个人网页

曾经编写的费用分摊的小程序，如今已焕新升级。我为其接入了AI能力，打造出一个能理解指令、预测操作的智能助手。程序的核心代码由Claude Code协助编写。 现在，通过简单的自然语言就能与它对话。更棒的是，它能预判我的下一步操作，并提前给出提示。预测准确时，只需一键确认即可，让操作效率倍增。 体验地址：https://zhengw-tech.com/expense/ai-chat.html，可以先自行操作体验下 如果大家还有兴趣，下面开始详细介绍功能使用指南～ 什么是 AI 助手？ 记账助手的 AI 功能让你可以用日常聊天的语言来管理账目，不需要学习复杂的操作步骤。就像和朋友聊天一样，告诉 AI 你想做什么，它就会自动帮你处理。 比如，你可以这样跟 AI 说： “创建一个周末聚餐的项目，成员有张三、李四、王五” “记录一笔支出，张三付了 50 元吃饭，我们 3 个人 AA” “帮我算算周末聚餐的结算，看看谁该给谁钱” AI 会自动理解你的意思，完成相应的操作。 AI 助手能做什么？ 1. 创建账目项目 适用场景：开始一次新的活动，需要记录大家的费用分摊 使用示例： “...

下午三点，你正在 feature/new-module 分支上开发新功能，代码改到一半，还没到能 commit 的程度 这时候 QA 在群里 @你：上周提测的 feature/payment 有 bug，订单回调没处理异常情况，需要修一下 你下意识想切到 feature/payment 分支，手悬在键盘上停住了——当前 feature/new-module 上散了一地的代码怎么办？git stash？stash pop 的时候冲突了怎么办？而且你心里清楚，修完 QA 提的 bug 之后还得继续回来开发 feature/new-module。两边来回切分支，万一哪次忘了 stash 或者切错了分支，代码就可能搞混 这个场景，只要你在同一个代码仓库里同时跟过「开发中」和「测试中」两个需求，就一定经历过。git stash 和 git switch 能解决一部分问题，但当「并行开发」变成常态，你会发现一直在 stash → switch → pop → 解决冲突之间来回折腾——而且真的很容易搞错 Git 从 2.5 版本（2015 年）开始就内置了一个更彻底的解决方案——git wor...

之前进行过机器学习的数学笔记-回归中，主要是人工计算导数以及更新计算 本次为对应《动手学深度学习》线性回归部分内容，使用PyTorch 来简化实现 构造测试数据 找到合适的数据比较麻烦，我们可以自己生成对应的测试用的数据，添加一定的噪声 线性模型：$\mathbf{y}=\mathbf{W}\mathbf{X}+b$，其中 $\mathbf{W}$ 和 $\mathbf{X}$ 都是矩阵 比如可以是$y=w_1x_1 + b$ 也可以是 $y=w_1x_1+w_2x_2+b$ 等等 我们可以根据输入的 $\mathbf{W}$ 和 $b$ ，根据$\mathbf{W}$的形状生成对应高斯分布的$\mathbf{X}$，执行 $\mathbf{y}=\mathbf{W}\mathbf{X}+b$ 获取对应的 $y$ 值 X 的值可以从高斯分布中采样，在pytorch中使用 torch.normal(均值, 标准差, 数据形状) 函数 对于$y=w_1x_1 + b$ 的形式，比如 w1=5.2, b = 3，那么可以用如下方法生成X 1234567891011121314# 均值...

本文主要介绍一下通过Spring AI 来快速实现一个简单的类似OpenAI Agents SDK的功能 具体效果为在application.yml 中配置对应的agent 信息，如 12345678910111213141516171819202122spring: ai: agents: # 定义一个Agent - name: historyTutor # 与大模型交互时的Agent的系统提示词 instructions: You provide assistance with historical queries. Explain important events and context clearly. # 其他Agent可以获取到的关于当前agent的描述信息 handoffDescription: Specialist agent for historical questions # 定义另一个Agent - name: mathTutor instr...

原文：https://blog.langchain.com/how-to-build-an-agent/ 本文介绍了当我们有了想法之后，如何通过一系列的步骤来逐步实现一个agent 的过程 其中主要侧重思路和过程，不涉及具体的技术实现细节 下面内容为对原文的理解翻译学习，大家可以优先考虑阅读原文 Step 1: 举例说明agent的工作任务 首先挑选一些可以交给聪明实习生的工作，如果他都无法在足够的时间和资源的情况下完成，那么这个任务可能不适合agent 可以以想出5-10个具体的任务例子来开始，这样可以确保 验证你的想法的合理性，不会太琐碎或者模糊 可以为后续的效果衡量提供基准 例子：构建一个邮件agent 我们可以定义如下的任务： 优先处理来自关键利益相关者的紧急电子邮件 根据日程情况安排会议 忽略垃圾邮件或者不需要回复的电子邮件 根据公司文件回答产品问题 需要注意如下问题： 如果不能提供具体的例子，说明你的任务范围太宽泛了 如果传统软件效果更好时，不要考虑使用agent Step2: 设计操作流程 编写详细的标准操作流程(SOP)，其中包含有关人类如何执行任务...

LLamaIndex顾名思义，看起来是一个适合构建索引的框架，也就是 RAG(Retrieval-Augmented Generation)，所以我们本次主要看一下如何使用LlamaIndex 来实现一下RAG（当然，它也能用来实现智能体等功能） RAG 的交互流程如下 主要涉及如下几个步骤节点 快速使用 先通过一个例子快速感受一下如何使用，因为默认的OpenAI 的接口很难访问，这里使用阿里的dashscope 注册API 的部分参考官方文档即可，这里不再赘述 首先安装相关的依赖包 123pip install llama-indexpip install llama-index-llms-dashscopepip install llama-index-embeddings-dashscope 编写相关代码 123456789101112131415161718192021222324252627from llama_index.core import Settings, VectorStoreIndex, SimpleDirectoryReaderfrom...

LangGraph 是一个用于构建大型语言模型 Agent 的编排框架，它与 LangChain 深度集成，具备出色的有状态流程管理能力。在之前的文章中，曾介绍过如何使用LangGraph及MCP实现Agent。在那篇文章中可以看到，得益于 LangGraph 内置的丰富组件，开发过程非常简洁。 本文将简要介绍 LangGraph 中常用的一些核心概念，帮助更好地理解和使用。如需详细内容，请参考官方文档 核心组件 State（状态） State 是 LangGraph 中的数据结构，用于表示一次对话流程中的所有信息，例如用户输入、大模型响应等。通常我们通过继承 TypedDict 或使用 Pydantic 的 BaseModel 来定义 State： 12345from typing import TypedDictclass ChatState(TypedDict): message: str response: str 我们将以一个简单的例子来展示如何使用 State 构建 LangGraph，可以先不关注其中的具体细节，只要看State 相关部分 12345...

目前agent 大致有两种风格，一种是自己定义相应的工作流程(workflows)，还有一种就是流程完全让大模型自己进行判断处理(agents) 本次主要简单记录一下使用langgraph 及mcp 实现一个 agents 这个可以认为是一个最简化工作流，只有llm 及tools 两个节点，当大模型判断需要调用tools 时就执行调用，直到大模型认为不需要调用工具，这时认为执行结束了，可以返回对应的结果 stateDiagram-v2 [*] --> Start Start --> Agent Agent --> Tools : continue Tools --> Agent Agent --> End : end End --> [*] 交互流程 sequenceDiagram participant U as User participant A as Agent (LLM) participant T as Tools U->>A: Initial input Note over A:...

感知机 感知机是一种监督学习算法，用于解决线性可分（Linearly Separable）的二分类问题，具体内容如下： 计算预测值：$z=w_1x_1 + w_2x_2 + b$ 激活函数为阶跃函数： $$ y_{pred}= \begin{cases} 1 & z \ge 0\\ 0 & z \lt 0 \end{cases} $$ 参数更新函数： $$ w_i = w_i + \eta \cdot (y_{true} - y_{pred}) \cdot x_i$$ $$b = b + \eta \cdot (y_{true} - y_{pred})$$ 下面我们通过具体的例子，应用一下上面的公式来使用感受一下： 学生有两门课程的成绩，语文和数学，预测是否通过考试 假设每科分数均为 0-100，同时总分超过 120 分为通过考试 构造测试数据 12345678910111213141516171819202122232425import numpy as npimport matplotlib.pyplot as pltnum_samples = 50# 随机生成...

《白话机器学习中的数学》笔记 机器学习主要擅长包括回归、分类、以及聚类任务 回归是一种预测性的建模技术，用于确定一个或多个自变量（特征）与因变量（目标值）之间的关系，重点预测的是连续的数值。如根据房子的各类信息，预测房屋的价格 分类是将样本划分到不同的类别中，每个类别通常对应一个特定的标签，它是离散的、无序的。如根据邮件的信息判断其是否是垃圾邮件 聚类是将数据集中的样本划分成不同的组，使得同一组内的样本相似度高，而不同组之间的样本相似度低。聚类的结果事先是未知的，算法需要自行发现数据中的潜在结构。比如电商平台对客户进行分组，高消费、低消费等等。同时它和分类的区别就是它是无监督学习，而分类是有监督学习（可以认为是需要提供有正确答案的数据来学习） 这篇文章我们主要来学习一下其中的回归任务 最小二乘法 对于简单的线性变化，可以定义一个一次函数，定义如下 $$ f_\theta(x) = \theta_0 + \theta_1 x $$ 假设 x 对应的实际值是 y，那么我们假设的 $\theta_0$和$\theta_1$计算后的值，与实际值的误差可以表示如下 $$ E(\...