《向量数据库：大模型驱动的智能检索与应用》
内容涵盖从理论基础到技术实践的多个方面，详细讨论高维向量表示中的信息丢失、嵌入空间误差和维度诅咒等问题，
结合FAISS和Milvus等主流开源工具，深入剖析向量数据库的索引机制、搜索算法和优化策略。
通过实际案例，展示向量数据库在推荐系统、行为分析、智能诊断、语义搜索等领域的应用，
并特别强调企业级语义搜索系统的开发与部署经验。
适合从事搜索引擎与推荐系统开发的工程师，数据科学、人工智能及相关领域的从业者、研究人员，以及对向量数据库与相似性搜索感兴趣的读者

在自然语言处理（NLP）和机器学习领域，
静态嵌入（Static Embeddings） 和动态嵌入（Dynamic Embeddings） 是两种生成词向量的核心技术，
它们的核心区别在于词向量是否会根据上下文动态变化；
简单场景用静态嵌入（如 Word2Vec），复杂场景用动态嵌入（如 BERT）

向量嵌入(Vector Embeddings)是向量数据库的核心基础，
将非结构化数据转换为高维向量，使其能够在向量空间中进行存储、检索与分析。
通过嵌入技术，文本、图像和音频等数据被映射为语义相关的向量表示，为相似性搜索和数据挖掘提供了可能。

查看python版本
python -v 
python --version
import sys
sys.version
# f-string 格式化字符串
print(f"{sys.version}")

θ（theta） 表示角度或方向相关的量
Δ（delta） 表示变化量或差值

大模型对话 
国内：
DeepSeek：使用面广
通义千问：综合能力强
豆包：多模态能力突出，尤其擅长文字、图片、视频混合任务
国外：
ChatGPT：经典，综合能力强
Gemini：擅长长文本分析
Claude：适合逻辑推理、编程任务

计划去北欧度假
用大模型对话，它最多帮我规划日程
如果用一个私人旅游智能体，它可以
制定行程
邀请同行伙伴
订机票和酒店
安排当地商务访问
智能体（AI Agent）的价值：不仅“说”，还能“做”

拥抱AI 多用AI

当随机变量分布右侧出现一个长尾时，这一分布正偏或者右偏；
反之，若左边出现一个长尾，则为负偏或者左偏

AI编程
Cursor（国外）
内嵌Claude等多种大模型
TRAE（国内）
Cursor的国内平替
Trae 是字节跳动推出的国内首个 AI 原生 IDE ；
Trae 的含义是 The Real AI Engineer，即真正的 AI 工程师。
2025 年 1 月，Trae 国际版上线，3 月 3 日，Trae 国内版正式上线。
Cursor 采用付费模式，会员费为 20 美元 / 月，而 Trae 完全免费，
用户无需支付任何费用即可无限量使用其内置的 AI 模型，
大大降低了开发成本，尤其适合预算有限的开发者；
集成主流 AI 模型：国内版集成豆包 1.5Pro 和满血版 DeepSeek R1、V3 模型，
还内置了 GPT-4o、Claude-3.5-Sonnet 模型供免费使用。