逐云者123-CSDN博客

原创 Dify对比主流大模型开发框架：Langchain、LlamaIndex、n8n，谁更适合企业落地？

Dify的优势在于“快速开发与可落地”，但在大规模企业应用中，必须强化分布式部署与定制扩展能力。与Langchain、LlamaIndex等底层框架相比，Dify代表了一种“中台即服务（PaaS）”的发展趋势，有望在企业智能化转型中扮演重要角色。企业在选择框架时，关键在于明确自身业务需求、技术能力和成本投入，避免“盲选”而导致后期成本增加。

2025-05-29 10:19:20 990

原创融合静态图与动态智能：重构下一代智能系统架构

智能系统的未来不是全生成，而是在“边界内的智能决策”。我们呼吁用系统思维重构 LLM 应用架构，建立真正可用、可控、可落地的大模型应用体系。

2025-05-07 09:45:02 1290

原创线下CPG零售的核心：POG与销量的循环优化

在CPG（Consumer Packaged Goods，快速消费品）领域，线下零售的核心在于之间的高效联动。简单来说，CPG品牌经理的关键任务之一，就是，通过销量反馈不断调整优化POG，进而持续提升销量，开启正向循环。：指商品在零售货架上最佳摆放方式的图形化表示，涵盖位置、排列、数量等信息。

2025-04-28 15:02:19 916

原创线下零售数据采集：在精度与效率之间寻找平衡点

采集系统的精度与效率，并不仅仅是执行层的小问题，而是决定零售行业能否迈向智能驱动时代的基础设施问题。如果停留在局部最优，整个行业将继续受限于低效采样、人工修正、缓慢响应的旧范式。只有在数据采集层面实现质变，零售智能化才能真正实现从辅助决策到主动优化的跃迁。每一次更高效、更精准的采集迭代，都是行业向前的一小步，也是决定性的一步。

2025-04-28 09:01:56 1835

摘要： Blue是一家聚焦语音控制技术的AI初创公司（2024年成立），其创新产品通过LLM模拟触屏操作，实现免提控制所有手机应用，突破传统语音助手的功能局限。核心团队由Google、Apple前技术专家组成，拥有专利壁垒与硬件集成优势，但面临技术可靠性（如误操作风险）、巨头竞争及用户接受度等挑战。目前处于萌芽期，Android版已上线，未来可能定义“免提交互”新标准，或受限于垂直场景。成败关键取决于技术突破与市场教育能力，其探索将重新定义人机交互边界。（149字）

2025-08-14 10:06:44 378

原创以任务为中心的智能推荐系统架构设计：原理、实现与挑战分析

本文针对复杂业务流程中智能推荐系统面临的全局状态空间爆炸、规则维护困难等问题，提出以任务为中心的架构设计。通过聚焦任务节点及其局部上下文，结合规则引擎和语义匹配技术，构建了灵活高效的推荐系统。文章详细阐述了架构设计理念、关键模块实现及技术挑战应对方案，包括任务库设计、局部上下文抽取、规则与语义匹配融合等方法。该架构有效降低了系统复杂度，提升了推荐准确性和维护效率，为复杂业务场景下的智能推荐系统建设提供了创新思路和实践参考。

2025-08-08 13:18:48 742

原创一些观察：关于招聘算法实习生和工程师的五点思考

这篇文章分享了面试算法实习生和工程师过程中的五点观察与建议：实习生与应届生能力接近，建议深入研究系统架构而非仅复现项目；小公司算法工程师经历较杂，需梳理技术主线并沉淀经验；代码习惯工具化，但C++仍是核心系统的关键，需保持动手能力；数据理解能力不足，建议多处理原始脏数据并掌握ETL工具；需从“做题思维”转向系统思维，参与完整项目以提升架构能力。文章强调潜力需要清晰路径，并肯定认真钻研技术的人。

2025-08-05 10:00:40 587

原创用 SuperPoint + LightGlue 精准重建低纹理目标：从原理到实践

本文深入探讨如何利用 SuperPoint 与 LightGlue 实现低纹理场景下的高精度三维重建。针对传统 SfM 方法在纹理稀缺环境中特征提取和匹配失败的问题，作者提出通过调整 SuperPoint 的特征密度与阈值、结合 LightGlue 的鲁棒匹配能力，有效提升配准成功率与重建完整度。文章不仅剖析算法优势与适配策略，还提供实测效果对比和部署建议，适合科研、测绘、文保等复杂环境下的实际应用。

2025-07-24 10:15:43 631

原创 Hierarchical-Localization 安装与常见问题解决手册

提供了全面的hloc工具箱使用指南，该工具箱基于深度学习，支持多种特征提取与匹配方法，广泛应用于图像定位和三维重建任务。手册从详细的环境搭建和依赖安装（包括解决国内网络访问GitHub/PyPI的痛点）入手，继而系统地罗列并给出了多种常见问题的解决方案，例如MATLAB格式权重文件的兼容性问题、NumPy 2.x与PyTorch等依赖的版本冲突、以及因hloc对Path类型参数和特定命名规则的偏好而导致的路径或参数不匹配错误。

2025-07-23 17:50:28 897

原创 OpenMVG & OpenMVS 安装全流程常见问题与解决方法总结

本文总结了OpenMVG和OpenMVS三维重建工具链安装过程中的常见问题及解决方法。主要问题包括：依赖包缺失、GitHub下载失败、Python3找不到、GCC/CUDA版本不兼容、OpenCV版本过低、VCGLib未找到等。文章提供了详细的解决方案，如安装特定版本依赖、设置环境变量、源码编译等操作指南。同时针对Docker构建问题，给出了优化构建顺序和使用缓存的建议。推荐使用Ubuntu 22.04 + GCC 11 + CUDA 11.8/12.2的兼容环境组合，可有效减少安装过程中的报错。

2025-07-22 19:47:30 994

原创从 COLMAP 到 3D Gaussian Splatting

随着NeRF和3D Gaussian Splatting等新技术的崛起，三维重建已进入“系统集成优先”的工程阶段。本文从实用角度出发，梳理了COLMAP、RGB-D、3DGS等主流方案的优劣对比，覆盖从建模输入、算法选择、Mesh导出到GPU/CPU部署的全链条实践路径。针对不同精度、预算与交付周期的需求，提供了一张清晰的选型路线图，并辅以实际脚本与经验建议，助力团队在1天内完成评估，1周内原型验证，1个月内产品交付。

2025-07-22 19:03:47 1169

原创 3D Gaussian Splatting (3DGS) 从入门到精通：安装、训练与常见问题全解析

本指南全面总结 3D Gaussian Splatting (3DGS) 从安装到渲染的常见问题。重点包括：环境配置：确保 Python (Conda)、PyTorch 与 CUDA 版本精准匹配，注意 numpy 兼容性。COLMAP 与 Ceres 编译：解决 Abseil-CPP 配置、GCC/CUDA 兼容性及依赖缺失问题。数据准备：视频转图片，COLMAP 稀疏重建后，利用脚本将数据转换为 3DGS 兼容格式。训练与渲染：解决训练参数、CUDA/PyTorch 扩展 ABI

2025-07-17 19:18:59 1691

原创 COLMAP 编译全流程问题与解决方案汇总【含Ceres/absl/CUDA/GCC/CMake 报错详解】

本文针对Ubuntu 24.04环境下Ceres Solver和COLMAP的编译问题，提供了从源码到部署的完整解决方案。重点解决了abseil-cpp依赖、CMake配置和CUDA兼容性等核心问题，包含： absl版本冲突的三种修复方案（版本指定、配置生成、动态库转换） COLMAP依赖缺失的五种应对方法（手动下载、路径配置、环境变量设置） GCC/CUDA兼容性问题处理（编译器版本切换）静态库链接问题的-fPIC解决方案提供

2025-07-17 13:10:27 915

原创领域特定知识的智能管理与应用：三位一体解决方案

本文提出一套基于大型语言模型(LLM)、语义向量检索和知识图谱的三位一体解决方案，用于领域特定知识的管理与应用。首先利用LLM从非结构化数据中智能抽取实体和关系，构建结构化知识图谱；其次通过语义向量检索实现模糊意图匹配，结合过程型知识图谱提供实时动态洞察；最后通过归档型知识图谱支持深度推理与知识沉淀。三者协同工作，形成一个从知识捕获到智能应用的完整闭环，实现了领域知识的高效管理、精准查询和智能应用。该方案克服了单一技术的局限性，为各行业处理海量领域数据提供了有效路径。

2025-07-15 10:52:49 911

原创零售智能执行大模型架构设计：从空间建模到上下文推理，再到智能Agent

我们提出一套基于多阶段大模型的零售执行智能架构，将空间建模、上下文推理与智能Agent系统整合为统一体系，目标是构建未来10年通用的零售智能基础设施。

2025-05-20 11:18:29 1090

原创高级 LLM 应用架构设计建议手册：认知工具的正确打开方式

让系统更人性化让交互更自由但无论哪种，LLM 从来不是系统的主角。它是认知层，是语言转译器，是接口层的增强器。真正的主角，是你，是理解业务和系统的架构师！

2025-05-07 09:50:13 957

原创从DistBelief看深度学习早期的并行化

从DistBelief看深度学习早期的并行化背景DistBelief是TensorFlow的前身，与TF的名扬天下如雷贯耳相比，DistBelief简直是不值一提，但是仔细琢磨就能发现，大部分深度学习框架的问题，在DistBelief里面就已经有了回答。其中就有今天要讨论的并行部分。一言以蔽之，深度学习，或者说机器学习，在工程上最大的难题就是满足大规模数据的要求。与摩尔定律相比，数据的爆发显然更令人惊讶，所以如何处理大规模数据，并从中学习到一个好的模型，是一个非常严肃的问题。大规模数据首先是大规模的

2021-01-12 17:05:23 1979

原创 CoreML 的 C++部署 [2] 模型类抽象

接上一篇CoreML 的 C++部署 [1] 模型转换和预处理再解决了预处理的问题后，部署部署还剩下模型类的抽象，主要包括初始化、推理以及获取输出。模型类的抽象什么是模型类？可以参考：CoreML模型分析我们是以MobileNetV2.mlmodel为例说明了mlmodel的结构。这里有一个预备知识，模型头文件中的类仅仅是对底层MLModel和MLFeatureProvider的封装。也就是说，每一个mlmodel，真正的实现是通过MLModel和MLFeatureProvider进行的，上层做

2020-12-31 11:11:07 1072

原创 Core ML简史

背景深度学习是最新一波技术发展的最大增长点，随着研究的深入和算力的发展，深度学习也逐渐从论文走到了实际应用。由于现在我们仍然处于移动互联网的成熟期，手机仍然是今年最通用的计算平台，所以深度学习不可避免的也要跑在手机上，这是技术+时代的共同需求。为了应对这个需求，科技行业的巨头们都提出了自己的解决办法，2017年3月，Google就在TensorFlow的基础上开源了TensorFlow Lite，目标就是完成移动端深度学习计算。Google做这个事情是非常好理解的，因为TensorFlow太重了，不太可

2020-12-30 17:43:24 2018

原创 CoreML 的 C++部署 [1] 模型转换和预处理

背景当写下这个题目的时候，我是有疑问的。为什么要用C++来部署CoreML？是OC不香还是Swift不甜了？如此简单的CoreML模型部署，使用OC或者Swift几行代码就搞定的事情，非要整一个C++版本，实属想不通，是真的想不通。。。可能唯一能够理解的是，当模型推理只是一个很大的功能中的一部分，而这个功能又无法快速通过OC或者Swift搞定的时候，还是需要将整个模型推理部分下沉到C++中，与其他底层逻辑保持一致。简单来说就是为了满足程序架构的完整性，就牺牲了开发中的便捷性。但是如果是上面这个理由，

2020-12-29 10:54:51 1785

原创 CoreML模型分析

准备工作首先得有一个Xcode以及一个简单的添加了CoreMLFramework的工程；下载模型，如官方推荐的MobileNetV2将模型导入到工程中，并添加到你的编译项目中双击打开，会看到这么一个页面：然后点击就可以进入到模型自动生成的头文件中：模型分析1.关键词@interface通过搜索关键词interface，我们可以得到三个结果：@interface MobileNetV2Input : NSObject@interface MobileNetV2Output :

2020-12-23 20:09:15 1786 2

原创为什么TensorFlow要使用图结构？

当我们说起TensorFlow，不可避免会提到图结构，为什么TensorFlow要用图结构呢？有什么好处呢？为了搞清楚这些问题，我们先从深度学习的计算过程说起。深度学习计算过程作为图像计算的一种，深度学习计算与其他图计算并没有什么本质的区别，输入图像，根据定义好的规则对图像进行计算，并输出计算结果，然后按照规则对计算结果，然后得到最终场景需要的结果。其中，这个规则就是由深度学习模型来定义，决定我们如何对图像进行一层层计算，并得到结果。我们稍微细化一下，从结果倒推，为了得到计算结果，我们至少需要什么？

2020-12-16 16:00:19 726 1

原创 gRPC c++版本安装使用实录

背景gRPC作为google全家桶之一，拥有极高的传输效率，最近想把它加入到我们云端协议中去，提供高效的传输，解决进程间通信的问题。看着很诱人，但是用起来却不是那么简单，花了一些功夫才把完整的Demo给跑起来，也遇到不少问题，大部分与环境有关，少部分需要改一些代码，在此记录并分享一下，怕忘了。环境OS : macOS Catalina 10.15.7 (19H2)clang : Apple clang version 12.0.0 (clang-1200.0.32.27)protoBuf: 3

2020-12-08 17:31:30 3374 5

原创 Docker文件的存储位置

Ubuntu上docker文件的存储位置/var/lib/dockerMac 上docker文件的存储位置$HOME/Library/Containers/com.docker.docker/Data/vms/0/data/Docker.raw和Ubuntu不同，在mac上，所有docker相关的文件都被保存到这一个文件中，默认大小是64GB，设置是在docker Desktop的Preferences/Resources中：...

2020-10-19 17:09:28 3488

原创 [续] TensorFlow + MKL 内存泄漏及解决办法

[续] TensorFlow + MKL 内存泄漏及解决办法背景之前就发现了tf+mkl的内存泄漏问题，当时给出的办法是不用mkl了，使用原版的TensorFlow C++动态库。这样内存确实不怎么泄漏了(实测还是会有一点点上涨)，但是CPU上的性能也就没有了，毕竟已知在我们的机器上，mkl的4个线程单次推理能够比原版快一倍，从600ms降到300ms，相当可观的性能提升了。思来想去，还是要把这个坑填上。填坑之旅1.重燃希望本来已经不抱希望的，直到发现百度的paddle库中有一个issue说解决

2020-10-13 09:24:48 1449 6

原创 tfjs进行RGB-BGR转换的三种方法

变量定义var t_rgb; 原始RGB的tensorvar t_bgr; 目标BGR的tensor小结默认从frame数组构造的tensor的hwc格式的，所以我们先要将hwc格式转成chw格式，然后再去交换R和B通道的数据，这是从图像层面比较容易想到的过程，但是也比较复杂，方法1就描述了这个过程。然后我们可以注意到，实际上并不需要显示的CHW格式，我们要做的事情就是交换R和B的值，所以方法2直接在第三个维度去做split，然后重新组合成新的tensor即可。进一步，我们考虑一下宏观的信息，注

2020-08-05 15:30:17 966

原创 TensorFlow + MKL 内存泄漏及解决办法

TensorFlow + MKL 内存泄漏及解决办法背景最近在做深度学习在线推理相关的项目，底层使用TF来作为推断框架，我们知道，TF底层是用Eigen完成CPU的计算的，而Eigen的速度只能说一般般，与成熟的计算库在性能上的差距还是比较明显的，比如TF支持的intel MKL。之于如何使用TF+MKL，可以参考此文，其实就是在编译时加上--config=mkl选项，然后在生成可执行文件时链接libmkldnn.so, libmklml_intel.so, libimop5.so，就可以使用TF+

2020-06-08 20:32:24 1542 4

原创 TensorFlow c++ SessionFactory注册与No session factory registered错误

TensorFlow c++ SessionFactory注册与No session factory registered错误背景近期我们在服务器上使用TensorFlow来进行推理，作为云推理服务的基础。具体如何使用tensorflow c++库来进行推断可以参考之前的记录《从0开始使用tensorflow的c++库进行模型推断》。在经过一些demo的验证之后，我们开始在项目中正式使用TensorFlow的c++库，简单描述我们的用法：tensorflow作为最底层，上面有一层对推理框架的封装静态库

2020-05-27 16:34:01 1678 4

原创 java.library.path和LD_LIBRARY_PATH的介绍与区别

背景近期要将算法部署到一个机群的虚拟主机(Debian 9.1 gcc 6.3.0)上，采用的是Java + JNI + shared library的方式来完成底层算法能力的部署。其中需要用到各种第三方库，有从源码编译的，也有直接下载的so，包括OpenCV相关、TensorFlow相关、MKL以OpenMP相关的动态库。遇到一个问题，libmklml_intel.so 这个库只能放在 LD_LIBRARY_PATH中进行加载，而不能通过java.library.path完成加载，所以有必要搞清楚这

2020-05-21 15:11:10 11270

264学习总结

空空如也