Lee的博客

1. 减少每日决策次数把低价值的日常选择变成固定规则，减少不必要的心理消耗。 穿搭固定化：同款或相似款多买几件，固定几套日常穿搭。 饮食固定化：早餐固定几种搭配，减少每天思考“吃什么”。 决策批量化：能提前决定的事情一次性决定，不要每天重复思考。 计划前置：提前安排好一周的重要事项，把注意力留给真正需要判断的事情。 2. 通过运动提升身体能量系统规律运动可以改善心肺适能、代谢健康和整体精力状态

考虑如下线性回归模型： $$\hat{y}_{i}=wx_{i}+b$$ 其损失函数为： $$L=\frac{1}{2N}\sum_{i=1}^{N}(\hat{y}_{i}-y_{i})^2$$ 可以分别求出 $L$ 关于 $w$ 和 $b$ 的偏导。 $$\begin{aligned}\operatorname{grad}_{w}&=\frac{

这周末快速浏览了一遍 learn-claude-code 项目。Agent 本身并没有涉及太多复杂算法，重点主要在于整体架构和能力逐步演进的设计思路。下面按章节简单记录一下。 s01：经典 Agent 循环s02：工具路由对工具调用逻辑进行封装。 原本是根据工具名称通过一系列 if 判断选择执行逻辑，现在改为从 tool_handlers 工具路由表中查找对应的处理函数。 s03：权限控制在工

不论是 Claude、OpenAI、Gemini 还是 Doubao，在 Agent 的基本工作方式上其实非常相似。模型调用、上下文数据格式以及 Tool 的引用方式虽然在具体 SDK 上有所差异，但整体流程基本一致： 每次调用 LLM 时，都需要提供当前的上下文（Context）以及模型当前可以使用的工具（Tools）。 例如： 123456789101112131415161718192021

相对于工作流Workflow，智能体Agent的核心特征：工作路径不是提前定好，而是由LLM根据情况实时决定的 只有问题足够复杂、规则难以维护、依赖非结构性交互的时候，才需要构造智能体 智能体的三个核心部分：模型Model、工具Tools、提示词Instructions 简单的任务可以用更小的模型；推荐一开始所有任务都用强模型，先确定基准，再逐渐逐个模块替换为弱模型，从而优化成本 智能体

面对知识更新加快、技能快速贬值的时代背景，焦虑是没有用的。我们需要想方设法提高自己快速学习的能力。 偶然间刷到了闪客的视频，跟这个话题比较契合，视频观点简单记录了一些。虽然他主要分享的是自己学习AI方面知识的经验，但方法背后的道理是共通的，可以迁移到其他学习过程中。 以自己舒服的方式学习。每个人的习惯不同，可能有些人适合跟别人讨论，有些人适合看视频、看文章，总之没有通用的方法。 信息路由的

“我最近在想一件事。”“什么事？”“那种聊了很久，突然就结束的关系。”“突然结束？”“也不算突然。就是……聊了两个月，三个月，每天说话，什么都说。然后有一天，消息发过去，对方回了，但回得慢了。你也跟着慢下来。然后就不发了。” “你难过吗？”“不是难过，是困惑。我不知道那三个月算什么。我们聊了那么多，彼此的生活，小时候的事，喜欢什么讨厌什么。那些话都是真的，我保证。但是他们好像没有指向任何地方。”“

在进行轻量级sfm拼图开发时联想到神经网络的优化，实际上绝大多数算法问题都可以表述为优化问题。两者的异同点以及最小二乘法优化的一些相关知识记载如下： 很多建模问题都可以写成一个统一形式： $$\min_\theta L(\theta)$$ 也就是寻找一组参数 $\theta$，让目标函数或损失函数 $L(\theta)$ 尽可能小。 理解优化问题时，可以把它拆成三个层次： 层次 回答的问

最近处理高分卫星影像的瓦片切割，记录几个实用的点。 TIF 分页TIF 内部是分页结构，一个文件里可以放多张图。GeoTIFF 如果带金字塔（Overview），pages[0] 是分辨率最高的原图，后面依次是降采样层。读取时注意取对页。 读取：tifffile + zarrtifffile 打开 TIF 后，如果文件没有压缩，可以直接用 memmap 做内存映射读取，效率最高。但如果 TIF

起因：在使用 turbojpeg 替换 cv2.imwrite 加速 JPEG 编码时，发现输出文件体积明显偏大。深入排查后发现根本原因是两个库的默认色度子采样配置不同。 JPEG 不直接存储 RGB很多人以为 JPEG 文件里存的是 RGB 像素值，实际上不是。JPEG 内部存储的是 YCbCr： 123Y = 亮度（Luma）Cb = 蓝色色度偏移（Blue Chroma）Cr = 红