这是我的第一个博客

我来帮你梳理"计算机系统"章节中。

软考，系统分析师

软考高级系统分析师上午题考试知识点分布

系统分析师知识点整理 信息化战略体系 企业战略规划：企业如何达到目标 信息系统战略规划：信息系统如何支撑这些目标 信息技术战略规划（IT战略规划）：需要哪些信息技术支撑信息系统 信息资源规划：信息化建设具体项目的实施。（功能建模、数据建模、ER模型） 企业战略与信息化战略集成方法 业务与IT整合（BITA）：重心是找业务与现有IT系统之间的不一致，并给出转变计划 企业IT架构（EITA）：帮助IT企业建立IT的原则规范、模式和标准 信息系统战略规划方法 第一阶段，以数据处理为核心，围绕职能部

  考试简介 系统分析师考试属于全国计算机技术与软件专业技术资格考试（即软考）中的一个高级考试。通过本考试的合格人员应熟悉应用领域的业务，能分析用户的需求和约束条件，写出信息系统需求规格说明书，制订项目开发计划，协调信息系统开发与运行所涉及的各类人员；能指导制订企业的战略数据规划、组织开发信息系统；能评估和选用适宜的开发方法和工具；能按照标准规范编写系统分析、设计文档；能对开发过程进行质量控...

就是让大模型先查资料，再在查出来的资料的基础上回答问题，即检索-增强-生成。计算机不理解"语义"，但能计算数字之间的距离。向量的核心操作就是计算两个向量的余弦相似度。余弦相似度是衡量两个向量方向是否一致的指标。实时知识更新：不用重新训练，更新知识库即可。解决幻觉问题：让AI基于事实回答，不编造。私有数据利用：让AI学习公司的内部文档。向量就是把文本转换为数字数组。1.RAG向量数据库是什么？核心概念：什么是余弦相似度？2.为什么需要RAG?5.RAG质量关键因素。4.为什么需要向量？

学了十年英语，还是开不了口——不是你不够努力，是你的方法根本就不对。

本自测解析针对 Kubernetes 系列第七期（网络与服务暴露——Service + kube-proxy + Ingress）的核心内容。共 10 题，每题包含题目回顾、考查知识点、详细解答与分析，帮助读者巩固 Kubernetes 网络与服务暴露的核心技能。

读者应理解，工具推荐的前提是先说清核心问题。只有把学习阶段、风险假设和检查重点拆出来，工具选择才不会停留在笼统偏好上。

在二者分布完全相等的时候,KL散度为0.正是因为其可以衡量两个分布之间的差异，所以在VAE、EM、GAN中均有使用到KL散度。KL散度在信息论中的专业术语为相对熵。KL散度的定义是建立在熵（Entropy）的基础上的，此处以离散随机变量为例子，先给出熵的定义，再给出KL散度的定义。在信息论中，交叉熵可认为是对预测分布q(x)用真实分布p(x)来进行编码时所需要的信息量大小。KL散度具有的性质：正定性和不对称性，这个在上一个文章中有写，这里就不写了。上篇学习了熵，交叉熵，相对熵（KL散度）

第 11 章我们把 Redis 接入到了 ，解决了商品详情接口反复查询 MySQL 的问题，也顺手演练了缓存穿透、缓存击穿、缓存雪崩和缓存一致性。这一章开始引入 RabbitMQ。不过这一章不只是演示“发一条消息、收一条消息”。如果只做到这一步，RabbitMQ 学起来会很轻，但真正写项目时还是不知道怎么处理异常。这一章继续沿用前面的订单链路，从 创建订单这个场景出发，一步一步解决这些问题： 这一章最终会形成一条比较完整的可靠消息链路： 2、本章环境与项目现状 2.1 当前项目版本 本章继续使用前面章节的

RectLight 的光照按矩形面积算，但传统实时 shadow 更像复用 point light 的 cubemap/one-pass shadow；物理上只需要正面半球，工程上常准备更多方向，再在光照阶段只使用正面区域。它比点光源简单，因为它不需要 6 张 cubemap，只需要从灯的位置朝一个方向拍 1 张透视 shadowmap。还有一个关键点：视锥切片是锥形 / 梯形，但 shadowmap 是矩形，所以一定会浪费一部分区域。UE 用四个角描述整个矩形在 P 眼里的范围，而不是在矩形上采很多点。

在src/core/wsf/source/processor/下新建文件：本文实现了一个自定义的 WsfStateLoggerProcessor，用于在 AFSIM 仿真运行过程中读取平台状态信息，并以 CSV 格式打印到终端。整体流程主要包括新建 Processor 头文件和源文件、继承 WsfProcessor 基类、实现构造函数、拷贝构造函数、Clone()、ProcessInput() 和 Update() 等关键函数。其中，Update() 是整个 Processor 的核心函数。

HyGRAG提出了一种统一上下文与关系感知的图检索增强生成框架，通过混合异构图索引和分层社区摘要，解决了现有方法无法有效融合文本细节与实体关联的问题。该框架包含离线分层索引构建、双路协同检索、分层信息融合和动态增量更新四大模块，在事实QA、多跳推理等任务上平均提升9.7%性能，同时支持高效语料更新。实验表明，HyGRAG显著优于单一上下文或关系类基线，且具备良好的模型鲁棒性和工程适用性。

Blender 到 Godot 4 的工作流是独立游戏开发中最关键的资产管线之一。如果这里没搭好，后期改模型、调材质、修动画会让你痛不欲生。在 Godot 4.x 中，官方已经，全面转向原生标准。这是目前最稳、最高效的路径。

到这里，我不得不告诉大家一个很残酷的现实啊！虽然我们之前已经写了几个小程序了，但是你发现没有，我们写的那些小程序要么是数据声明，要么是对HLA标准库的调用，一点汇编语言的影子都没有啊。唉！沮丧啊！不过也别急了！我们学习HLA高级汇编的目的就是让学习真正汇编语言更轻松啊，这个HLA的意义所在啊，那么我们现在开始了解下Intel 80x86处理器，因为不理解处理器的基本结果，机器指令将没有任何意义。我们之前不是了解过了嘛，在前几节笔记中，但是我这里要说明的是，现在我们所学习的方向是32位操作系统中的汇编语言。

react-redux是 Redux 官方提供的 React 绑定库，它的作用只有一个：让 React 组件能够方便地读取 Redux 的状态，并在状态变化时自动刷新。