QQs'Note

Label Hyberlink Style

设置RichText以使文本中的样式生效

1
2
3
4
5
6

Label {
    textFormat: Text.RichText;
    text: "<style>a:link { color: " + Theme.highlightColor + "; }</style>" +
          "<a href=https://together.jolla.com/'>Jolla2Gether</a>";
    }
}

AP(Access Point)

通常说的是无线AP，即无线网络接入点，无线路由器的天线就是AP，其作用是收发网络数据信号，在网络中相当于交换机，家装中做全屋网络覆盖会安装AP设备 （因为常常是商用，其功能不如路由器售价却比路由器贵很多）

AC(Access Controller)

接入控制器，集中化控制局域网内可控的无线AP, 应用场景如商场的不同区域AP，统一连接到AC，使得顾客从一个区域到另一个区域，始终连接统一网络

hover

mxis tweaker

安装TensorFlow Object Detection API

参考PaddleX准备anaconda和cuda

参考安装Tensorflow2

1
2
3

conda create -n tensorflow python=3.10
conda activate tensorflow
pip install tensorflow 

测试安装，在python中引用tensorflow， 对一个随机张量的求和

1
2

python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
# 结果形如tf.Tensor(-1082.7711, shape=(), dtype=float32)

1
2
3
4

# 将model路径添加到PYTHONPATH环境变量
set PYTHONPATH=%PYTHONPATH%;C:\Users\qqqst\Documents\TensorFlow\models
# 安装requirements
pip3 install --user -r models/official/requirements.txt 

1
2

# cmdline in TensorFlow/models/research
for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.

1
2

pip install cython
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

1
2
3

# From within TensorFlow/models/research/
cp object_detection\packages\tf2\setup.py .
python -m pip install .

1
2

# From within TensorFlow/models/research/
python object_detection/builders/model_builder_tf2_test.py

关于版本号和构建编号

The standard build numbering convention makes use of a fourth numerical indicator which is appended
to the release number, where the fourth indicator is the build number.

• For verification builds, the build number starts with a “1”, and increments with each successive
  build. For each successive release, the build indicator starts again with zero’s.
• For development builds, the build number starts with “20001” and increments with each
  successive build. For each successive release, the build indicator starts again with zero’s.

Examples:
4.3.0.20134 – The 134th development build of release 4.3.0
4.3.0.4 – The 4th verification build of release 4.3.0

Release image naming convention -> Example: GxPicture_3.4.3.7.ISO

阿里开源的H5互动游戏SDK Hilo Tutorial
Github: Hilo

QMetaObject::activate(this, &staticMetaObject, 20, nullptr) 这是QT程序中一条发射信号的指令，对不对

1
2
3
4
5
6
7
8

是的，QMetaObject::activate() 是一个用于在 Qt 程序中发射信号的函数。它接受一组参数，其中包括发送信号的对象指针、该对象的元对象（通过静态成员变量 staticMetaObject 访问）、信号的索引以及传递给槽函数的参数。

这个函数会查找与指定信号索引相关联的元对象，并调用相关的槽函数。如果信号和槽函数的参数不匹配，或者没有连接到任何槽函数，那么不会执行任何操作。

通过调用 QMetaObject::activate() 函数，可以手动触发信号的发送。这在某些情况下很有用，例如在需要自定义信号传输时，或者在使用多线程编程时需要跨线程触发信号。

请注意，在正常情况下，应该使用 emit 关键字来发射信号，而不是直接调用 QMetaObject::activate() 函数。emit 关键字可以更简洁地实现信号的发射，并且由于其内部实现了相应的机制，因此通常更可靠和安全。

提示工程

LangGraph
专注于构建具有记忆和上下文的多步对话智能代理，支持循环数据流处理，解决了传统聊天系统无法获取实时信息的问题。其设计哲学强调动态工作流管理，适合需要复杂决策链的应用（如多轮交互客服）。
LangChain
作为基础框架，提供模块化组件（如模型封装、提示模板、向量数据库集成），快速搭建 LLM 应用原型。但缺乏对长期对话状态的支持，需结合其他工具增强功能。
LangSmith
是DevOps 平台，专注于 LLM 应用的调试、测试和部署监控。支持追踪链路执行、分析性能瓶颈，适合生产环境优化。

MCP全称：模型上下文协议 ，Model Context Protocol，由Claude的母公司Anthropic推出的开源协议，旨在实现大型语言模型（LLM）与外部数据源和工具的集成，提供安全双向的连接。MCP通过统一的接口标准化了应用程序向LLM提供上下文的方式。

MCP的核心定位是为大型语言模型（LLM）与外部数据源、工具之间提供统一接口，实现标准化连接。其设计理念类似于“AI领域的USB-C接口”，通过协议标准化，打破数据孤岛，避免为每个数据源单独开发定制化连接器，从而降低开发成本和安全风险。

核心功能
作为 AI 大模型的标准化工具箱，允许大模型通过标准化协议与外部工具（如浏览器、文件系统、数据库、代码仓库等）自动化交互，无需手动复制粘贴信息。

MCP Server：作为 AI 与外部工具的中间层，专精于一类工作（如读写浏览器、操作 Git 仓库等），本质是运行在本地（Node.js/Python 程序）或服务器的程序。

交互方式：大模型通过操作系统的标准输入通道（stdio）调用 MCP Server，消息格式为特定 JSON 结构，MCP Server 通过代码或 API 访问外部工具完成任务。

MCP 与 Function Call 的区别
优势：整合了各家大模型不同的 Function Call 标准，形成统一协议，支持几乎所有大模型接入（如 Claude、Deepseek 等）。

MCP：是 Anthropic 提出的标准化通信协议，类比为 “AI 领域的 HTTP 协议” 或 “通用插座”“USB-C 标准”。它规定了上下文与请求的结构化传递方式，要求通信格式符合 JSON-RPC 2.0 标准，用于统一 LLM 与外部数据源、工具之间的交互规范，解决数据孤岛问题。

Function Call：是某些大模型（如 OpenAI 的 GPT-4）提供的特有接口特性，类似 “品牌专属充电协议”。它以特定格式让 LLM 产出函数调用请求，由宿主执行对应操作并返回结果。

Cline 是一款集成在 Visual Studio Code（以下简称 VS Code）中的开源 AI 编程助手

LLM微调和蒸馏

微调是用专业数据集对LLM进行继续训练，改变‘全量’或部分参数，使大模型针对某垂直领域的提问回答更准确，方式如Lora

蒸馏是利用大规模的LLM对小规模LLM进行训练和知识迁移，以获得体量更小 推理速度更快的工程场景版本 传说DeepSeek是用ChatGpt蒸馏出来的

参数量 推理模型参数量 × 2 = FP16 推理所需的最小显存（如7b规模llm需要14GB显存）

量化版本 通过压缩精度的方式 节约推理带宽 Ollama 14b量化4b 只需要不超过10G显存 推理准确度可达98%

qwen-agent 微调框架

编排

temperature

top P

unsloth

SFT训练：json数据集(标准答案) 通过Alpaca转换为格式化prompt 通过SFTTrainer喂给llm调用train

GRPO强化训练 奖励机制

Qwen-VL微调 internvideo

CoT chain of thinking思维链

few shot

LlamaIndex

tokenizer 分词器 大模型应用的核心组件之一 HF提供的模型pipeline中常见到tokenizer 用于将自然语言分割对齐成适合模型运算的向量 对于不同的模型 所用到的tokenizer或有不同 pipeline中往往先调用tokenizer处理prompt，返回向量ids 然后作为input参数进行推理

推理的直接返回是logits(未归一化的概率分布) logits经过post-processing转变为推理结果

早停 对验证集的推理结果不再收敛时 意味着迭代无法让模型更准确 于是停止训练 一般以连续50轮结果没变为依据

过拟合： 即“死记硬背”答案 表现为训练准确率极高 而预测准确率很低 防止过拟合——数据增强、正则化、早停法、随机失活

池化(Pooling): 卷积神经网络中的一种采样 可以将上一层进来的输入 进行降维压缩，以加快运算速度

随机森林 多个决策树 三个臭皮匠