经济订货量（Economic Order Quantity，简称EOQ）

本小节我们就为Kafka添加最简单的认证方式，也就是SASL_PLAINTEXT（即SASL/PLAIN+ 非加密通道）。

在人工智能领域，大型模型因其强大的预测能力和泛化性能而备受瞩目。然而，随着模型规模的不断扩大，计算资源和训练时间成为制约其发展的重大挑战。特别是在英伟达禁令之后，中国AI计算行业面临前所未有的困境。为了解决这个问题，英伟达将针对中国市场推出新的AI芯片，以应对美国出口限制。本文将探讨如何在多个GPU上训练大型模型，并分析英伟达禁令对中国AI计算行业的影响。

AI 模型：数据收集和清洗

Motrix是一款开源免费、无广告的全能下载工具，支持Windows、macOS、Linux三端。界面简洁，支持HTTP、FTP、BT、磁力等全协议下载，智能识别链接，最高64线程加速，支持断点续传、批量下载、剪贴板监听、任务分类及浏览器扩展联动，功能强大且易于管理，最大化提升下载效率。

Post-Training（即模型后训练）作为大模型落地的重要一环，能显著优化模型性能，适配特定领域需求。相比于 Pre-Training（即模型预训练），Post-Training 阶段对计算资源和数据资源需求更小，更易迭代，因此备受推崇。近期，我们将体系化地分享基于阿里云人工智能平台 PAI 在强化学习、模型蒸馏、数据预处理、SFT等方向的技术实践，旨在清晰地展现 PAI 在 Post-Training 各个环节的产品能力和使用方法，欢迎大家随时交流探讨。

本文探讨了智能体工程的演进历程，从最初的思维链（智能体1.0）到实例化智能体（智能体2.0），再到结构化智能体（智能体3.0），最终展望了自演进智能体（智能体4.0）。文章详细分析了各阶段遇到的问题及解决策略，如工具调用可靠性、推理能力提升等，并引入了大模型中间件的概念以优化业务平台与工具间的协调。此外，文中还提到了RunnableHub开源项目，为读者提供了实际落地的参考方案。通过不断迭代，智能体逐渐具备更强的适应性和解决问题的能力，展现了未来AI发展的潜力。

本文深入探讨了十种主流的大语言模型（LLM）服务引擎和工具，涵盖从轻量级本地部署到高性能企业级解决方案，详细分析了它们的技术特点、优势及局限性，旨在为研究人员和工程团队提供适合不同应用场景的技术方案。内容涉及WebLLM、LM Studio、Ollama、vLLM、LightLLM、OpenLLM、HuggingFace TGI、GPT4ALL、llama.cpp及Triton Inference Server与TensorRT-LLM等。

【8月更文第29天】在深度学习项目中，数据加载和预处理通常是瓶颈之一，特别是在处理大规模数据集时。PyTorch 的 `DataLoader` 提供了丰富的功能来加速这一过程，但默认设置往往不能满足所有场景下的最优性能。本文将介绍如何对 `DataLoader` 进行高级配置和优化，以提高数据加载速度，从而加快整体训练流程。

【8月更文第29天】随着物联网技术的发展，越来越多的数据处理任务开始在边缘设备上执行，以减少网络延迟、降低带宽成本并提高隐私保护水平。PyTorch 是一个广泛使用的深度学习框架，它不仅支持高效的模型训练，还提供了多种工具帮助开发者将模型部署到边缘设备。本文将探讨如何将PyTorch模型高效地部署到嵌入式设备上，并通过一个具体的示例来展示整个流程。

Git Bash⭐二、与仓库建立连接、提交与下拉项目

Python在金融数据分析中扮演关键角色，用于预测市场趋势和风险管理。本文通过案例展示了使用Python库（如pandas、numpy、matplotlib等）进行数据获取、清洗、分析和建立预测模型，例如计算苹果公司（AAPL）股票的简单移动平均线，以展示基本流程。此示例为更复杂的金融建模奠定了基础。【6月更文挑战第13天】

该文档提供了在Ubuntu上卸载和安装MySQL 5.7的步骤。首先，通过`apt`命令卸载所有MySQL相关软件包及配置。然后，下载特定版本（5.7.32）的MySQL安装包，解压并安装所需依赖。接着，按照特定顺序安装解压后的deb包，并在安装过程中设置root用户的密码。安装完成后，启动MySQL服务，连接数据库并验证。最后，提到了开启GTID和二进制日志的配置方法。

过去几个月，时间序列基础模型发展迅速，包括TimeGPT、Lag-Llama、Google的TimesFM、Amazon的Chronos和Salesforce的Moirai。本文聚焦于Moirai，这是一个用于时间序列预测的通用模型，尤其强调零样本推理能力。Moirai处理各种数据频率、适应未知协变量并生成概率预测。文章介绍了Moirai的三个关键特性：多尺寸补丁投影层、任意变量注意力和混合分布。此外，还对比了Moirai与Chronos和TimeGPT，发现Moirai在性能上未超越Chronos，后者在数据效率上更优，但不支持多变量预测。

本文针对Python编程新手常遇到的问题，详细阐述了列表（List）、元组（Tuple）、集合（Set）和字典（Dictionary）这四种数据结构的核心区别。列表是一种有序且可变的数据序列，允许元素重复；元组同样有序但不可变，其内容一旦创建就不能修改；集合是无序、不重复的元素集，强调唯一性，主要用于数学意义上的集合操作；而字典则是键值对的映射容器，其中键必须唯一，而值可以任意，它提供了一种通过键查找对应值的有效方式。通过对这些基本概念和特性的对比讲解，旨在帮助初学者更好地理解并运用这些数据类型来解决实际编程问题。

现在最火的莫过于GPT了，也就是大规模语言模型(LLM)。“LLM” 是 “Large Language Model”（大语言模型）的简称，通常用来指代具有巨大规模参数和复杂架构的自然语言处理模型，例如像 GPT-3（Generative Pre-trained Transformer 3）这样的模型。这些模型在处理文本和语言任务方面表现出色，但其庞大的参数量和计算需求使得它们被称为大模型。当然也有一些自动生成图片的模型，但是影响力就不如GPT这么大了。

本课程学习MQ的应用场景及RabbitMQ入门开发，掌握同步与异步调用区别，理解工作队列、发布订阅模型及各类交换机（Fanout、Direct、Topic）特性，学会解决消息堆积、应用惰性与优先级队列，并在商城项目中实践MQ技术。

1688工厂数据接口支持通过关键词与多维度筛选（地区、类型、实力等）获取供应商核心信息，涵盖资质、产能、经营等20余项字段，助力产业带分析、源头直采与供应链调研，适用于电商选品、跨境 sourcing 等场景。

1688开放平台提供搜索店铺列表API，支持按关键词、行业、地区等条件检索店铺信息，适用于市场调研、竞品监控等场景。本文详解接口摘要、参数说明及Python调用示例，助力开发者高效接入。

本文解读复旦NLP团队2023年重磅综述《The Rise and Potential of Large Language Model Based Agents》，系统剖析LLM智能体“大脑-感知-行动”三大核心模块，涵盖单智能体、多智能体、人机协作与智能体社群四大应用场景，提炼工具SKMA体系、安全护栏、结果检查三大落地要点，并提出AGI路径、虚拟到物理迁移等开放问题，为构建通用智能体提供统一范式，被誉为该领域“入门圣经”。

本文详解基于Java的领域驱动设计（DDD）分层架构实战，结合Spring Boot 3.x、Spring Data JPA 3.x等最新技术栈，通过电商订单系统案例展示如何构建清晰、可维护的微服务架构。内容涵盖项目结构设计、各层实现细节及关键技术点，助力开发者掌握DDD在复杂业务系统中的应用。

阿里云向量检索服务Milvus版是一款全托管向量检索引擎，并确保与开源Milvus的完全兼容性，支持无缝迁移。它在开源版本的基础上增强了可扩展性，能提供大规模AI向量数据的相似性检索服务。凭借其开箱即用的特性、灵活的扩展能力和全链路监控告警，Milvus云服务成为多样化AI应用场景的理想选择，包括多模态搜索、检索增强生成（RAG）、搜索推荐、内容风险识别等。您还可以利用开源的Attu工具进行可视化操作，进一步促进应用的快速开发和部署。

TVM引擎是一款超微型、多功能的编程工具，支持多种语法（如Lisp、JavaScript等），拥有几百个实用函数。其核心优势包括快速加载执行、跨平台运行（Windows、Linux等）、源代码链接生成独立文件及嵌入宿主系统作为开发语言平台。此外，它具备动态脚本特性、符号单元运算、面向对象原型继承、函数式编程特点，以及C语言底层操作能力。TVM还支持弱类型数据处理、多态函数、内存垃圾自动回收、正则表达式文本处理和网络编程接口，广泛应用于分布计算、科学统计及人工智能等领域。

Ventoy是一款开源多系统启动U盘工具，支持Legacy BIOS和UEFI模式，可直接启动多个ISO文件（无需解压），兼容Windows、Linux等系统。只需下载安装Ventoy到U盘，拷贝ISO文件即可实现多系统启动。官网：https://www.ventoy.net，GitHub：https://github.com/ventoy/Ventoy。制作需8GB以上U盘及Win7以上系统。

作为Ray社区的积极贡献者，我们希望将这些实践中沉淀的技术能力回馈给社区，推动Ray生态在实际场景中的应用深度和广度。因此，2024年底我们做了激活AntRay开源社区的决策，AntRay会始终保持与官方Ray版本强同步（即AntRay会紧随Ray官方社区版本而发布），内部Feature亦会加速推向AntRay以开源研发模式及时反哺内部业务，同时会将社区关注的Feature提交至Ray官方社区，实现内外部引擎双向价值流动。后续我们会以系列文章形式同步蚂蚁推向开源的新特性，本文将重点介绍：Ray Flow Insight —— 让分布式系统调试不再"黑盒"。

Python爬虫：从人民网提取视频链接的完整指南

Graph Transformer是一种结合了Transformer自注意力机制与图神经网络（GNNs）特点的神经网络模型，专为处理图结构数据而设计。它通过改进的数据表示方法、自注意力机制、拉普拉斯位置编码、消息传递与聚合机制等核心技术，实现了对图中节点间关系信息的高效处理及长程依赖关系的捕捉，显著提升了图相关任务的性能。本文详细解析了Graph Transformer的技术原理、实现细节及应用场景，并通过图书推荐系统的实例，展示了其在实际问题解决中的强大能力。

当使用pip命令安装Python包时，有时候可以通过使用镜像地址来加速下载速度或解决访问限制的问题。以下是一些常用的pip命令和常见的镜像地址：

数据仓库建模是组织和设计数据以支持数据分析的过程，包括ER模型和维度建模。ER模型通过实体和关系描述数据结构，遵循三范式减少冗余。维度建模，特别是Kimball方法，用于数据仓库设计，便于分析和报告。事实表存储业务度量，如销售数据，分为累积、快照、事务和周期性快照类型。维度表提供描述性信息，如时间、产品、地点和客户详情。数仓通常分层为ODS(源数据)、DWD(明细数据)、DIM(公共维度)、DWS(数据汇总)和ADS(应用数据)，以优化数据管理、质量、查询性能和适应性。

Docker环境Ubuntu20.04安装Python3.10版本

Transformer的基石自2017年后历经变革，2022年RoPE引领NLP新方向，现已被顶级模型如Llama、Llama2等采纳。RoPE融合绝对与相对位置编码优点，解决传统方法的序列长度限制和相对位置表示问题。它通过旋转矩阵对词向量应用角度与位置成正比的旋转，保持向量稳定，保留相对位置信息，适用于长序列处理，提升了模型效率和性能。RoPE的引入开启了Transformer的新篇章，推动了NLP的进展。[[1](https://avoid.overfit.cn/post/9e0d8e7687a94d1ead9aeea65bb2a129)]

Markdown爱好者推荐PicGo软件搭配免费图床服务SMMS，解决在Markdown中插入图片的困扰。PicGo支持多种图床，如腾讯云、阿里云和免费的SMMS，提供拖拽上传、压缩图片功能。通过VSCode或Typora配合PicGo插件，能实现图片自动上传并转换为Markdown格式。SMMS提供5GB免费存储，足够个人博客使用。

导读: 作者：振策-阿里云计算平台-产品解决方案, 20230805 本文将分享当前云原生大数据架构的发展历程/架构定义/核心能力/应用场景及趋势思考。主要包括以下四个部分： - 从大数据上云看架构 - 云原生数据平台的核心能力 - Data+AI with Cloud-Native - 未来趋势与思考