强化学习入门与理论知识学习. 强化学习（Reinforcement Learning, RL）是机器学习的一个分支，它关注的是智能体（agent）如何在环境中采取行动以最大化某种累积奖励（reward）。与监督学习和无监督学习不同，强化学习不要求智能体有明确的训练数据，而是通过与环境的交互来学习最优的行为策略.

在分类任务中，投票算法结合多个模型的预测结果来提高整体分类性能。其核心思想是利用“集体智慧”，将多个弱模型组合成一个强模型，从而提升分类的准确性和鲁棒性：投票算法属于集成学习（Ensemble Learning）的一种，通过将多个不同的分类器（或模型）组合起来，对同一个问题进行预测，并通过某种投票机制汇总这些模型的预测结果，最终得出一个统一的预测类别。

大模型量化技术是一种用于优化深度学习模型的技术，通过降低模型参数和激活值的精度，将高精度的浮点数（如32位浮点数FP32）转换为低精度的表示形式（如8位整数INT8或4位整数INT4），从而减少模型的存储需求和计算复杂度.

An ultra-lightweight autonomous agent framework based on the ReAct paradigm. MCP is currently supported. How to use McpAgent.

梯度不稳定

Embedding 是机器学习领域中的一个概念，主要用于将高维的数据嵌入到低维空间，以便于算法更好地处理和理解数据。通常用于将离散的、高维的特征转换为连续的、低维的向量表示

From 《Real-time Convolutional Neural Networks for Emotion and Gender Classification》 by Oscar Arrigapoulos in 2017

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。