Jaxx Liberty Wallet vs CompetitorsJaxx Liberty Wallet has emerged as a leading non-custodial cryptocurrency wallet in 2025, trusted by over 5 million users globally for its robust security and seamless cross-platform functionality. This powerful mobile wallet combines military-grade encryption with user-friendly design, making cryptocurrency management accessible to everyone.Key Features That Set It ApartOne of the most impressive aspects of jaxx liberty wallet is itsnative support for bitcoin, ethereum, erc-20 tokens, and over 90 altcoins. The wallet also includesreal-time portfolio tracking ...继续阅读 (31)

一、核心定义探索与发现模式：智能体主动寻找新信息、发现新可能性、识别未知之未知,而非仅在预定义空间内优化或做出反应。与传统模式的区别：传统优化 → 在已知空间内寻找最优解 探索发现 → 主动进入未知领域,生成新知识核心特征：被动响应(Reactive) ↓ 主动探索(Proactive) ↓ 尝试新方法(Experiment) ↓ 生成新知识(Generate Knowledge) ↓ 扩展能力边界(Expand Capabilities)二、为什么需要探索与发现？局限影响解决方案静态知识库无法处理新情况主动学习新知识预定义解决方案创新能力受限探索未知方法已知之已知只能优化现有流程发现"未知之未知"被动响应缺乏自主性主动设定探索目标单一视角思维局限多智能体协作探索核心优势：✅ 发现真正的创新✅ 识别未知风险/机会✅ 生成新假设✅ 扩展知识边界✅ 自主设定子目标三、探索与发现的关键场景1. 科学研究自动化⭐场景：药物发现 流程： 1. 生成假设(新药靶点) 2. 设计实验方案 3. 执行实验(模拟/实验室) 4. 分析结果 5. 优化假设 6. 发现新知识 价值：加速科学发现,降低研发成本2. 游戏和策略生成场景：AlphaGo类系统 探索： - 探索游戏状态空间 - 发现涌现策略 - 识别环境漏洞 价值：超越人类的策略 ...继续阅读 (33)

导语智能体通常依赖预定义知识，难以应对新情境或开放式问题。在复杂动态环境中，静态信息不足以实现真正创新或发现。关键挑战是让智能体超越简单优化，主动寻找新信息和“未知的未知”，实现从被动反应到主动探索的范式转变，扩展系统认知和能力。标准做法是构建专为自主探索与发现设计的智能体 AI 系统，通常采用多智能体框架，专用 LLM 协作模拟科学方法。不同智能体负责假设生成、评审和进化，结构化协作使系统能智能导航信息空间、设计实验并生成新知识。自动化探索环节，增强人类智力，加速发现进程。传统优化只在已知空间内寻找最优解，无法处理“未知之未知”。探索与发现模式让智能体主动进入未知领域，生成新知识，通过多智能体协作和迭代推理推动真正的创新。本文介绍探索与发现的关键场景、Google Co-Scientist 多智能体架构、Agent Laboratory 框架与探索-利用平衡策略，适合需要构建创新型智能体系统的开发者与研究者。TL;DR核心：智能体主动寻找新信息、发现新可能性、识别未知之未知，而非仅在预定义空间内优化。场景：科学研究自动化、策略游戏、市场趋势发现、安全漏洞挖掘、创意生成、个性化教育等。系统：Google Co-Scientist（生成-辩论-演化循环 + Elo 排名）、Agent Laboratory（教授/博士后/评审多角色协作）。策略：使用 ε-greedy、UCB、Thom ...继续阅读 (5)

一、核心定义优先级排序：智能体根据重要性、紧迫性、依赖关系等标准评估和排序任务/目标,动态确定下一步行动,确保资源用在刀刃上。核心问题：无优先级排序 → 盲目执行任务,效率低,目标不达 有优先级排序 → 聚焦关键任务,资源优化,目标对齐工作机制：多个潜在任务 ↓ 定义评估标准(紧迫性/重要性/依赖/成本) ↓ 对每个任务评分 ↓ 排序并选择最优 ↓ 动态调整(环境变化时) ↓ 执行高优先级任务二、为什么需要优先级排序？痛点影响解决方案任务过多不知从何做起按优先级排序目标冲突无法兼顾所有选择最重要的资源受限时间/计算/人力不足优先分配关键任务延迟/失败关键任务被耽误紧急任务优先效率低下做了不重要的事聚焦高价值任务核心优势：✅ 提高执行效率✅ 确保目标对齐✅ 优化资源利用✅ 增强适应性✅ 降低失败风险三、优先级排序的四大要素1. 标准定义（Criteria Definition）常用标准：标准说明示例紧迫性（Urgency）时间敏感度系统故障 > 功能优化重要性（Importance）对目标的影响核心功能 > 辅助功能依赖关系（Dependencies）是否是其他任务前提数据库设计 > 业务逻辑资源可用性所需工具/信息是否就绪有API Key的任务优先成本/收益（Cost/Benefit）投入与产出比ROI高的任务优先用户偏好个性化优先级VIP客户请求优先标 ...继续阅读 (32)

导语任务太多且目标冲突时，智能体如果没有优先级排序，只能盲目执行，效率低下、关键目标难以达成。优先级排序通过定义评估标准、任务评分、调度逻辑和动态重排序，让智能体在资源受限、目标冲突的环境中做出最优决策，确保资源用在刀刃上。本文介绍四大要素、三层优先级、项目经理智能体实战与常见错误，适合需要构建任务管理智能体的开发者。TL;DR核心：优先级排序通过定义评估标准（紧迫性、重要性、依赖关系、资源可用性），对任务评分并排序，动态确定下一步行动。价值：聚焦关键任务，确保目标对齐，优化资源利用，提高执行效率，降低失败风险。要素：评估标准（Criteria Definition）→ 任务评估（Task Evaluation）→ 调度逻辑（Scheduling Logic）→ 动态重排序（Dynamic Re-prioritization）。层次：高层目标优先级（战略层）→ 子任务优先级（战术层）→ 行动选择（执行层）。实战：项目经理智能体通过工具创建任务、分配优先级、分派人员，实现自动化任务管理。是什么：优先级排序的核心定义优先级排序（Prioritization）：智能体根据重要性、紧迫性、依赖关系等标准评估和排序任务/目标，动态确定下一步行动，确保资源用在刀刃上。核心问题：无优先级排序 → 盲目执行任务，效率低，目标不达 有优先级排序 → 聚焦关键任务，资源优化，目标对齐工作机制： ...继续阅读 (5)

一、核心定义推理技术：通过分配更多计算资源和时间,让智能体明确展示多步逻辑推理过程,将复杂问题分解为可管理的子问题,从而提高准确性和透明度。核心原则：传统单次处理 → 快速但可能不准确 推理技术 → 延长推理时间,提升质量工作机制：快速单次响应(Standard) ↓ 迭代优化(Iterative Refinement) ↓ 探索多条路径(Multiple Paths) ↓ 使用外部工具(External Tools) ↓ 显著提升准确性和连贯性二、为什么需要推理技术？痛点影响推理技术解决方案直接答案不可靠复杂问题答错逐步推理验证缺乏透明度无法理解AI如何得出结论展示推理过程多步问题失败数学/逻辑题表现差分解为子问题无法调试不知道哪里出错可审计的推理步骤一次性输出没有迭代优化机会多轮思考和修正核心优势：✅ 提高复杂问题准确性✅ 增强推理透明度✅ 支持可审计性✅ 降低幻觉风险✅ 更好的错误诊断三、核心推理技术1. 思维链（Chain-of-Thought, CoT）⭐定义：引导模型生成中间推理步骤,而非直接给出答案。工作原理：问题："如果一个商店有23个苹果,卖掉8个,又进货15个,现在有多少个?" ❌ 直接回答： "30个"（可能错误） ✅ CoT推理： 步骤1：初始有23个苹果 步骤2：卖掉8 ...继续阅读 (31)

导语传统单次处理快速但可能不准确，复杂问题直接回答不可靠。推理技术通过分配更多计算资源和时间，让智能体明确展示多步逻辑推理过程，将复杂问题分解为可管理的子问题，从而提高准确性和透明度。本文介绍思维链（CoT）、ReAct、自我修正、树形搜索、多智能体辩论等核心推理技术，适合需要提升AI推理能力的开发者。TL;DR核心：推理技术通过分配更多计算资源和时间，让智能体明确展示多步逻辑推理过程，将复杂问题分解为可管理的子问题。价值：提高复杂问题准确性、增强推理透明度、支持可审计性、降低幻觉风险、更好的错误诊断。技术：思维链（CoT）引导模型生成中间推理步骤、ReAct结合推理和行动、自我修正迭代改进、树形搜索探索多条路径、多智能体辩论达成共识。流程：快速单次响应 → 迭代优化 → 探索多条路径 → 使用外部工具 → 显著提升准确性和连贯性。权衡：计算成本高（Token消耗增加3-5倍）、延迟增加（响应时间变长）、提示工程复杂（需要精心设计推理步骤）。是什么：推理技术的核心定义推理技术：通过分配更多计算资源和时间，让智能体明确展示多步逻辑推理过程，将复杂问题分解为可管理的子问题，从而提高准确性和透明度。核心原则：传统单次处理 → 快速但可能不准确 推理技术 → 延长推理时间，提升质量工作机制：快速单次响应(Standard) ↓ 迭代优化(Iterative Refine ...继续阅读 (5)

一、核心定义资源感知优化：智能体根据计算资源、时间、成本预算动态选择执行策略,在满足目标的前提下优化资源利用效率。与规划的区别：规划（Planning） → 关注动作序列 资源感知优化 → 关注如何执行(用什么资源)核心类比：旅行规划场景： 高级规划(理解需求、分解行程) → 使用Gemini Pro(昂贵但智能) 具体任务(查机票、酒店、餐厅) → 使用Gemini Flash(便宜且够用)二、为什么需要资源感知优化？痛点影响解决方案成本过高所有查询都用最贵模型简单查询用便宜模型延迟过长实时场景响应慢快速模型优先资源浪费简单任务用复杂模型智能路由服务不可用主模型限流/宕机自动降级到备用模型能耗过大边缘设备电量耗尽轻量模型+优化核心优势：✅ 降低运营成本✅ 提升响应速度✅ 提高系统可靠性✅ 优化用户体验✅ 提升资源利用率三、核心模式1. 动态模型切换原理：根据任务复杂度选择合适的模型任务类型模型选择成本速度质量简单查询Gemini Flash / GPT-4o-mini低快够用复杂推理Gemini Pro / GPT-4o高慢高需要联网标准模型 + 搜索工具中中高示例：# 定义两个智能体 gemini_pro_agent = Agent( model="gemini-2.5-pro", # 昂贵 ...继续阅读 (28)

title: "资源感知优化实战：在成本、速度、质量间实现动态平衡"description: "通过资源感知优化（Resource-Aware Optimization），智能体根据计算资源、时间、成本预算动态选择执行策略，在满足目标的前提下优化资源利用效率。"tags: ["技术写作", "实践指南"]keywords: ["资源感知优化", "Resource-Aware", "动态模型切换", "路由智能体", "OpenRouter"]cover: "/images/cover.png"created: 2025-11-10updated: 2025-11-10slug: "resource-aware-optimization-practical-guide"备选标题（三选一）信息型：资源感知优化完整指南：从动态模型切换到OpenRouter统一接口场景型：让AI更省钱更快：资源感知优化实战案例对比型：一刀切 vs 智能路由：为什么“按需选择模型”更高效导语所有查询都用最贵模型，成本过高；所有任务都用复杂模型，延迟过长。资源感知优化通过动态模型切换、路由智能体、评论智能体等机制，让智能体根据任务复杂度、成本预算、时间要求动态选择执行策略，在满足目标的前提下优化资源利用效率。本文介绍核心模式、OpenRouter统一接口、实战案例与扩展优化技术，适合需要优化AI系统成本和性 ...继续阅读 (5)

一、核心定义A2A（Agent-to-Agent）协议：Google推出的开放标准,使不同框架(LangGraph/CrewAI/ADK)构建的智能体能够跨平台通信与协作。核心类比：无A2A → 各说各话的方言,无法沟通 有A2A → 统一的普通话,畅通交流支持厂商：Atlassian, Box, LangChain, MongoDBSalesforce, SAP, ServiceNowMicrosoft (Azure AI Foundry, Copilot Studio)Auth0二、为什么需要A2A？痛点影响A2A解决方案框架孤岛不同框架智能体无法协作跨框架通信标准重复造轮子每个系统独立开发集成统一协议降低成本扩展困难添加新智能体需大量改造插拔式集成任务无法分解单智能体处理复杂任务效率低专业化分工协作信息无法共享智能体间无法交换信息标准化消息传递核心优势：✅ 跨框架互操作性✅ 降低集成成本✅ 促进智能体专业化✅ 支持复杂工作流编排✅ 开源生态三、A2A核心概念1. 核心参与者（Core Actors）角色定义职责User（用户）发起请求的人提出需求A2A Client（客户端智能体）代表用户请求发送任务、接收结果A2A Server（远程智能体）提供服务的智能体处理任务、返回结果工作流程：User发起请求 ↓ Client智能体接收 ↓ 通过A2A协议调用Rem ...继续阅读 (27)

导语不同框架构建的智能体无法协作，每个系统独立开发集成，添加新智能体需大量改造。A2A（Agent-to-Agent）协议是Google推出的开放标准，使不同框架(LangGraph/CrewAI/ADK)构建的智能体能够跨平台通信与协作。本文介绍A2A核心概念、通信机制、与MCP的互补关系、ADK实战示例与安全机制，适合需要构建跨框架智能体系统的架构师。TL;DR核心：A2A协议使不同框架构建的智能体能够跨平台通信与协作，包含User、A2A Client、A2A Server三大核心参与者。价值：跨框架互操作性、降低集成成本、促进智能体专业化、支持复杂工作流编排、开源生态。机制：智能体卡片（Agent Card）声明能力和技能，通过发现、请求构建、客户端通信、服务器执行、响应返回五步流程。通信：同步请求/响应、异步轮询、流式更新(SSE)、推送通知(Webhook)四种交互模式。关系：A2A与MCP互补，A2A用于多智能体协作，MCP用于单智能体能力扩展。延伸：与多智能体协作、模型上下文协议配合使用，见《./07-多智能体协作.md》《./10-模型上下文协议.md》。是什么：A2A的核心定义A2A（Agent-to-Agent）协议：Google推出的开放标准，使不同框架(LangGraph/CrewAI/ADK)构建的智能体能够跨平台通信与协作。核心类比：无A2A → ...继续阅读 (5)

一、核心定义RAG（检索增强生成）：在LLM生成响应前,从外部知识库检索相关信息并增强提示词,使AI能够基于实时、可验证数据生成准确答案。核心类比：传统LLM → 闭卷考试(只靠记忆) RAG系统 → 开卷考试(可查阅资料)工作流程：用户查询 ↓ 语义搜索知识库(不是关键字匹配) ↓ 提取最相关信息片段 ↓ 增强原始提示词(查询+检索内容) ↓ LLM生成基于事实的响应二、RAG核心概念概念定义作用Embeddings（嵌入）文本的数字向量表示捕捉语义含义,在高维空间中相近含义的词距离近语义相似度基于含义而非词语的相似程度"furry feline"与"cat"高度相似Chunking（分块）将大文档分割成小片段提高检索效率和相关性向量数据库专门存储和查询嵌入的数据库高效语义搜索(FAISS/Pinecone/Weaviate)语义搜索理解意图的智能搜索超越关键字匹配,理解查询背后的概念核心技术架构图1：RAG核心流程 - 分块→嵌入→向量存储→语义检索三、为什么需要RAG？LLM局限影响RAG解决方案静态训练数据信息过时,无法获取最新资讯连接实时知识库幻觉（Hallucination）生成虚假信息基于可验证数据回答缺乏专业知识无法访问公司内部文档整合私有知识库无法提供来源答案不可验证附带引用和出处领域知识不足专业领域表现差动态加载领域文档核心优势：✅ 访 ...继续阅读 (30)

一、核心定义人机协同（Human-in-the-Loop, HITL）：将人类认知的独特优势（判断力、创造力、细致理解）与AI的计算能力和效率战略性整合,确保AI在道德边界内运行、遵守安全协议并实现最佳效果。核心理念：AI ≠ 人类替代品 AI = 人类能力增强工具实现形式：人类作为验证者/审查者 → 检查AI输出人类主动引导 → 实时反馈和纠正人机协作伙伴 → 共同解决问题二、HITL六大关键方面方面说明实现方式人类监督(Human Oversight)监控AI性能和输出日志审查、实时仪表板干预与纠正(Intervention)AI遇错误或模糊场景时请求人工纠正错误、提供缺失数据、指导方向学习反馈(Feedback for Learning)收集人类反馈优化模型RLHF(强化学习基于人类反馈)决策增强(Decision Augmentation)AI提供分析,人类做最终决定辅助决策而非完全自主人机协作(Collaboration)发挥各自优势分工AI处理数据,人类处理创造性任务上报策略(Escalation Policies)明确何时上报给人类超出能力范围时防止错误三、为什么需要？问题场景AI局限性HITL解决方案高风险决策错误后果严重(医疗/金融/法律)人类保留最终决策权模糊与细微差别LLM难以可靠处理边界情况人工审查复杂案例伦理与道德推理AI缺乏价值观和常识推理人类提供道 ...继续阅读 (30)

一、核心定义目标设定与监控（Goal Setting and Monitoring）：为智能体明确定义可衡量的目标,并建立持续跟踪进度的监控机制,创建反馈循环使智能体能够自我评估、纠正路线并适应变化。核心类比：计划旅行 → 目标设定与监控 - 决定目的地 = 定义目标状态 - 起点 = 初始状态 - 规划路线 = 制定计划 - 导航跟踪进度 = 监控机制 - 根据路况调整 = 反馈循环关键机制：明确目标：具体、可测量、可实现、相关、有时限（SMART）持续监控：观察行动、环境状态、工具输出反馈循环：评估→纠正→适应→升级二、为什么需要？问题解决方案缺乏方向智能体不知道要实现什么无法评估进度不知道是否朝目标前进无法自我纠正遇到问题不会调整策略只能被动响应仅能执行单步简单任务核心价值：✅ 使智能体能够自主处理多步骤复杂任务✅ 在动态条件下适应并调整策略✅ 可靠实现特定高层次目标✅ 减少人工干预需求三、典型应用场景1. 客户支持自动化目标："解决客户账单查询" 监控：对话状态、数据库查询、账单调整确认 成功标准：账单已修改 + 客户反馈积极 失败处理：未解决则升级到人工2. 个性化学习系统目标："提高学生代数理解能力" 监控：练习准确率、完成时间、进度跟踪 反馈循环：学生遇到困难时调整教 ...继续阅读 (29)

导语没有目标的智能体只能被动响应，不知道要实现什么，也无法评估进度。目标设定与监控通过SMART原则定义可衡量目标，建立持续跟踪机制，创建反馈循环，让智能体从被动响应转变为主动、目标驱动的系统。本文介绍SMART目标设计、监控机制实现、AI代码生成智能体案例与ADK实现，适合需要构建自主智能体的开发者。TL;DR核心：目标设定与监控是为智能体明确定义可衡量目标，并建立持续跟踪进度的监控机制，创建反馈循环使智能体能够自我评估、纠正路线并适应变化。价值：使智能体能够自主处理多步骤复杂任务，在动态条件下适应并调整策略，可靠实现特定高层次目标，减少人工干预需求。机制：明确目标（SMART原则）→ 持续监控（观察行动、环境状态、工具输出）→ 反馈循环（评估→纠正→适应→升级）。实践：通过智能体指令传达目标，状态管理实现监控，工具返回值更新状态并调整策略。边界：简单任务不需要目标设定，单步简单任务直接执行即可；目标设定适用于多步骤复杂任务。是什么：目标设定与监控的核心定义目标设定与监控（Goal Setting and Monitoring）：为智能体明确定义可衡量的目标，并建立持续跟踪进度的监控机制，创建反馈循环使智能体能够自我评估、纠正路线并适应变化。核心类比：计划旅行 → 目标设定与监控 - 决定目的地 = 定义目标状态 - 起点 = 初始状态 - 规 ...继续阅读 (12)

一、核心定义模型上下文协议（MCP）：一个开放标准,为大语言模型（LLM）与外部应用、数据源、工具之间提供标准化的通信接口。就像是通用电源插座,让任何兼容工具都能被任何兼容LLM访问和使用。核心类比：工具函数调用 → 定制工具包(专用扳手+螺丝刀) MCP协议 → 通用电源接口(任何设备都能接入)三大核心元素：Tools（工具）：可执行的功能（如发送邮件、查询数据库）Resources（资源）：静态数据（如文件、数据库记录）Prompts（提示模板）：指导LLM如何交互的模板二、MCP vs 工具函数调用维度工具函数调用MCP协议标准化厂商专有,格式各异开放标准,统一规范范围直接调用特定预定义函数完整的发现与通信框架架构LLM与工具一对一直接交互客户端-服务器架构发现机制静态配置可用工具动态发现和查询能力可复用性与特定应用深度绑定独立部署,跨平台复用适用场景简单应用,固定功能复杂系统,动态扩展核心区别：函数调用：直接给AI一套专用工具MCP：建立标准接口,任何工具都能即插即用三、MCP 架构组件四大核心角色组件角色类比LLM智能核心,决策者大脑MCP ClientLLM的封装应用翻译官MCP Server外部能力的网关桥梁3P Service实际执行的外部工具/API手脚交互流程1. 发现(Discovery) Client → Server: 查询可用能力 ...继续阅读 (27)

导语工具函数调用是定制工具包，每个厂商格式各异，难以复用。模型上下文协议（MCP）是通用电源接口，任何兼容工具都能被任何兼容LLM访问和使用。MCP通过标准化通信接口，让智能体与外部应用、数据源、工具无缝集成，打造可互操作的生态系统。本文介绍MCP的核心概念、架构组件、FastMCP实战与ADK集成，适合需要构建企业级智能体系统的开发者。TL;DR核心：MCP是开放标准，为LLM与外部系统提供标准化通信接口，包含Tools（工具）、Resources（资源）、Prompts（提示模板）三大元素。价值：互操作性（任何LLM访问任何工具）、可复用性（工具独立部署）、动态发现（无需重新部署）、生态系统（推动标准化组件）。架构：LLM → MCP Client → MCP Server → 3P Service，通过发现、请求构建、客户端通信、服务器执行、响应返回五步流程。实现：FastMCP简化MCP Server开发，ADK通过MCPToolset连接MCP服务器，支持本地STDIO和远程HTTP/SSE通信。边界：底层API质量决定效果，需要针对智能体优化；数据格式需智能体友好（Markdown而非PDF）。是什么：MCP的核心定义模型上下文协议（MCP）：一个开放标准，为大语言模型（LLM）与外部应用、数据源、工具之间提供标准化的通信接口。就像是通用电源插座，让任何兼容工具都能被任 ...继续阅读 (12)

一、核心定义记忆管理（Memory Management）：智能体保留并利用过往交互、观察和学习经验中的信息的能力,分为短期记忆(即时上下文)和长期记忆(持久化知识库)两种类型,使智能体能维持对话连贯性、个性化响应并持续改进。可视化示意图：图 1：记忆管理设计模式记忆类比：人类记忆 智能体记忆 ────────── ────────────── 工作记忆 → 短期记忆(Context Window / Session State) 长期记忆 → 长期记忆(Vector DB / External Storage)二、短期记忆 vs 长期记忆维度短期记忆 (Short-Term)长期记忆 (Long-Term)存储位置上下文窗口 / Session State外部数据库 / 向量数据库作用域当前对话跨多个会话生命周期会话结束后丢失持久化存储容量受LLM上下文窗口限制理论上无限访问方式直接读取查询检索(语义搜索)内容最近消息、工具调用结果、反思用户偏好、历史交互、知识库类比工作台/草稿本档案室/图书馆为什么需要两种记忆？短期记忆：维持对话流畅性,处理当前上下文长期记忆：实现跨会话连续性,个性化和学习能力三、典型应用场景1. 聊天机器人和对话AI短期记忆：记住本次对话中的用户输入,生成连贯回复长期记忆：调取用户偏好、过往问题历史2. 任 ...继续阅读 (28)

Jakarta,cssmayo.com– Di zaman serba cepat ini, manusia tak hanya berlari mengejar efisiensi — mereka juga berusaha bertahan dalam ketidakpastian kesehatan global. Di tengah perubahan itu, lahirlah sebuah revolusi bernamaHealth Technology, perpaduan antarailmu kedokterandankecerdasan digitalyang kini menjadi garda depan penyelamat peradaban modern.Teknologi ini bukan lagi sekadar alat bantu, tetapi sudah menjadi bagian dari tubuh manusia. Ia mengalir lewat smartwatch di pergelangan tangan, algoritma dalam rumah sakit, hingga robot bedah yang memegang pisau operasi dengan ketelitian nyaris ...继续阅读 (30)

【摘要】我在先前的随笔中分享过用Dify低代码平台来实现问答系统，也有几篇随笔是通过不同的方式来访问大模型。本篇将使用LangChain来做对应的实现。相关代码主要是通过Trae，它可以帮助你快速的了解了基本使用 LangChain 构建 RAG的方法，包括从文档加载、向量存储到问答接口实现，整个过程涉及多个关键环节。 虽然借助大模型以及Trae，给我们提供了另外一种生成代码和学习代码的方式，但其目前还是需要人工来参与的，尤其是版本的变化导致引入的包和接口的调用方式都发生了很多变化，所以这就需要一个根据生成的代码不断的去调试和修正。本文里贴出的代码也是经历过这个过程之后总结下来的。阅读全文 ...继续阅读 (31)

JAKARTA, cssmayo.com–Digital Channels: Engaging Users Across Platforms always sounds Techno and smart, but honestly, it took me a while to really crack the code. When I first started out, I thought just posting on every social media platform would cover all my bases. Spoiler: it totally doesn’t work like that.In an era where audiences jump seamlessly between websites, social media, apps, and in-store experiences, masteringDigital Channelsis critical for meaningful engagement. By weaving real stories and making data-driven moves, brands can create cohesive, memorable journeys that drive l ...继续阅读 (36)

每当应用程序想要通过网络访问自身时，它都会声明一个 TCP/IP 端口，这意味着该端口不能被其他任何程序使用。那么，如何检查开放的端口，以查看哪个应用程序正在使用它呢？🏷️ 端口如何工作？IP 地址指定网络上的计算机或其他网络设备。当一个设备向另一个设备发送流量时，IP 地址用于将流量路由到适当的位置。一旦流量到达正确的位置，设备需要知道将流量发送到哪个应用或服务。这就是端口的作用。如果 IP 地址类似于邮件上的街道地址，那么端口就像是居住在该地址接收邮件的人的名字。在大多数情况下，你不需要担心端口。但是，有时你可能会遇到一个应用程序被设置为在另一个应用程序已使用的相同端口上侦听流量。在这种情况下，你需要确定哪个应用程序已经在使用该端口。有很多方法可以确定哪个应用程序锁定了端口，但我们将引导你了解几种使用命令提示符、PowerShell 或终端的内置方法，然后向你展示一个很棒的免费应用程序，它可以使操作更加容易。无论你使用哪个版本的 Windows，所有这些方法都应该有效。🏷️ 使用 Windows 的原生工具查看端口上正在侦听的内容我们将向你展示两个命令。第一个命令列出活动端口以及正在使用它们的进程的名称。在大多数情况下，该命令可以正常工作。但是，有时进程名称无法帮助你识别哪个应用程序或服务实际占用了端口。对于这种情况，你需要列出活动端口及其进程标识符 (PID)，然后在任务管理 ...继续阅读 (30)

本文永久链接– https://tonybai.com/2025/10/29/why-break-in-go-function-iterators-does-not-work大家好，我是Tony Bai。在我的极客时间专栏《Tony Bai·Go语言进阶课》的关于 Go 1.23+ 函数迭代器的第9讲中，我介绍了一种非常强大的高级用法——迭代器组合 (Iterator Composition)。通过像 Filter 和 Map 这样的高阶函数，我们可以用一种相对优雅、富有表现力的方式，构建复杂的数据处理管道。然而，这种优雅的背后，隐藏着一套全新的执行模型。近日，一位读者在学习了迭代器组合的示例后，提出了一个极其敏锐的问题，它也是许多 Gopher 在初次接触函数迭代器时可能遇到的障碍。这个问题是：在一个组合了多个迭代器的 for range 循环中，break 语句似乎没有按预期工作，导致了“多余”的输出。这个问题非常棒，因为它迫使我们撕开 for range 函数迭代器 的语法糖，深入到 yield 函数的协作机制中，去真正理解迭代器组合的“魔法”是如何运作的。在这篇文章中，我们就来解构一下Go函数迭代器，再次尝试帮助大家认清函数迭代器的本质。“案发现场”：一个看似“不听话”的 break让我们先复现一下这位学员遇到的困惑。我们基于课程中的 Filter 和 Map ...继续阅读 (34)

Foreword在工业领域，需要使用可靠性非常强的协议，并且对于延迟要求也很高，如果同时这个协议本身也具有高拓展性，那就更好了，这里主要是从CAN出发，看看相关在CAN之上的协议层有哪些可以选择。类CAN协议层CANaerospaceCANaerospace是专为航空电子系统设计的通信协议，基于CAN总线技术，用于满足机载设备对实时性和可靠性的严苛要求。CANaerospace底层对CAN的payload重新定义了，将整个CAN总线设计成了网状，允许一对一和一对n通信。设计的思路还是比较简单的的，说白了就是给各个节点约定好的数据类型和数据值，具体这个数据干啥用的靠Service Code和Message Code区分DDSDDS主要是用在自动驾驶方面的技术栈，核心思路也是把传感器之类的东西变成总线式的交互，这样防止系统过于复杂，底层还是靠CAN来实现数据链路层CANopenhttps://www.analog.com/cn/lp/001/primer-network-management-CANopen-protocols.htmlCANopen，类似的按照节点和对象字典来区分，CANopen把节点ID给固定死了，设备能用的一开始就规定死了┌──────────────┬─────────┬──────────────────┬─────────┐ │ CAN 标识符 │ ...继续阅读 (26)

JAKARTA, cssmayo.com– Bayangkan pulang ke rumah setelah hari panjang yang melelahkan, dan disambut oleh sebuah robot yang menyapa dengan suara lembut, mengambilkan minuman, lalu menyiapkan ruangan untuk istirahat. Pemandangan itu dulu hanya mungkin ada di film fiksi ilmiah, tapi kini perlahan menjadi kenyataan melalui hadirnyaRobot Butler— asisten rumah tangga cerdas berbasis kecerdasan buatan yang mulai mengubah cara manusia menjalani kehidupan sehari-hari.Konsep Robot Butler bukan hanya soal kemewahan. Ini adalah simbol dari transformasi gaya hidup modern yang semakin bergantung pada t ...继续阅读 (32)

cssmayo.com—   Lo tahu gak sih, dulu gue paling males bersihin lantai kalau udah kotor parah. Apalagi kalau lantainya gede, kayak di kantor atau di rumah yang luas banget. Tapi sejak kenal sama yang namanyaFloor Scrubber, hidup gue berubah total. Bayangin aja, alat ini tuh kayak vacuum cleaner versi hardcore—gak cuma nyedot debu, tapi juga nyikat dan ngeringin sekaligus.Floor Scrubber itu sebenernya mesin pembersih lantai otomatis yang dipakai buat ngebersihin permukaan keras kayak keramik, granit, sampai vinyl. Alat ini biasanya punya dua fungsi utama:scrubbingbuat ngangkat kotoran, dansuctio ...继续阅读 (33)

cssmayo.com—   Gue dulu nggak pernah nyangka kalau kelembapan udara bisa bikin suasana rumah berasa beda banget. Lo tahu kan, udara yang terlalu lembap bisa bikin tembok berjamur, pakaian bau apek, bahkan bikin tidur jadi nggak nyaman. Nah, di sinilahSmart Dehumidifierjadi penyelamat. Alat ini bukan sekadar mesin penghisap uap air dari udara, tapi udah dilengkapi teknologi pintar yang bisa menyesuaikan kelembapan sesuai kondisi ruangan lo.Yang menarik, Smart Dehumidifier bisa dikontrol lewat smartphone. Jadi, misalnya lo lagi di luar rumah dan mau nyiapin kamar biar udaranya enak pas pulang, t ...继续阅读 (30)

数据湖作为所有类型数据的原始存储库，以最低的成本保存数据，并可根据特定需求通过数据仓库、数据集市或数据管道进行加工，服务于数据科学和认知计算应用。为了更好地组织数据湖，数据工程团队会创建不同的“区域”，依据数据清理和转换的程度来分类存储，从最原始的数据逐步过渡到经过清洗和丰富化的高质量数据集。传统的关系型数据库管理系统（RDBMS），如Db2、Oracle和SQL Server，常用于实现操作型数据存储（ODS）、数据集市（Data Marts）和企业级数据仓库（EDW），以支持报告生成和执行仪表盘展示。 ...继续阅读 (34)

《HarmonyOS中AceAbility::OnStart()的调用机制分析》 摘要：本文详细剖析了HarmonyOS中AceAbility::OnStart()方法的调用机制。该方法由框架自动管理，调用路径依次为：用户操作触发StartAbility()→AbilityManagerService处理请求→AbilityThread创建实例→通过反射机制最终调用目标Ability的OnStart()。开发者只需重写该方法实现业务逻辑，不应直接调用。调用时需注意：1)必须在200ms内完成，耗时操作应异步 ...继续阅读 (27)

JAKARTA, cssmayo.com –Dulu, membersihkan kaca tinggi di gedung atau rumah bertingkat menjadi pekerjaan yang berisiko dan melelahkan. Kini, kemajuan teknologi telah melahirkanrobot pembersih kaca— perangkat kecil tapi canggih yang mampu menempel di permukaan vertikal dan bekerja secara otomatis.Inovasi ini menjadi simbol perubahan gaya hidup masyarakat urban yang semakin mengandalkan teknologi untuk menyelesaikan pekerjaan rumah tangga. Tidak hanya efisien, robot ini juga mengubah persepsi tentang kebersihan: dari kegiatan rutin yang melelahkan menjadi bagian dari kecerdasan rumah modern. ...继续阅读 (30)