该文章已加密，点击 阅读全文 并输入密码后方可查看。
5种Agent模式
一、反思模式（Reflection Pattern）：闭环优化的认知迭代
- 工作流程：
用户输入 → LLM生成初版响应 → 用户反馈 → LLM反思优化 → 迭代至满意 → 返回终版
Fooocus Outpaint 完整处理流程
1. Canvas Expansion & Mask Creation 画布扩展和遮罩创建
12:15:modules/async_worker.py展开代码def apply_outpaint(async_task, inpaint_image, inpaint_mask): if len(async_task.outpaint_selections) > 0: H, W, C = inpaint_image.shape if 'top' in async_task.outpaint_selections: inpaint_image = np.pad(inpaint_image, [[int(H * 0.3), 0], [0, 0], [0, 0]], mode='edge') inpaint_mask = np.pad(inpaint_mask, [[int(H * 0.3), 0], [0, 0]], mode='constant', constant_values=255)
- 根据用户选择的方向（top/bottom/left/right）扩展画布30%
- 使用edge模式复制边缘像素填充新区域
- 新区域的mask值设为255（完全需要重绘）
匈牙利算法是做什么的？通俗解释
匈牙利算法（Hungarian Algorithm）是一种用来解决**"最佳分配问题"的数学方法。它的核心任务是："如何用最低成本，把N个任务分配给N个人，让总成本最小？"**（或者反过来，让收益最大）。
的问题：
1. OpenPose的输入和输出形状
输入形状：
cpp展开代码// 从 src/openpose/net/netCaffe.cpp:218 可以看到
if (inputData.getNumberDimensions() != 4 || inputData.getSize(1) != 3)
error("The Array inputData must have 4 dimensions: [batch size, 3 (RGB), height, width].");
输入张量形状: [batch_size, 3, height, width]
batch_size: 批次大小，通常为13: RGB三通道height, width: 图像的高度和宽度
CDP：共识驱动传播人脸聚类方法
摘要
CDP（Consensus-Driven Propagation）是一种高效的大规模无标签人脸聚类方法。该方法通过投票机制和图传播算法，实现对人脸特征的快速准确聚类。CDP具有线性时间复杂度，能够处理大规模数据集，并在保持高精度的同时提供出色的聚类性能。
1. 人脸检测方法数量和类型
InsightFace主要包含3种核心人脸检测方法：
1.1 RetinaFace (CVPR 2020)
- 架构: 基于FPN的单阶段检测器
- 特点: 同时预测人脸边界框和5个关键点
- 骨干网络: ResNet50/ResNet152/MobileNet0.25
- 性能: WiderFace验证集 Easy 96.5, Medium 95.6, Hard 90.4
U-Net 2015 ：编码器-解码器结构、跳跃连接。
HRNet 2019 : 设计用于需要高分辨率特征的任务.
- 高分辨率主干( 网络从头到尾都维持一个高分辨率的特征流，而不是像U-Net那样先降维再升维。)
- 多尺度特征融合：
- 不同分辨率的特征流之间通过上采样和下采样操作进行交互，实现信息的跨尺度传递。
介绍
这是一个大模型机器人的试验尝试。效果预期就是可以将大模型引入QQ对话。
效果就是：让自己的QQ成为一个机器人客服，别人发消息给自己的QQ，自己的QQ自动就回复别人了，回复依靠的是大模型的语言能力。
项目在这里：https://astrbot.app/deploy/astrbot/docker.html#%E4%BD%BF%E7%94%A8-docker-%E9%83%A8%E7%BD%B2-astrbot
AstrBot 结合 NapCat 做QQ机器人， AstrBot 也可以结合其他消息中间件，做别的平台的机器人，比如微信、QQ、飞书、钉钉。
下载模型:
sh展开代码modelscope download Qwen/Qwen3-32B --local_dir ./Qwen/Qwen3-32B
部署：
bash展开代码# 拉取最新的
docker pull lmsysorg/sglang:v0.4.6.post1-cu121
# 启动服务
docker run -d --gpus '"device=0,1,2,3"' --shm-size=32g \
-v ./Qwen/Qwen3-32B:/model \
-p 8055:8000 \
-e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
lmsysorg/sglang:v0.4.6.post1-cu121 python3 -m sglang.launch_server --model-path /model --host 0.0.0.0 --port 8000 --mem-fraction-static 0.9 --tensor-parallel-size 4 --context-length 40960 --served-model-name "gpt" --api-key "abc"
客制化里面加ccs：
ccs展开代码.snow-container { position: fixed; top: 0; left: 0; width: 100%; height: 100%; pointer-events: none; z-index: -1; overflow: hidden; } .snowflake { position: absolute; will-change: transform; user-select: none; text-shadow: 0 0 6px rgba(255, 255, 255, 0.7); /* 确保GPU加速 */ transform: translate3d(0, 0, 0); backface-visibility: hidden; }
如何搭建一个自己的博客，下面是我这个博客搭建的过程：
1. 选定博客框架：VanBlog 二次开发版
-
核心优势：
使用基于 VanBlog 的二次开发版本（xxddccaa/vanblog），集成以下特性：- ✅ 开箱即用：Docker Compose 一键部署，降低环境依赖复杂度。
- ✅ 性能优化：完整标题显示、后台列表换行支持、代码块折叠功能、Admin免登录，提升用户体验。
- ✅ 安全性：默认关闭评论系统（符合公安备案要求），集成 Mermaid 图表支持。
-
代码结构：
bash展开代码├── packages/ │ ├── admin # 后台管理界面（Ant Design Pro） │ ├── website # 前端页面（Next.js + Tailwind CSS） │ ├── server # 后端服务（NestJS + MongoDB） │ └── waline # 可选评论系统 └── docker-compose.yml # 容器化编排注意：使用这个 docker compose.yaml 文件即可使用 docker compose 一键部署： https://github.com/xxddccaa/vanblog/blob/master/docker-compose/docker-compose.yml
Git 实战技巧：如何优雅地移除已推送到远程仓库的敏感文件
🤔 遇到过这种尴尬吗？
作为开发者，我们经常会遇到这样的情况：
- 不小心把包含密码的配置文件推送到了 GitHub
- 意外提交了 IDE 的配置文件（如
.vscode/、.idea/） - 把本地的测试脚本或临时文件推送到了远程仓库
- 发现某些文件不应该被版本控制，但已经在仓库里了
很多人的第一反应是在 .gitignore 中添加这些文件路径，但发现完全没用！文件依然会被 Git 追踪和同步。
