目录
Agent Skills 最近非常火，它是既 MCP 后 Anthropic 推出的又一个 Agent 领域的行业标准。它的成长路线和 MCP 也非常像，25 年 10 月份发布时只有 Anthropic 自家产品支持，后来 Cursor、Codex、Opencode、Gemini CLI 等产品看到了 Skills 的优势于是纷纷开始支持。再后来社区开始涌现大量的开源 Skills 以及 Skills 开放市场，当下大家已经默认 Skills 成为了又一个扩展 Agent 能力的标准实践。
简单来说，Skills 的作用就是将那些重复性的、专业的流程进行打包封装。当你需要使用某种能力时，不再需要像过去那样每次都去查阅手册或重新输入冗长的提示词，而是像调用工具一样直接使用。
文章目录 * 背景：Memory不生效的问题 * OpenClaw的Memory配置 * Ubuntu24.04安装CUDA和cuDNN * 编译llama.cpp * 验证方案1： * 验证方案2：下载并运行Llama-2 7B模型 * 安装node-llama-cpp * 验证Memory * sqlite-vec unavailable * 踩过的坑 * 安装node-llama-cpp的一些提示 * 安装node-llama-cpp的前置条件 * Using `node-llama-cpp` With Vulkan 承接上文：Windows11基于WSL2首次运行Openclaw，并对接飞书应用，我已经在电脑上安装了OpenClaw，接下来解决Memory问题。走了很多弯路，下面主要讲我总结的正确的安装过程。 总结来说：针对Memory不生效的问题，又不想用OpenAI或Gemini，或者只想单纯的节省token，可以按照如下的方式，设置为local模式： * 修改openclaw.json配置 * 安装CUDA和cu
摘要（Abstract） 翻译 推荐系统在我们的日常生活中变得越来越重要，有助于缓解各类面向用户的在线服务中的信息过载问题。大语言模型（LLMs）的出现取得了显著成就，展现出其推动下一代推荐系统发展的潜力。尽管取得了这些进展，基于大语言模型的推荐系统仍面临源于其模型架构的固有局限性，尤其是幻觉问题（生成虚假信息）以及缺乏最新知识和领域特定知识的问题。近年来，检索增强生成（RAG）技术受到了广泛关注，它通过利用外部知识源来增强大语言模型的理解和生成能力，从而解决这些局限性。然而，传统的 RAG 方法往往会引入噪声，并且忽略了知识中的结构化关系，这限制了它们在基于大语言模型推荐系统中的效果。为了解决这些问题，我们提出从知识图谱中检索高质量、最新的结构化信息，以增强推荐效果。具体而言，我们设计了一个检索增强框架，名为 K-RagRec，该框架通过整合外部知识图谱的结构化信息，助力推荐生成过程。我们进行了大量实验，验证了所提方法的有效性。 讲解 * 摘要就是论文的 “浓缩版故事”，核心逻辑： 1. 背景：推荐系统很重要，大语言模型能做推荐，但有两个大问题 ——“瞎编（幻觉）”
🚀 前言：SD3.5 虽好，显存却成了拦路虎？ Stability AI 发布的 Stable Diffusion 3.5 (SD3.5) 系列模型，特别是 SD3.5 Large (8B 参数)，在图像质量、提示词依从性（Prompt Adherence）和文字生成能力上都达到了开源模型的顶峰。然而，随之而来的是巨大的显存开销。 在传统的 BF16/FP16 精度下，运行 SD3.5 Large 加上庞大的 T5 文本编码器，往往需要 24GB 甚至更高的显存，这让持有 8GB/12GB 显存的广大开发者望洋兴叹。 破局者出现了：FP8（8位浮点）量化。
1. 为什么需要无人机道路抛洒物检测系统 想象一下你正开车行驶在高速公路上，突然前方出现一个不明物体——可能是掉落的纸箱、滚动的矿泉水瓶，甚至是散落的碎石。这些看似不起眼的小东西，在高速行驶状态下可能酿成大祸。传统的人工巡检方式效率低下，往往需要工作人员冒着危险在车流中穿行，而且很难做到全天候监控。这就是为什么我们需要一个智能化的解决方案。 我在实际测试中发现，使用无人机搭载视觉检测系统可以完美解决这个问题。无人机能够从高空俯拍道路，避开地面交通干扰；边缘计算设备Jetson Nano则让实时分析成为可能；而YOLOv5s算法就像给无人机装上了"火眼金睛"，能瞬间识别出那些危险的抛洒物。这三者的结合，相当于给道路安全装上了全天候的智能哨兵。 2. 硬件选型与系统搭建 2.1 Jetson Nano的边缘计算优势 Jetson Nano这块小板子真是让我又爱又恨。爱的是它128核Maxwell GPU带来的强大算力，恨的是在资源有限的情况下做优化确实需要费些心思。不过经过多次调试，我发现它确实是无人机视觉处理的绝配——功耗仅5-10W，重量不到100克，却能流畅运行YOLOv