LOUIS' BLOG

本篇博文主要展示每日从Arxiv论文网站获取的最新论文列表，以自然语言处理、信息检索、计算机视觉等类目进行划分。 统计 今日共更新592篇论文，其中： 自然语言处理97篇 信息检索18篇 计算机视觉124篇 自然语言处理 1. 【2604.14144】SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments 链接：https://arxiv.org/abs/2604.14144 作者：Dinging Li,Yingxiu Zhao,Xinrui Cheng,Kangheng Lin,Hongbo Peng,Hongxing Li,Zixuan Wang,Yuhong Dai,Haodong Li,Jia Wang,Yukang Shi,Liang Zhao,Jianjian Sun,Zheng Ge,Xiangyu Zhang,Weiming Lu,Jun Xiao,Yueting Zhuang,Yongliang Shen 类目：Computer ...

一、这是什么 我创建了 project-docs-manager 技能，以标准化流程维护结构化项目文档库，帮助 AI 自主理解项目全貌、历史决策与当前状态。该技能遵循「单一事实源」「机器可读优先」「闭环自更新」三大原则，支持本地目录、Obsidian、云端文档等多种媒介，并内置初始化、迭代记录、状态查询等完整工作流。 它不只是一个文档管理工具。它要实现的是在项目中建立一套结构化文档体系，充当 AI 的"项目记忆"和"驱动引擎"，从而让 AI 能够自主地理解项目现状、提出优化方向、执行变更、回收效果、沉淀知识，然后基于新的认知发起下一轮迭代——全程不依赖人类重新交代背景。 这背后是一种范式的根本转变。 传统开发以代码为中心，人花大部分时间写代码、调模型、配部署。但在 AI 时代，这个关系颠倒了——文档成为中心，代码、模型、配置只是文档的附属产物。你把目标和大致的想法写进文档，AI 读取后设计方案、生成代码、训练模型、部署服务、回收指标。 Project Docs Manager 就是要把这套 “文档驱动” 的工作流固化下来，让 AI 真正具备自主驱 ...

一、这是什么 video-knowledge-purify 技能，用于将视频内容自动转换为结构化的 Markdown 知识笔记。它的核心流程只有三步：转录 → 分段 → 汇总。 🔗 源码与使用说明：https://github.com/isLouisHsu/skills/tree/main/skills/video-knowledge-purify 你丢给它一个视频文件（或者已有 SRT 字幕），它会自动完成以下工作： 音频转录：把视频中的语音转为带时间戳的 SRT 字幕； 内容分段：调用文本 LLM 按语义主题切分字幕，识别知识点边界； 内容汇总：调用 VLM 结合字幕文本和视频关键帧，逐段生成 Markdown 笔记。 最终输出是一份可直接导入 Obsidian、Notion 或任何 Markdown 知识库的 note.md，每个段落都标注了时间范围，并配有对应的关键帧图片。 二、为什么需要这个 Skill 视频是高质量知识源，但消费和沉淀的成本极高。 视频不适合快速检索和复习。B站、YouTube、知识付费课程里有大量干货，但视频形态决定了你无法像搜索文档一样快速 ...

目录 2026-04-01 2026-04-01 概览 本期报告共整合 3 个数据源的热点分析： 数据源 分析项目数 分析时间 GitHub 开源热点 20 2026-04-01 02:56 HackerNews 技术热点 20 2026-04-01 02:57 HuggingFace 论文热点 20 2026-04-01 02:55 GitHub 开源热点 1. 开源趋势洞察 2026年第一季度末的GitHub热度数据揭示出一个清晰且深刻的结构性转变：“Claude Code”已不再仅是一个模型或产品名称，而演变为一种新型AI开发范式的代名词。多个高增长项目（如 claude-code、everything-claude-code、gstack、claude-howto）围绕其构建工具链、技能框架与工程方法论，形成类似“React 生态”级别的开发者共识。 更值得关注的是，“智能体即基础设施”（Agent-as-Infrastructure）正在成为主流实践。无论是 superpowers 提出的“agentic skills framework”， ...

TL;DR Agent Harness 是围绕大模型构建的运行时基础设施，负责管理 Agent 的生命周期、上下文状态、工具调用链路与执行安全。本文以 Claude Code 为范本，拆解其七个核心工程机制：执行循环（感知—推理—行动—观测的 while 闭环）、原子化工具集（bash/文件操作按需组合）、动态技能加载（目录常驻+内容按需注入）、三层上下文压缩（微观清理→阈值重置→模型主动压缩）、Human-in-the-loop 审批（高风险操作前插入人工确认节点）、任务编排（会话内 todo 列表 + 跨会话带依赖图的持久化任务系统），以及多智能体协作（一次性 Subagent 上下文隔离 + 持久化 Agent Teams 邮箱通信）。这些机制共同解决了 Agent 工程化落地中最核心的几个问题：任务不丢失、上下文不爆炸、执行可审计、复杂任务可拆解、多 Agent 可协同。 本文所涉及的代码示例全部来自 shareAI-lab/learn-claude-code 仓库，一个按难度递进展示 Agent Harness 核心机制的教学项目。 从工作流到 Harness Engin ...

引言 大型语言模型（LLM）的强化学习训练流程往往涉及复杂的分布式采样、大规模策略网络和高维奖励建模，初学者很容易迷失在工程细节中。为了剥离这些干扰，本文借助 OpenAI Gym 中经典的 Frozen Lake（冰湖） 环境，结合一份精简但功能完整的代码实现，深入剖析两种主流策略优化算法：PPO（Proximal Policy Optimization） 和 GRPO（Group Relative Policy Optimization）。我们将聚焦于它们的核心——优势函数（Advantage Estimation） 的构建逻辑，并解释其背后的动机与数学形式。 Frozen Lake 环境简介 Frozen Lake 是一个网格世界（Grid World）任务： 状态空间：智能体位于 N times N 网格中的某个格子，用整数索引表示（如 0 到 N^2 - 1）。 动作空间：上下左右四个方向移动（离散动作，共 4 个）。 地图元素： S：起点（Start） F：安全冰面（Frozen） H：冰窟（Hole），掉入即失败，奖励为 0 G：目标（Goal），到达即成功，奖励为 ...

TL;DR 多臂老虎机问题是在有限尝试次数下，通过平衡探索（尝试未知选项）与利用（选择当前最优选项），最大化总奖励的经典决策问题。 UCB1（Upper Confidence Bound 1） 基于置信上界，对每个臂的估计奖励加上一个“不确定性”项，偏向乐观选择；理论保证强，但探索略显保守。 汤普森采样（Thompson Sampling）采用贝叶斯方法，从每个臂的后验分布中采样并选择最大者，实现“按需探索”，自适应性强。 在实验中（4臂、5000步、最优臂 p=0.637）： 汤普森采样的总悔憾仅15.6，远低于UCB1的59.8； 更快锁定最优臂（<500步 vs. ~1000步）； 非最优臂尝试次数更少（32次 vs. 123次）。 汤普森采样在实际应用中通常更高效、更智能，是工业界首选；UCB1则胜在理论清晰，适合分析场景。 什么是多臂老虎机问题？ 有一排老虎机，每一台机器（称为一个“臂”）拉一次会以某个未知概率吐出硬币（奖励为 1），否则什么也没有（奖励为 0）。你的目标是在有限次数（比如 5000 次）内，尽可能多地获得硬币。 多臂老虎机问题 有 KKK ...

TODO: 结合RL原理、图示、代码，对PPO计算流程加以说明 ϕ=arg max⁡ϕEs∼p(s;ϕ)12min⁡(∣∣rt+γVπ(st+1)−V~π(st)∣∣22‾,∣∣rt+γVπ(st+1)−clip(V~π(st),Vminπ,Vmaxπ)∣∣22‾)\phi = \argmax_{\phi} E_{s \sim p(s;\phi)} \frac{1}{2} \min \left( \underline{ || r_t + \gamma V^{\pi}(s_{t+1}) - \tilde{V}^{\pi}(s_t) ||_2^2 }, \underline{ || r_t + \gamma V^{\pi}(s_{t+1}) - \text{clip}( \tilde{V}^{\pi}(s_t), V^{\pi}_{min}, V^{\pi}_{max} ) ||_2^2 } \right) ϕ=ϕargmax​Es∼p(s;ϕ)​21​min(∣∣rt​+γVπ(st+1​)−V~π(st​) ...

封面图来自 Stable Diffusion with 🧨 Diffusers

TL;DR Transformer模型为了处理序列的位置信息，引入了位置编码(Position Embedding, PE)。常见的位置编码方案有绝对位置编码(Absolute Position Embedding)、相对位置编码(Relative Position Embedding)和旋转位置编码(Rotary Position Embedding, RoPE)。 绝对位置编码：使用三角函数式位置编码，如Sinusoidal APE，将位置信息累加到输入序列的元素向量中，有助于模型感知输入的顺序。 相对位置编码：不为每个元素引入特定的位置表征，而是关注元素之间的相对位置关系。在NeZha、DeBERTa等模型中使用，有更强的长距离依赖建模能力。 旋转位置编码：是在绝对位置编码的基础上引入的一种改进，采用了“绝对位置编码方式实现的相对位置编码”，在实验中表现出更好的性能。 针对模型处理长文本的问题，提出了几种长度外推方法： 线性内插（Linear Interpolation）：通过减小位置精度，使得可表示范围内容纳更多位置，但可能需要进一步预训练适配。 NTK-Scaling ...