deephub

摘要： Claude Code、Cursor、GitHub Copilot 这类 AI 编码 Agent 在单次会话中表现出色，但每次新会话都从零开始。没有连续性，也没有"上次遇到过类似情况"的判断力。 现有的应对方式是CLAUDE.md 文件、系统提示词、手动编写的规则列表，这些本质上都是把人当作记忆载体 阅读全文

摘要： 好模型的秘诀不在于更花哨的算法，而在于更好的特征。 🔢 第1部分：数值 特征 1、1 缩放 多数机器学习算法对尺度敏感。一个取值范围在0到1,000,000的列，会在训练中压制一个取值范围仅0到1的列。 常用的三种缩放器各有适用场景：StandardScaler适合近似正态分布的数据，也是最常见的 阅读全文

摘要： 单个智能体的专业化程度有上限，真正的工作需要团队：一个角色接收订单，一个检查库存，一个安排生产，一个验证质量。ADK 的编排模式：SequentialAgent、ParallelAgent、LoopAgent可以将多个智能体组合成工作流，流程只定义一次，状态在智能体之间自动传递，故障由系统托管。本文 阅读全文

摘要： HuggingFace 的 .generate() 是个黑盒，而且这个黑盒藏了一个代价很高的问题，每一个解码步骤它都从头开始对整个 prompt 做一次完整的注意力计算。每一个 token 都是如此。注意力的开销以 O(N²) 的速度随序列长度增长，在小规模下完全察觉不到，一旦上了真实负载就会出现问 阅读全文

摘要： 向量数据库的核心任务是对文本或其他非结构化数据生成的 Embedding 做相似性搜索。时间戳、文档类型、所有权一类的上下文约束，一般以外部过滤器的形式在向量搜索前后进行。多数场景下这一架构运作正常，但当上下文信号需要参与排序就会有问题。本文分析传统向量数据库架构的过滤与检索机制，并介绍 Aspec 阅读全文

摘要： 生产环境中真正烧钱、拖慢体验的环节不是训练、是推理。自回归的方式一次只产出一个 token，每个 token 都要完整走一遍模型所有层的前向传播。70B 参数的模型在 H100 上运行，每个 token 对应 700 亿次乘累加运算，而 GPU 大部分时间都在等内存搬运数据，真正用于计算的比例很低。 阅读全文

摘要： Pandas 本身内置了大量面向列操作的方法，覆盖条件赋值、数据分箱、格式转换、字符串处理等常见场景，只是在日常使用中很容易被忽略。翻阅 Kaggle 高分方案和生产级数据管道的源码后会发现，那些看起来简洁的一行代码并非技巧，而是对库本身设计意图的理解。 本文整理了10个这样的写法，每个都附带常见的 阅读全文

摘要： 检测 Prompt 注入和越狱攻击的方法，大多建立在系统可以访问对话日志这个前提上。但是如果设计一个系统，每段对话只处理一次以提取特征，不保留原始文本可以吗？： 如果只保留遥测数据（关于会话行为的数值信号）实际上能保留多少检测能力？ 本文就是做一个受约束的实验，用于测试这种架构边界是否可行。 系统概 阅读全文

摘要： 多 Agent 流水线在每一次演示中都表现正常。但是到了生产环境，它可能在第四步之前就悄悄积累了三个错误决策，最终输出自信、流畅但是完全错误。并且最后没有人发现问题，因为根本没有信号可以捕捉链条末端只剩下一个看起来干干净净的结果。 这是 2026 年生产级 Agent 系统最典型的失败模式。正确构建 阅读全文

摘要： RouteRAG 把多轮 RAG 重新建模为序列决策过程。 它不依赖固定的手工检索流水线或静态指令，而是学到一套策略：推理过程中的特殊 Token 可以触发检索动作。每一步，模型生成一个动作 Token——继续内部推理、经 <search>...</search> 发起检索，或经 <answer>. 阅读全文