Better late than never

很多序列题看起来都在“枚举一段区间”，但区间的性质不同，最合适的工具也不同：长度固定时维护窗口和，约束单调时移动左右边界，查询阈值时在有序数据上二分。 本文选择三道 Codeforces 官方题目，把它们放在同一条学习路径上。重点不是记住三份代码，而是学会通过题目结构选择数据移动方式。 1. 先判断区间属于哪一种模型 flowchart TD A[题目要求处理连续区间] --> B{区间长度固定吗} B -- 是 --> C[固定滑动窗口] B -- 否 --> D{加入元素后代价单调增加吗} D -- 是 --> E[双指针维护可行窗口] D -- 否 --> F[考虑前缀和、二分或其他结构] A --> G{是独立阈值查询吗} G -- 是 --> H[排序后 upper_bound] 三种方法都在避免重复工作：窗口复用上一次的和，双指针保证边界只向前移动，二分则利用有序性排除一半范围。 2. 363B Fence：固定长度窗口的最小和官方题目：363B Fence · ...

刚开始做算法题时，最困难的部分往往不是语法，而是把一段自然语言压缩成几个明确条件。Codeforces 的 800 分题很适合训练这项能力：代码通常不长，错误却能准确暴露题意理解、下标和边界处理上的问题。 本文选择四道官方入门题，不复述完整题面，而是专注于“怎样从要求得到判断式”。每题标题都链接到 Codeforces 官方页面，建议先独立阅读和尝试，再回来对照分析。 1. 通用翻译流程面对一道短题，可以先写出四行草稿：输入是什么、输出是什么、每个条件怎样判断、最小边界在哪里。 flowchart LR A[阅读输入与输出] --> B[圈出必须满足的条件] B --> C[把条件写成布尔表达式] C --> D[用最小值和临界值测试] D --> E[再开始编码] 不要急着寻找“算法名称”。如果题目只需要扫描、计数或判断，直接实现就是正确算法。 2. 4A Watermelon：必要条件与充分条件官方题目：4A Watermelon · 难度 800 · 官方标签：math、brute force 核心要求把一 ...

文章数量增加以后，博客很容易变成一个按时间倒序排列的文件柜。旧文章并没有消失，却越来越难被再次发现；新文章也常常重复解释以前写过的背景。 解决这个问题不需要一开始设计庞大的知识体系。只要让分类、标签和文章链接各自承担清晰职责，博客就会从时间线逐步长成一张能够探索的知识地图。 知识地图不是一次规划完成的目录，而是内容在持续连接中显露出的地形。 1. 三种结构不要混在一起分类、标签和链接看起来都在做整理，但它们回答的是不同问题。 结构 回答的问题 合适的数量 典型例子 分类 这篇文章主要属于哪个长期方向 少而稳定 AI 工程、数据分析、音乐随笔 标签 它涉及哪些可以横向交叉的概念 适度增长 RAG、可观测性、聆听指南 链接 阅读前后还需要哪些具体上下文 随内容自然增加 搭建文章连接到评测文章 一个简单原则是：分类像书架，标签像索引，链接像路。书架频繁改变会让人迷路，索引过多会失去区分度，没有路则会让每篇文章成为孤岛。 2. 分类负责长期承诺好的分类通常对应愿意持续写几年的主题，而不是某次短期兴趣。判断一个名称是否适合作为分类，可以问三个问题： ...

一首规模很大的作品，常常不是由无数互不相关的旋律堆起来的。作曲家更像是在观察一颗种子：改变它的速度、重音、方向、光线和生长环境，让一个短小动机在不同场景中继续保持身份。 理解主题变形之后，听音乐会多出一条线索：我们不再只等待“熟悉的旋律回来”，而是开始辨认它换了怎样的步伐和语气。 一个短小动机可以沿着节奏、和声与配器，逐渐展开成完整的声音世界。 1. 主题与动机有什么区别动机通常很短，可能只有几个音，最重要的是它有容易辨认的节奏或音程轮廓。主题则更完整，往往已经形成一句可以独立记住的音乐。 可以把它们理解成语言中的词根与句子：词根很小，却能在不同词语中保留意义；句子更完整，但依然可以拆回几个关键材料。 本文用一个抽象的四音动机来说明：先上行，再稍作停顿，最后回落。无需知道具体音名，只要记住它的“动作”。 2. 五种最常听见的变化改变节奏：同一句话换一种步伐音高顺序不变，只把均匀的四拍改成长短相间，动机就可能从平静变得犹疑，或从抒情变成舞蹈。聆听时可以暂时忽略音高，只用手指轻敲重音位置。 改变音程：保留方向，扩大张力原来相邻的两个音可以被拉远。旋律仍然“先上后下”，但 ...

一个知识库“能回答”并不等于“回答得可信”。同一个错误结果，可能来自文档没有解析完整、文本块切得不合适、召回结果偏离问题，也可能是模型忽略证据后自行补全。只有把链路拆开评测，优化才不会变成反复调整参数。 本文承接 RAGFlow 知识库搭建实战，重点讨论上线前后怎样建立一套轻量、可复现、能够定位原因的评测体系。 评测的目标不是得到一个孤立分数，而是看清证据怎样抵达回答。 1. 先把“效果好”拆成四个问题一次完整问答至少包含四个可以独立检查的环节： flowchart LR Q[用户问题] --> R[检索候选文本块] R --> S[重排与筛选] S --> G[基于证据生成] G --> A{证据是否充分} A -- 是 --> C[回答并引用来源] A -- 否 --> D[拒答或请求补充] 对应的四个问题是： 检索是否找到了证据：正确文本块有没有进入候选集合； 重排是否把证据放在前面：真正相关的内容是否获得更高优先级； 回答是否忠于证据：结论能否从引用片段中推出 ...

古典音乐常被描述得很有门槛：要懂曲式、记住作曲家生平，还要分清作品编号。其实，进入它最自然的方法仍然是听。先对声音产生兴趣，再慢慢知道自己听见了什么，知识才会变成路标，而不是入场券。 这篇文章不追求列出一份“必听排行榜”，而是选择七首性格不同的作品。每一首只关注一个问题，七天之后，你会得到一张属于自己的初步聆听地图。 flowchart LR A[巴赫<br/>秩序] --> B[莫扎特<br/>对话] B --> C[贝多芬<br/>动机发展] C --> D[肖邦<br/>呼吸与诠释] D --> E[柴可夫斯基<br/>配器色彩] E --> F[德彪西<br/>和声空间] F --> G[拉威尔<br/>重复与变化] 第一天：听见秩序巴赫《G 大调第一无伴奏大提琴组曲》前奏曲，BWV 1007一把大提琴，没有乐队，也没有歌词， ...

搭建 RAG 知识库并不只是“上传文档，再接一个大模型”。真正影响效果的环节包括文档解析、分块、向量化、混合检索、重排以及回答阶段的约束。RAGFlow 把这些环节放进一套可视化流程中，适合用于内部制度问答、产品手册检索、技术资料助手等场景。 本文以本地 Docker Compose 部署为起点，完成一个可以检索、测试和持续优化的知识库。示例不包含任何真实凭据。 1. 先理解数据怎样流动一份文档进入 RAGFlow 后，大致会经过下面这条链路： flowchart LR A[原始文件] --> B[版面解析与内容提取] B --> C[按规则切分文本块] C --> D[向量化与全文索引] D --> E[关键词与向量混合检索] E --> F{是否启用重排} F -- 是 --> G[重排候选文本块] F -- 否 --> H[选择相关文本块] G --> H H --> I[对话模型生成回答] Docker Compose 默认还会启动若干 ...

快捷键的价值不在于一次记住全部组合，而在于把最常用的编辑、调试和导航动作逐步变成肌肉记忆。下面按使用场景整理 Visual Studio 常用快捷键。 常用编辑快捷键 注释代码：Ctrl + K, Ctrl + C 取消注释：Ctrl + K, Ctrl + U 代码格式化： 格式化整个文档：Ctrl + K, Ctrl + D 格式化选中内容：Ctrl + K, Ctrl + F 复制整行代码（无需选中）：将光标放在行上，Ctrl + C 剪切整行代码：将光标放在行上，Ctrl + X 删除整行代码：Ctrl + Shift + K 撤销：Ctrl + Z 重做：Ctrl + Y 或 Ctrl + Shift + Z 查找：Ctrl + F 查找全部文件：Ctrl + Shift + F 替换：Ctrl + H 转到定义：F12 转到声明：Ctrl + F12 查找所有引用：Shift + F12 跳转到指定行：Ctrl + G 插入代码片段：Ctrl + K, Ctrl + X 切换书签：Ctrl + K, Ctrl + K 切换行注释（VS2022及以上）：Ctrl + ...

数据可视化的重点不只是“把图画出来”，还包括选择合适的图形、控制画布结构，以及让标题、坐标轴和图例准确传递信息。这份笔记从 Matplotlib 的基础对象开始，逐步整理常见图表。 一、Matplotlib 概述常见的数据可视化工具包括 Matplotlib、Seaborn 和 Bokeh。Matplotlib 提供底层而灵活的绘图能力；Seaborn 在其基础上封装了更适合统计图形的接口；Bokeh 更侧重交互式图表。本文主要使用 Matplotlib。 为什么使用 Matplotlib使用Matplotlib实现数据图形化的优势是： 接口覆盖从快速绘图到精细布局的不同需求； 支持交互式探索，也适合生成静态报告图表； 文字和公式可以使用 LaTeX 风格排版； 可以控制坐标轴、图例、颜色与布局等细节； 支持 PNG、PDF、SVG 和 EPS 等常见格式。 二、创建简单图形（一）导入绘图模块1import matplotlib.pyplot as plt （二）创建 Figure 对象12345678910111213141516171819202122import mat ...

NumPy 不仅用于数组计算，也提供了轻量的数据读写、汇总统计和索引工具。本篇按“读写—统计—排序—去重—搜索”的路径组织常用方法，便于按任务快速查找。 一、NumPy 读取数据(一) 使用NumPy读写文本文件1.将1维或2维数组写入TXT文件或CSV格式文件​ (1) 写入后缀名为txt或csv的文件 ​ (2) 语法: numpy.savetxt(fname,array,fmt=’%.18e’,delimiter=None,newline=’\n’, header=’’, footer=’’, comments=’# ‘, encoding=None) 参数 解释 fname 文件、字符串或产生器，可以是.gz或bz2压缩文件 array 存入文件的数组（一维数组或者二维数组） fmt 写入文件的格式，如：%d，%.2f，%.18e，默认值是%.18e delimiter 分隔字符串，默认是任何空格,改为逗号 newline 值可以\n,换行 header 头部加入注释 ...