NullSpace
NullSpace
博客
趣事
项目
论文
练习
联系
归档
Light
Dark
Automatic
博客
Wiseflow项目体验、源码Prompt、主要流程和相关工具
AI首席情报官
Last updated on Apr 12, 2025
10 min read
Celery案例应用——Dify源码阅读
Dify如何使用Celery 项目骨架 Celery配置对象:CeleryConfig 配置对象包含:任务队列结果存储后端、消息中间件地址、是否使用Redis哨兵实现高可用、哨兵模式下的Redis主服务、SOCKET超时时间、数据库连接信息等。 class CeleryConfig(DatabaseConfig): CELERY_BACKEND: str = Field( description="Backend for Celery task results. Options: 'database', 'redis'.", default="database", ) CELERY_BROKER_URL: Optional[str] = Field( description="URL of the message broker for Celery tasks.
Last updated on Mar 12, 2025
8 min read
任务队列
LLM解读宏观经济数据案例:以季度中国GDP增速分析为例
国内生产总值GDP是核算体系中一个重要的综合性统计指标,也是中国新国民经济核算体系中的核心指标。它反映一国(或地区)的经济实力和市场规模。
Dec 29, 2024
1 min read
数据分析
Google Code Review Guide
代码评审指南
Dec 12, 2024
1 min read
Elon Musk语录和想法随笔1
AI 一个人工智能系统能否成功,取决于它能不能从真实世界获得大量数据供机器学习。 特斯拉:每天手机数百万帧司机处理各类情况的视频 推特:每条处理数亿条人类发出的帖子 Project Tesla Neuralink 在人类大脑中植入芯片 Optimus 人形机器人 Optimus Navigating Around Dojo 超级计算机,推动自动驾驶 X.AI 聊天机器人 …… Self-Driving 是否应该采用激光雷达设备? 人类开车时只采集视觉数据,所以机器开车也应该如此。而且,出于成本考虑,传感器系统太贵。最好有一个光学系统,主要就是一个内置软件的照相机,通过观察事物弄清楚车辆周围的情况。 最终应该做到只依靠摄像头的视觉信息就可以完成自动驾驶的数据采集。 妥协 暂时同意雷达方案,新Model S配置:8*摄像头+12*超声波传感器 关于自动驾驶系统的安全性 如何评判自动驾驶系统? 马斯克:评判该系统的标准不应该是它能否杜绝所有事故,而应该看它能否降低事故发生率。 人类司机开车比自动驾驶更安全吗? 自动驾驶预防了多少事故的发生?挽救了多少人的生命? 难点 区分总事故率、自动驾驶担责事故率、外部因素导致的事故
Dec 8, 2024
1 min read
第一性原理的案例:成功创业者的思考路径
创业、科研、基础技术突破需要的思维方法
Dec 4, 2024
1 min read
一个辅助写作框架:Storm
斯坦福研究团队开源的辅助写作框架
Nov 14, 2024
21 min read
DSPy框架
声明式、自优化的提示工程
Nov 9, 2024
4 min read
行业报告撰写逻辑及结合AI的自动化技术
相关搜索结果 如何通过ai进行行业报告研究-WayToAGI 2022年中国AIGC行业研究报告 一种金融研报自动生成系统及方法 用AI写研报哪家强?沙利文《2023中国大模型行研能力评测报告》商汤日日新·商量获评第一 行业报告场景细分 应用场景 写作逻辑 算法架构设计思路 模型思考方式 先思考再行动 风格/产品形态:预设大纲,写“命题”作文 边思考边行动 风格/产品形态:预设主题,不限制结构,由模型输出“最优”结构。 输入是什么?模型应该具有哪些知识? 基础知识 产业链结构 市场规律(如价格变动/人员变动/某种投资布局会带来什么影响) 行业动态 来自多种数据源的行业动态: 媒体新闻 知识产权(专利) 市场数据(产品销量等) 研究报告(来自权威研究机构)【可能涉及版权,有商务风险】 输出是什么? 结构化的报告,章节、样式可定制。 符合业界行业分析风格 如何评价并量化报告质量? 测试用例:预设问题 基本问题:是否存在自相矛盾?表述是否合理?
Nov 4, 2024
1 min read
大模型应用
Redis案例应用--Dify源码阅读
概览 相关应用源码 缓存 相关源码位置 api/core/rag/embedding/cached_embedding.py 对嵌入向量进行缓存。 api/services/account_service.py …… 向量嵌入缓存 缓存key构造参数:模型提供者、模型版本、输入文本 embedding_cache_key = f"{self._model_instance.provider}_{self._model_instance.model}_{hash}" 使用setex为缓存key设置值和过期时间10min。 try: # encode embedding to base64 embedding_vector = np.array(embedding_results) vector_bytes = embedding_vector.tobytes() # Transform to Base64 encoded_vector = base64.
Nov 2, 2024
8 min read
»
Cite
×