开发者中间件工具生态 2024 年总结 66 | AI Agent 逐渐成为 AI 应用的核心架构 68 | 谈开源大模型的技术主权问题 72 | 2024:大模型背景下知识图谱的理性回归 77 | 人工智能与处理器芯片架构 89 | 大模型生成代码的安全与质量 93 | 2024 年 AI 大模型如何影响基础软件行业中 的「开发工具与环境」 98 | 推理中心化：构建未来 AI 基础设施的关键 Part 更加「接地气」，受到了更多开 发者的喜爱。 虽然面临资源的挑战，但它们的 灵活性和社区驱动力使得它们获 得了更多开发者的支持。 9 / 111 本年度最活跃的开源组织 不同开源组织在 Issue 解决 和 PR 处理数量上的差异，反映了它 们在开发活跃度、社区参与度和 技术成熟度上的不同战略。 技术大厂主导的项目往往具有较 高的资源投入和社区管理效率， 而民间组织则可能更注重技术问 题的快速解决，并逐步吸引更多 openKylin MindSpore openGauss Ascend dromara anolis OpenCloudOS Stream UBML 解决 Issue 处理 PR 10 / 111 编程语言流行趋势 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 Java JavaScript

架构/内核 云原生基础设施 安全 测试 行业解决方案 治理类 职能组织 社区基础设施 版本发行 社区生态管理 服务器 云计算 边缘计算 智能终端 桌面 … 操作系统应用场景 处理器 … 服务器 端设备 内存 系统软件 … 数据库管 理软件… 应用软件 编译软件 开源促进“更好的”操作系统被“更好地”使用 硬件适配 软件适配 19 ©2023.11 iResearch 府 （ 工 业 交 通 金 融 ） 通用性强： 同一数据库 可以轻松扩 展至其他互 联网平台 架构复杂： 多为单体应 用，架构上 耦合度较 高，代码难 度高 架构轻：前 端展示、中 层业务处理 逻辑、后端 数据库 “求稳定”：更注重 系统对业务的安全性 和稳定性的支持，因 而采用自建服务器或 私有云的运营方式 “求灵活”：更注重 系统对业务快速扩张 和灵活变动的支持， 因而更多采取订阅云 源项目较分散，需要进一步集中开源力量 来源：根据专家访谈、公开资料，由艾瑞咨询研究院自主研究及绘制。 云原生应用编排及管理 编排与调度 远程调用 服务代理 API网关 服务网格 分布式架构 消息处理 Serverless 自动化配置 数据库 镜像制作 … 边缘计算 人工智能 大数据 区块链 … 云原生底层技术 容器技术 存储技术 网络技术 云原生顶层应用 云 原 生 应 用 安 全

是利用深度学习和大数据训练的人工智能系统，专门 设计来理解、生成和回应自然语言。这些模型通过分析大量 的文本数据来学习语言的结构和用法，从而能够执行各种语 言相关任务。以 GPT 系列为代表，LLM 以其在自然语言 处理领域的卓越表现，成为推动语言理解、生成和应用的引 擎。 LLM 在多个领域都取得了令人瞩目的成就。在自然语言处 理领域，GPT 系列模型在文本生成、问答系统和对话生成 等任务中展现出色的性能。在知识图谱构建、智能助手开发 (Generative Pre-trained Transformer) 的提出标志着 LLM 技术的飞速发展，其预训练和微调的 方法为语言任务提供了前所未有的性能，以此为基础，多模态融合的应用使得 LLM 更全面地处理各种 信息，支持更广泛的应用领域。 图源：https://postgresml.org/docs/.gitbook/assets/ml_system.svg 4 / 32 LLM 基础设施 LLM 基础设施：大模型框架及微调 (Fine Tuning) 大模型框架指专门设计用于构建、训练和部署大型机器 学习模型和深度学习模型的软件框架。这些框架提供了 必要的工具和库，使开发者能够更容易地处理大量的数 据、管理巨大的网络参数量，并有效地利用硬件资源。 微调（Fine Tuning）是在大模型框架基础上进行的一个 关键步骤。在模型经过初步的大规模预训练后，微调是 用较小、特定领域的数据集对模型进行后续训练，以使

LLM 的基础知识，包括其工 作原理、架构、训练方法。 近年来，人工智能（AI）技术的快速发展催生了大型语言模型（（Large Language Model, LLM））的兴起。LLM 在自然语言处理（NLP）领域 发挥着越来越重要的作用，广泛应用于智能问答、文本生成、代码编写、机 器翻译等任务。LLM 是一种基于深度学习的人工智能模型，其核心目标是 通过预测下一个单词来理解和生成自然语言。训练 Group）训练的模型在本质上存在一些重要区别。主要区别之一，大模型更 加通用，这是因为它们基于大量多样化的数据集进行训练，涵盖了不同领域 和任务的数据。这种广泛的学习使得大模型具备了较强的知识迁移能力和 多任务处理能力，从而展现出“无所不知、无所不晓”的特性。相比之下， 我们基于单一数据集训练的模型通常具有较强的针对性，但其知识范围仅 限于该数据集的领域或问题。因此，这类模型的应用范围较为局限，通常只 能解决特定领域或单一任务的问题。 元化，模型最后就会越通用；即使包括噪声数据，模型仍能通过扩展规律提 取出通用的知识。而 Transformer 这种架构正好完美做到了 Scaling Laws， Transformer 就是自然语言处理领域实现扩展规律的最好的网络结构。 2.2 Transformer 基础架构 LLM 依赖于 2017 年 Google 提出的 Transformer 模型，该架构相比传统的 RNN（递归神经网络）和

Bard，作为其首次亮相的对话 LLM 产品，无疑具有其里程碑意义，尽管它的首秀并不尽 如人意，车翻了又翻。 三、 Claude 2、PaLM 2、Llama 等模型与产品也展现了 LLM 在语言理解和多模态处理能力方面的探索，甚至 Claude 2 还一度被誉为实力可以硬刚 ChatGPT。而 Meta 开源的 Llama 2 更成为了 LLM 领域开源势力的典型代表，它的 出现，犹如一颗投入平静湖面的石子，激荡起层层水波， GPT-2和GPT-3模型开发的前研究人员组建， 专注于开发通用 AI 系统和语言模型，并秉持负责任的 AI 使用理念。 李彦宏称：“无论是哪家公司，都不可能靠突击几个月就能做出这样的大语 言模型。深度学习、自然语言处理，需要多年的坚持和积累，没法速成。” 长度是 Llama 1 的 2 倍，并采用了分组查询注意力机制。具体来说，Llama 2 预训练模型是在 2 万亿的 token 上训练的，微调 Chat 模型是在 AI、支持全栈编程语言、跨平台真机预览、一键部署，用于 构建全栈网络和多平台应用程序。 2023 年 10 月，百川智能发布 Baichuan2-192K 大模型，上下文窗口长度高 达 192K，号称是当时全球最长的上下文窗口，能够处理约 35 万个汉字。 在上下文窗口长度、长窗口文本生成质量、长上下文理解以及长文本问答、 摘要等方面的表现均全面领先 Claude2。 2023 年 9 月，蚂蚁集团正式开 源代码大模型 CodeFuse——基

Git。本章面向那些希望在你自己的组织或个人服务器搭建用于合作的 Git 的读者。 如 果你希望让别人处理这些事务，我们也会探讨一些托管选项。 第五章 将阐述多种分布式工作流的细节，以及如何使用 Git 实现它们。 学习完本章，你应该能够在多个远程仓 库之间游刃有余，通过电子邮件使用 Git， 熟练地处理多个远程分支和合作者贡献的补丁。 第六章 介绍 GitHub 托管服务以及深层次的工具。我们将涵盖注册与账户管理， Torvalds）基于使用 BitKeeper 时的经验教训，开发出自己的版本系统。 他们对新的系统制订了若干目标： • 速度 • 简单的设计 • 对非线性开发模式的强力支持（允许成千上万个并行开发的分支） • 完全分布式 • 有能力高效管理类似 Linux 内核一样的超大规模项目（速度和数据量） 自诞生于 2005 年以来，Git 日臻成熟完善，在高度易用的同时，仍然保留着初期设定的目标。 地数据 库中读取。 你能立即看到项目历史。如果你想查看当前版本与一个月前的版本之间引入的修改， Git 会查找到一 19 个月前的文件做一次本地的差异计算，而不是由远程服务器处理或从远程服务器拉回旧版本文件再来本地处理。 这也意味着你在离线或者没有 VPN 时，几乎可以进行任何操作。 如你在飞机或火车上想做些工作，就能愉快地 提交（到你的 本地 副本，还记得吗？）， 直到有网络连接时再上传。如你回家后

Git。本章面向那些希望在你自己的组织或个人服务 器搭建用于合作的 Git 的读者。 如果你希望让别人处理这些事务，我们也会探 讨一些托管选项。 第五章 将阐述多种分布式工作流的细节，以及如何使用 Git 实现它们。 学习 完本章，你应该能够在多个远程仓库之间游刃有余，通过电子邮件使用 Git， 熟练地处理多个远程分支和合作者贡献的补丁。 第六章 介绍 GitHub 托管服务以及深层次的工具。我们将涵盖注册与账户管 Torvalds ） 基 于 使 用 BitKeeper 时的经验教训，开发出自己的版本系统。 他们对新的系统制订了 若干目标： 速度 简单的设计 对非线性开发模式的强力支持（允许成千上万个并行开发的分支） 完全分布式 有能力高效管理类似 Linux 内核一样的超大规模项目（速度和数据量） 自诞生于 2005 年以来，Git 日臻成熟完善，在高度易用的同时，仍然保留着 初期设定的目标。 示出来——它只需直接从本地数据库中读取。 你能立即看到项目历史。如果 你想查看当前版本与一个月前的版本之间引入的修改， Git 会查找到一个月前 的文件做一次本地的差异计算，而不是由远程服务器处理或从远程服务器拉回 旧版本文件再来本地处理。 这也意味着你在离线或者没有 VPN 时，几乎可以进行任何操作。 如你在飞机 或火车上想做些工作，就能愉快地提交（到你的 本地 副本，还记得吗？）， 直到有网络连接时再上传。如你回家后

允许圆角超出敷铜轮廓 敷铜可以在敷铜属性对话框中添加圆角 (圆角)。 默认情况下，不允许在敷铜轮廓之 外使用敷铜 (包括圆角)。 这实际上意味着，即使配置了圆角，也不会对敷铜轮廓的 内角进行圆角处理。 通过启用此设置，敷铜轮廓的内角将被圆角，即使这会导致敷 铜中的铜延伸到敷铜轮廓之外。 在布线长度计算中包括压 层高度 默认情况下，压层的高度用于计算从一层到另一层通过过孔的布线的附加长度。 (热键 + )。使用圆角布线时，每个布线步骤将放置直线段、单个圆弧或同时放置直线段和圆弧。布 线形态决定首先放置圆弧还是直线段。 选择所需布线后，还可以在布线后使用圆角布线命令对布线拐角进行圆角处理。 NOTE 尚不支持使用圆弧拖动布线。当拖动布线或在推挤模式下由布线器移动布线时，圆弧将转换回锐 角。 布线宽度 被布线的线段的宽度是通过以下三种方式之一来确定的：如果布线的起点是现有线段的终点，并且顶部工具栏上的 作业文件： 开启后，Gerber 作业文件 ( .gbrjob ) 将与任何 Gerber 文件一起生成。 Gerber 作业文件 是 Gerber 格式的扩展，包括有关 PCB 压层、材料和表面处理的信息。 有关 Gerber 工作文件的更多信息，请访问链 接：https://www.ucamco.com/en/gerber/gerber-job-file[Ucamco 网站]。 坐标格式：

OPENPITRIX 应用发布和管理平台 KUBEEYE K8s集群自动巡检工具 Fluentbit Operator K8s的Fluent Bit kube-events K8s事件处理 Notification Manager K8s消息通知 Alerting Syst 高性能报警系统 S2i-operator 基于Kubernetes CRD的控制器 OpenFunction 私有云商业化路径，坚持IaaS开源产品化发展 云轴科技（ZStack）由阿里云、中国电信战略投资并战略合作，是国内领先的开源云服务提供商，拥有完全自主知识产权， 是和VMware、Openstack等并行的独立云计算路线，提供自研的ZStack Cloud云平台以及软硬一体的ZStack Cube超融合 等多款基础云产品，以及自主的开源IaaS社区——ZStack.io社区。支持“一云、多芯、多OS”的异构信创，切实解决了云 Cloud作为云基座。 ZStack核心产品——ZStack Cloud产品架构与核心性能优势 简单 Simple 下载简单，部署简单， 运维简单，管理简单 健壮 Strong 稳定高效，轻松处理高 并发，故障自恢复 弹性 Scalable 同时管理多个平台，客 户按需使用资源 智能 Smart 同时管理多个平台，客 户按需使用资源 管理 实现异构平 台资源纳管， 同时管理多 个平台

Krita 5.0 文档中心 对新用户的友情提示： Krita 的首要用途是绘画，其次才是图像处理。它与 Photoshop、GIMP 等 通用图像处理软件的设计思路是不同的。我们建议新用户通读使用指南。 它选取了绘画流程的常用功能进行系统而简明的介绍，帮助你建立使用 Krita 的正确习惯，减轻自学困难，提高创作效率。如果你想要参加 Krita 项目的工作，为社区撰写文档、进行翻译、提供技术支持，我们也为你准 Wacom 数位板 笔刷的制作、加载和保存 笔刷选项面板 制作笔刷预设 分享笔刷预设 画布上的笔刷编辑器 对称绘画工具 轴线倾斜的对称绘画 辅助尺 辅助尺类型 技术图纸透视设置范例 理解和处理图像 图像文件包含的数据 元数据 图像大小 作者和描述信息 裁剪和调整画布大小 调整画布大小 保存、导出和打开文件 保存、自动保存、备份文件 保存 自动保存 备份文件 模板 动画模板 欧美漫画模板 比安装预先编译好的软件包更加麻烦，但也有一些好 处： 你可以及时跟踪 Krita 的最新开发进度。如果你定期从开发代码仓库获取 最新代码编译 Krita，你将可以试用许多正在开发的新功能。 你可以在构建时为你的处理器进行优化。预构建的软件包往往只能针对最 低标准的 CPU 进行优化。 你可以立即获得全部已完成的程序缺陷修复。 你可以向我们的程序员提供反馈新功能中的问题，帮助我们进行软件测 试。这对 Krita