Hello Halo
如果你看到了这一篇文章，那么证明你已经安装成功了，感谢使用 Halo 进行创作，希望能够使用愉快。
PHP模板注入
PHP模板注入 看到网上一张图： Twig 官网翻译： 快速: Twig将模板编译为简单的优化PHP代码。与常规PHP代码相比，开销减少到最低限度 安全: Twig有一个沙盒模式来评估不受信任的模板代码。这允许Twig用作用户可以修改模板设计的应用程序的模板语言。 灵活: Twig由灵活的词法分析器
CTFSHOW-菜狗杯
菜狗杯 菜狗杯web签到web2 c0me_t0_s1gn我的眼里只有$抽老婆一言既出驷马难追TapTapTapwebshell化零为整无一幸免easyPytHon_P遍地飘零茶歇区小舔田 web签到 web2 c0me_t0_s1gn Ctrl+u -->
MD5问题总结
MD5绕过总结 MD5绕过总结 基本方法 ==弱比较类型 方法一 0e绕过 方法二 ---数组绕过
[WatevrCTF-2019]Supercalc
title: '[watevrCTF-2019]Supercalc' tags: - ctf - buuctf - session abbrlink: 5fc9fa0b date: 2024-10-12 18:06:22 [watevrCTF-2019]Supercalc sessio
llm-universe-Task6 对案例学习和总结
Task 6 对案例学习总结 本次内容如下： 对两个精选案例进行学习 对之前的内容进行总结 对之前所做的东西进行优化 对案例学习 1.个人知识库助手 具体项目界面如下：
llm-universe-Task5系统评估和优化
Task 5 系统评估和优化 评估优化流程 在具体的大模型应用开发中，我们通过寻找并优化Bad Cases来提高系统性能。我们将每个Bad Case加入到验证集中，并在每次优化后重新验证所有案例，以确保系统不会在原有Good Case上失去能力或表现降级。当验证集较小时，我们可以通过人工评估系统输出
llm-universe-Task4 构建RAG应用
llm-universe-Task4 构建RAG应用 基于Datawhale的开源课程：地址 写在前面： 在跟着DW学习途中前几节都是用阿里云服务器，但是好像是服务器配置有点低，进行一系列操作后就会崩溃，但是最近事情，不能老是去调整，所以使用WSL2在本地进行操作
llm-universe-Task3 搭建和使用向量知识库
llm-universe-Task3 搭建知识库 使用智谱embeddingAPI from zhipuai import ZhipuAI def zhipu_embedding(text: str): api_key = api client = ZhipuAI(ap
llm-universe-Task2 主流大模型SDK接入和prompt
Task 2 概念： Prompt Temperature token： Token 是模型用来表示自然语言文本的基本单位，可以直观的理解为“字”或“词” Prompt： 理论分析： prompt（提示）就是用户与大模型交互****输入的代称。即我们给大模型的输入称为 Promp
