作为一个高中生开发者,我的所思所想

博主头像 各位若觉得我年幼无知、缺乏阅历、不知天高地厚,尽可直言 —— 这些评价,真没毛病。 要是觉得有些ai味,没错,实在不太善于表达,写完之后用豆包润色了一下 这是我的项目 CsGrafeq https://www.cnblogs.com/StuLittleLi/p/19055095 希望不吝点个star ...

用纯.NET开发并制作一个智能桌面机器人(六):使用.NET开发一个跨平台功能完善的AI语音对话客户端

博主头像 前言 前面几篇文章已经把机器人硬件控制部分的开发讲得差不多了,包括屏幕控制、舵机驱动、语音交互等功能。但是之前的外形太过简单,可动角度不够多,所以我就新改进了一个版本,叫VerdiBot(阿荫),详细视频介绍地址请点击链接。 ESP32社区最火的AI对话机器人非小智AI莫属了,所以为了让自己做的机器 ...

你必须知道的TCP和UDP核心区别,快速搞懂这两大协议!

博主头像 1. TCP (Transmission Control Protocol) 概念 TCP(传输控制协议)是一种面向连接的、可靠的传输协议。它负责将数据从源主机传输到目标主机,并确保数据的完整性、顺序和正确性。 原理 三次握手:在数据传输之前,TCP协议通过三次握手建立连接。客户端与服务器之间交换控 ...

Gaia2 与 ARE:赋能社区的智能体评测

博主头像 在理想情况下,AI 智能体应当是可靠的助手。当接收到任务时,它们能够轻松处理指令中的歧义,构建逐步执行的计划,正确识别所需资源,按计划执行而不被干扰,并在突发事件中灵活适应,同时保持准确性,避免幻觉。 然而,开发智能体并测试这些行为并非易事:如果你曾尝试过调试自己的智能体,可能会体会到其中的繁琐和挫 ...

强化学习系统性学习笔记(一):从理论基础到策略优化

博主头像 强化学习系统性学习笔记(一):从理论基础到策略优化 一、强化学习的起源与核心问题 1.1 理论溯源:从生物学习到数学框架 强化学习的思想源头可以追溯到生物行为心理学中的"试错学习"原理。在自然界中,生物个体通过反复尝试不同行为并观察环境反馈,逐步学会选择能够带来更好结果的行动策略。这一朴素而普适的学 ...

【Rive】rive-android源码分析

博主头像 1 前言 ​ 本文基于 rive-android 10.1.0 进行源码分析,主要介绍 Rive 的渲染类型、RendererType 透传流程、Surface 透传流程、渲染流程、启动渲染流程、暂停渲染流程等内容。 ​ rive-android 类图框架如下。图中,蓝色的类表示 rive-andr ...

【光照】[各向异性]在UnityURP中的实现

博主头像 《Unity URP中实现Kajiya-Kay头发渲染模型》摘要 本文详细介绍了如何在Unity URP渲染管线中实现Kajiya-Kay各向异性光照模型。该模型专为模拟头发、毛发等纤维材质设计,通过切线空间计算替代传统法线,产生条状高光效果。文章剖析了模型的双层高光特性(主高光靠近发梢、次高光带彩... ...

10min搭建一个大模型智能客服助手

博主头像 导航 前言 视频讲解 作品展示 工作流程展示 操作步骤 一 新建知识库 二 搭建工作流 三 创建智能体 四 发布 五 集成到网站 结语 参考 AI+ 的时代已经来临,不管你是否愿意,你都必须去接受它。 前言 随着AI技术的不断发展,智能客服助手已经成为了许多企业的重要工具。 过去几年,我们见证了AI ...

CSP-S 复赛指南(2025年版)

博主头像 此文章为 daiyulong 独家原创,耗时比较长。部分借助 AI。文章有点长(10 万字左右),请保持耐心。点击下载 PDF 版。 第一章$\ \ \ \ $数据结构 第一节$\ \ \ \ $线性结构 1.1 【5】双端栈 1.1.1 什么是双端栈? 在理解双端栈之前,我们先回顾一下普通的栈。一 ...

Netflix确保数亿用户观影体验的“事件”管理是如何构建与实践的?

博主头像 在流媒体服务随时可能因系统故障而中断的时代,Netflix 如何确保数亿用户的观影体验始终稳定?本文将揭晓其技术团队的关键实践 —— 从中央 SRE 团队独揽事件管理,到让每个工程师都能主动发起并处理事件的转型之路。你将看到他们如何通过工具选型、流程标准化和文化重塑,把事件从 “可怕的故障” 转化为 ...

快速幂算法的基础和扩展

博主头像 快速幂 快速幂(Fast Exponentiation)算法解决这样一个问题:求解自然数的指数运算。计算 \(a^b\) 时,按照指数定义的朴素的方法是通过连续相乘: \[a^b = \underbrace{a \times a \times \cdots \times a}_{b\text{次}} ...

推荐系统中损失函数梳理:从Pointwise到Listwise

博主头像 推荐系统中的损失函数梳理:从Pointwise到Listwise 引言:目标决定损失函数选择 推荐系统通常采用两阶段架构:召回(Recall)与精排(Ranking)。两个阶段的优化目标存在本质差异,这直接决定了损失函数的选择。 召回阶段从海量候选集(百万至亿级)中筛选出数百至数千个候选物品。这一阶 ...

【光照】[PBR][环境光]实现方法解析

博主头像 Unity URP环境光实现方案结合反射探针与球谐光照,提供平衡性能与质量的PBR渲染方案。核心流程包括:环境贴图采样、漫反射/镜面反射计算、环境遮蔽处理。主要采用三种技术:1)球谐光照-低内存占用,适合动态场景;2)预计算辐照度贴图-存储环境光影响;3)屏幕空间反射-实时计算但GPU消耗大。URP... ...

【Groovy】类和对象

博主头像 1 类的结构 ​ Groovy 是面向对象编程语言,与 Java 语言类似,都有类、对象、属性、构造函数、成员函数,都有封装、继承、多态三大特性。 1.1 执行顺序 ​ 如下,Student 类是一个自定义的类,里面包含了一个类的基本结构。 class Student { private stati ...

dp 总结 1

博主头像 dp 总结 1 闲来无事, 把刚学明白的 dp 笔记整理一下. shout out to professor Adzlpxsn. 基本的, 状态, 转移, 方程 状态 一句话概况即为当前的属性. 比如说, 贝贝现在是 \(30\) 岁, 发了 \(0\) 张专辑, 我们就可以说 \(f_{30}=0 ...

【光照】[PBR][菲涅尔]实现方法对比

博主头像 Unity URP中的菲涅尔效应主要采用Schlick近似模型,通过三步流程实现:确定基础反射率F₀、角度依赖计算和金属/非金属处理。该模型以1次pow运算实现高性价比的实时渲染,视觉误差小于2%,并与GGX+Smith模型完美配合。URP通过F0=lerp(0.04,albedo,metallic... ...

<1···567···100>