🚀 AI Skylight 功能测试 — 代码高亮 / 图表 / 公式 / 评论

1. Prism.js 代码语法高亮

以下是一个 Python 机器学习示例：

import torch
import torch.nn as nn

class TransformerBlock(nn.Module):
    """Multi-head self-attention + FFN"""
    def __init__(self, d_model=512, n_heads=8, d_ff=2048):
        super().__init__()
        self.attention = nn.MultiheadAttention(d_model, n_heads)
        self.ffn = nn.Sequential(
            nn.Linear(d_model, d_ff),
            nn.GELU(),
            nn.Linear(d_ff, d_model)
        )
        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)

    def forward(self, x):
        attn_out, _ = self.attention(x, x, x)
        x = self.norm1(x + attn_out)
        ff_out = self.ffn(x)
        return self.norm2(x + ff_out)

JavaScript 异步请求示例：

async function queryLLM(prompt, model = 'gpt-4') {
    const response = await fetch('https://api.openai.com/v1/chat/completions', {
        method: 'POST',
        headers: {
            'Content-Type': 'application/json',
            'Authorization': \`Bearer \${process.env.OPENAI_API_KEY}\`
        },
        body: JSON.stringify({
            model,
            messages: [{ role: 'user', content: prompt }],
            temperature: 0.7
        })
    });
    return response.json();
}

Shell 命令：

# 使用 vLLM 启动模型推理服务
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3-8B-Instruct \
    --tensor-parallel-size 2 \
    --max-model-len 4096 \
    --port 8000

行内代码测试：使用 `torch.compile()` 可以显著提升 PyTorch 模型的推理速度。

2. Mermaid 图表渲染

下面是一个 RAG (Retrieval-Augmented Generation) 系统的架构图：

graph TD
    A["📝 用户提问"] --> B["🔍 Query Encoder"]
    B --> C["📚 向量数据库<br/>FAISS / Milvus"]
    C --> D["📄 Top-K 文档检索"]
    D --> E["🧠 LLM 生成器<br/>GPT-4 / Llama"]
    A --> E
    E --> F["💬 生成回答"]
    
    G["📁 知识库文档"] --> H["✂️ 文档切分"]
    H --> I["🔢 Embedding 模型"]
    I --> C

3. KaTeX 数学公式

Transformer 自注意力机制：

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

其中 $Q$、$K$、$V$ 分别是查询、键、值矩阵，$d_k$ 是键向量的维度。

交叉熵损失函数：

$$\mathcal{L} = -\sum_{i=1}^{N} y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i)$$

梯度下降更新规则：

$$\theta_{t+1} = \theta_t - \eta \cdot \nabla_{\theta} \mathcal{L}(\theta_t)$$

4. Giscus 评论系统

评论区在文章底部自动加载（需配置 GitHub 仓库后生效）。

5. 附加功能演示

💡 提示：本站使用 Ghost + Source 主题，集成了多种 AI 技术写作工具。阅读进度条在页面顶部实时显示。