<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[明月专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/hl_java</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; hl_java]]></copyright><item><title><![CDATA[AIGC入门，新手模型微调认知篇（四）：训练过程与原理详解]]></title><link>https://blog.csdn.net/hl_java/article/details/162208560</link><guid>https://blog.csdn.net/hl_java/article/details/162208560</guid><author>hl_java</author><pubDate>Mon, 22 Jun 2026 17:34:29 +0800</pubDate><description><![CDATA[模型训练与生成原理详解 本文深入解析了语言模型微调与生成的核心机制： 微调训练流程： 数据预处理：格式化对话样本并tokenize 前向传播：模型预测每个位置的token概率分布 损失计算：通过交叉熵评估预测与标准答案的差距 反向传播：计算参数梯度 参数更新：使用AdamW优化器调整权重 答案对比机制： 对比token概率分布而非文本内容 使用teacher forcing避免误差累积 计算每个位置正确token的负对数概率作为损失 自回归生成原理： 迭代式预测：每次生成一个token并加入后续输入 基于概]]></description><category></category></item><item><title><![CDATA[AIGC入门，#新手模型微调认知篇（六）：模型评测原理与实践]]></title><link>https://blog.csdn.net/hl_java/article/details/162208474</link><guid>https://blog.csdn.net/hl_java/article/details/162208474</guid><author>hl_java</author><pubDate>Mon, 22 Jun 2026 17:31:57 +0800</pubDate><description><![CDATA[量化微调效果，避免"感觉"判断精确匹配（数学）、BLEU（翻译）、ROUGE（摘要）、Perplexity（整体）MMLU（知识）、GSM8K（数学）、HumanEval（代码）、MT-Bench（对话）忘记关闭采样、测试集泄漏、只看平均分约束输出格式、多种兜底策略、LLM Judge看相对提升、能力分布、退化情况、统计显著性评测不是终点，而是迭代的起点——分析错误、针对性改进、持续评测，才能让模型越来越好。]]></description><category></category></item><item><title><![CDATA[【AICoding】AI时代，快速低成本搭建一个属于自己的站点]]></title><link>https://blog.csdn.net/hl_java/article/details/161957442</link><guid>https://blog.csdn.net/hl_java/article/details/161957442</guid><author>hl_java</author><pubDate>Thu, 18 Jun 2026 09:56:20 +0800</pubDate><description><![CDATA[使用 Cloudflare Tunnel 实现内网穿透并绑定自有域名 本指南详细介绍如何通过 Cloudflare Tunnel 安全访问内网树莓派服务，无需公网 IP 或路由器端口转发。主要内容包括： 前置知识：解释内网穿透原理和 Cloudflare Tunnel 的工作方式 域名注册：在阿里云完成域名购买和实名认证流程（1-3个工作日） Cloudflare 配置：添加站点并获取 Nameserver 地址 DNS 修改：将阿里云域名解析指向 Cloudflare 隧道创建：在 Cloudflare ]]></description><category></category></item><item><title><![CDATA[【AICoding】用 AI 全自主开发一款 macOS 截图工具的全流程实践]]></title><link>https://blog.csdn.net/hl_java/article/details/162088751</link><guid>https://blog.csdn.net/hl_java/article/details/162088751</guid><author>hl_java</author><pubDate>Thu, 18 Jun 2026 09:54:03 +0800</pubDate><description><![CDATA[macOS 自带的截图功能（Cmd+Shift+4）虽然够用，但和 Windows 上的 Snipaste、macOS 上的 iShot 相比，缺少标注、贴图、OCR 等高频需求。作为一个开发者，截图标注几乎是每天都要重复几十次的操作。

问题是：**开发一款 macOS 桌面应用，门槛有多高？**

传统的回答是：你需要熟悉 Swift/SwiftUI、AppKit 框架、Core Graphics 绘图、Vision OCR、窗口管理、权限体系、签名分发……每一项都需要相当的学习成本。
]]></description><category></category></item><item><title><![CDATA[需求澄清 Skill 详细方案设计]]></title><link>https://blog.csdn.net/hl_java/article/details/161902494</link><guid>https://blog.csdn.net/hl_java/article/details/161902494</guid><author>hl_java</author><pubDate>Thu, 11 Jun 2026 21:23:22 +0800</pubDate><description><![CDATA[本文提出了一种结构化需求澄清方案，通过5个维度系统性地提问，将PRD中的隐含假设显式化。该方案包含整体流程架构（读取PRD→确认理解→5轮维度澄清→编译文档→用户确认）和数据流架构，重点设计了五大澄清维度：范围边界、交互流程、异常与边界、数据规则和非功能需求。每个维度提供具体问题模板和检查清单，确保生成AI可直接消费的精确规格文档，解决现有PRD隐含假设导致代码生成不准确的问题。]]></description><category></category></item><item><title><![CDATA[为什么用 Skill 做需求澄清]]></title><link>https://blog.csdn.net/hl_java/article/details/161902399</link><guid>https://blog.csdn.net/hl_java/article/details/161902399</guid><author>hl_java</author><pubDate>Thu, 11 Jun 2026 21:20:11 +0800</pubDate><description><![CDATA[本文分析了为什么需求澄清适合用Skill而非Tool或SubAgent实现。关键点在于：需求澄清需要结构化流程引导用户补充PRD的隐含假设，具有多轮交互、强用户决策和模板化输出的特点。Tool适合确定性操作但缺乏流程编排能力；SubAgent过于自治可能导致脑补答案或提问混乱；而Skill的模板驱动、交互式执行和主流程无缝衔接特性完美匹配需求澄清的三个核心需求：维度覆盖、用户决策和可消费输出。这种机制选择确保了需求澄清过程的完整性和结果质量。]]></description><category></category></item><item><title><![CDATA[JDWP 注入攻击详解]]></title><link>https://blog.csdn.net/hl_java/article/details/161633037</link><guid>https://blog.csdn.net/hl_java/article/details/161633037</guid><author>hl_java</author><pubDate>Tue, 02 Jun 2026 21:13:36 +0800</pubDate><description><![CDATA[JDWP 注入的本质是利用 Java 调试协议的设计特性——无认证 + 任意方法调用——来实现远程代码执行。攻击的核心难点在于获取一个「事件挂起」状态的线程，这需要理解 JDWP 的事件机制和线程挂起模型。JDWP 无认证，连接即可完全控制 JVMInvokeMethod 需要事件挂起的线程，不能用 VM.SuspendSINGLE_STEP 事件是获取事件挂起线程的首选方式，失败时自动降级到断点方案线程选择很关键。]]></description><category></category></item><item><title><![CDATA[Netcat (nc) 操作指南]]></title><link>https://blog.csdn.net/hl_java/article/details/161632942</link><guid>https://blog.csdn.net/hl_java/article/details/161632942</guid><author>hl_java</author><pubDate>Tue, 02 Jun 2026 21:03:31 +0800</pubDate><description><![CDATA[传统远程登录是客户端连接服务端（正向），反弹 Shell 是服务端（目标机）主动连接客户端（攻击机），方向相反，因此称为「反弹」(Reverse Shell)。这样做的好处是可以绑定防火墙入站规则——大多数防火墙允许出站连接但限制入站连接。]]></description><category></category></item><item><title><![CDATA[macOS 上 Charles 代理 HTTPS 抓包失败问题完整解决方案]]></title><link>https://blog.csdn.net/hl_java/article/details/161315415</link><guid>https://blog.csdn.net/hl_java/article/details/161315415</guid><author>hl_java</author><pubDate>Fri, 22 May 2026 13:50:35 +0800</pubDate><description><![CDATA[本文详细介绍了在 macOS 上使用 Charles 代理抓取 HTTPS 数据包失败的完整解决方案。主要内容包括：问题现象分析（SSL 证书信任问题）、基础环境配置（代理端口设置和终端变量）、临时解决方案（通过 --cacert 参数指定证书）以及永久解决方案（将 Charles 根证书导入系统钥匙串并设置为始终信任）。文章还提供了常见问题排查指南和方案对比，推荐开发者采用永久方案以获得长期稳定的抓包体验。通过系统级信任设置，可以确保所有命令行工具和应用程序都能正常通过 Charles 代理解密 HTTP]]></description><category></category></item><item><title><![CDATA[Agent 自主学习记忆：让 AI 从经验中成长的闭环系统]]></title><link>https://blog.csdn.net/hl_java/article/details/160633243</link><guid>https://blog.csdn.net/hl_java/article/details/160633243</guid><author>hl_java</author><pubDate>Wed, 29 Apr 2026 18:23:55 +0800</pubDate><description><![CDATA[摘要： Agent 自主学习记忆系统通过模拟人类程序性记忆，实现 AI 从经验中持续成长。传统无状态 Agent 面临效率低下和能力无法沉淀的问题，而三层记忆架构（短期记忆、长期记忆、记忆提炼）构建了&quot;执行→提炼→复用&quot;的闭环。核心在于： 技能提炼：通过 LLM 分析成功执行轨迹，将多步骤操作抽象为可复用技能 异步处理：不影响主流程下完成经验沉淀 条件筛选：仅对复杂成功任务进行提炼 分层存储：短期会话记忆（内存）与长期技能库（磁盘）分离 系统显著提升 Agent 任务处理效率，使其从&q]]></description><category></category></item><item><title><![CDATA[给 AI Agent 装上“大脑“：Java语言中Code Interpreter 的设计与实现]]></title><link>https://blog.csdn.net/hl_java/article/details/160633217</link><guid>https://blog.csdn.net/hl_java/article/details/160633217</guid><author>hl_java</author><pubDate>Wed, 29 Apr 2026 18:22:06 +0800</pubDate><description><![CDATA[本文探讨了如何为Java Agent设计类似ChatGPT Code Interpreter的动态代码执行能力，以解决传统硬编码工具方法的局限性。主要内容包括： 问题背景：传统Tool Calling模式需要为每个功能预定义工具，导致维护成本高且限制AI能力边界。 技术选型：选择Groovy作为动态执行引擎，因其语法兼容Java、可直接调用Java标准库且支持即时执行。 架构设计：采用两层结构，工具协议层处理LLM交互，安全执行层负责代码运行。 安全机制：通过编译期AST检查、运行时间控制和输出限制三道防线]]></description><category></category></item><item><title><![CDATA[打造 Arthas 热替换自动化脚本：从本地 class 到生产环境一键替换]]></title><link>https://blog.csdn.net/hl_java/article/details/160380747</link><guid>https://blog.csdn.net/hl_java/article/details/160380747</guid><author>hl_java</author><pubDate>Tue, 21 Apr 2026 20:32:37 +0800</pubDate><description><![CDATA[将 Arthas 热替换的复杂流程封装成一条可复制的命令，显著提升了线上紧急修复的效率与安全性。它解决了类加载器隔离、文件传输、手动操作易错等痛点，让你能专注于代码逻辑本身，而不是工具的使用细节。立即体验：将脚本保存到本地，尝试对一个简单的 class 文件运行，感受一键热替换的便捷吧！脚本已完整提供在本文中，你可以直接复制并保存为，也可根据实际需求调整其中的默认路径和自动匹配关键词。如果你有任何改进建议或遇到问题，欢迎在评论区留言交流。附：完整的脚本内容/bin/bash。]]></description><category></category></item><item><title><![CDATA[投资笔记-市盈率、市净率、股息率]]></title><link>https://blog.csdn.net/hl_java/article/details/159616841</link><guid>https://blog.csdn.net/hl_java/article/details/159616841</guid><author>hl_java</author><pubDate>Sun, 29 Mar 2026 20:44:15 +0800</pubDate><description><![CDATA[本文总结了股票投资的三个核心估值指标：市盈率（PE）、市净率（PB）和股息率。PE反映回本年限，低PE适合价值投资，高PE体现成长预期；PB衡量股价与净资产关系，适合重资产行业；股息率评估现金回报，需警惕异常高值。作者强调要综合运用三个指标，并指出数字背后的真实情况更重要，通过医药股的误判案例说明不能仅看表面数据。全文系统解析了估值指标的实际应用与注意事项。]]></description><category></category></item><item><title><![CDATA[Python 并发编程详解 - Java 开发者视角]]></title><link>https://blog.csdn.net/hl_java/article/details/159514919</link><guid>https://blog.csdn.net/hl_java/article/details/159514919</guid><author>hl_java</author><pubDate>Thu, 26 Mar 2026 21:13:52 +0800</pubDate><description><![CDATA[本文从Java开发者视角对比讲解了Python并发编程模型。主要内容包括： 核心概念对比：Java使用内核线程，Python受GIL限制采用协程模型 Python并发演进： 多线程（适合IO密集型，受GIL限制） 多进程（突破GIL限制，适合CPU密集型） asyncio协程（Python 3.5+核心模型，最佳IO密集型方案） 实战代码示例展示三种方式的实现，并与Java对应方案对比 关键区别：Java线程可真正并行，Python线程受GIL限制，推荐IO密集型使用asyncio 文章通过具体代码对比，帮]]></description><category></category></item><item><title><![CDATA[大模型的“推理能力” vs. AgentScope 框架的“推理循环”：你分清楚了吗？]]></title><link>https://blog.csdn.net/hl_java/article/details/159514820</link><guid>https://blog.csdn.net/hl_java/article/details/159514820</guid><author>hl_java</author><pubDate>Thu, 26 Mar 2026 21:12:18 +0800</pubDate><description><![CDATA[摘要：大模型的“推理能力”指其单次生成中完成逻辑推导的能力，源于预训练和微调；而AgentScope框架的“推理循环”是工程架构，通过多轮交互和工具调用逐步解决问题。前者是模型内在认知能力，后者是外部协调机制。两者协同工作：模型提供单步推理，框架组织多步流程。区别在于模型推理是基础能力，框架循环是应用扩展，共同实现复杂任务处理。（149字）]]></description><category></category></item><item><title><![CDATA[OpenClaw本地模型慢如牛？一招配置文件优化让Qwen2.5飞起来！]]></title><link>https://blog.csdn.net/hl_java/article/details/159087030</link><guid>https://blog.csdn.net/hl_java/article/details/159087030</guid><author>hl_java</author><pubDate>Sun, 15 Mar 2026 20:17:03 +0800</pubDate><description><![CDATA[摘要： Mac用户在使用Ollama运行本地模型（如qwen2.5:7b）时普遍遇到响应速度下降问题，主要原因是上下文历史过长导致计算负担加重。本文提出纯配置文件优化方案，通过修改~/.openclaw/openclaw.json中的关键参数（如开启自动压缩、限制记忆长度、截断工具输出等），可显著减少请求上下文体积，提升响应速度80%以上。该方案无需安装额外组件，仅需调整配置即可让本地模型&quot;轻装上阵&quot;，恢复应有性能。]]></description><category></category></item><item><title><![CDATA[开发机上通过Ollama安装了qwen2.5:7b-instruct大模型后curl请求示例]]></title><link>https://blog.csdn.net/hl_java/article/details/159086142</link><guid>https://blog.csdn.net/hl_java/article/details/159086142</guid><author>hl_java</author><pubDate>Sun, 15 Mar 2026 19:11:17 +0800</pubDate><description><![CDATA[本文介绍了在Mac开发机上通过Ollama运行qwen2.5:7b-instruct模型并调用其API的方法。主要提供两种调用方式：推荐使用兼容OpenAI格式的/v1/chat/completions端点，以及备选的Ollama原生/api/generate端点。文章包含完整的curl命令示例、参数说明、服务验证方法和实用技巧（如结合jq格式化输出），并附有执行抓包日志截图。调用前需确保Ollama服务运行且模型可用，成功调用后会返回包含模型回答的JSON响应。]]></description><category></category></item><item><title><![CDATA[OpenClaw 从本地到云端：阿里云百炼免费模型配置实战指南]]></title><link>https://blog.csdn.net/hl_java/article/details/159078697</link><guid>https://blog.csdn.net/hl_java/article/details/159078697</guid><author>hl_java</author><pubDate>Sun, 15 Mar 2026 10:34:42 +0800</pubDate><description><![CDATA[如果你已经在 Mac 开发机上成功配置了 OpenClaw 和本地 Ollama 模型（如 qwen2.5:7b），那么恭喜你已经完成了“养虾”的第一步。本地模型虽然免费、隐私、无限制，但受限于硬件性能（尤其是 Mac 上 7B 模型通常只能跑 4bit 量化版），在处理复杂任务、工具调用准确性上，与云端大模型确实存在差距。

这时候，阿里云百炼平台的云端模型就成为了完美的补充——推理速度更快，新用户还享有 90 天免费额度，让你零成本体验更强大的 AI 能力。本文将基于你已有的本地模型配置经验，详细介绍如]]></description><category></category></item><item><title><![CDATA[为什么令牌桶能应对突发流量？——原理 + Java代码 + 实际案例]]></title><link>https://blog.csdn.net/hl_java/article/details/159009566</link><guid>https://blog.csdn.net/hl_java/article/details/159009566</guid><author>hl_java</author><pubDate>Fri, 13 Mar 2026 14:28:03 +0800</pubDate><description><![CDATA[摘要： 令牌桶算法通过积攒令牌机制，允许瞬时流量超过长期平均速率，有效应对突发流量。其核心原理是：令牌以固定速率生成并存入容量有限的桶中，突发请求可快速消耗积攒的令牌，实现瞬时高并发。与漏桶算法不同，令牌桶能利用空闲期“储蓄”处理突发，而漏桶强制恒定输出速率。 Java代码演示显示，当桶容量为20、生成速率为10令牌/秒时，20个突发请求可在0.12毫秒内全部通过（瞬时速率16.6万请求/秒），之后恢复限流。实际案例中，API网关、电商秒杀等场景通过合理设置桶容量，既保护后端又提升用户体验。令牌桶的突发能力]]></description><category></category></item><item><title><![CDATA[OpenClaw与ClawHub的关系：当“智能体”遇上“技能商店”]]></title><link>https://blog.csdn.net/hl_java/article/details/158935754</link><guid>https://blog.csdn.net/hl_java/article/details/158935754</guid><author>hl_java</author><pubDate>Wed, 11 Mar 2026 23:02:19 +0800</pubDate><description><![CDATA[如果你是OpenClaw的用戶，一定在文档或社区中频繁看到两个名字：OpenClaw 和 ClawHub。它们听起来像是一对孪生兄弟，但实际扮演的角色截然不同——简单来说，OpenClaw是“虾”（智能体本身），而ClawHub是“水产市场”（技能交易中心）。本文将深入解析两者的定位与协作关系，帮你彻底理清这对核心概念。OpenClaw（曾用名Clawdbot、Moltbot）是一个开源AI Agent框架，由PSPDFKit创始人Peter Steinberger于2025年11月发布，采用MIT开源协议]]></description><category></category></item></channel></rss>