Learning to Paint：一个绘画 AI
【深度强化学习】人工智能绘画 通过结合神经网络笔画渲染器和基于模型的深度强化学习，我们的 AI 可以用笔画描绘纹理丰富的自然图像。
相关分享
AI Prompt 整理
prompt 原则：
1、写出清晰而具体的指示，清晰不是指短，而是尽量详细，可采用分隔符避免自己的要求和内容的混淆，分隔符形式不限：“””, < >, {}
2、给模型思考的时间。如果答案不对，可以尝试不断变化提问方式，直到得出想要结果。可以采用简化或分解问题的方式。
无图
AI 作为新型黑客：开发进攻性安全代理
这篇文章深入解析了浏览器沙盒逃逸的技术原理，详细讲述了攻击者如何利用漏洞突破沙盒限制，实现对系统的进一步控制。通过真实案例和技术细节的剖析，展示了沙盒逃逸的核心思路和防御对策。内容适合网络安全研究人员、漏洞挖掘工程师，以及对浏览器安全机制感兴趣的技术从业者，提供了宝贵的学习资料和实践指导。
无图
探索 AI 驱动的网络安全框架：深度学习技术、GPU 支持和未来增强
这篇文章详细分析了现代网络攻击中的 DGA（域名生成算法）技术，涵盖了其工作原理、分类及在恶意软件中的应用实例。通过技术解析和实际案例，展示了如何检测和防御 DGA 带来的安全威胁。内容适合网络安全研究人员、安全工程师以及对恶意软件分析感兴趣的技术爱好者，提供了系统化的学习参考。
无图
让AI 实现一个红黑树
文章探讨了使用AI帮助实现红黑树数据结构的过程。作者尝试使用多种AI工具模拟专家（如Rob Pike）实现红黑树，并进行了代码优化、单元测试和Fuzz测试。过程中发现AI生成的代码存在问题，但通过不断调整和AI协作，最终实现了功能完善的红黑树实现。文章强调AI在代码生成、测试和优化方面的潜力与不足。
无图
基于 LLaMA 和 LangChain 实践本地 AI 知识库
通用人工智能，即：AGI（Artificial General Intelligence）的实现，正在以肉眼可见的速度被缩短，以前在科幻电影中看到的种种场景，或许会比我们想象中来得更快一些。不过，等待 AGI 来临前的黑夜注定是漫长而孤寂的。在此期间，我们继续来探索 AI 应用落地的最佳实践，即：在成功部署本地 AI 大模型后，如何通过外挂知识库的方式为其 “注入” 新的知识。
无图
使用 llama.cpp 在本地部署 AI 大模型的一次尝试
本文旨在尝试使用 llama.cpp 在本地部署 AI 大模型，随着人工智能的快速发展，我们逐渐认识到私有化部署的重要性和潜力。在此背景下，llama.cpp 作为一个纯 C/C++ 实现的 LLaMA 模型推理工具，提供了在本地环境下高性能的 AI 推理能力。在这篇文章中，我们可以了解到 llama.cpp 具有在 GPU 和 CPU 环境下运行的灵活性，满足私有化部署的需求。文章详细介绍了 llama.cpp 编译和部署的过程，为读者提供了一份在本地部署 AI 大模型的教程。私有化部署的 AI 大模型，相比于 ChatGPT 这类通用大模型，更注重数据隐私和安全性，对云服务的依赖更少，可以做到更好的本地化控制。虽然编译 llama.cpp 有一定的复杂性，AI 大模型的下载、转化、量化需要一定的耐心，可当本地的 AI 应用运行起来的那一刻，博主觉得这一切完全值得。
无图
使用 Docker 快速上手 Stability AI 的 SDXL 1.0 正式版
本篇文章，我们聊聊如何使用 Docker 来本地部署使用 Stability AI 刚刚推出的 SDXL 1.0，新一代的开源图片生成模型，以及在当前如何高效的使用显卡进行推理。
无图
基于AI+数据驱动的慢查询索引推荐
目前，美团内部的日均慢查询数量已经超过上亿条，如何对对这些慢查询进行分析并建立合适的索引，是美团数据库研发中心面临的一项挑战。美团数据库平台研发组与华东师范大学展开了科研合作，通过基于AI+数据驱动的索引推荐，来与基于代价的方法并行地为慢查询推荐索引，以提升推荐效果。
无图
AI 加持的代码编写实战：快速实现 Nginx 配置格式化工具
本篇文章聊聊如何使用 GPT 快速完成一个开源小项目，解决实际的问题，顺手点亮 GitHub 上 Nginx 开源社区的贡献者图标。“Talk is Cheap，Show you the Code。
无图
AI测试的迷思
AI系统本身的发展还不足以很好地替代人在测试分析和测试设计方面的工作，导致AI实现的自动化测试的准确性以及可维护性比人工的方式更差，不过它的时间和成本优势却远远超过人工，这个也是其越来越火的根本原因。所以在测试领域，AI需要更加努力,才能真正替代人的工作。
无图