pinoky

摘要： 核心思想：everything is plugin，model、tool、agent loop、memory等等所有东西都可以是插件 要理解deepseek harness，首先要理解支持这一切插件能够组合、启动、依赖、卸载、恢复、替换的底层运行时——cordis deeseek-harness底层 阅读全文

摘要： Memory OS MemGPT: Towards LLMs as Operating Systems 核心思想：把记忆当作是虚拟内存管理，让agent学会管理上下文，agent应该是有内存层级的长期进程 记忆分层： main context，类比RAM，prompt内容 core memory，常 阅读全文

摘要： 执行引擎：BSP模型 LangGraph的执行引擎底座使用的是借鉴了Google Pregel 论文的 BSP(Bulk Synchronous Parallel) 模型，其中有3个基本概念 channel：作为状态的载体，节点通信的唯一媒介 PregelNode：订阅某些channel，被触发后执 阅读全文

摘要： Deep agents 基于langchain构建，使用langgraph运行时实现持久化、流式处理、human in the loop，简单使用：agent =create_deep_agent，所谓agent harness 内置write_tools工具，进行规划和任务分解 支持接入沙箱通过e 阅读全文

摘要： 长周期智能体 Anthropic《Scaling Managed Agents: Decoupling the brain from the hands》 本文中的harness专指直接调用 LLM、并分发 tool call 的控制循环，而不是广义的harness系统层 Harness sandb 阅读全文

摘要： anthropic：Demystifying evals for AI agents 需要Eval（评估）的原因： Agent在多轮交互中调用工具/修改状态/根据结果自适应调整，可能会让错误传播和叠加，比如传统的LLM更难评估，如果没有eval的团队会陷入反应式调试循环：等待用户抱问题——手动复现— 阅读全文

摘要： 排序详解 用户-笔记的交互：点击率、点赞率、收藏率、转发率 排序的依据：预估点击率、点赞率、收藏率、转发率 + 融合这些预估分数 + 根据融合的分数做排序和阶段 多目标模型（工业界普遍使用的模型） 模型结构：把用户特征、物品特征、统计特征、场景特征作为输入，输出对各个指标的预估（即前文所说的点击率， 阅读全文

摘要： 推荐系统的链路 召回：快速从海量数据取回几千个用户可能感兴趣的物品，每条召回通道取回几十到几百篇 排序 粗排：用小规模的模型的神经网络给召回的物品打分，然后做截断，选出分数最高的几百个物品。 精排：用大规模神经网络给粗排选中的几百个物品打分，可以做截断，也可以不做截断。 重排：对精排结果做多样性抽样 阅读全文

摘要： Spark学习（二）：RDD详解 RDD API 一般来说有三种创建RDD的方式 由外部存储系统的数据集创建（比如本地的文件系统，同时兼容所有Hadoop支持的数据集）：sc.textFile 通过已有的RDD通过算子转换生成新的RDD：rdd1.flatMap(_.split(" ")) 通过一个 阅读全文

摘要： 2024.9.14腾讯广告一面时，被问到是否了解Spark，彼时对Spark毫无接触故答不了解，面试结束后了解到Spark与MapReduce渊源颇深，去年夏天学习MIT6.824分布式系统设计时曾深入学习过MapReduce（分布式学习：MapReduce - pinoky - 博客园 (cnbl 阅读全文