个人名片 🎓作者简介：java领域优质创作者 🌐个人主页：码农阿豪 📞工作室：新空间代码工作室（提供各种软件服务) 💌个人邮箱：[[email protected]] 📱个人微信：15279484656 🌐个人导航网站：www.forff.top 💡座右铭：总有人要赢。为什么不能是我呢？ * 专栏导航： 码农阿豪系列专栏导航 面试专栏：收集了java相关高频面试题，面试实战总结🍻🎉🖥️ Spring5系列专栏：整理了Spring5重要知识点与实战演练，有案例可直接使用🚀🔧💻 Redis专栏：Redis从零到一学习分享，经验总结，案例实战💐📝💡 全栈系列专栏：海纳百川有容乃大，可能你想要的东西里面都有🤸🌱🚀 目录 * Java在AI时代的崛起：从传统机器学习到AIGC的全栈解决方案 * 一、Java AI生态概览：多样化的技术选择 * 1.1 深度学习框架：接轨主流AI技术 * Deep Java Library
引言：突破视觉创作的传统限制 在视觉内容的创作领域，长久以来存在着一系列由技术、时间及预算构成的严格限制。这些限制直接影响着创意从概念到最终呈现的全过程。一个富有创造力的设计师，可能会因为无法承担高昂的实地拍摄费用，而不得不放弃一个原本极具潜力的广告方案。一个构思了宏大世界观的故事作者，可能因为不具备操作复杂三维建模软件的专业技能，而使其笔下的角色无法获得具象化的视觉呈现。一家新兴的初创公司，也可能因为传统设计流程的冗长和低效，在快速变化的市场竞争中错失发展机会。 社会和行业在某种程度上已经习惯了这种因工具和流程限制而产生的“创意妥协”。创作者们在面对自己宏大的构想时，常常因为工具的局限性而感到无力。一种普遍的观念是，顶级的、具有专业水准的视觉呈现，是少数拥有充足资源和专业团队的机构或个人的专属领域。 然而，由豆包·图像创作模型Seedream 4.0所引领的技术发展，正在从根本上改变这一现状。它所提供的并非是对现有工具集的微小改进或功能补充，而是一种全新的、高效的创作工作模式。通过这一模式，过去需要专业团队投入数周时间才能完成的复杂视觉项目，现在可以在极短的时间内，在操作者的
文章目录 * 第一章 文心一言开源模型简介 * 第二章 模型性能深度实测 * 2.1 通用能力基准测试 * 2.1.1 文本生成质量 * 2.1.2 数学推理能力 * 2.2 极端场景压力测试 * 2.2.1 高并发性能 * 2.2.2 长上下文记忆 * 第三章 中文特色能力解析 * 3.1.2 文化特定理解 * 3.2 行业术语处理 * 3.2.1 法律文书解析 * 3.2.2 医疗报告生成 * 第四章 开源生态建设评估 * 4.1 模型可扩展性验证 * 4.
引言：AI Coding 进入规范驱动自动化时代 当前，许多开发者在使用 AI 编程助手时正普遍面临—个痛点：在处理大型项目时， AI 似乎会“遗忘”上下文，导致代码回归、引入新 Bug 或生成不符合项目规范的混乱代码。正如研发同学反复出现的挫败感： “代码库越大， AI 弄得越乱”。 这种被称为“Vibe Coding”的模式，是 AI 辅助工程必要的、但也是原始的第—步。它更像—种不可预测的艺术，而非可重复、可扩展的科学。要真正释放 AI 的生产力，我们必须迎来—次范式的进化：从凭感觉的“Vibe Coding” ，转向由规范驱动的（Spec-Driven Development）专业化 AI 工程新范式。 本文将深入探讨如何将强大的
IntelliJ IDEA 接入 AI 编程助手（Copilot、DeepSeek、GPT-4o Mini） 📊 引言 近年来，AI 编程助手已成为开发者的高效工具，它们可以加速代码编写、优化代码结构，并提供智能提示。本文介绍如何在 IntelliJ IDEA 中集成 DeepSeek、GPT-4o Mini、GitHub Copilot，并探索 本地 AI 编程助手 方案，帮助开发者在不同场景下提升编程效率。 👨💻 1. GitHub Copilot 集成 Copilot 是由 GitHub 和 OpenAI 推出的 AI 代码补全工具，它可以根据上下文智能生成代码片段。 GitHub Copilot 免费版 vs 付费版对比。 功能免费版付费版代码补全每月
💖💖💖亲爱的朋友们，热烈欢迎你们来到 青云交的博客！能与你们在此邂逅，我满心欢喜，深感无比荣幸。在这个瞬息万变的时代，我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而 我的博客，正是这样一个温暖美好的所在。在这里，你们不仅能够收获既富有趣味又极为实用的内容知识，还可以毫无拘束地畅所欲言，尽情分享自己独特的见解。我真诚地期待着你们的到来，愿我们能在这片小小的天地里共同成长，共同进步。💖💖💖 本博客的精华专栏： 1. 大数据新视界专栏系列：聚焦大数据，展技术应用，推动进步拓展新视野。 2. Java 大厂面试专栏系列：提供大厂面试的相关技巧和经验，助力求职。 3. Python 魅力之旅：探索数据与智能的奥秘专栏系列：走进 Python 的精彩天地，感受数据处理与智能应用的独特魅力。 4. Java 性能优化传奇之旅：铸就编程巅峰之路：如一把神奇钥匙，深度开启 JVM 等关键领域之门。丰富案例似璀璨繁星，引领你踏上编程巅峰的壮丽征程。 5. Java 虚拟机（
个人主页-爱因斯晨 文章专栏-AIGC 长大好多烦恼，好愁！ 目录 前言 初步了解 Mcp到底是个啥？ 发展 理论基础 核心组件 使用逻辑 于传统API不同之处 模型推荐 前言 上年这个时候，刚拿到录取通知书。哥哥教我用ai智能体，其实就是向我炫技。当时我问他，为什么不能直接给我生成图表，直接给我生成多好，省得我再去复制了。他说，其实很简单，只要做个接口协议什么的就行，只是目前国内没人做。当时说的很高深，我也听不懂。没想到年底，这个功能就实现内测了。在某种程度上，我也算是预言了哈哈。 初步了解 Mcp到底是个啥？ Mcp，全称 Model Context Protocol，翻译过来是模型上下文协议。你不用管这高大上的名字，简单说，它就是和大 AI 模型聊天时，一种把相关信息整理好、按规矩传给 AI 的方式。
PyTorch实战——基于文本引导的图像生成技术与Stable Diffusion实践 * 0. 前言 * 1. 基于扩散模型的文本生成图像 * 2. 将文本输入编码为嵌入向量 * 3. 条件 UNet 模型中的文本数据融合机制 * 4. 使用 Stable Diffusion 模型生成图像 * 相关链接 0. 前言 在本节中，我们将为扩散模型添加文本控制能力。学习如何通过文字描述来引导图像生成过程，实现从"纯噪声+文本"生成图像，而不仅是从纯噪声生成。 1. 基于扩散模型的文本生成图像 在扩散模型的 UNet 模型训练流程中，我们仅训练模型从含噪图像中预测噪声。为实现文生图功能，需使用以下架构，将文本作为额外输入注入 UNet 模型： 这样的 UNet 模型称为条件 UNet 模型 ，或者更精确地说，是文本条件 UNet
什么是 Agentic AI？Agentic AI 与传统 AIGC 有什么区别？ 1. 引言 近年来，人工智能（AI）技术飞速发展，其中以生成式 AI（AIGC，Artificial Intelligence Generated Content）和 Agentic AI（智能代理 AI）最为热门。AIGC 通过深度学习模型生成文本、图像、视频等内容，而 Agentic AI 则更进一步，能够自主感知、决策并执行任务。那么，Agentic AI 究竟是什么？它与传统的 AIGC 有何不同？在本文中，我们将深入探讨 Agentic AI 的概念、技术原理、
程序员进阶一站式社区
提到提示词注入（Prompt Injection），大家的第一反应往往是精心构造的文本越狱指令。 而在图生图任务中，输入图像在本质上扮演了视觉提示词的角色，与文本指令共同指导生成模型。 基于这一视角，本文展示针对视觉提示词的注入攻击：通过PGD对抗攻击算法对输入图像进行像素级微调，使其生成的违规图像能够绕过开源大模型的NSFW安全检测机制。 临近毕业，感觉市场对提示词注入比较感兴趣，因本人读博期间一直研究对抗攻击算法，所以决定尝试用对抗攻击的思路完成提示词注入攻击，误导开源模型生成违规图像。 完整代码链接：https://github.com/YujiangLi0v0/Injection_Attack_Inpainting.git 目录 * 一、 NSFW防线：开源模型的安全过滤机制 * 二、 攻击场景定义 (Threat Model) * 三、 环境搭建 * 四、 核心攻击流程详解 * 4.1. 固定随机因子 * 4.2 数据预处理 * 4.3. 攻击部分 * 4.3.1 重写扩散模型推理过程
在昇腾 NPU 上跑 Llama 大模型：从 “踩坑到通关” 的搞笑实战记 本文分享了在昇腾 NPU 上部署测试 Llama-2-7B 大模型的全过程。提供踩坑经验。作者因其他硬件价格高、服务器昂贵，选择昇腾 NPU，其自主可控的达芬奇架构、完善的开源生态及 GitCode 免费测试资源是主要吸引力。文中详细介绍了 GitCode 上创建昇腾 Notebook 实例的关键配置、环境验证方法，以及安装 transformers 库、下载部署模型的步骤，还记录了遇到的 “torch.npu 找不到”“模型下载需权限” 等四个常见问题及解决方案。通过测试英文生成、中文对话、代码生成三种场景，得出 16-17 tokens/s 的吞吐量，虽低于预期但性能稳定，并给出使用 MindSpeed-LLM 框架、
Llama-Chinese训练资源规划：7B/13B/70B模型硬件需求表 你是否在启动Llama-Chinese模型训练时反复遇到显存溢出？是否纠结该为70B模型配置8张还是16张GPU？本文基于Llama-Chinese项目的训练脚本与部署实践，整理出7B/13B/70B参数模型在预训练、微调场景下的硬件配置方案，包含GPU型号选型、显存需求、并行策略全指南，助你避免90%的硬件资源浪费。 训练场景硬件需求总表 模型规格训练类型推荐GPU配置最低显存要求优化策略文件7B预训练2×A100(80G)120GBds_config_zero3.json7B微调1×A100(40G)32GBds_config_zero2.json13B预训练4×A100(80G)240GBpretrain.sh13B微调2×A100(40G)64GBfinetune_lora.sh70B预训练8×A100(80G)640GB需定制ZeRO-3配置70B微调4×A100(80G)280GBfinetune_clm_lora.py 注：表中数据基于Llama-Chinese项目pretrai
官网 https://git-scm.com/ 安装 我的电脑是windows64位，所以选择了 * Git for Windows x64 Setup * 如果你想要便携版（不用安装，直接放U盘或文件夹用）： * Git for Windows x64 Portable 这里注意不要勾选only show new options，不然不会显示各种配置信息，包括安装路径也无法显示 选择组件 一般按照默认即可，点击“Next”； 选择开始菜单文件夹 可以更改名称、不添加或者改到其他目录，一般保持默认；点击“Next”进入下一步 选择默认文本编辑器 -决定了你使用 git commit 等命令时自动打开哪个编辑器来编写提交信息。 如何后续修改编辑器 设置默认初始分支名 决定了你创建新 Git 仓库时，默认分支的名字。 Let Git
Windows 11 配置 CUDA 版 llama.cpp 并实现系统全局调用（GGUF 模型本地快速聊天） 前言 在本地快速部署大模型进行离线聊天，llama.cpp 是轻量化、高性能的首选工具，尤其是 CUDA 版本能充分利用 NVIDIA 显卡的算力，大幅提升模型推理速度。本文将详细记录在 Windows 11 系统中，从环境准备、CUDA 版 llama.cpp 配置，到实现系统全局调用、快速运行 GGUF 格式模型的完整步骤，全程基于实际操作验证，适配 RTX 3090 等 NVIDIA 显卡，新手也能轻松上手。 https://github.com/ggml-org/llama.cpp
以下是关于在 VSCode + Copilot 中，通过 OAI Compatible Provider for Copilot 插件配置并使用 DeepSeek 系列模型 (deepseek-chat, deepseek-reasoner, deepseek-coder) 的完整汇总指南。 🎯 核心目标 通过该插件，将支持 OpenAI API 格式的第三方大模型（此处为 DeepSeek）接入 VSCode 的官方 Copilot 聊天侧边栏，实现原生体验的调用。 📦 第一步：准备工作 在开始配置前，请确保已完成以下准备： 步骤操作说明1. 安装插件在 VSCode 扩展商店搜索并安装 OAI Compatible Provider for Copilot。这是连接 Copilot 与第三方模型的核心桥梁。2. 获取 API
文章目录 * 2025 嵌入式 AI IDE 全面对比：Trae、Copilot、Windsurf、Cursor 谁最值得个人开发者入手？ * 一、先给结论（个人开发者视角） * 二、2025 年 9 月最新价格与免费额度 * 三、横向体验对比（2025-11） * 1. 模型与响应 * 2. 项目理解力 * 3. 隐私与离线能力 * 四、怎么选？一句话总结 * 五、官方链接（清晰明了） * 六、结语：AI IDE 2025 的趋势 * 七、AI IDE 的底层工作原理：编辑器为什么突然变聪明了？ * 1. 解析层：把你的项目拆得比你自己还清楚 * 2. 索引层：
最近扣子更新了大版本，送了很多积分，根本用不完。 于是我研究了下“葬经人”动画短视频，看能不能用工作流搞定，结果没一会跑通了，那还说啥，直接开源！ 接下来就分享这个巨硬核的Coze工作流：一键生成“葬经人”风格动画短视频。 0代码，所有提示词均已给出，按步骤即可轻松复刻。 开始前，先简单介绍下这个“葬经人”博主，靠着清醒人性哲学短视频涨粉几十万，非常牛逼。 工作流完整截图： 节点看着有点多，别被吓到，没有代码，无非就是拖拉拽节点和填几个参数。 分段展示下工作流： 01 制作工作流 （1）登录扣子，创建一个工作流； 地址：https://www.coze.cn/ （2）设置开始节点参数； （3）添加一个大模型节点->重命名为文案生成->设置参数； 提示💡：都是按顺序在前一个节点后面添加（比如这一步添加的大模型连接在开始节点后）
文章目录 * 前言 * 一、Homebrew 安装与配置 * 1. 安装 Homebrew * 2. 配置环境变量 * 3. 验证安装 * 4. 常见问题解决 * 二、Python 环境配置 * 1. 通过 Homebrew 安装 Python * 2. 验证安装 * 3. 虚拟环境管理 * 三、Git 版本控制工具 * 1. 安装 Git * 2. 基本配置 * 3. 验证安装 * 四、Node.js 安装与管理 * 1. 通过 Homebrew 安装 Node.js * 2. 验证安装 * 3. 使用
🌈个人主页：秦jh__https://blog.ZEEKLOG.net/qinjh_?spm=1010.2135.3001.5343 🔥 系列专栏：https://blog.ZEEKLOG.net/qinjh_/category_13026221.html?fromshare=blogcolumn&sharetype=blogcolumn&sharerId=13026221&sharerefer=PC&sharesource=qinjh_&sharefrom=from_link 目录 分⽀管理 理解分⽀ 创建分⽀ 切换分⽀ 合并分⽀ 删除分⽀ 合并冲突 分⽀管理策略
tmux_for_windows tmux是一个开源工具，用于在一个终端窗口中运行多个终端会话。本工具从msys2里提取，可以在Git for Windows的Git Bash (MingW64)下正常使用。 蘭雅sRGB 龙芯小本服务器 | https://262235.xyz ##tmux（以及 screen）正是专门为了解决“SSH 掉线后还能继续原来的会话”这个问题而设计的工具。 简单来说： 工具SSH 掉线后还能连上原来的会话吗？说明普通 bash / zsh不能会话结束，进程收到 SIGHUP 信号，通常被杀死tmux能会话独立于 SSH 连接存在，掉线后可以随时重新 attachscreen能和 tmux 功能几乎一样，但 tmux 现在更流行、功能更强zellij能更现代的替代品，但普及度不如 tmux tmux 的典型用法（SSH 掉线后重连）
目录 从研究工具到超级智能体 什么是 DeerFlow？ 核心特性 技能系统 子智能体 沙盒与文件系统 上下文工程 长期记忆 技术架构 快速开始 推荐模型 应用场景 项目现状 总结 2026 年 2 月 28 日，一款来自字节跳动的开源项目登顶 GitHub Trending 榜首。 它叫 DeerFlow，一个超级智能体架构，短时间就拿了 2.2 万 Star。 说实话，刚看到这个项目的时候，我还有些疑惑——又一个 AI Agent 框架？但深入了解后，我发现这玩意儿确实不一样。 从研究工具到超级智能体 DeerFlow 的故事挺有意思。 最开始，它只是个深度研究框架。但开发者们把它用出了各种花样：构建数据管道、
