Nicky Lao
Nicky Lao
生成的表单源码支持在 codesandbox.io或 stackblitz.com 直接打开预览
支持自定义组件`Upload`、`vue-editor` 的渲染，将来也会新增别的非 element 组件，比如：高级表格组件。
相关问题：https://github.com/LeekHub/leek-fund/issues/459 相关pr: https://github.com/LeekHub/leek-fund/pull/458 - 添加股票 - 移除股票 - 排序 - 置顶 - 刷新股价 - 韭菜中心监听股价 - 状态栏设置股票 - …… 都建议测一遍。
Tauri真的是又轻又快，但由于初次使用不熟难免遇到坑。 ## 一、虚拟键盘触摸屏之坑 ubuntu系统是一个触摸屏，不能接入键盘和鼠标，所以界面上的操作输入都是通过虚拟键盘实现。代码使用的是`react-simple-keyboard` 组件 ```tsx import { Button } from 'antd'; import { CloseOutlined } from '@ant-design/icons'; import React, { useRef } from 'react'; import { omit } from...
作为前端转型 AI 应用开发，你需要补充以下核心知识体系，并逐步建立 AI 工程化思维。以下是系统化学习路径和资源推荐： --- ### **一、基础理论储备** #### 1. **机器学习基础** + **必学概念**： - 监督学习 vs 无监督学习 - 神经网络基础（感知机、激活函数、反向传播） - 损失函数与优化器（梯度下降、Adam） - 过拟合与正则化（Dropout、L1/L2） + **推荐资源**： - 📚 书籍：《机器学习实战：基于 Scikit-Learn、Keras 和...
### **一、基础概念：向量与向量数据库** #### 1. 什么是向量（Embedding）？ - **定义**：将文本、图像、音频等非结构化数据转换为高维数值数组（向量），捕捉数据的语义或特征。例如，“猫”和“狗”的向量距离比“猫”和“汽车”更近。 - **核心作用**：让计算机能“理解”数据的语义相似性，通过向量距离（如余弦相似度、欧氏距离）衡量数据相关性。 - **生成工具**：OpenAI的`text-embedding-ada-002`、开源模型`BGE`、`Sentence-BERT`等，可通过API或本地部署生成向量。 #### 2. 什么是向量数据库？ - **定义**：专门存储、索引和查询向量的数据库，解决传统数据库无法高效处理高维向量相似性检索的问题。 - **核心能力**： - 高效存储海量向量（百万到数十亿级）。 - 快速相似性查询（毫秒级返回结果）。 - 支持动态增删数据和向量更新。 - **主流向量数据库**： - 开源：Milvus（分布式，适合大规模）、Chroma（轻量，适合开发）、FAISS（Facebook开源，适合单机）、Qdrant（支持地理空间向量）。 - 商业：Pinecone、Weaviate、Zilliz...
2025年了，还有产品没有集成AI能力的就是落伍了  以下几个场景能力可实现组态平台的智能化升级： **1. 智能知识库** 通过智能知识库快速查询问题、降低用户学习成本。 **2. 数字人控件** 编辑器控件、语音介绍大屏内容的数据情况、功能介绍等、提升大屏交互体验、智能化、高级感！ **3. AI Coding** 组态有不少的地方需要写点JS处理业务逻辑的，这些地方都可以通过 AI Coding 自动生成 JS 代码，用户通过Prompt实现自动编写，简化业务逻辑开发、智能化、傻瓜式。 ## 一、数字人控件 在组态大屏编辑器中新增 “数字人控件”，用户可配置数字人形象、语音内容（关联大屏数据 / 功能说明），运行时数字人通过语音 + 动作讲解内容。 ### 1.1 数字人形象与动作 -...
> 本文为学习模型集成技术笔记： > 1、学习推理前集成、推理中集成、推理后集成 > 2、实现模型选择与路由系统 > 3、探索模型输出的融合策略 ## 一、推理阶段相关集成技术 ### （一）推理前集成 推理前集成主要是在模型进行推理计算之前，对模型、数据或输入等方面进行整合处理，目的是为后续的推理过程打下良好基础，提升推理效率和准确性。 1. **核心思路**：在模型推理开始前，通过对模型结构、输入数据等进行预处理和整合，减少推理过程中的冗余操作，让模型以更优的状态进入推理阶段。 2. **关键技术点** * **模型结构融合**：将多个功能相似或互补的子模型的结构进行合并。例如，在图像识别任务中，把不同卷积核大小的特征提取子模型融合成一个更高效的特征提取网络，减少模型间的交互开销，提升整体推理速度。 * **输入数据预处理集成**：将原本分散在不同步骤的数据预处理操作（如数据清洗、归一化、特征选择等）整合为一个统一的处理流程。比如在自然语言处理任务中，将文本分词、去除停用词、词向量转换等操作集成，避免在推理过程中多次对数据进行处理，减少数据传输和处理的时间成本。 * **模型参数共享**：对于多个具有部分相同功能的模型，让它们共享部分参数。例如，在多任务学习场景中，不同任务的模型可以共享底层的特征提取参数，不仅减少了参数存储量，降低模型加载的资源消耗，还能通过参数共享提升模型的泛化能力。 ### （二）推理中集成 推理中集成是在模型进行推理计算的过程中，动态地对模型的计算过程、数据流向等进行调整和整合，以适应不同的推理需求和场景变化。 1. **核心思路**：根据推理过程中的实时情况，如输入数据的特征、模型的计算状态等，灵活地调整模型的结构和计算方式，实现更高效、更精准的推理。 2. **关键技术点**...
## 目录 1. [复杂提示词设计](#1-复杂提示词设计) 2. [思维链（Chain of Thought）技术](#2-思维链chain-of-thought技术) 3. [多轮对话与上下文管理](#3-多轮对话与上下文管理) 4. [提示工程最佳实践](#4-提示工程最佳实践) 5. [实战案例分析](#5-实战案例分析) 6. [学习资源推荐](#6-学习资源推荐) ## 1. 复杂提示词设计 ### 1.1 提示词成熟度模型 提示词设计从简单到复杂可分为四个成熟度层级： | 成熟度层级 | 核心模式 | 技术特点 |...
# Meta2d.js 源码解读分析 ## 📋 项目概述 [Meta2d.js](https://github.com/le5le-com/meta2d.js) 是一个实时数据响应和交互的 2D 引擎，专门用于 Web 组态、物联网、数字孪生等场景。项目采用现代化的多包架构设计，使用 pnpm workspaces 进行包管理。 ## 🏗️ 项目整体架构 ### 1. 多包结构设计 ``` packages/ ├── core/ # 核心引擎，最重要的包 - 所有功能的基础 ├──...