ITPub博客

在ChatGPT掀起的大模型浪潮中，RAG（Retrieval-Augmented Generation，检索增强生成）是最受关注的技术之一。它让大模型能够「外挂」外部知识库，回答训练数据之外的私有数据或实时信息问题。本文从文档切分、Embedding到向量检索，拆解RAG核心原理，并给出可运行的Python代码。一、文档切分（Chunking）：把大象放进冰箱的第一步大模型上下文窗口有限，长文本

从智能门锁、可穿戴设备到工业机器人、汽车电子系统，嵌入式设备的稳定运行都离不开底层操作系统的支撑，其中实时操作系统（RTOS）凭借强实时、高可靠、低资源占用的特点，是嵌入式开发的核心技术，也是嵌入式工程师的必备技能。FreeRTOS作为当前业界应用最广泛的RTOS实现，也是学习RTOS核心原理的首选载体。一、RTOS是什么？实时操作系统（Real Time Operating System，简称R

一、前言在FreeRTOS多任务开发中，新手最容易混淆的就是队列（Queue）、信号量（Semaphore）、互斥量（Mutex）。很多人只记住API函数，却分不清什么时候用队列，什么时候用二值信号量，保护共享资源为什么不能随便用二值信号量而要用互斥量。一句话总纲：队列：传递数据，任务之间搬运消息；信号量：事件通知 / 资源计数，只传递“事件发生”或“资源可用数量”，不带数据；互斥量：保护共

在深度学习工程中，损失函数定义目标，优化算法决定路径——二者共同构成了模型训练的“方向盘”与“油门”。损失函数量化预测与真实值的差距，优化算法则通过梯度信息迭代更新参数，使损失不断下降。本文系统梳理深度学习中主流损失函数（回归、分类、生成任务）与优化算法（梯度下降变体、自适应学习率方法）的原理、特性及选型建议，并结合工程实践给出训练调优指南。一、为什么损失函数与优化算法至关重要？模型结构决定了表达

在嵌入式开发中，数据结构的选型从来不是 “随心所欲” 的语法选择，而是资源、实时性、稳定性、内存开销的综合博弈。嵌入式设备普遍存在 RAM 极小、CPU 主频低、实时性要求高、禁止内存碎片、异常必须可控等特点。很多新手开发者照搬 PC 端的编程习惯，乱用数组、链表、动态内存，最终导致设备卡顿、堆栈溢出、死机、内存泄漏等疑难问题。栈、队列、链表是嵌入式系统最基础、最高频、最核心的三种线性数据结构，覆

一、从一个常见现象说起你一定遇到过这样的场景：跟一个 AI 聊了很久，聊到第几十轮时，它突然"忘了"你开头说过的话；或者你把一份几十页的 PDF 丢给它，它只读到了前几页就开始回答。这不是模型"变笨"了，而是它撞上了一堵墙——上下文窗口（Context Window）。本文就来聊清楚：上下文窗口到底是什么、它如何影响我们使用大模型、以及当需求超出窗口时，工程

在STM32的GPIO配置中，输入模式的选择是确保信号稳定读取的基础。面对上拉输入（IPU）和下拉输入（IPD）这两种最常用的模式，许多开发者常常感到困惑。其实，选择的关键并不在于模式本身，而在于你的外部硬件电路设计。核心原则：由外部电路决定选择上拉还是下拉，最根本的原则是：你的外部信号源在空闲（未触发）状态下，期望引脚处于什么电平？选择上拉输入（IPU）： 当你的外部电路在空闲时，期望引脚为高电

在人工智能、机器学习、深度学习项目中，准确率、精确率、召回率是最基础、最高频、也最容易混淆的三大模型评估指标。不管是分类模型训练、数据集调优、模型效果对比，还是算法岗笔试面试、项目答辩，这三个指标都是必考核心。很多新手只会背公式、看数值，却完全不懂三者的适用场景和取舍关系：为什么准确率很高模型却完全不能用？为什么工业界更看重召回率而非准确率？精确率和召回率为什么永远是此消彼长的关系？绝大多数AI初

金九银十，秋招大战已经拉开帷幕。打开各大招聘平台不难发现：Agent 智能体开发相关岗位正在持续释放招聘需求，不再是少数大厂的试点业务，大量企业开始把智能体落地作为技术迭代的重点方向。很多应届生、非科班同学会产生疑问：Agent 开发到底做什么？需要很高的算法功底吗？零基础能不能入局？简历要准备哪些项目？01.什么是 Agent 智能体开发工程师？简单来说，Agent 就是可以自主完成任

前言在嵌入式C语言开发中，指针数组和数组指针是最容易写出隐性Bug的两个知识点。不同于上层软件开发，嵌入式开发对内存布局、地址偏移、参数传参、栈内存占用极度敏感，很多看似能正常编译的代码，实则暗藏越界访问、内存踩踏、函数传参失效、硬件数据读取异常等问题。很多小白只会死记硬背口诀：“指针数组是数组，数组指针是指针”，但完全不懂内存分布差异、寻址逻辑、传参本质、适用场景。在实际项目中：串口协议解析、多

一、颜色空间在OpenCV中的基本概念1. 颜色空间不是“颜色名称”，而是像素表达方式同一张图像可以用不同坐标来描述颜色。BGR/RGB直接记录蓝、绿、红三通道；HSV把颜色拆成色相、饱和度和明度；Lab把亮度和接近人眼感知的颜色差异分开。颜色空间不同，算法看到的“距离”“亮度”“颜色变化”也会不同。2. OpenCV默认使用BGR顺序OpenCV中cv2.imread读取的彩色图通常是BGR，而

一、损失函数的核心定义损失函数（Loss Function）是神经网络训练的核心核心数学工具，用于定量衡量模型预测结果与真实标签的误差大小。通俗来说，就是给模型的“预测错误”打分：分数越高，代表模型预测偏差越大、效果越差；分数越低，代表预测结果越贴合真实值，模型性能越好。神经网络的训练本质，就是通过反向传播算法，持续迭代优化模型参数，不断最小化损失函数数值的过程。它是模型学习、迭代优化的唯一评判依

Linux 中进程是独立的资源调度单元，每个进程拥有独立的虚拟地址空间，进程之间默认无法直接访问彼此的数据。进程间通信（IPC，Inter-Process Communication）是Linux提供的一组机制，用于实现不同进程之间的数据传输、消息传递、状态同步与资源协调，是多进程程序开发、服务器架构设计的核心基础。本文将系统梳理Linux所有主流IPC方式的原理、特性、优缺点及适用场景。一、IP

一、前言在深度学习视觉任务里，CNN卷积神经网络是绝对的基础。不管是日常用到的图像分类、目标检测，还是图像分割模型，像ResNet、YOLO、MobileNet这些热门网络，核心组成都离不开三个基础模块：卷积层、池化层、全连接层。很多新手学CNN都会踩同一个坑：只会照着代码堆叠网络，根本不清楚每一层到底在干什么。不知道卷积怎么提取特征、池化为什么要降维、全连接如何完成分类，最后导致网络乱搭、模型不

探究8位单片机与32位单片机的深层差异在当今这个科技日新月异的时代，单片机作为嵌入式系统的核心组件，其发展速度之快令人瞩目。从早期的4位、8位，到后来的16位、32位乃至更高位数的单片机，每一次技术的飞跃都极大地推动了电子行业的发展。在众多类型的单片机中，8位和32位单片机因其各自独特的优势而广泛应用于不同的场景。本文旨在深入探讨这两种单片机之间的根本区别，帮助读者更好地理解它们的特性及适用领域。

一、嵌入式GUI行业发展现状随着物联网、智能硬件、工业智能化、汽车电子等领域的高速迭代，嵌入式设备不再局限于单一的数据采集与控制功能，智能化、可视化、交互化成为核心发展趋势，嵌入式GUI（图形用户界面）作为设备与人机交互的核心载体，迎来了规模化发展与技术升级的双重变革。当前，嵌入式GUI已经广泛渗透到智能家居、工业控制、车载终端、可穿戴设备、医疗电子、消费家电等各类场景，成为智能嵌入式设备的标配功

在计算机视觉和深度学习领域，有一个常被初学者忽视却至关重要的环节——图像预处理。我们往往被 ResNet、YOLO、Vision Transformer 等前沿架构所吸引。如果把训练一个图像识别模型比作教一个孩子认识世界，那么原始图像就是未经整理的学习材料——有的模糊不清、有的光线昏暗、有的尺寸各异。直接让孩子用这样的材料学习，效果可想而知。图像预处理，正是将这些“杂乱无章”的原始数据转化为算法能

企业招聘嵌入式岗位，尤其看重硬件基础和底层理解。以下几类专业的同学，其实已经赢在了起跑线上：✅️电子信息工程 / 电子科学与技术模电、数电、电路分析是基本功，看懂原理图、理解电气信号是日常操作。这类专业背景的同学，学STM32、理解外设通信和驱动底层逻辑，阻力天生就小。某医疗科技公司2026年校招岗位要求写得直白——电子电气相关专业本科及以上，具备基于STM32、ARM系列芯片的开发能力，精通C/

引言：AI与嵌入式设备的碰撞——如何解决计算与功耗的矛盾？在当今智能设备日益普及的时代，嵌入式视觉任务变得越来越常见。从智能手机到无人机，再到智能安防系统，我们的设备需要能够在有限的计算资源和电池寿命下，实时完成复杂的视觉处理任务。比如，如何在一块资源受限的嵌入式设备上实现高效的目标检测，或者实时识别图像中的物体，这些任务不仅要求算法具备高精度，还要求推理速度快、功耗低、体积小。然而，传统的深度学

要理解嵌入式操作系统（Embedded Operating System，简称 RTOS/EOS），我们可以从本质定义→核心区别→实际作用→典型特征→嵌入式开发场景适配，五个维度来拆解，一、嵌入式操作系统的定义嵌入式操作系统是专门为资源受限的嵌入式设备（比如 STM32 单片机、物联网模块、工业控制器）设计的微型操作系统，核心作用是：管理硬件资源、调度多任务、提供标准化接口，让开发者不用直接操作底