Tian Lejin's Site

右手分解和弦：P4 (23)4 (23)4 (23)4 G调指法 变调夹夹2品 和弦级数对照： 1: G 2: Am 3: Bm7 4: C 5: D, D/#F 6: Em 123456789101112131415161718192021222324252627282930313233343536371 5(D/#F) 飛機飛過天空 天空之城6 3 落雨下的黃昏的我們4 1 此刻我在異鄉的夜裡3 5 感覺著你忽明忽暗1 3 我想回到過去 沉默著歡喜6 3 天空之城在哭泣越來越明亮的你4 1 愛情不過是生活的屁2 5 折磨著我也折磨著你 4 1 港島妹妹 你獻給我的西班牙餡餅 2 5甜蜜地融化了我 天空之城在哭泣 4 1 港島妹妹...

右手分解和弦：P323123 C調指法 變調夾夾 1 品 和弦級數對照： 1: C 2: Dm 3: E 4: Fmaj7 5: G7 6: Am 1234567891011121314151617181920212223242526[前奏]6 6 2 2 5 5 1 14 4 2 2 3 3 6 66 2 5 6 陽光正溫暖 一直照進我心裡6 2 3 6 如果沒有你 怎麼會有我今天6 2 5 1 有時我會想起 和你經歷的故事4 3 3 6 那些情景在飛揚 甜蜜又感傷6 2 5 1 再次走過熟悉的地方 如今的你不知在何方4 3 3 6 6 你曾給我的溫暖感覺 依然在我心6 2 5 6 如果再見你 又是怎樣的情景6 ...

右手分解和弦：P32123 C調 變調夾夾2品 和弦： 1: C, C7 2: Dm 3: Em 4: Fmaj7 5: G 6: Am7 1234567891011121314151617181920212223242526271 1 4 1 1 1 4 11 1 3 4 5 讓我掉下眼淚的 不止昨夜的酒 1 3 4 5 讓我依依不捨的 不止你的溫柔 3 6 (4 5) 1 餘路還要走多久 你攥著我的手 3 4 5 1 1 讓我感到為難的 是掙扎的自由 1 3 4 5 分別總是在九月 回憶是思念的愁 1 3 4 5 深秋嫩綠的垂柳 親吻著我額頭 3 6 (4 5) 1 在那座陰雨的小城裡 我從未忘記你 3 (4 5) 1 1(C7) 成都 帶不走的只有你 1 6 (4 5) 1 ...

上回书说道，我们通过 SSH 隧道 + gost 的组合，成功让内网机器A借助跳板机B访问了外网。但访问的是普通外网，遇到需要科学上网的场景（比如访问 Google、GitHub 下载资源等）还是会失败。本文在上篇基础上，进一步让机器A借助机器B上已有的代理服务实现科学上网。 前置条件： 本文方案依赖机器B上已配置好科学上网代理。如果机器B还没有配置，请先参考：【Linux】使用 Clash 科学上网 环境信息： 机器A：内网机器，无外网，无 root 权限 机器B（跳板机）：172.22.26.185，用户名 tianlejin，本地 7890 端口运行着科学上网代理（HTTP 协议） 整体思路两种模式对应两条链路，需要同时保持三个后台进程运行： 1普通外网：机器A → gost(8118) → SSH隧道(1080, SOCKS5) → 机器B → 外网 1科学上网：机器A → SSH隧道(7891) → 机器B的7890代理 → 科学上网 通过切换环境变量来选择走哪条链路，无需重启任何进程。 为什么普通外网需要 gost 而科学上网不需要？ SSH -D...

背景在实际工作中，经常会遇到这样的场景：手头有一台内网机器（比如 A100 训练节点），它无法直接访问外网，但有另一台机器既能访问内网又能访问外网，可以作为跳板。本文记录如何在没有 root 权限的情况下，让内网机器的当前终端会话通过跳板机访问外网。 环境信息： 机器A：内网机器，无外网，无 root 权限 机器B（跳板机）：172.22.26.185，用户名 tianlejin，有外网访问能力 整体思路大多数工具只认 HTTP 代理，不支持 SOCKS5。因此用 SSH 建立 SOCKS5 隧道后，还需要用 gost 将其转为 HTTP 代理，再统一让所有工具走 HTTP 代理： 12应用 → HTTP代理(gost) → SOCKS5隧道(SSH) → 机器B → 外网 127.0.0.1:8118 127.0.0.1:1080 第一步：建立 SSH SOCKS5 隧道检查端口是否被占用1ss -tlnp | grep 1080 无输出则端口空闲，若被占用换 1081、1082 等端口再查。 建立隧道1ssh -D 1080 -N -f...

本文以最新的医学领域最强模型Baichuan-M2-32B为例，记录使用vLLM部署大模型并创建API服务。 创建uv环境123uv init# 添加modelscope包uv add modelscope 下载模型 去modelscope官网，找到对应模型的网页：https://www.modelscope.cn/models/baichuan-inc/Baichuan-M2-32B 自定义模型下载位置： 1uv run modelscope download --model baichuan-inc/Baichuan-M2-32B --local_dir /mnt/nfs_share/tlj/llms/models/ 如果不指定--local_dir，默认情况下，模型被下到了这里： 1~/.cache/modelscope/hub/models/baichuan-inc/Baichuan-M2-32B 安装环境 uv安装pytorch uv pip install 会在当前 uv 管理的虚拟环境中调用 pip 去安装 Python 包 1uv pip...

为什么大部分企业选择上市？对于许多企业来说，上市（Going Public/IPO）是一个重要的里程碑，主要原因包括： 融资需求。通过首次公开募股（IPO, Initial Public Offering），企业可以快速筹集大量资金，用于扩张业务、研发投入、偿还债务或进行并购。这种股权融资（Equity Financing）不需要偿还本金，也没有利息负担，是企业快速发展的重要资金来源。 提升品牌影响力。上市公司往往被视为更加正规、透明和有实力的企业，这有助于提升品牌形象，增强客户、供应商和合作伙伴的信任。上市本身就是一次巨大的品牌宣传。 股权流动性。上市为早期投资者和创始人提供了退出机制，让他们的股权可以在公开市场上交易变现。同时，员工持有的股票期权（Stock Options）也能在二级市场（Secondary Market）实现价值，这是吸引和留住人才的重要手段。 公司治理的完善。上市公司需要遵守严格的监管要求，建立规范的公司治理结构（Corporate...

...

引言LangChain 和 LangGraph 是目前最流行的 AI Agent 开发框架。LangChain 提供了丰富的工具抽象和 LLM 接口，而 LangGraph 则提供了强大的状态图和工作流控制能力。 本文将基于真实的急诊科分诊智能体项目，介绍如何结合 LangChain 和 LangGraph 构建生产级智能体。 Lang 生态核心概念LangChain vs LangGraph在 Lang 生态中，LangChain 和 LangGraph 各有侧重： LangChain： 提供工具抽象（BaseTool）和 LLM 接口 适合简单的链式调用和 ReAct Agent 基于 Prompt 模板控制流程 快速原型开发 LangGraph： 提供状态图（StateGraph）和工作流控制 适合复杂的多步骤、多分支流程 显式的流程控制和状态管理 更好的可调试性和可观测性 最佳实践：结合使用 使用 LangChain 定义工具（BaseTool）和 LLM 接口 使用 LangGraph 构建状态图和工作流 Agent 的核心要素一个完整的生产级...

引言我经常需要在SLURM集群上启动一个交互式会话，完整命令如下： 1srun --partition=a100 --nodes=1 --cpus-per-task=4 --mem=64G --nodelist=a100node1 --time=0 --pty /bin/bash 这个命令太长了，每次输入都很麻烦。我希望创建一个简短的命令 a1n1 来代替它。 实现方法将自定义命令集中管理，更加规范和易于维护 创建一个自定义脚本的目录 1mkdir -p ~/bash_scripts 创建名为 a1n1 的脚本文件： 1vi ~/bash_scripts/a1n1 在文件中写入以下内容： 12#!/bin/bashsrun --partition=a100 --nodes=1 --cpus-per-task=4 --mem=64G --nodelist=a100node1 --time=0 --pty /bin/bash 第一行 #!/bin/bash 是shebang，指定使用bash解释器执行此脚本。 赋予执行权限 1chmod +x...

个人推荐指数：⭐️⭐️ BiCLUM 简介BiCLUM（Bilateral Contrastive Learning for Unpaired Single-Cell Multi-Omics Integration）是一种基于双边对比学习的单细胞多组学数据整合方法，专门用于整合未配对的单细胞 RNA-seq 和 ATAC-seq 数据。该方法由西安交通大学李丽敏团队开发，发表于 bioRxiv（2025年3月）。 BiCLUM 的核心能力包括： 未配对数据整合：无需配对的多组学数据，可直接整合来自不同实验的 RNA-seq 和 ATAC-seq 数据 双边对比学习：同时在细胞层面和特征层面进行对比学习，增强跨模态对齐 批次效应校正：有效消除批次效应，同时保持生物学异质性 联合嵌入空间：将不同模态的数据映射到统一的低维嵌入空间 BiCLUM 的主要应用场景： 整合来自不同实验的单细胞 RNA-seq 和 ATAC-seq 数据 跨模态细胞类型识别和注释 发现跨模态的生物学关系和调控网络 批次效应校正和数据标准化 模型架构BiCLUM...

个人推荐指数：⭐️⭐️⭐️ 论文简介这是一篇发表在 Nature Methods（2025年12月）的综述性文章，系统性地回顾了 Transformer 模型在多尺度基因组学中的应用和发展。文章由沙特阿拉伯阿卜杜拉国王科技大学（KAUST）的 Jesper Tegner 团队撰写，全面梳理了从单模态到多模态 Transformer 模型的演进历程，并提出了构建”超级 Transformer”（Super Transformer）的愿景。 文章的核心贡献包括： 系统性分类：将基因组学中的 Transformer 模型分为三个层级（单模态、增强单模态、多模态） 技术综述：详细介绍了 Transformer 在基因组序列、单细胞组学和空间转录组学中的应用 实践指导：提供了四个基于公开数据集的代码教程，涵盖多组学、基因组序列、单细胞和空间转录组分析 未来展望：提出了构建模块化”超级 Transformer”的架构设想，用于整合异质性模态数据 这篇综述不仅是对当前 Transformer...

个人推荐指数：⭐️⭐️⭐️⭐️⭐️ EpiFoundation 简介EpiFoundation 是首个专门为单细胞 ATAC-seq（scATAC-seq）数据设计的基础模型，通过创新的峰-基因对齐（peak-to-gene alignment）预训练策略，学习细胞的表观基因组表示。该模型由加州大学圣克鲁兹分校（UC Santa Cruz）、杜克大学（Duke University）和哥伦比亚大学（Columbia University）的研究团队开发，发表于 bioRxiv（2025年9月）。 EpiFoundation 的核心能力包括： 高效处理高维稀疏的 scATAC-seq 数据：仅处理非零峰集合，提高数据密度 跨模态预训练：利用配对的基因表达数据监督峰-基因关联学习 多任务支持：细胞类型注释、批次校正、基因表达预测等下游任务 最先进性能：在多个组织和任务上超越现有方法 scATAC-seq...

个人推荐指数：⭐️⭐️⭐️⭐️ scPairing 简介scPairing 是一个基于变分自编码器（VAE）的单细胞多组学数据整合与生成框架，能够将不同模态的单细胞数据（如 RNA、ATAC、蛋白质）整合到共同的嵌入空间，并通过”桥接整合”（bridge integration）方法生成高质量的人工多组学数据。该工具由加拿大不列颠哥伦比亚大学（University of British Columbia）的 Jeffrey Niu 和 Jiarui Ding 开发，发表于 Cell Reports Methods（2025年11月）。 scPairing 的核心能力包括： 跨模态数据整合：将 RNA-seq、ATAC-seq、蛋白质等不同模态的单细胞数据整合到统一的嵌入空间 人工多组学数据生成：通过桥接整合方法，从单模态数据生成高质量的配对多组学数据 三模态扩展：支持同时整合三种模态（RNA + ATAC + 蛋白质）的数据 生物学结构保持：生成的数据能够保持粗粒度和细粒度的生物学结构 scPairing...

本文记录在服务器上安装基于 docker 的 rstudio 的配置过程 下载镜像查看已有镜像 1docker images 下载 RStudio Server 镜像 1docker pull docker.1ms.run/rocker/rstudio:latest 启动容器在50004端口启动rstudio容器 1234567891011docker run -d \ --name rstudio_server \ -p 50004:8787 \ -e PASSWORD=<密码> \ -e ROOT=true \ -e USERID=$(id -u) \ -e GROUPID=$(id -g) \ -e TZ=Asia/Shanghai \ -v /mnt/nfs_share/tlj/Project:/home/rstudio/Project \ --restart=always \ docker.1ms.run/rocker/rstudio 参数详解 docker...

在上一篇博客中，我们介绍了 Agent Skills 的概念和原理。本文将聚焦于实战，介绍如何安装 Claude Code、加载和使用 Agent Skills，并以官方的 skill-creator 为例，演示如何创建自定义 Skill。 Claude Code 安装Claude Code 是 Anthropic 推出的命令行工具，可以在终端中直接与 Claude 交互，是使用 Agent Skills 的主要方式之一。 安装 Claude Code 1npm install -g @anthropic-ai/claude-code 修改~/.claude/settings.json文件，使用中转站 12345678910111213141516{ "alwaysThinkingEnabled": true, "env": { "ANTHROPIC_AUTH_TOKEN": "sk-bHWPKD8Ns5", ...

个人推荐指数：⭐️⭐️⭐️ Chan Zuckerberg Initiative 简介Chan Zuckerberg Initiative（CZI）是由 Facebook 创始人 Mark Zuckerberg 和他的妻子 Priscilla Chan 于 2015 年创立的慈善组织。Priscilla Chan 是一位儿科医生，她对医学和科学的热情深刻影响了 CZI 的发展方向。CZI 的使命是”在我们的有生之年治愈、预防或管理所有疾病”，这一宏大目标推动了该组织在生物医学研究领域的大量投资。 CZI 的科学部门专注于开发开源软件工具和协作平台，以加速全球生物医学研究。其中，单细胞生物学是 CZI 重点支持的领域之一。CZI 认为，理解人体中每种细胞类型的功能是理解健康和疾病的基础。为此，CZI 投入大量资源支持人类细胞图谱（Human Cell Atlas）项目，并开发了一系列工具来帮助研究人员探索和分析单细胞数据。 CZ CELLxGENE 就是 CZI 在单细胞领域最重要的贡献之一。 CZ CELLxGENE 简介CZ...

个人推荐指数：⭐️⭐️⭐️⭐️ OpenProblems 简介OpenProblems 是一个社区驱动的开源基准测试平台，专注于单细胞组学分析方法的评估和比较。该项目由 Helmholtz Munich 和 Yale University 联合领导，获得 Chan Zuckerberg Initiative 的支持，相关论文于 2025 年 7 月发表在 Nature Biotechnology 上。 单细胞基因组学使得以前所未有的规模和分辨率研究生物过程成为可能。这些研究得益于创新的数据生成技术以及专门针对单细胞数据的新兴计算工具。随着单细胞技术的普及，新分析工具的开发也随之增加，截至 2024 年 2 月已有超过 1,700 种已发表的算法。因此，持续评估哪种算法在哪种情境下表现最佳变得越来越重要，以便为不断发展的领域提供最佳实践指导。 在许多定量科学领域，公开竞赛和基准测试通过按照已知标准评估最先进的方法来满足这一需求，遵循”共同任务框架”（common task framework）的概念。OpenProblems...

K-Dense AIK-Dense AI 是一家专注于构建自主 AI 科学家的公司，致力于将 AI 应用于真实的科学研究场景。他们开发了一系列开源工具，特别是围绕 Claude 的 Agent Skills 框架，为生物信息学、化学信息学、数据科学等领域提供强大的 AI 辅助能力。 官网：https://k-dense.ai/ K-Dense 的核心产品K-Dense 的核心产品是 K-Dense Analyst（也叫 K-Dense Web），这是一个多智能体 AI 系统，能够自主完成科学研究任务。它采用双循环多智能体架构（Planning Loop + Implementation Loop），可以进行深度研究、编码执行和专业写作输出。 K-Dense 提供三种使用方式： 方案 价格 特点 Open Source 免费 在本地运行，包含智能助手、专业写作、自主机器学习 K-Dense Web $50 免费额度 托管在云端，包含研究+专业写作、端到端数据分析 K-Dense...

最近尝试了很多 AI 工具进行 vibe coding，这几天折腾了Cursor、Claude Code，Claude Code Router，Cline，Gemini CLI，Github Copilot，Cherry Studio。感觉折腾还挺浪费时间的，其实用下来应该都能满足我现在的使用场景。在此做个总结！ Cursor当我第一次在B站上看到这个工具的介绍时，简直惊为天人，感觉自己有了这玩意儿已经无敌了。前期一直在用这个，换了三个号各白嫖了14天，轻度使用了6周，从难以驾驭到开发了第一个应用，算是我 Vibe Coding的启蒙软件。后来Cursor因为计费问题风评下降。刚好我的白嫖的三个号也已经到期，一直白嫖也不是办法，充钱又不太可能😂，就没再用啦。 【对于充钱方案的评价】代码能力：强使用成本：高（充钱）/低（白嫖）折腾成本：低（充钱）/高（白嫖，每14天要重新设置rules，MCP等）推荐指数：⭐️⭐️⭐️ Claude Code + GLM 4.5Claude Code + GLM 4.5是我使用的第二套 Vibe...

个人推荐指数：⭐️⭐️ scAgent 简介scAgent 是一个基于大语言模型（LLM）的通用单细胞注释框架，能够实现跨组织的细胞类型注释、发现新型细胞类型，并支持增量学习扩展到新细胞类型。该工具由浙江大学和哈佛大学的研究团队开发，发表于 arXiv（2025年4月）。 scAgent 的核心能力包括： 跨组织细胞类型注释：在 35 种人类组织和 160 多种细胞类型上实现高精度注释 新型细胞发现：能够识别参考数据中未见过的新型细胞类型（如癌细胞） 增量学习：高效学习新细胞类型，仅需少量样本即可扩展模型能力 批次效应校正：在存在批次效应的情况下仍能准确注释 scAgent 由三个核心模块组成： 规划模块（Planning Module）：基于 DeepSeek-R1 671B 大语言模型，接收用户查询和 scRNA-seq 数据，生成详细的执行计划。 动作空间（Action Space）：包含 scRNA 模型（scGPT）、MoE-LoRA 插件、增量训练工具和嵌入分析工具。 记忆模块（Memory...

前言Anthropic 近期推出了 Claude for Life Sciences，这是一套专为生命科学研究设计的增强功能。通过 Model Context Protocol (MCP) 连接器和桌面扩展，Claude 可以直接连接到科学家日常使用的数据源和工具，消除了在多个平台之间切换的需要，使研究人员能够获得跨越整个研发生态系统的洞察，从而加速发现进程，同时保持出版级别的科学严谨性。 本文将系统性地介绍 Claude for Life Sciences 的各项功能和集成工具。 相关概念回顾 MCP (Model Context Protocol) - 让 AI 助手连接外部数据和工具的开放通信协议标准 Connectors（连接器） - 基于 MCP 协议，通过云端服务器连接 Claude 与在线应用的远程集成 Extensions（扩展） - 基于 MCP 协议，在本地电脑上运行让 Claude 访问本地资源的桌面工具 Skills（技能） - 与 MCP 无关，是教会 Claude 处理特定任务的可复用指令包 关系总结：MCP 是底层协议，Connectors 和...

个人推荐指数：⭐️⭐️⭐️⭐️ CellWhisperer 简介CellWhisperer 是一个多模态 AI 模型，它将转录组数据与自然语言相结合，使用户能够通过自然语言对话的方式探索单细胞 RNA 测序（scRNA-seq）数据。该工具发表于 Nature Biotechnology（2025年11月）。 CellWhisperer 的核心功能包括： 自由文本搜索：例如”Show me tissue-resident T cells in the intestine” 回答关于细胞的各种问题：例如”What are these selected cells?”、”Which genes are highly expressed in these cells?” 基于转录组数据和 LLM 的生物学知识生成回答 CellWhisperer 由两个相互关联的 AI 模型组成： CellWhisperer Embedding Model（嵌入模型）：通过多模态对比学习，将 RNA 表达谱与其文本注释整合到一个联合嵌入空间中。训练数据包含超过 100...

和弦转换练习（穷举法）123451-2(C-Dm) 1-3(C-Em) 1-4(C-F) 1-5(C-G) 1-6(C-Am)2-3(Dm-Em) 2-4(Dm-F) 2-5(Dm-G) 2-6(Dm-Am)3-4(Em-F) 3-5(Em-G) 3-6(Em-Am)4-5(F-G) 4-6(F-Am)5-6(G-Am) 吉它各调和弦图

音程 音程是两个音之间的音高差距。 音程用”度”来衡量,描述两个音之间的距离关系。 计算音程：CDEFGAB 这7个音按顺序循环排列，读了几个字母就是几度 举例: C到D = 二度 C到F = 四度 E到B = 五度 和弦定义: 由三个或三个以上的音，按照三度叠置关系结合而成，具有特定音响效果的音的组合。 三度叠置是指和弦的构成音之间，每相邻两个音都间隔三度音程。 举个例子: C大三和弦 (C): 根音: C 第二个音: E (C到E是三度) 第三个音: G (E到G也是三度) 为什么必须按照三度?而不是其他?1. 如果按二度叠置 (相邻的音): 例如: C-D-E 听觉效果: 非常刺耳、不和谐,像是音乐”撞车”了 这种组合在音乐理论中不被认为是和弦,而是”音簇” 2. 如果按四度叠置: 例如: C-F-Bb 听觉效果: 比较空洞,缺乏方向感 这种结构在现代音乐中有使用,但不是传统和弦的基础 3. 按三度叠置 ✓ 例如: C-E-G 听觉效果: 和谐、稳定、悦耳 既有丰富的色彩,又保持平衡 为什么三度最合适? 物理学原因:...

个人推荐指数：⭐️⭐️⭐️ Biomni 简介Biomni 是一个通用生物医学 AI Agent。它包含三个部份：智能体（A1）、环境（E1）、LLM模型（R0） 智能体（A1） 是一个基于 ReAct，不断进行 “思考 -> 行动 -> 观察” 的智能体，整体上来说比较简单，也可以纳入反思过程，但默认不进行反思。 环境（E1） 是整个 Biomni 的核心，它包括： 工具库（Tools）：覆盖 17 个生物医学子领域的专用函数，包括基因组学、药理学、免疫学、分子生物学、癌症生物学、细胞生物学、文献检索等 数据湖（Data Lake）：约 80 个预处理的生物医学数据集，涵盖蛋白质相互作用、基因表达、药物-靶点关系、基因-疾病关联、GWAS、单细胞数据、sgRNA 等 软件库（Libraries）：预装的 Python/R 包和 CLI 工具，如 scanpy、biopython、gget、lifelines 等 Know-How 知识库：最佳实践、实验协议和故障排查指南文档 LLM模型（R0） 是 Biomni 团队基于 Qwen-32B...

今年 10 月，Anthropic 推出了 Claude Skills 能力，在 Claude 网页端、API 以及 Claude Code等产品都可以使用。Claude Skills 解决了什么问题呢？一句话来讲，Claude Skills 是一种基于文件系统的、可复用的知识包，运行在 Claude 的沙盒虚拟机（VM）环境中，用于向 Agent 注入流程化、确定性的内部知识（SOP）的标准化方案。 什么是 Claude SkillsAnthropic 官方文档给出了 Agent Skills 的定义： Agent Skills are modular capabilities that extend Claude’s functionality. Each Skill packages instructions, metadata, and optional resources (scripts, templates) that Claude uses automatically when relevant.智能体技能（Agent...

动机在日常开发中，我会使用 Tmux 来管理多个终端窗口和会话。而如果服务器重启，通常需要重新手动建立会话。tmux-resurrect 和 tmux-continuum 这两个插件的组合可以让你： tmux-resurrect: 手动保存和恢复 tmux 会话 tmux-continuum: 自动保存会话，并在 tmux 启动时自动恢复 两者结合使用，可以实现真正的”无缝工作”体验——即使系统重启，你的工作环境也能完整恢复。 安装1. 安装 TPM (Tmux Plugin Manager)首先需要安装 tmux 插件管理器： 1git clone https://github.com/tmux-plugins/tpm ~/.tmux/plugins/tpm 2. 配置 ~/.tmux.conf1vi ~/.tmux.conf 在末尾添加以下配置： 123456789101112131415161718192021222324252627# 插件列表set -g @plugin 'tmux-plugins/tpm'set -g @plugin...

什么是 TailscaleTailscale 是基于 WireGuard 协议构建的零配置 VPN 解决方案(zero-config VPN solution)。它可以： 自动建立点对点加密连接(peer-to-peer encrypted connection) 无需复杂的防火墙配置(firewall configuration) 支持 NAT 穿透(NAT traversal) 提供简单的设备管理界面 环境概览在我们的场景中： 公司 Windows 工作站：内网 IP 172.22.26.185，作为 Subnet Router 家中 Mac：通过 Tailscale 访问工作站和公司内网 iPhone：移动端访问 安装 Tailscale在 Windows 工作站上安装 访问 Tailscale 官网 下载 Windows 版本安装包 运行安装程序，按提示完成安装 首次运行时会要求登录，可以使用 Google、Microsoft 或 GitHub 账号 登录后，工作站会自动加入你的 Tailscale 网络(Tailscale network) 在 Mac...

为什么需要 Chat Template?大语言模型本质上是文本续写器(text continuation model)。它们并不天然理解”对话”这个概念,只能处理纯文本。因此,我们需要一种标准化的方式来告诉模型: 哪段文本是系统提示(system prompt) 哪段文本是用户输入(user input) 哪段文本是助手回复(assistant response) 如何处理工具调用(tool calls) Chat Template 就像是对话的格式说明书,确保训练和推理时使用完全一致的格式。 Chat Template 的结构让我们看一个来自 Qwen3-4B-Instruct 模型的真实例子: 1234567{ "chat_template": "{%- if tools %}\n {{- '<|im_start|>system\\n' }}...", "eos_token":...

tmux是我在大四时接触到的终端复用工具，之前一直都是那几个新建/切换窗格的操作，最近折腾gemini被迫又学了几个，在此记录一下 tmux配置文件1vim ~/.tmux.conf 输入以下配置： 123456789101112# 启用 256 色支持set -g default-terminal "screen-256color"# 添加 True Color (24-bit color) 支持# 这会告诉 tmux，对于像 xterm-256color 这样的终端，请启用 Tc (True Color) 能力set-option -ga terminal-overrides ",xterm-256color:Tc"# mouse mode# 用鼠标点击来切换并激活不同的窗格 (pane)。# 用鼠标滚轮来上下滚动当前窗格内的内容（就像在普通的终端里一样）。# 用鼠标拖动窗格的边框来调整它们的大小。set -g mouse on 在tmux任意窗格中： 1tmux source-file...

Vim的模式系统Vim最独特的特性是其模式系统 (modal system)。理解这些模式是掌握Vim的关键： 1. 普通模式 (Normal Mode)这是Vim的默认模式，用于导航和执行命令。在这个模式下，键盘上的每个按键都是一个命令。 2. 插入模式 (Insert Mode)在这个模式下，你可以像在传统文本编辑器中一样输入文本。按 i 进入插入模式，按 Esc 返回普通模式。 3. 可视模式 (Visual Mode)用于选择文本。按 v 进入字符可视模式，V 进入行可视模式，Ctrl+v 进入块可视模式。 4. 命令模式 (Command Mode)按 : 进入命令模式，可以执行复杂的命令，如保存文件、查找替换等。 常用操作启动和退出12345vim filename # 打开文件:q # 退出:q! # 强制退出不保存:wq # 保存并退出:w #...

使用Gemini CLI必须要服务器有外网环境，这也是我一直想搞的，开整！Github上找了个开源项目：https://github.com/nelvko/clash-for-linux-install 下载项目12git clone --branch master --depth 1 https://gh-proxy.com/https://github.com/nelvko/clash-for-linux-install.gitcd clash-for-linux-install 修改默认配置文件 复制Mac中的配置文件到resources/config.yaml文件 Mac的文件地址为/Users/tianlejin/.config/clash/阿里加速器.yaml 1vi resources/config.yaml 安装1sudo bash...

引言VS Code Tunnel 功能可以让我们通过安全隧道连接到远程机器 连接程Linux服务器：使用 Code CLI 命令1. 在远程机器安装 CLI 下载12curl -Lk 'https://code.visualstudio.com/sha/download?build=stable&os=cli-alpine-x64' --output vscode_cli.tar.gztar -xf vscode_cli.tar.gz 解压后直接是一个名为code的可执行程序 创建隧道1./code tunnel 首次运行时，会提示接受服务器许可条款，或者可以使用：1./code tunnel --accept-server-license-terms 安装为服务，这样就可以后台持续运行1234567# 需要先安装 D-Bus 服务sudo apt install dbus-user-session# 启动 D-Bus 服务systemctl --user enable dbus --now# 重启系统# 启动 code cli 服务./code...

Claude Code 是一个强大的命令行工具，允许开发者直接在终端中与 Claude AI 进行交互，并委托编程任务。 安装全局安装1npm install -g @anthropic-ai/claude-code 配置 GLM4.5 接入修改 ~/.bashrc 文件，添加以下环境变量： 1234export ANTHROPIC_BASE_URL=https://open.bigmodel.cn/api/anthropicexport ANTHROPIC_AUTH_TOKEN=e9b52fc2cc26478198ac676f708ee5b9.OmzYBLQdNJhX6WUJexport ANTHROPIC_MODEL=glm-4.5export...

引言 在本地部署好 vLLM 之后，它会启动一个 兼容 OpenAI 格式的 API 服务。 vLLM 在内部用 FastAPI 写了一个 Web 服务，挂载了和 OpenAI API 风格一致的路由，比如： /v1/completions /v1/chat/completions /v1/models 本文将以部署在 http://172.22.215.77:6080 的服务为例，详细介绍 vLLM 的 API 路由结构、各个地址的含义，以及常用接口的调用示例。 在 http://172.22.215.77:6080/docs 可以查看由 FastAPI 自动生成的交互式 API 文档界面。 API 路由结构vLLM 的接口分为以下几类： 1. 基础运维类 GET /health → 健康检查，返回服务状态。（一般不需要 Key） GET /ping / POST /ping → Ping 测试。 GET /load → 查看服务负载信息。 GET /metrics → 导出监控指标。 GET /version → 查看服务版本。 2. Token...

什么是MCP？MCP（Model Context Protocol）是由Anthropic开发的开放标准协议，旨在让AI助手能够安全、标准化地连接到各种外部数据源和工具。简单来说，MCP就像是AI助手的“工具箱”，通过这个协议，AI 大模型可以访问文件系统、数据库、API服务等外部资源，大大扩展了AI的能力边界。 MCP架构原理MCP采用客户端-服务器架构： MCP Client：通常是AI助手（如Claude Desktop、Cline、Cursor等） MCP Server：提供特定功能的服务程序 传输层：负责客户端和服务器之间的通信 MCP传输层模式1. Stdio (Standard Input/Output) 工作原理：使用标准输入/输出流进行进程间直接通信，提供最优性能且无网络开销 需要自己装mcp server的环境 配置示例1234567891011{ "mcpServers": { "github": { "command":...

Stage 1: PT(Continue PreTraining)，增量预训练 使用百科类文档类数据集，用来在领域数据集上增量预训练或二次预训练，期望能 把领域知识注入给模型...

引言 入职一个月，感受到科研与工程界的巨大差异，做科研时写的屎山⛰️代码主打一个能跑起来就行，写一大堆脚本，把算法实现了就行。 而到了工业界，新的集群、新的项目、新的模式，感觉自己还有很多需要学习！ 今天就从现代的Python包管理器uv开始，规范自己的代码，树立软件工程的思想，重拾本科死去的前端、后端、数据库、计算机网络… 预备知识1. venv venv 是 Python 自带 的一个虚拟环境管理工具，用于创建一套独立的 Python 解释器及其包管理环境。 简单用法： python -m venv .venv会在当前目录下创建一个.venv的文件夹，里面包含里面包含独立的 Python 解释器和 pip 使用source .venv/bin/activate可以激活并使用当前环境 使用pip install在当前环境下安装包 2. pyproject.toml pyproject.toml 是 Python 官方推荐...

核心概念：容器、镜像与仓库 镜像 (Image): Docker 镜像打包了运行应用程序所需的一切，包括代码、函数库、环境变量和配置文件。 容器 (Container): 容器是镜像运行中的实例。如果将镜像视为面向对象编程中的“类 (Class)”，容器则是这个类的“对象 (Object)”。我们可以通过一个镜像创建任意数量的容器。每个容器都在一个隔离的环境中运行，拥有自己的文件系统、网络和进程空间，但它们共享主机的操作系统内核。这使得容器非常轻量且启动迅速。 仓库 (Registry): 镜像仓库是专门用来集中存放和分发 Docker 镜像的地方。最知名的公开仓库是 Docker Hub，它托管了海量的官方和用户分享的镜像。此外，还有许多国内的镜像仓库（或称为“镜像站”），它们可以提供更快的镜像下载速度。 Docker 安装与配置1. 一键安装可以参考 Docker 官方的示例：https://get.docker.com。 下载安装脚本1curl -fsSL https://get.docker.com -o...

引言JupyterLab相对于jupyter notebook来说是用过之后就再也不想换回去的存在。Linux安装jupyter lab的过程如下 安装方法 pip安装 12pip install jupyterlab # 安装jupyterpip install jupyterlab-language-pack-zh-CN # 安装汉化包，需要自己选择语言 生成jupyterlab配置文件，路径为~/.jupyter/jupyter_lab_config.py 1jupyter lab --generate-config 创建并确认密码，会生成~/.jupyter/jupyter_server_config.json 1jupyter lab password 查看文件内容，如下图，复制password后的一串字符 1less ~/.jupyter/jupyter_server_config.json 修改配置文件 1vim ...

引言在人工智能领域，AI Agent（智能体）是一种能够感知环境、做出决策并执行行动的系统。随着大语言模型（LLMs）的快速发展，AI Agent在自然语言处理、问答系统和交互式决策任务中的能力显著提升。然而，传统LLMs在推理（如链式思考提示，Chain-of-Thought, CoT）和行动（如调用外部工具或API）方面通常被分开研究，导致在处理需要两者结合的复杂任务时效率低下。ReAct（Reasoning and Acting，推理与行动）模式应运而生，通过将推理和行动交织在一起，使AI Agent能够更智能、更高效地完成任务。 本文将详细探讨ReAct模式的起源、其在AI Agent中的作用，以及基于ReAct的扩展和最新发展。我们将通过清晰的逻辑和示例，帮助读者理解这一技术如何推动AI Agent的进步。 ReAct模式的起源背景与动机ReAct模式最早由Shunyu Yao等人于2022年10月在论文《ReAct: Synergizing Reasoning and Acting in Language...

背景大语言模型在训练阶段通常基于大规模语料（如 Common Crawl、Wikipedia、Books、Code等）进行离线学习，因此它们的知识存在以下问题： 静态性：一旦模型训练完毕，知识无法动态更新。 封闭性：模型只能生成其“知道”的内容，对未见信息无法准确回答。 幻觉性（Hallucination）：即使模型生成看似合理的内容，也可能完全不符合真实事实。 为此，RAG（Retrieval-Augmented Generation，检索增强生成）框架被提出，用于将外部知识库引入到生成模型推理流程中，通过“检索 → 生成”的两阶段架构，让模型“读过资料再作答”。 RAG 的优势 ✅ 知识实时更新：只需更新知识库，无需重新训练大模型。 ✅ 降低幻觉风险：模型有“证据”可依，减少无中生有。 ✅ 适用于私有数据：支持接入企业文档、数据库、网页等作为知识来源。 ✅ 可控性强：检索模块可以人为控制，比如只让模型访问合规内容。 RAG 的工作流程一个典型的 RAG 系统包含两个核心模块： 检索器（Retriever）：从外部知识库（Knowledge...

本文将以OpenAI接口为例，介绍调用大模型API的三种方式，从最高级的封装到最原始的http请求，依次介绍LangChain、OpenAI官方SDK、requests请求。 LangChain 封装调用代码示例： 12345678910111213import osfrom langchain_openai import ChatOpenAIllm = ChatOpenAI( temperature=0.2, model_name=os.environ.get("QWEN_MODEL_NAME"), openai_api_key=os.environ.get("QWEN_API_KEY"), openai_api_base=os.environ.get("QWEN_API_URL"), max_tokens=int(os.environ.get("MAX_TOKENS", 1000)))response =...

背景Chat Completions API 和 Assistants API 都是 OpenAI 提供的大语言模型交互 API。 Chat Completions API 是 无状态对话接口 Assistants API 是 有状态智能体接口 核心定位对比 API 核心用途 特点 Chat Completions API 直接调用语言模型进行单轮或多轮对话生成 轻量、灵活、无状态（默认不保存上下文） Assistants API 构建持久化、有工具能力的“智能助手” 有状态（自动保存上下文）、支持工具和文件管理 功能对比 对比维度 Chat Completions API Assistants API 会话管理 默认无状态，需要客户端手动管理 messages 内置 threads 和 messages，自动保存会话历史 工具调用 通过 function_call 手动声明和解析 内置工具（code interpreter、file search 等）+...

背景 此前已经介绍过了OpenAI的 Chat Completions API 或 Assistants API。然而从 2024 年底开始，OpenAI 推出了 Responses API，并且明确这是未来的统一入口。 官方规划是： Responses API 将逐步取代 Assistants API，并可能在几年内覆盖 Chat Completions 的大部分场景。 本文将介绍新 API 与旧 API 再功能与用法伤的区别。 功能对比 对比维度 Chat Completions API / Assistants API（旧） Responses API（新） 功能覆盖 文本/多轮对话（Chat），Assistants API 支持工具调用、文件搜索等，但 API 分散 单一接口统一支持对话、多模态、工具调用、文件处理等 多模态输入 GPT-4 Turbo 等支持图片输入，但调用方式不统一 原生支持文本 + 图片 + 文件 + 语音输入 工具调用 function_call（Chat）或 Assistants API...

大模型的分类混合推理模型（Hybrid Reasoning Model） 混合推理模型是指结合多种推理方式（如神经网络+符号推理、检索+生成）的语言模型架构，用于提升模型的准确性和复杂任务处理能力。 常见的混合推理方式： 类型 描述 示例 🧠 神经 + 符号推理 结合大模型与符号逻辑系统（如规则树、规划器） 解决数学题、写代码 🔍 检索 + 生成（RAG） 模型先从知识库中检索相关信息，再生成回答 Bing Copilot、GPT+文档上传 🪜 逐步思考 + 工具调用 模型模拟人类逐步思考（CoT），中间步骤可调用外部API、计算器、代码解释器等 AutoGPT、Toolformer、OpenAI GPT-4o 🧭 多模型协同 使用多个模型分工处理子任务，例如一个负责理解，一个负责生成 LLM Agents、多模态推理系统 🎯 举例： 你问模型“上海到北京有多少公里？” 裸模型：根据训练时看到的语料“猜”一个数字（可能错）。 混合推理模型：先调用地图接口查询，再告诉你准确答案。 Retrieval-Augmented...

AI Agent的定义AI Agent是一种能够自主感知环境、制定决策并执行行动以实现特定目标的智能系统。在大模型时代，AI Agent通常由大语言模型驱动，具备以下四大核心要素： 规划（Planning）：能够分解复杂任务，制定执行计划 记忆（Memory）：具备短期和长期记忆能力，能够学习和积累经验 工具（Tools）：能够调用外部工具和API，扩展自身能力 执行（Action）：能够在环境中执行具体的行动 AI Agent开发工具分类根据功能特点、技术架构和应用场景，我们将当前主流的AI Agent开发工具分为以下几个类别： 编程框架类： LangChain、LangGraph、CrewAI、Semantic Kernel、AutoGen、Phidata 无代码/低代码平台类：Coze、Dify、星辰Agent、Trickle AI、AgentGPT、Gumloop、FlowiseAI 专业化工具类：AutoGPT、GPT Engineer 企业级解决方案类：Superagent、Reworkd AI 集成平台类：Zapier AI...

引言 现代大语言模型（如 LLaMA、ChatGLM、Qwen）动辄拥有数十亿甚至上万亿参数。以 FP16 精度存储时： 模型规模 显存占用 7B 参数 ~14 GB 13B 参数 ~26 GB 70B 参数 ~140 GB 这意味着多数人无法在消费级显卡（如 RTX 3090/4090，24GB）上加载完整模型，并且推理延迟高，难以部署到边缘设备 量化（Quantization） 就是解决这一问题的关键技术：通过降低模型权重的精度（如从 16 位压缩到 4 位），大幅减少模型体积和显存需求。 模型量化的概念 量化是将高精度数值（如 FP32/FP16）转换为低精度表示（如 INT8、INT4）的过程。 常见量化方式对比 精度 每参数位数 压缩比（相比 FP32） 显存需求（以7B 模型为例） FP32 32 bit 1x 28 GB FP16 16 bit 2x 14 GB INT8 8 bit 4x 7 GB INT4 4 bit 8x 3.5 GB 4-bit...

一、背景在日常运维或科研计算中，我们经常遇到远程服务器无法直接访问外网的情况，例如： 服务器所在网络环境有防火墙限制 服务器没有公网 IP 或被限制访问外部 HTTP/HTTPS 资源 此时，可以利用 本地机器的外网网络，通过 SSH 反向端口转发 + HTTP 代理（tinyproxy），让远程服务器“借道”本地网络访问互联网。 二、原理整体思路如下： 本地机器运行 tinyproxy，监听 8888 端口，提供 HTTP 代理服务 SSH 反向隧道将远程服务器的 localhost:8888 映射到本地的 8888 端口 远程服务器设置 http_proxy / https_proxy 环境变量，让 HTTP 请求通过本地代理出网 三、安装与配置1. 本地机器安装 tinyproxy1sudo apt install tinyproxy 2. 启动 tinyproxy 服务1sudo systemctl start tinyproxy 默认会监听 8888 端口，可用以下命令验证： 1sudo lsof...

1. 启用镜像网络模式默认情况下，WSL2 的网络行为与传统虚拟机不同，其内部 IP 地址与宿主 Windows 不同，导致无法直接通过 IP 访问 WSL2 服务。 解决方法是开启镜像网络（mirrored networking），这样 Windows 和 WSL2 将共享同一个 IP 地址。 步骤：在 Windows 用户主目录（如 C:\Users\你的用户名）下新建或修改 .wslconfig 文件，添加如下配置： 1234567[wsl2]networkingMode=mirrored # 开启镜像网络dnsTunneling=true # 开启 DNS Tunneling，解决 DNS 问题autoProxy=true # 自动同步代理设置# firewall=true # 可选，启用 Windows 防火墙# [experimental]# hostAddressLoopback=true # 可选，允许 WSL2 主动访问宿主 编辑完成后，执行以下命令重启...

引言如果我在十几年前跟你说「Microsoft Love Linux」，你肯定觉得我鬼打墙了，Windows 和 Linux 可一直都是竞争对手。时任微软 CEO Steve Ballmer 还曾公开宣称 Linux 是「癌症」，毕竟 Linux 作为免费、开源的 Windows 替代品，抢走了微软不少的市场份额和营收。 后来，可能是为了与 VMware 等虚拟化厂商竞争，以及发展云计算平台的需要，微软在 Hyper-V 虚拟化平台上增加了对 Linux 的原生支持，让 Windows 也可以在 Hyper-V 虚拟机中运行 Linux 系统。但是，在 Hyper-V 中运行 Linux 虚拟机需要消耗大量的系统资源，而且宿主机（Host OS）与虚拟机（Guest OS）之间的交互也比较麻烦。 什么是 WSL 2?时间来到 2017 年，事情正在起变化🤣。微软正式发布了「适用于 Linux 的 Windows 子系统」，即人们熟知的 Windows Subsystem for Linux，简称 WSL。 在 2019 年，微软又基于 Hyper-V...

在整理博客配图、摄影照片或网页图片素材时，图片太大不仅拖慢加载速度，还会占用大量空间。今天介绍一个超级实用的命令行工具：ImageMagick，可以快速、批量压缩或缩放图片 🧰 安装 ImageMagick（macOS）1brew install imagemagick ✂️ 操作示例将图片质量到 50%1234# MacOSmagick input.jpg -quality 50 output.jpg# Ubantu的旧版命令是mogrifymogrify 202505_front.JPEG -quality 30 202505_front.JPEG 将/Users/tianlejin/Desktop/2025-03里的所有图片都压缩到原来质量的50%假设你有一堆 .JPEG 图片在目录 /Users/tianlejin/Desktop/test/，可以这样压缩并输出到 resized 子文件夹： 1234# MacOSmagick mogrify -quality 50...

📌 什么是 Slurm？ 在使用高性能计算（HPC）集群时，Slurm 是最常见的任务调度器之一。 Slurm（Simple Linux Utility for Resource Management）是一个开源的集群资源管理和作业调度系统，用于管理节点资源、调度任务执行，广泛用于科研计算和深度学习训练 🧰 常用命令一览 命令 作用 示例 sinfo 查看当前集群节点状态 sinfo squeue 查看正在运行或排队的任务 squeue -u $USER srun 启动一个交互式任务或直接运行命令 srun --pty bash sbatch 提交一个批处理任务脚本 sbatch job.sh scancel 取消任务 scancel 123456 📝 1. sinfo —— 查看节点状态1sinfo 这个命令可以看到所有节点的状态，如哪些是空闲（idle）、正在使用（alloc）、维护中（down）等。例如： 1234PARTITION AVAIL TIMELIMIT NODES STATE NODELISTcpu* ...

在整理照片时，通常会遇到一堆混乱命名的文件，例如 IMG_1234.JPG、DSC0001.JPG……我们可以用一行命令，就把所有照片按「拍摄时间」重命名。 本文介绍一个强大却小巧的命令行工具：ExifTool，让你的照片重命名井井有条～ 💡 什么是 ExifTool？exiftool 是一个跨平台的命令行工具，可以读取和写入媒体文件中的元数据（如照片的拍摄时间、设备信息、GPS 等）。我们可以用它从 EXIF 中提取拍摄时间并重命名文件。 🛠 安装 ExifTool（以 macOS 为例）官网下载：https://exiftool.org/ 🌰 例子：将2025-03文件夹内的所有文件按时间戳重命名，精确到秒以下命令将当前目录下的所有 JPG 文件，重命名为拍摄时间的格式，例如 20250312_153045.jpg： 12cd /Users/tianlejin/Desktop/2025-03exiftool '-FileName<CreateDate' -d "%Y%m%d_%H%M%S%%-c.%%e"...

概念知识图谱（Knowledge Graph, KG）：将知识进行结构化表示。具体来说，知识图谱是一种以实体（Entity）和关系（Relation）为核心的语义网络，通常以三元组 (head entity, relation, tail entity)，即 ⟨h, r, t⟩...

Linux笔记Linux系统相关 Linux文件系统 Linux环境变量 Linux设定定时程序 Linux文件操作 Linux重定向和管道命令 Linux手动编译软件 grep的用法 Linux创建账户并赋予管理员权限 Linux更改用户/组id Linux挂载命令mount详解 Linux修改MAC地址 Linux软件 终端复用神器tmux的使用 anaconda3的安装和使用 jupyter notebook的安装和使用 Linux安装JupyterLab conda打包环境并迁移 使用jupyter nbconvert后台执行jupyter notebook Slurm任务调度系统的使用 环境配置笔记Linux相关 CentOS 7升级gcc版本 yum安装软件报错lvm.LibLVMError: (0, ‘’) linux编译编译错误‘GLIBCXX_3.4.20’ not found linux升级cmake Ubantu安装深度学习环境全记录 R语言相关 R语言安装外源包编译报错：‘for’ loop initial declarations...