deephub

摘要： 推荐系统不是单一算法而是一条流水线，每个阶段在不同约束下解决不同的问题。多数入门实现把所有事情塞进一步：算相似度。但生产级系统需要做关注点分离，分别管控质量、速度和行为。 本文梳理一条可以实际构建并持续扩展的端到端推荐 Pipeline。 动手写代码前，先回答三个问题：Item是什么（电影、商品、帖 阅读全文

摘要： 2023 年"Prompt Engineering"无处不在；到 2025 年中"Context Engineering"成为了主流；而 2026 年 4月反复提及的词是"Harness Engineering"。这三个术语描述的是同一问题在不同深度上的结构。搞清楚它们各自的边界，是眼下最有实用价值 阅读全文

摘要： 向量数据库存储 Embedding，也就是文本、图像或音频的数值表示，并在查询时检索语义上最接近的结果。RAG 系统正是基于这一机制运作。本文对比三个主流方案，每个都附有 Python 代码，均来自实际在生产环境中使用三者的经验。三种选择：Pinecone 用于生产级规模，Chroma 用于本地原型 阅读全文

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