3.11
Optisystem仿真案例8-八通道波分复用系统内容：本文首先分析了光纤通信以及波分复用技...

列举在Optisystem仿真软件中用到的基本功能和元器件，并建立了波分复用传输系统的基本仿真模型，测量了波分复用和解复用后光信号的频谱，通过检测Q因子误码率等数据分析了波分复用设计方案的可行性，并得出了一些结论。这玩意儿就像在光纤里开高速公路，八个车道各自跑不同颜色的光（波长），想想就有意思。列举在Optisystem仿真软件中用到的基本功能和元器件，并建立了波分复用传输系统的基本仿真模型，测量

 vQFQJbUiJ
2026-04-02 19:45:00

 55

#python3.11