tag 大模型入門

標籤
貢獻4
57
01:35 AM · Nov 19 ,2025
u_16163442 頭像 u_16163453 頭像 u_16163480 頭像 u_16163452 頭像

@大模型入門 / 博客 RSS 訂閱

u_16163442 頭像

datian1234 - 【乾貨收藏】RAG系統進階：從向量檢索到智能路由，企業級應用的完整解決方案

前言 在企業級 RAG系統的演進過程中，我們通常會經歷兩個階段。 第一階段是“建設期”。在這個階段，開發者的核心任務是將非結構化文檔切分、向量化，並存入向量數據庫。 當用户提出問題時，系統通過語義相似度檢索出 Top-K 個片段，餵給大模型生成答案。這套流程在處理“事實性問答”時，表現優異且成本低廉。 然而，隨着系統上線並接入真實

大模型教程 , AI大模型 , 人工智能 , Css , 大模型入門 , 大模型學習 , 前端開發 , HTML

收藏 評論

u_16163442 頭像

datian1234 - 【收藏必備】AI Agent完全指南：從第一性原理到多Agent協作，程序員入門必學大模型基礎

前言 在本文中，我們將深入探討AI Agent的理論支撐以及其背後的第一性原理，回顧和分析第一性原理的發展軌跡，現階段AI Agent所具備的能力，並探討其在各個領域中的應用。接着，我們會展望AI Agent未來的發展方向，特別是在多Agent協作中的潛力和挑戰。最後，我們將探討Agent的未來技術發展及其廣泛應用前景，為讀者提供一個全面且深入的視

大模型教程 , MySQL , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - AI時代需求編寫指南：如何編寫讓AI也能看懂的高質量需求（必學收藏）

前言 無論是需求、規範還是用户故事，用於指導代碼實現的任何信息，都必須具備一些關鍵特質（如敏捷方法中的 INVEST 原則）。隨着人工智能逐漸參與代碼生成，需求不僅要滿足人類開發者的理解，還需要更加明確、結構化，以便 AI 能正確、可靠地生成符合項目約束的代碼。因此，編寫需求時標準更高，既要清晰給人看，更要讓 AI 能"看懂"並正確實現。 本

大模型教程 , oracle , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【值得收藏】程序員必看：Anthropic雙代理架構如何讓AI Agent告別“失憶返工“，實現複雜項目自主完成

前言 當前 AI Agent的能力日益強大，開始需要承接需要數小時甚至數天才能完成的複雜任務 —— 比如：從零構建一個生產級別的 Web 應用。 但現實是，AI Agent在跨多個上下文窗口工作時，常常陷入 “失憶返工”" 半途而廢 " 的困境。 Anthropic 推出了一套針對長時運行 AI 代理的高效 harness 方案

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

u_16163480 頭像

bugyinyin - 【收藏必備】基於Qwen微調用户分類意圖模型，準確率碾壓DeepSeek V3，小白也能學會的大模型實戰

序言 大模型已經深入到我們的生活的方方面面，不知不覺中我們的手機電腦，電子設備、辦公需求都被大模型所顛覆，那麼擁抱AI大模型已經是不可阻擋的一個發展趨勢！微調大模型成為必須的一門技能！ 擁抱AI從大模型運行環部署開始 本片文章將會三篇文章來詳細描述大模型的環境部署、模型微調、實戰微調一個意圖分類小模型、實戰記錄下用户分類意圖模型是怎麼練

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

u_16163452 頭像

上馬定江山 - 2025年最大風口：Agent智能體到底是什麼？看完這一篇你就知道了！！

Agent 智能體的基本概念 Agent智能體可以簡單理解為一個自主實體，能夠在環境中感知信息並採取行動以達到特定目標。在計算機科學和人工智能領域，這種智能體的概念可以追溯到多智能體系統（MAS），它們通過協作和競爭的方式解決複雜的任務。 從實際應用的角度來看，Agent智能體已經不僅僅侷限於理論領域。它們被應用於機器人、虛擬助手、自動駕駛汽

大模型教程 , redis , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163442 頭像

datian1234 - 一文詳解RAG技術的五種分類：從基礎架構到智能體RAG的全面解析，零基礎小白收藏這一篇就夠了！！

前言 “ RAG的架構雖然有所不同，但其原理都是相同的，都是通過檢索來增強模型的生成能力，只不過在不同的環節做了不同的優化。” 從事RAG技術的工作也有一兩年時間了，但在此之間都是這學一點那學一點，感覺自己好像什麼都會，但從來沒有對整個RAG系統進行過梳理。 所以，今天就從RAG的迭代過程開始梳理一下RAG的架構升級過程，瞭解不同種類R

大模型教程 , redis , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【學習收藏】從零到一：AI產品經理——未來5年程序員最值得all in的高薪職業指南

前言 如果你要問我：未來5年，什麼崗位最有“錢”景、最值得all in？ 我的答案只有一個——AI產品經理。 這不是我瞎説。過去一年，我跟超過200位職場人聊過這個話題。我發現，幾乎所有想抓住AI機會的人，都卡在了這3種狀態裏，看看你屬於哪一種？ 第一類：焦慮的“觀望者” 只知道AI很火，薪資很高，但連常見的AI工具都沒用過

產品經理 , 學習 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , Python

收藏 評論

u_16163442 頭像

datian1234 - 一文講清構建高效RAG系統：從零到一掌握五種分塊技術，零基礎小白收藏這一篇就夠了！！

前言 分塊（Chunking）是構建高效RAG（檢索增強生成）系統的核心。從固定分塊、遞歸分塊到語義分塊、結構化分塊和延遲分塊，每種方法都在優化上下文理解和準確性上扮演了關鍵角色。這些技術能大幅提升檢索質量，減少“幻覺”（hallucination），並充分發揮你的RAG pipeline的潛力。 在我近一年構建可擴展AI系統

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

u_16163442 頭像

datian1234 - 【收藏必看】智能體平台：大模型落地的完整解決方案，看到就是賺到，建議收藏！！

前言 今年大家都在談AI，但你是否常常感到困惑： 大模型很強，但怎麼把它嵌入到我現有的業務裏？ 只會聊天寫詩，能不能幫我處理複雜的Exce表格或審批公文？ 市面上模型那麼多（DeepSeek、通義千問、文心一言…），哪個適合我？ 別急，答案就在今天的主角身上 —— 我們全新一代的「智能體平台」。

大模型教程 , AI大模型 , 人工智能 , Css , 大模型入門 , 大模型學習 , 前端開發 , HTML

收藏 評論

u_16163442 頭像

datian1234 - 必學收藏！大模型工程師必看：上下文工程2.0，從Prompt到AI Agent的完整指南！

前言 Context Engineering 2.0: The Context of Context Engineering 今天我們要探討一篇非常有前瞻性和系統性的論文：《上下文工程2.0：上下文工程的“上下文”》（Context Engineering 2.0: The Context of Context En

AI大模型 , 後端開發 , 人工智能 , 大模型入門 , prompt , harmonyos , 大模型學習

收藏 評論

u_16163442 頭像

datian1234 - 【珍藏指南】RAG與微調：大模型性能提升全解析，從入門到精通必備

前言 微調大語言模型是利用特定任務或領域的定製數據集，對預訓練模型進行調整；而檢索增強生成（RAG）則將檢索系統與生成模型相結合，動態地將外部的、最新的知識融入生成結果中。 隨着生成式人工智能（Gen AI）和自然語言處理（NLP）技術的持續演進，業界對更強大、更高效模型的需求呈指數級增長。從聊天機器人、虛擬助手，到複雜的內容生成與搜索系統，

大模型教程 , AI大模型 , 人工智能 , Css , 大模型入門 , 大模型學習 , 前端開發 , HTML

收藏 評論

u_16163480 頭像

bugyinyin - 建議收藏：手把手教你構建Agentic AI：單智能體VS多智能體實戰對比

前言 最近，我開始嘗試構建不同類型的 Agentic AI 系統，最讓我着迷的，是“單智能體（Single-Agent）”和“多智能體（Multi-Agent）”的差異。 説實話，在沒真正動手之前，我也只是聽過這些概念，覺得聽起來很玄。直到我用 LangGraph 和 LangSmith Studio 親自搭建了兩個版本，一個“單兵作

大模型教程 , MySQL , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163442 頭像

datian1234 - 【必收藏】全新RAG框架LinearRAG：無需關係抽取，高效又精準！超越GraphRAG和LightRAG！

前語 最近在一直研究各種RAG技術用來工程化應用，但是嘗試了耳熟能詳的GraphRAG和LightRAG後，也發現了一些棘手的問題。 構建知識圖譜 即 index 過程過於複雜，對於大文檔來説非常耗時。 知識圖譜的構建效果比較差，經常抽取出垃圾甚至錯誤的實體和三元組。 在錯誤的知識圖譜引導下，其效果在感官上（直覺）甚

大模型教程 , AI大模型 , 人工智能 , Css , 大模型入門 , 大模型學習 , 前端開發 , HTML

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【收藏必學】構建深度思考型智能體 RAG 流水線：解決複雜查詢的完整指南

涵蓋規劃、檢索、反思、批判、綜合等多個環節 一個 RAG 系統之所以會失敗，通常不是因為大型語言模型（LLM）不夠智能，而是因為它的架構過於簡單。它試圖用一種線性的、一次性的方法來處理一個循環的、多步驟的問題。 許多複雜查詢需要推理、反思以及在何時採取行動方面的明智決策，這與我們面對問題時檢索信息的方式非常相似。這正是智能體驅動的操作在 RA

大模型教程 , 語言模型 , 後端開發 , 人工智能 , 大模型入門 , harmonyos , 大模型學習

收藏 評論

u_16163442 頭像

datian1234 - 一文讀懂什麼是“智能體“，AI界的“全能打工人”，從零開始打造你的專屬AI助手

前言 什麼是“智能體”？其實理解它一點都不復雜，就把智能體理解成一個能幫你跑腿、動腦、幹活的“AI小助手”，只不過比普通助手更“自覺”。 目前用AI，你得一句句指揮：“幫我搜下天氣”“再查下景點”“整理成表格”；但智能體不一樣，你只需要説“幫我做一份週末出遊攻略”，它就會自己規劃步驟——打開瀏覽器查天氣、搜景點評價、對比交通方式，最後把整理好

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

u_16163442 頭像

datian1234 - 一文搞懂大模型標準配置RoPE位置編碼原理與實現！

簡介 RoPE（Rotary Positional Embedding）是當前大語言模型中最主流的位置編碼方式，通過旋轉矩陣操作將位置信息引入Q、K向量角度，實現相對位置建模。它支持長序列泛化、計算高效且保留週期信息，被LLaMA、GPT-NeoX等主流大模型採用。相比傳統位置編碼，RoPE能更好地處理序列順序信息，提升模型對相對距離的感知能力。

github , 算法 , 知識圖譜 , 後端開發 , 人工智能 , 大模型入門 , Python

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【值得收藏】大模型必備知識：Transformer為何選擇Layer Normalization而非Batch Normalization

前言 無論是 BERT、GPT 還是 ViT，幾乎都不用 Batch Normalization，而是清一色地用 Layer Normalization。 這不是巧合，而是 Transformer 架構中一個非常深層的設計選擇。 一、BN 和 LN 到底在做什麼？ BN 和 LN 的出發點其實一樣——穩定訓練，防止梯度

後端開發 , 人工智能 , transformer , batch , 大模型入門 , 大模型學習 , Python

收藏 評論

u_16163480 頭像

bugyinyin - 收藏必備！DeepSeek+本地知識庫搭建全攻略，小白也能輕鬆上手

前言 本文將詳細介紹如何搭建和使用 DeepSeek + 本地知識庫！ 我們會從兩種主流的搭建方案入手，分別是基於 Cherry Studio 和基於 AnythingLLM 的搭建方法。每一種方案都有其獨特的優勢和適用場景，我們將通過詳細的步驟和實際操作，幫助你快速上手，讓你也能擁有一個屬於自己的智能知識庫。幾分鐘帶你學會~ 為什麼選

大模型教程 , MySQL , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論