个人网页

之前进行过机器学习的数学笔记-回归中，主要是人工计算导数以及更新计算

本次为对应《动手学深度学习》线性回归部分内容，使用PyTorch 来简化实现

构造测试数据

找到合适的数据比较麻烦，我们可以自己生成对应的测试用的数据，添加一定的噪声

线性模型：$\mathbf{y}=\mathbf{W}\mathbf{X}+b$，其中 $\mathbf{W}$ 和 $\mathbf{X}$ 都是矩阵

比如可以是$y=w_1x_1 + b$ 也可以是 $y=w_1x_1+w_2x_2+b$ 等等

我们可以根据输入的 $\mathbf{W}$ 和 $b$ ，根据$\mathbf{W}$的形状生成对应高斯分布的$\mathbf{X}$，执行 $\mathbf{y}=\mathbf{W}\mathbf{X}+b$ 获取对应的 $y$ 值

本文主要介绍一下通过Spring AI 来快速实现一个简单的类似OpenAI Agents SDK的功能

具体效果为在application.yml 中配置对应的agent 信息，如

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

spring:
  ai:
    agents:
      # 定义一个Agent
      - name: historyTutor
        # 与大模型交互时的Agent的系统提示词
        instructions: You provide assistance with historical queries. Explain important events and context clearly.
        # 其他Agent可以获取到的关于当前agent的描述信息
        handoffDescription: Specialist agent for historical questions

      # 定义另一个Agent
      - name: mathTutor
        instructions: You provide help with math problems. Explain your reasoning at each step and include examples
        handoffDescription: Specialist agent for math questions

      # 定义入口agent
      - name: triageAgent
        instructions: You determine which agent/tools to use based on the user's homework question
        # 这里定义可以分派的其他agent有哪些
        handoffs:
          - historyTutor
          - mathTutor

使用时，按需注入即可：

1
2
3
4
5
6
7
8
9
10
11
12
13

@Slf4j
@RestController
public class AgentController {

    // 通过名称注入
    @Resource
    private Agent triageAgent;

    @GetMapping("/triage")
    public Flux<String> triage(String input) {
        return triageAgent.asyncExecute(input);
    }
}

原文：https://blog.langchain.com/how-to-build-an-agent/

本文介绍了当我们有了想法之后，如何通过一系列的步骤来逐步实现一个agent 的过程

其中主要侧重思路和过程，不涉及具体的技术实现细节

下面内容为对原文的理解翻译学习，大家可以优先考虑阅读原文

LLamaIndex顾名思义，看起来是一个适合构建索引的框架，也就是 RAG(Retrieval-Augmented Generation)，所以我们本次主要看一下如何使用LlamaIndex 来实现一下RAG（当然，它也能用来实现智能体等功能）

RAG 的交互流程如下

主要涉及如下几个步骤节点

LangGraph 是一个用于构建大型语言模型 Agent 的编排框架，它与 LangChain 深度集成，具备出色的有状态流程管理能力。在之前的文章中，曾介绍过如何使用LangGraph及MCP实现Agent。在那篇文章中可以看到，得益于 LangGraph 内置的丰富组件，开发过程非常简洁。

本文将简要介绍 LangGraph 中常用的一些核心概念，帮助更好地理解和使用。如需详细内容，请参考官方文档

目前agent 大致有两种风格，一种是自己定义相应的工作流程(workflows)，还有一种就是流程完全让大模型自己进行判断处理(agents)

本次主要简单记录一下使用langgraph 及mcp 实现一个 agents

这个可以认为是一个最简化工作流，只有llm 及tools 两个节点，当大模型判断需要调用tools 时就执行调用，直到大模型认为不需要调用工具，这时认为执行结束了，可以返回对应的结果

stateDiagram-v2
    [*] --> Start
    Start --> Agent
    Agent --> Tools : continue
    Tools --> Agent
    Agent --> End : end
    End --> [*]

交互流程

sequenceDiagram
    participant U as User
    participant A as Agent (LLM)
    participant T as Tools
    U->>A: Initial input
    Note over A: Messages modifier + LLM
    loop while tool_calls present
        A->>T: Execute tools
        T-->>A: ToolMessage for each tool_calls
    end
    A->>U: Return final state

感知机

感知机是一种监督学习算法，用于解决线性可分（Linearly Separable）的二分类问题，具体内容如下：

计算预测值：$z=w_1x_1 + w_2x_2 + b$

激活函数为阶跃函数：

参数更新函数：

《白话机器学习中的数学》笔记

机器学习主要擅长包括回归、分类、以及聚类任务

回归是一种预测性的建模技术，用于确定一个或多个自变量（特征）与因变量（目标值）之间的关系，重点预测的是连续的数值。如根据房子的各类信息，预测房屋的价格

分类是将样本划分到不同的类别中，每个类别通常对应一个特定的标签，它是离散的、无序的。如根据邮件的信息判断其是否是垃圾邮件

聚类是将数据集中的样本划分成不同的组，使得同一组内的样本相似度高，而不同组之间的样本相似度低。聚类的结果事先是未知的，算法需要自行发现数据中的潜在结构。比如电商平台对客户进行分组，高消费、低消费等等。同时它和分类的区别就是它是无监督学习，而分类是有监督学习（可以认为是需要提供有正确答案的数据来学习）

这篇文章我们主要来学习一下其中的回归任务

对于复杂的一些业务，会涉及很多张表，其间有各种各样的关联关系，在开发&测试过程中，随时需要查看这些表中的数据状态，这种情况下需要我们写一些关联查询的SQL或者多条SQL执行来查看结果，个人感觉用起来还是不太方便，所以想开发一个关联表自动进行查询的工具

后端基于spring boot自行开发；前端部分使用了Trae，让大模型来进行的开发～

后端项目代码、 前端项目代码、 体验地址

平时跟朋友一起聚会或者出游的时候，大家一般都会选择AA分摊费用，这样更公平也不伤感情。不过，问题也随之而来：支出总是乱七八糟的，比如谁打了车，谁买了菜，谁带了零食……光是汇总这些就够头疼了。如果再碰上有些开销不是所有人都参与，那结算起来简直就是灾难

之前我写过一个简单的Web小工具，本想着能解决问题，结果朋友们吐槽太麻烦，建议我做个小程序。不过，说实话，我对小程序开发完全是个小白。正好最近大模型特别火，我就想着用 Cursor 来试试，顺便满足一下好奇心。如果你也有类似的需求，可以来看看，说不定能帮上忙！