稀土战争

——在全球地缘政治重构中，中国的战略自信与资源主权

前言

笔者曾在中国地质大学学习地质专业。在大学时代，曾随学校组织的学术活动，以《稀土战争》为题撰写过一篇小论文。那时的“战争”，更多是学术意义上的比喻，探讨资源争夺与科技竞争的关系。多年过去，世界格局风云突变，当年纸上论述的场景，如今已在现实中上演。再次提笔，重写《稀土战争》，感慨万千。

中国：掌握稀土主动权的全球制造强国

在国际局势动荡的大背景下，中国凭借长期的产业积累与技术实力，稳居稀土金属和磁体市场的主导地位。这些稀土材料，是导弹、战斗机、无人机、潜艇乃至新能源产业的核心原料，被誉为“工业维生素”。

中国的稀土产业经过数十年发展，已形成从采矿、冶炼到精加工的完整产业链。正是这种系统性优势，使中国在全球高科技供应链中拥有无可替代的地位。这种优势，并非一朝一夕得来，而是长期规划与技术自立的成果。

总统的矛盾姿态

在公开场合，特朗普总统已连续数周诋毁佐兰·马姆达尼，称其为极端分子、共产主义者，是纽约市的威胁。 他还坚称自己比 34 岁的马姆达尼“好看多了”。

但据两名要求匿名透露总统言论的人士称，私下里，特朗普称这位纽约市候任市长是有才华的政治人士，认为他机敏善辩。

PDF2Markdown - 大型 PDF 文档智能文章提取工具

项目概述

PDF2Markdown 是一个专门用于处理大型扫描件 PDF 文件的智能内容提取工具。结合传统 OCR 技术与现代 AI 大模型，智能提取文档中的纯文章内容，自动过滤图片、表格等非文章元素。完美支持中英文混合文档处理。

🐘 在 Docker 中安装部署 PostgreSQL + pgvector

本文介绍如何在 Docker Compose 环境中快速部署带有 pgvector 扩展的 PostgreSQL 数据库， 以便在本地或开发环境中支持向量检索与 AI 应用（如 LangChain、RAG、语义搜索等）。

AI 教程: CPU/GPU 与大模型训练

这是一份高浓缩资料：结构清晰、要点到位，涵盖 CPU/GPU 基础、张量与数值精度、CUDA 与 PyTorch 实操、硬件选型、常见问答与排错清单。

0. 速览（30 秒）

• CPU vs GPU：CPU 擅长通用/顺序处理；GPU 擅长大规模并行（矩阵/向量）。
• 大模型必备 GPU：训练/推理核心是矩阵乘和并行化，GPU 的高并发 + 高带宽显存恰好匹配。
• 张量与精度：一切数据 → 张量；精度（FP16/FP8）与量化（INT8/INT4）是速度/显存与效果之间的权衡。
• PyTorch 上卡口诀：device = "cuda" if ...; model.to(device); data.to(device)
• 选卡看显存：先显存，再带宽/算力；生产尽量用满血高质量模型或云端托管 API。

1. CPU 与 GPU：差异、场景与类比

1.1 一句话对比

1.2 形象类比

• CPU = 老专家：思考缜密、一次做一件事快切换。
• GPU = 千军万马：海量士兵同时干活，适合“同构小任务”的并行。

1.3 可选 Mermaid 图（CPU 执行 vs GPU 并行）

flowchart LR
    subgraph CPU["CPU（顺序/少核）"]
      A1[任务1-片段A] --> A2[任务2-片段B] --> A3[任务3-片段C]
    end
    subgraph GPU["GPU（并行/多核）"]
      B1[元素1计算]:::p
      B2[元素2计算]:::p
      B3[元素3计算]:::p
      B4[元素4计算]:::p
    end
    classDef p fill:#e9f5ff,stroke:#3b82f6,stroke-width:1px;

2. 张量（Tensor）、精度与量化（配例子）

2.1 张量分级

• 0D：标量 3.14
• 1D：向量 [1,2,3]
• 2D：矩阵（如 3×3 表）
• 3D+：仍称张量（如 batch×channel×height×width）

图像例子：一批 32 张 224×224 RGB 图 → 32×3×224×224（或 N×H×W×C，视框架而定）。

用 LangChain + Ollama + pgvector 搭建本地 RAG：从 0 到 1 的完整实战（含 uv 依赖管理 & 面试指南）

本文是可直接落地的 Markdown 文档。按文档自上而下执行即可从零搭建出一个本地 RAG（检索增强生成）系统，并理解关键概念与代码。所有核心脚本都附带中文注释，便于学习与面试复盘。