攀岩技术的兴起最早可追溯到十八世纪的欧洲。当时的登山者为了克服类似阿尔卑斯山等终年积雪的冰岩地形，发展出一套系统的攀登技术。1983年法国人Mr. Francois SAVIGNY 发明了由树脂及混凝土合成的可移动式岩块，奠定了攀岩墙日后发展的基础。
目前攀岩在国外是一项非常兴盛而且老少咸宜的运动，攀岩墙的设立非常普遍，室内及室外都有。因此常常可以看到一些外国朋友在下班之后，到这些设有岩墙的休闲娱乐中心或健身房活动一下再回家的情形。在节假日，也常常可以看到在设有岩墙的公园里全家同乐的景象。因为对现代都市人而言，到天然岩场攀爬往往要花去不少交通的时间，而且受气候的影响很大。因此在国外，尤其是运动风气鼎盛的欧洲、北美洲，许多岩墙的设立都是由政府出资规划兴建，因为它提供了一个绝佳的旅游休闲的去处。
现代人随着经济起飞，生活的品质已不再是要求温饱而已，而是希望建立工作与身心健康、休闲品质、家庭亲子关系等相对的平衡。攀岩活动，可以完全满足这些需求，并且完全没有危险性。除了以上这些好处外，更因为攀岩活动没有体型、性别及年龄上的限制，无论男女老少皆可享受攀登的乐趣。现代人饱受生活压力与工作压力之苦，他们可以从攀岩活动中获得成就感，舒缓压力。
在休闲市场上，目前世界各地一些稍具规模的公园、游乐场、度假饭店都以此设备来招揽客人，以凸显自己的特色。
除了攀岩活动之外，人工岩墙也可以提供类似高楼逃生，绳索速降等个人或消防单位之训练以及山难搜救技术的训练。高空作业人员，如天线架设、建筑、外墙清洗作业、冷气安装工作人员，也可以在经过简单的训练后将工作的危险性大幅降低，提升产业竞争力，军方及特种部队也常常利用人工岩场开展各种作战技术演练，例如困难地形突破、突击、潜入、人质解救或是巷战、城市战等等。
攀岩的六大好处
● 增加身体柔软度与协调感
● 增强体力
● 集中力
● 进取心
● 自信心
● 平衡感
攀岩墙的类型
攀岩墙发展迄今，依照其用途可分为：
● 专业竞技型：专业设计，采用高强度仿真复合材料岩板，精心设计路线及难度，供攀岩专业人士、爱好者以及军、警、高空作业等特种行业训练、比赛。
● 仿真娱乐型：创意设计，安全、刺激，充分考虑不同人群的攀登要求，并最大限度的增加投资者的收益。
● 儿童型：岩板表面用环保材料喷涂卡通图案，适合幼儿园儿童及小学生，用于对其肌肉发展及手、眼、身体之协调训练方面。
博客
-
攀岩运动简介
-
22.LlamaIndex架构分析
Stars: 52.1k | Forks: 8.1k | Commits: 7,930
许可证: MIT
定位: 面向数据增强的 LLM 应用框架，核心解决「如何用私有数据增强 LLM」的问题
1. 项目定位与核心价值
LlamaIndex（原名 GPT Index）由 Jerry Liu 于 2022 年创建，定位为文档处理与 AI 数据框架。其核心价值主张是：
- 数据连接器：从 API、PDF、文档、SQL 等多种来源摄取数据
- 数据结构化：通过索引（Index）和图（Graph）组织数据，使其可被 LLM 高效使用
- 高级检索/查询接口：将任意 LLM 提示输入转换为检索上下文和知识增强输出
- 应用框架集成：与 LangChain、Flask、Docker、ChatGPT 等无缝集成
与 LangChain 偏向通用 Agent 编排不同，LlamaIndex 的差异化在于数据为中心——索引构建、检索优化、文档解析是其一等公民能力。
2. 仓库结构与模块化设计
LlamaIndex 采用核心+集成的双层包结构：
-
AI编程（三十二）：Excel筛选排序 — 一行代码筛出你想要的行
八百行的表里找”华东区、销售额过万、三月份”的订单，Excel要三轮筛选加一次排序、点十几下鼠标。
pandas一行条件、一行排序，两行代码拿下——而且换个问题只要换个条件，鼠标点过的活儿再也回不来了一、老板的”第二轮追问”
上一篇结尾留了个话头：老板问完”总销售额、销售冠军、平均单值”，果然杀了个回马枪。这次的问题是：“华东区销售额过万的订单有哪些？按销售额从高到低排出来。”
打开Excel你是这么干的：点”部门”列的筛选箭头→勾”华东”→点”销售额”列筛选→数字筛选→大于→10000→点”销售额”列头排序→降序。十几下鼠标，两分钟。这时候老板又补了一句：”那三月份的呢？””那华南区的呢？”——每换一个条件，前面的鼠标全重点一遍。
上一篇我们把数据读进了程序（忘了的话回看第31篇：
df = pd.read_excel("销售明细.xlsx")，df是一张住在程序里的超级表格）。数据在程序里，”筛选”和”排序”就变成了写条件，而不是点鼠标： -
21. Mem0 架构深度分析
项目: mem0ai/mem0 — AI Agent 的记忆层基础设施
Star: 64.9K+ | Commits: 2600+ | 许可: Apache 2.0
核心定位: 为 AI Agent 提供持久化的、可检索的、多层级的记忆能力
1. 系统定位与设计哲学
Mem0 将自身定义为 “The Memory Layer for Personalized AI”，不是一个 RAG 框架，不是向量数据库，而是一个面向 Agent 的记忆中间层。它的核心命题是：AI 助手应该像人一样”记住”对话上下文、用户偏好和历史事实，而不是每次会话都从零开始。
设计哲学有三个关键原则：
- 记忆即一等公民：记忆不是对话历史的副产品，而是独立的、结构化的、可检索的知识单元
- 推理时提取而非存储时索引：不是把整段对话塞进向量库，而是用 LLM 从对话中提取离散事实
- 多信号融合检索：语义相似度 + BM25 关键词 + 实体匹配，三路信号并行打分后融合
2026 年 4 月的新算法（V3）在 LoCoMo 基准上从 71.4 提升到 92.5，LongMemEval 从 67.8 到 94.4，核心改进是将原来的 add/update/delete 三步 LLM 调用简化为单次 ADD-only 提取——记忆只增不删，依赖检索排序来衰减过时信息。
-
AI编程（三十一）：Excel读取 — 让pandas把整张表一口吞下
表格里躺着八百行数据，用眼睛看看到眼花。今天请来数据分析界的”重型吊车”——
pandas，一行代码把整张Excel读进程序，列名直接当标签用，求和、平均、找最大值都不用写循环一、老板的三个问题
先说一个你迟早会遇到的场景。
周五下午五点五十，老板在群里甩过来一个
销售明细.xlsx：”帮我看看，今年总销售额多少？谁卖得最多？平均一单多少钱？快点，六点开会要用。”你打开文件——八百行，十七列。你点进”销售额”这一列，Excel左下角状态栏显示求和；再排序找最大值对应的销售名；再用AVERAGE算平均。三个问题，三轮操作，五分钟。刚喘口气，老板又来了：”那按月看看呢？华东区单独算呢？”——每多一个问题，就是一轮手动操作。
-
20. GPT-Researcher 深度架构分析
Stars: 29k+ | License: Apache 2.0 | 语言: Python
定位: 首个开源深度研究 Agent，支持 Web 和本地数据源的自主研究与报告生成
1. 整体架构概览
GPT-Researcher 采用 技能化（Skills-based）分层架构，核心是一个中央协调 Agent（
GPTResearcher类），通过组合多个专职技能模块完成研究流程。架构灵感来自 Plan-and-Solve 和 RAG 论文。┌─────────────────────────────────────────────────────────┐ │ GPTResearcher (Agent) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐ │ │ │ Research │ │ Context │ │ Report │ │ Deep │ │ │ │ Conductor│ │ Manager │ │ Generator │ │ Research │ │ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ └─────┬──────┘ │ │ │ │ │ │ │ │ ┌────┴────┐ ┌─────┴─────┐ ┌───┴───┐ ┌─────┴──────┐ │ │ │Retrievers│ │Compressor │ │Writer │ │Source │ │ │ │(Web/MCP/ │ │(Embedding │ │(LLM) │ │Curator │ │ │ │ Local) │ │ Filtering)│ │ │ │ │ │ │ └─────────┘ └───────────┘ └───────┘ └────────────┘ │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐ │ │ │ Memory │ │ Config │ │ LLM │ │ Browser │ │ │ │(Embeddings│ │ Manager │ │ Provider │ │ Manager │ │ │ │ + Vector) │ │ │ │ │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ └────────────┘ │ └─────────────────────────────────────────────────────────┘Agent 核心类的初始化展示了其模块化组合设计：
class GPTResearcher: def __init__( self, query: str, report_type: str = ReportType.ResearchReport.value, report_source: str = ReportSource.Web.value, tone: Tone = Tone.Objective, source_urls: list[str] | None = None, vector_store=None, config_path=None, websocket=None, agent=None, role=None, parent_query: str = "", subtopics: list | None = None, mcp_configs: list[dict] | None = None, mcp_strategy: str | None = None, **kwargs ):该构造函数暴露了 20+ 个可配置参数，覆盖报告类型、数据源、LLM 角色、MCP 集成等维度，体现了高度可定制性。
-
AI编程（三十）：批量文件处理 — 让程序当你的文件收纳师
电脑里躺着几十个”报告1.csv、最终版.csv、最终版2.csv”，一个一个点开改要一下午。今天学两个新朋友——
glob负责”找到所有文件”，os负责”动文件”，从此一句话收拾整个文件夹一、一个文件夹引发的惨案
先说一个真实到让人想哭的场景。
月底报销，财务说：”把发票扫描件都按’日期_金额’格式重命名，不规范的不收。”你打开文件夹一看——
IMG_2041.jpg、IMG_2042.jpg、微信图片_20260930.png、新建文件夹、新建文件夹(2)……一百三十七个文件。你咬咬牙开始一个个改名，改到第二十个，把IMG_2051改成了IMG_2050的名字，覆盖了，找不回来了。再比如：二十个分店各交来一份
销售.csv，你得逐个打开、加上”分店”这一列、再合成总表。或者：把整个文件夹的.txt笔记全部转成.md；把照片/下所有超过5MB的图片挑出来…… -
19. Vercel AI SDK
版本: AI SDK v7.0.99 | 许可证: Apache-2.0 | 仓库: vercel/ai
分析日期: 2026-09-13
概述
Vercel AI SDK 是由 Next.js 团队打造的 Provider 无关的 TypeScript AI 工具包，提供统一 API 对接 OpenAI、Anthropic、Google 等 25+ 模型提供商。其核心设计理念是三层抽象：Core 层（generateText/streamText）、Provider 层（统一语言模型规范）、UI 层（框架无关的 React/Svelte/Vue hooks）。本文从 10 个维度深入剖析其架构设计。
1. 统一 Provider 架构
AI SDK 的核心创新是定义了一套 Language Model Specification（语言模型规范），所有 Provider 必须实现该规范接口。通过
@ai-sdk/provider包发布规范，@ai-sdk/provider-utils提供工具函数，各 Provider 包（如@ai-sdk/openai）实现具体适配。// packages/ai/src/model/resolve-model.ts // 模型解析：字符串 → Provider 实例 → LanguageModel import type { LanguageModel } from '../types'; // 支持两种使用方式： // 1. 字符串形式：model: 'openai/gpt-5.4'（通过 Vercel AI Gateway） // 2. Provider 实例：model: openai('gpt-5.4')（直连 Provider） export function resolveLanguageModel(model: LanguageModel | string): LanguageModel { // 字符串通过 Gateway 路由，对象直接使用 }架构意义：开发者可以一行代码切换 Provider，无需修改业务逻辑。Gateway 模式更是将 Provider 选择从代码层提升到配置层。
-
AI编程（二十九）：数据清洗入门 — 给”脏”数据洗个澡，才能下锅
真实世界的数据从来不干净：空格、错格式、缺胳膊少腿的行混在一起。今天学两招——字符串处理和条件筛选，把脏数据洗成能用的数据
一、一份”看着没问题”的表格，坑有多深
先说一个你八成遇到过的场景。
朋友发来一份”聚餐报名表.csv”，说：”帮我算算一共来多少人，按男女分个组。”你打开一看，十几行，有姓名、性别、手机号，挺整齐的嘛。结果一算——人数比实际多了3个；按性别分组，分出来四组：”男”、”男 “（带空格）、”女”、”M”。手机号更离谱，有的带横杠，有的带”+86″，还有人写了”没手机”。
你找朋友对质，朋友说：”我就是让大家自己填的啊。”
-
18.MetaGPT架构深度分析
项目: geekan/MetaGPT — 57.4k Stars
定位: 多智能体协作框架，模拟软件公司 SOP（标准操作流程）
核心理念:
Code = SOP(Team)— 将 SOP 物化并应用于 LLM 组成的团队源码版本: main 分支 (2025)
1. 设计哲学：SOP 驱动的多智能体
MetaGPT 的核心设计哲学是将软件公司的标准操作流程（SOP）形式化，让 LLM 角色像真实团队一样协作。一行需求输入，产出用户故事、竞品分析、需求文档、数据结构、API 设计等完整软件交付物。
# team.py - Team 类的核心定位 class Team(BaseModel): """ Team: Possesses one or more roles (agents), SOP (Standard Operating Procedures), and a env for instant messaging, dedicated to env any multi-agent activity, such as collaboratively writing executable code. """ env: Optional[Environment] = None investment: float = Field(default=10.0) idea: str = Field(default="") use_mgx: bool = Field(default=True)团队拥有环境（
Environment）、投资预算（investment）、以及可选的 MGX 增强模式。这体现了”软件公司”隐喻——有预算约束、有组织架构、有协作环境。
2. 角色系统（Role）：智能体的核心抽象
Role 是 MetaGPT 最核心的抽象，每个角色拥有独立的身份（profile）、目标（goal）、约束（constraints）、动作列表（actions）、记忆系统（memory）和运行时上下文（RoleContext）。
-
AI编程（二十八）：配置文件管理 — 改设置不动代码，程序才像个”正经软件”
为什么专业程序的设置都放在单独的文件里？今天你做出第一个”改配置不改代码”的程序
一、一个改到崩溃的真实场景
先讲一个你大概率亲历过的惨案。
假设你（或者AI）写了一个”每日打卡提醒程序”，里面写着提醒时间是早上8点。用了一周，你想改成7点半——于是你打开代码，找到那行
提醒时间 = "08:00"，改成"07:30"，保存，重新运行。又过了两周，你想改提醒语；再过一周，你想把打卡记录存到另一个文件夹……每次改动都得：打开代码 → 全文搜索找到那行 → 改 → 提心吊胆别改错别的地方 → 保存重跑。