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 X 的值可以从高斯分布中采样，在pytorch中使用 torch.normal(均值, 标准差, 数据形状) 函数 对于$y=w_1x_1 + b$ 的形式，比如 w1=5.2, b = 3，那么可以用如下方法生成X 1234567891011121314# 均值...

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 12345678910111213141516171819202122spring: 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 instr...

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 Step 1: 举例说明agent的工作任务 首先挑选一些可以交给聪明实习生的工作，如果他都无法在足够的时间和资源的情况下完成，那么这个任务可能不适合agent 可以以想出5-10个具体的任务例子来开始，这样可以确保 验证你的想法的合理性，不会太琐碎或者模糊 可以为后续的效果衡量提供基准 例子：构建一个邮件agent 我们可以定义如下的任务： 优先处理来自关键利益相关者的紧急电子邮件 根据日程情况安排会议 忽略垃圾邮件或者不需要回复的电子邮件 根据公司文件回答产品问题 需要注意如下问题： 如果不能提供具体的例子，说明你的任务范围太宽泛了 如果传统软件效果更好时，不要考虑使用agent Step2: 设计操作流程 编写详细的标准操作流程(SOP)，其中包含有关人类如何执行任务...

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 快速使用 先通过一个例子快速感受一下如何使用，因为默认的OpenAI 的接口很难访问，这里使用阿里的dashscope 注册API 的部分参考官方文档即可，这里不再赘述 首先安装相关的依赖包 123pip install llama-indexpip install llama-index-llms-dashscopepip install llama-index-embeddings-dashscope 编写相关代码 123456789101112131415161718192021222324252627from llama_index.core import Settings, VectorStoreIndex, SimpleDirectoryReaderfrom...

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 核心组件 State（状态） State 是 LangGraph 中的数据结构，用于表示一次对话流程中的所有信息，例如用户输入、大模型响应等。通常我们通过继承 TypedDict 或使用 Pydantic 的 BaseModel 来定义 State： 12345from typing import TypedDictclass ChatState(TypedDict): message: str response: str 我们将以一个简单的例子来展示如何使用 State 构建 LangGraph，可以先不关注其中的具体细节，只要看State 相关部分 12345...

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:...

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： $$ y_{pred}= \begin{cases} 1 & z \ge 0\\ 0 & z \lt 0 \end{cases} $$ 参数更新函数： $$ w_i = w_i + \eta \cdot (y_{true} - y_{pred}) \cdot x_i$$ $$b = b + \eta \cdot (y_{true} - y_{pred})$$ 下面我们通过具体的例子，应用一下上面的公式来使用感受一下： 学生有两门课程的成绩，语文和数学，预测是否通过考试 假设每科分数均为 0-100，同时总分超过 120 分为通过考试 构造测试数据 12345678910111213141516171819202122232425import numpy as npimport matplotlib.pyplot as pltnum_samples = 50# 随机生成...

《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 最小二乘法 对于简单的线性变化，可以定义一个一次函数，定义如下 $$ f_\theta(x) = \theta_0 + \theta_1 x $$ 假设 x 对应的实际值是 y，那么我们假设的 $\theta_0$和$\theta_1$计算后的值，与实际值的误差可以表示如下 $$ E(\...

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 服务主要还是本地部署个人使用，为了简化，本地数据库使用了sqlite的文件形式存储，同时采用了将前端项目打包结果复制到后端项目中同步部署，所以没有其他任务外部依赖 在后端项目中启动后，直接访问 http://localhost:8080 即可使用，或者打包后通过 java -jar xxx.jar 执行 注意： 需要 jdk 版本大于等于 21 只支持MySQL数据库 没有做鉴权及SQL注入等处理，所以只建议本地安装个人使用 下面进行一下对应功能介绍 数据源管理 用来管理数据库（MySQL）的连接（需要服务所在的机器可以连接到数据库） 表字段关系管理 这里主要进行字段关系的维护，如果使用了...

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！ 登录页面 目前登录可以随意注册账号，或者也可以通过微信登录（不需要任何其他权限，只使用了openId） 账本列表 每个账本可以理解为一次聚合，一次旅行等等 创建账本 账本费用明细 其中展示账本的费用明细，包含全部明细以及每个人的分摊明细以及应付、应收等 费用录入 费用分享 可以将费用明细分享给其他人 有兴趣的同学可以扫码体验 全部代码已上传Github: 后端代码、小程序代码 大家如果有其他建议之类的也欢迎交流～～