- 博客(719)
- 收藏
- 关注
RSS订阅原创 7月最新大模型八股文，三天背完通过率超98%——附【大模型面试题合集】pdf
大模型算法岗面试题汇总 随着大模型技术的快速发展，相关岗位竞争激烈。本文整理了大模型算法岗常见面试题，涵盖基础和进阶内容： 基础篇 主流开源模型体系：Transformer、PyTorch Lightning等 模型架构差异：prefix LM与causal LM的区别 大模型涌现能力的原因 主流开源模型：GPT、BERT、T5系列 模型幻觉问题及解决方案 Tokenizer实现原理（BPE算法） 常用激活函数：ReLU、GeLU等 进阶篇 输入长度限制问题 复读机问题成因及缓解方法 模型选型建议（BERT
2025-07-15 15:01:18
874
原创 零代码！只需3步用DeepSeek+Ollama+AnythingLLM打造免费AI本地专属知识库（含原理）_ollama deepseek anythingllm
AI时代如何安全高效管理知识？3步搭建本地私有智能知识库 在数据爆炸的今天，个人和企业普遍面临文档混乱、检索低效的痛点。本文提出基于DeepSeek+Ollama+AnythingLLM的零代码解决方案，通过三大核心技术——嵌入模型（语义编码）、向量数据库（智能检索）、LLM大模型（智能应答），实现本地化知识管理。 核心优势： 1️⃣ 数据100%私有，敏感信息不出内网； 2️⃣ 低成本部署，普通电脑即可运行； 3️⃣ 智能问答，支持多格式文档自动解析，答案附带溯源。 三步搭建流程： 安装Ollama运行D
2025-07-15 14:55:56
173
原创 招聘平台大模型之战：我去求职，面试官竟然是AI_招聘领域大模型
摘要： 2025年校园招聘竞争激烈，毕业生投递量激增，HR面临简历筛选压力，AI技术成为助力。AI工具如Yeebot、HRMind等已应用于简历匹配、JD生成、智能面试等环节，提升效率。然而，招聘中的隐藏信息（如属相、星座偏好）和求职者美化简历等问题，AI尚难完全解决。部分HR担忧被取代，但调研显示未来更可能是人机协同。HR需向战略型转型，AI则需与人类价值观对齐，确保公平性。大模型虽优化流程，但人性化难题仍是挑战。（149字）
2025-07-14 16:31:23
709
原创 多轮对话中让AI保持长期记忆的8种优化方式（附案例和代码）_ai长期记忆
文章摘要： 本文探讨了在多轮对话中实现长期记忆保持的8种方法，结合LangChain代码展示了不同记忆方式的应用场景。1）全量历史对话适用于客服场景，保持连贯性；2）滑动窗口记忆适合电商咨询，聚焦最近问题；3）实体记忆在法律咨询中保留关键信息；4）知识图谱记忆用于医疗咨询，建立症状关联；5）摘要记忆在教育辅导中提炼重点；6）摘要缓冲记忆兼顾技术支持的近期细节与历史概要；7）令牌缓冲记忆在金融咨询中平衡近期与关键信息；8）向量检索记忆快速定位新闻事件相关背景。文章还提供了AI大模型学习资源包，包含书籍、报告、
2025-07-14 16:27:54
332
原创 DeepSeek+dify 本地知识库：高级应用Agent+工作流_dify工作流
本文介绍了Dify平台的三大核心功能：知识库管理、工作流编排和智能体应用。知识库支持文档上传与智能分段，提供向量检索功能；工作流可通过可视化节点组合实现复杂任务，支持变量传递和条件判断；智能体则能快速构建自动化应用。Dify的灵活性体现在零代码搭建能力，让非技术人员也能像拼积木一样创建AI应用。文章重点解析了知识库分段优化技巧、工作流变量类型及节点功能，并展示了如何利用模板快速构建应用。该平台通过模块化设计降低了AI应用开发门槛，适用于企业自动化和个人项目开发。
2025-07-14 16:25:50
540
原创 2025别再乱学大模型了，按这个大模型学习顺序学效率翻倍！
2025年AI大模型学习路线指南：从零基础到实战进阶 摘要：本文针对2025年AI大模型学习需求，系统梳理了高效学习路径，避免常见误区。学习路线分为四个阶段：1-2周基础认知（理解原理与应用场景）、3-6周核心实践（掌握Prompt工程、RAG、LangChain等工具）、2-3个月深度优化（学习微调与评估方法），最后持续项目实战。强调"先建立框架再深入细节"的学习逻辑，推荐结合HuggingFace、LangChain等工具实践，并完成PDF问答系统等实战项目。文章指出系统性学习+持续
2025-07-03 17:56:56
1185
原创 超实用！用 Ollama + DeepSeek + Dify 搭建本地知识库，提升企业效率_ollama+deepseek+dify
为啥要搭建本地知识库？现在企业内部信息管理太难了，数据到处都是，检索效率低得可怜，还缺乏智能化支持。尤其是面对海量非结构化数据，企业很难快速提取有价值的信息，决策效率低得不行。要是能有个工具解决这些问题，那可太棒了！
2025-07-03 17:33:11
857
原创 基于RAG的to B智能体（Agent）应用实践_rag 智能体
摘要：文章探讨了在CRM系统中应用RAG（检索增强生成）技术构建智能体（Agent）以优化客户筛选流程。传统筛选方式操作繁琐且效率低，而基于RAG的“视图助手”Agent通过语义理解实现一步式筛选。初期方案因大模型幻觉问题效果不佳，后采用RAG技术将过滤条件及其参数向量化存储，通过相似度检索提高准确性。该方案简化了筛选步骤，提升了用户体验，展示了RAG在to B领域的创新应用潜力。（149字）
2025-07-03 17:30:01
978
原创 【大模型实战篇】创建有效的大模型提示词Prompt(提示词工程)_大模型提示词生成
摘要：随着生成式AI工具的普及，如何撰写有效提示词（prompts）成为提升与大模型交互质量的关键。本文总结了优质提示词的核心要素：明确目标、提供适当上下文、定义输出格式及设置角色。具体策略包括分步骤拆解复杂任务、让模型自检推理过程、利用少样本提示技术，并注意上下文窗口限制。通过示例展示如何结合货币政策与财政政策分析股市走向，体现结构化提示的应用。文章强调提示词清晰度与具体性的重要性，为使用者优化AI交互体验提供实用指南。（149字）
2025-07-03 17:10:21
694
原创 一文读懂「Prompt Engineering」提示词工程 基础版
提示工程(Prompt Engingering)，也被称为上下文提示(in-ContextPromnpting)，指的是通过结构化文本等方式来完善提示词，引导LLN输出我们期望的结果。通过提示词工程可以在不更新模型权重的情况下，让LLM完成不同类型的任务。其主要依赖于经验，而且提示词工程方法的效果在不同的模型中可能会有很大的差异，因此需要大量的实验和探索
2025-07-03 17:07:12
626
原创 大模型本地化部署终于出书了！！《ChatGLM3大模型本地化部署、应用开发与微调》（附PDF）_chatglm3大模型本地化部署、应用开发与微调下载
《ChatGLM3大模型本地化部署与应用开发》是一本专注于深度学习与大模型实战的指南。作为《PyTorch 2.0深度学习从零开始学》的姊妹篇，本书通过13个章节系统介绍了大模型的本地化部署与应用开发全流程，涵盖环境搭建、gradio云上部署、LangChain智能问答系统开发、知识图谱抽取等核心内容，并包含财务报表分析等企业级应用案例。书中既有PyTorch 2.0环境配置等基础内容，也深入探讨了Template与Chain机制、多文本检索增强等进阶技术，为开发者提供从理论到实践的完整学习路径，助力读者掌
2025-07-03 11:47:12
1032
原创 LLM——10个大型语言模型(LLM)常见面试题以及答案解析_llm 事实类问题 分析类问题
本文总结了大型语言模型(LLM)面试中的常见问题：1.减轻提示学习偏见的最佳方法是提示校准(C)；2.并非所有文本任务都需要向量存储，如情感分析和翻译；3.数据增强(C)不是专门用于对齐人类价值观的技术，而RLHF和DPO是；4.未完整呈现的第四题涉及RLHF中的"reward hacking"概念。这些问题涵盖了LLM的核心技术要点，包括偏差处理、存储需求和对齐方法等关键知识点。
2025-07-03 11:39:55
623
原创 高级检索增强生成技术(RAG)全面指南：原理、分块、编码、索引、微调、Agent、展望_rag原理
本文系统梳理了检索增强生成（RAG）技术的关键实现方法。RAG通过检索外部信息作为上下文，缓解大语言模型的幻觉问题。文章首先介绍了基础RAG流程：文本分块、向量化、索引构建和提示生成。重点探讨了高级RAG技术中的分块策略，包括固定大小分块、内容感知分块（句子分块、递归分块等）及优化方法，强调需根据数据特性、模型限制和应用场景选择合适的分块方案。文章为开发者提供了RAG技术的系统化实践指导，有助于构建更可靠的生成式AI系统。
2025-07-03 11:36:23
619
原创 用大模型做一个聊天机器人！（非常详细）大模型做聊天机器人保姆级教程！_聊天大模型
摘要： 聊天机器人看似简单，但实际开发涉及复杂技术。通过大模型API（如阿里通义千问）可快速实现基础对话功能，核心是定义角色（如system/user）和上下文管理。然而，实际应用（如智能客服）需解决行业知识不足、实时信息更新、准确性保障等问题，可能结合RAG、AI Agent、TTS等技术。此外，集成AIGC能力（文档处理、语音交互等）可提升体验，表明聊天机器人背后需庞大系统支撑，技术复杂度远超表面。
2025-06-27 10:30:00
831
原创 2025AI大模型时代：程序员面临的挑战与机遇，及如何抓住AI风口转行大模型？
近年来，人工智能技术的快速发展让AI大模型成为科技领域的“新宠”。从GPT、BERT到如今的多模态大模型，AI正以前所未有的速度改变着各行各业。在这场技术变革中，程序员的角色也在悄然发生转变。一方面，传统编程技能面临被AI工具替代的风险；另一方面，掌握AI大模型技术的人才成为市场上的“香饽饽”。那么，在这个AI大模型时代，程序员究竟面临着哪些挑战和机遇？又该如何抓住风口实现转型呢？
2025-06-27 10:15:00
1728
原创 Embedding模型选型思路：决定知识库与RAG的准确率上限！
Embedding模型选型思路与性能对比 嵌入模型（Embedding）作为AI核心技术，将非结构化数据映射为低维向量，实现语义特征捕捉（如文本嵌入可达1536维）。当前主流模型在MTEB基准测试中表现差异显著： 性能前三模型： Gemini-embedding-exp-03-07：3072维向量，平均得分68.32，STS任务79.40分 Linq-Embed-Mistral：7B参数量，4096维，平均61.47分 gte-Qwen2-7B-instruct：3584维，任务平均62.51分 关键发现：
2025-06-27 10:00:00
650
原创 【RAG实践】Rerank，让RAG更近一步
本文介绍了如何结合Rerank技术优化RAG（检索增强生成）系统，通过LlamaIndex框架和通义千问1.5大模型，构建更高效的本地知识库问答机器人。文章重点阐述了Rerank的原理和作用，即通过重新排序和筛选检索结果提升回答准确率。实践环节详细展示了环境配置、模型加载（使用GTE文本向量和bge-reranker-v2-m3）、数据处理以及系统搭建的全流程，并提供了在魔搭社区PAI-DSW平台的运行指南。该方法在不损失准确性的前提下显著提升了查询效率。
2025-06-26 23:22:11
759
原创 内行人都在学的大模型黑书——外网爆火的LLM应用手册来了！
《基于GPT-3、ChatGPT、GPT-4等Transformer架构的自然语言处理》可作为所有对Transformer 工作原理感兴趣的人的参考书。作者在理论和实践两方面都做出了出色的工作，详细解释了如何逐步使用Transformer。阅读完本书后，你将能使用这一最先进的技术集合来增强你的深度学习应用能力。本书在详细介绍BERT、RoBERTa、T5 和GPT-3 等流行模型前，先讲述了Transformer 的架构以便为你的学习奠定坚实基础。本书还讲述了如何将Transformer 应用于许多用例，如
2025-06-26 06:40:31
1332
原创 一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库
《RAGFlow知识库搭建指南》摘要：RAGFlow是一种结合检索技术与生成式AI的创新系统，通过检索模块从海量数据中快速定位信息，再由生成模块整合成自然语言响应。该系统突破传统模型的记忆限制，在客服、问答、推荐等场景显著提升响应质量与效率。核心优势包括：高效数据整合、生成质量优化及多领域适用性。文章详细解析了RAGFlow的双模块架构（检索+生成），并附系统架构图，为开发者提供实践参考。（149字）
2025-06-26 06:35:36
946
原创 RAG 知识库搭建：Ollama+AnythingLLM 搭建本地知识库（附教程）_anything llm+ollama
RAG（检索增强生成）是一种结合信息检索与语言模型生成能力的自然语言处理技术，能够解决传统大语言模型（LLM）在开放域问题中的信息容量和时效性局限。通过动态接入外部知识库，RAG为LLM提供了即时扩展知识的能力，使其在问答、文本生成等任务中表现更精准。文章介绍了基于Ollama、Qwen2.5和AnythingLLM搭建本地知识库的实践方案，突出了RAG在特定领域知识应用中的优势。
2025-06-26 06:32:51
543
原创 【最新综述】详解‘大模型+强化学习’的四条主流技术路线_强化学习 学习路线
用大模型来辅助强化学习，可以提高模型在多任务学习、样本利用率、任务规划等复杂任务下的能力，该论文综述了LLM-enhanced RL领域的最新进展，总结了LLM-enhanced RL的主要技术框架、特性以及四种主要技术路线；并分析了未来该方向的机会与挑战。
2025-06-24 19:59:27
1010
原创 打算转行AI大模型算法工程师，前景怎么样？_跨行ai算法工程师
摘要： GPT模型快速发展推动AI迈向"类人化"，GPT-4已具备专业考试、复杂任务处理及创造能力，将重塑就业结构。脉脉报告显示，AI行业人才紧缺指数达0.83，3-5年经验者年薪可达40-80万，且35岁以上从业者占比33%，年龄包容性较强。但岗位要求较高，需掌握Transformer/GPT等算法及NLP项目经验。建议转向AI大模型领域，需系统学习LLM技术、行业应用及微调开发等。资料包涵盖学习路线、行业报告及实战案例，助力提升职场竞争力。 （字数：149）
2025-06-24 19:57:28
1296
原创 保姆级Agent（智能体）框架Dify部署流程
Dify是一个开源的LLM的Agent（智能体）应用开发平台，今天咱们详细介绍下Dify的安装步骤和使用场景。
2025-06-23 23:49:32
923
原创 Dify MCP 保姆级教程来了！
大语言模型，例如 DeepSeek，如果不能联网、不能操作外部工具，只能是聊天机器人。除了聊天没什么可做的。而一旦大语言模型能操作工具，例如：联网/地图/查天气/函数/插件/API 接口/代码解释器/机械臂/灵巧手，它就升级成为智能体 Agent，能更好地帮助人类。今年爆火的 Manus 就是这样的智能体。众多大佬、创业公司，都在 All In 押注 AI 智能体赛道。也有不少爆款的智能体产品，比如 Coze、Manus、Dify。
2025-06-23 23:46:38
800
原创 2025大模型技术基础学习路线，想要学好大模型应该具备哪些能力？
大模型技术学习路线指南 掌握大模型技术需要系统学习以下核心内容： 1️⃣ 理论基础 理解AI基础概念、机器学习、深度学习原理，掌握神经网络、激活函数、反向传播等核心算法。 2️⃣ 编程基础 Python为主，辅以工程语言（Java/Go），用于模型开发及上层应用构建。 3️⃣ 深度学习框架 熟练使用PyTorch、TensorFlow等工具，高效处理数据并实现经典模型架构。 4️⃣ 领域知识 结合NLP、CV等应用场景，学习分词、语义分析等专业内容，避免技术空心化。 5️⃣ 算法能力 强化数学与算法基础，这
2025-06-22 09:33:21
867
原创 淘宝直播数字人LLM推理优化：模型蒸馏与路径压缩实践
淘宝直播数字人LLM推理优化实践：通过模型蒸馏与路径压缩技术提升互动性能 本文分享了淘宝直播数字人互动场景下的LLM优化实践。针对直播弹幕互动中面临的语义模糊、多轮对话理解和实时回复等挑战，团队进行了DeepSeek-R1模型性能验证与优化。为解决推理时长问题，设计了三种蒸馏方案，最终选择DeepSeek-R1-Distill-Qwen基座方案，性能提升8pt。但14B模型推理时间仍不达标，7B模型性能不足。为此创新提出DP-DPO（双偏好DPO）方法，在缩短推理路径的同时提升模型性能(+0.4pt)，并通
2025-06-22 09:27:31
916
原创 万字长文！大模型(LLM)推理优化技术总结（非常详细）
大模型推理优化技术总结 本文系统介绍了大语言模型（LLM）的推理优化技术。内容涵盖LLM推理的基本流程（预填充阶段和解码阶段）、关键挑战（KV缓存管理、内存需求）以及主流优化方法。重点分析了模型并行化技术，包括Pipeline并行、Tensor并行和Sequence并行，详细阐述其工作原理、优势与局限性。Pipeline并行通过垂直分片模型层提高效率，但存在Pipeline气泡问题；Tensor并行水平分割注意力头和MLP层；Sequence并行则针对LayerNorm等操作提出优化方案。文章指出，优化KV
2025-06-22 09:15:45
825
原创 大模型算法面试题，练完通过率98%
这是一份全面的AI大模型学习资源指南，涵盖了大模型技术的多个关键方面。文档首先列出了298道面试题，分为RAG相关(40题)、技术面(17题)、项目面(20题)、算法面(200题)和Transformer面(21题)五大类别。 内容重点分析了RAG(检索增强生成)技术的痛点和优化方向，包括文档切分、垂直领域表现、召回效果、prompt优化等问题。技术部分则涉及GNN、医学问答、多模态等实际应用场景的提问。 资料提供了完整的大模型学习路线，分为七个阶段：从系统设计到提示词工程，从平台应用到知识库开发，再到微调
2025-06-21 22:17:17
820
原创 收藏！11 种大模型对齐与优化算法解析
大模型对齐与优化算法解析：11种关键技术一览 本文系统介绍了11种主流的大语言模型（LLM）对齐与优化算法，涵盖从基础优化到前沿创新的多种技术路径。包括：1）稳定性强的近端策略优化（PPO）；2）高效简洁的直接偏好优化（DPO）；3）群体比较的组相对策略优化（GRPO）；4）灵活性高的解耦剪辑和动态采样策略优化（DAPO）；5）基础性的监督微调（SFT）；6）经典的基于人类反馈的强化学习（RLHF）；7）推理优化的蒙特卡洛树搜索（MCTS）；8）智能选择的主动多偏好优化（AMPO）；9）自我学习的自我游戏微
2025-06-21 20:57:48
632
原创 我是35岁AI大模型工程师，劝告准备学……
AI大模型工程师的女生！！💜AI大模型工程师因为工资待遇高、实用性强，好就业等优点成为了女生们转行就业的心头好。尤其是现在严峻的就业环境下，学一门技术显得尤为重要AI大模型工程师也成为了很🔥的岗位之
2025-06-20 16:52:44
1000
原创 快速理解热门LLM大语言模型
本文通俗讲解了大语言模型(LLM)的核心概念：LLM本质是文字接龙游戏，通过Transformer的自注意力机制实现上下文理解；Prompt提示词的正确使用方式及其在API中的角色分配；Function calling如何让大模型完成复杂任务。文章用简单例子解释了Transformer的QKV向量计算过程，并介绍了API中的温度控制、多轮对话机制等关键参数的作用。内容兼顾技术原理与实际应用，帮助读者快速建立对大语言模型的基本认知框架。
2025-06-20 16:44:43
634
原创 上海交通大学2024年力作！《动手学大模型》实战教程+PPT分享！
【摘要】上海交通大学推出《动手学大模型》免费课程资源，包含实战教程和完整PPT课件，由张倬胜教授设计，GitHub获2.4K星标。课程聚焦大模型编程实践，涵盖核心概念与行业应用，提供640套行业报告、学习视频及路线图。资源获取方式：扫描二维码备注"上交大大模型PPT"即可领取全套资料，助力AI从业者掌握大模型开发技能。
2025-06-19 19:15:18
906
原创 智能工业时代：工业场景下的 AI 大模型体系架构与应用探索_cosmo-gpt
自工业革命以来，工业生产先后经历了机械化、电气化、自动化、信息化的演进，正从数字化向智能化迈进，人工智能技术是新一轮科技革命和产业变革的重要驱动力量，AI 大模型以其强大的学习计算能力掀开了人工智能通用化的序幕，持续加速产业升级和高质量发展，成为推动我国工业智能化的关键因素和数字经济发展的重要引擎。工业大模型，特指在工业领域设计和应用的、具有大量参数的人工智能模型，它们通过深度学习和海量数据分析，为工业自动化、智能化提供了强大的算法支持和决策辅助。工业 4.0 的浪潮带来了对智能制造前所未有的需求，工业
2025-06-19 19:12:34
1053
原创 一文搞懂大模型的RAG（知识库和知识图谱）
RAG（检索增强生成）技术融合了信息检索与文本生成，通过动态检索外部知识库解决大模型的"幻觉"问题。其核心流程包括检索相关文档、将结果作为上下文输入、生成最终答案。文章详细介绍了RAG的知识库构建方法（文本分块与向量化）和知识图谱应用（实体关系抽取与图谱索引），并提供了Prompt+RAG的实战策略，如多路召回技术和结构化输入设计。为帮助读者深入理解，文章还分享了大模型学习路线和免费资源获取方式，涵盖从系统设计到平台开发的7个学习阶段。
2025-06-19 17:15:19
954
原创 《零基础入门AI大模型：从学习到实战全攻略》每个人都能看懂的大模型
《零基础入门AI大模型：从学习到实战全攻略》摘要 这份大模型学习资源包为不同基础的学习者提供完整成长路径。内容涵盖： 系统化课程体系：从基础概念到微调开发7阶段进阶路线 实战应用场景：包含电商试衣、物流问答等6大行业解决方案 配套学习资料：640份行业报告+200本书籍+100集视频教程 求职辅助工具：面试题库+答题模板+商业化案例集 多模态扩展：包含SD模型文生图等前沿应用 资源包通过理论+实践结合的方式，帮助学习者掌握Fine-tuning、LangChain等核心技术，实现从入门到开发的跨越。现免费提
2025-06-19 17:01:49
730
原创 【MCP揭秘】MCP赋能Agent爆发式增长，Agent进入规模化落地阶段！复合增幅近45.8%！
AI智能体爆发元年：技术变革重塑全球产业格局 AI智能体市场正迎来爆发式增长，2024年市场规模已达54亿美元，预计2030年将突破500亿美元。这一变革由三大核心因素驱动：全球生产效率转型的刚需、大模型技术的重大突破，以及MCP协议赋予的生态互操作性。AI智能体正深度渗透生产全流程，从供应链管理到个性化营销，帮助企业实现降本增效。MCP协议作为关键技术支撑，为AI系统提供了标准化的数据交换网络，使不同规模的企業都能快速接入AI能力。这场技术革命已超越实验室阶段，正重塑全球产业结构，为企业提供弯道超车的新机
2025-06-18 22:35:33
539
原创 一周面了7大模型算法岗，无一例外全过了
【摘要】本文分享了作者成功通过7家大模型算法岗面试的经验。文章详细记录了不同轮次的面试问题，包括算法题（Leetcode原题、Attention实现）、大模型技术（DPO训练、BERT预训练、位置编码、MOE架构）、推理加速、多模态训练、prompt优化等核心知识点。为帮助读者系统学习，作者还提供了完整的AI大模型学习路线图（7个阶段）和免费学习资源包（含书籍、视频、行业报告等），覆盖从基础理论到商业应用的完整知识体系，助力开发者掌握大模型开发与优化技能。建议对大模型岗位感兴趣的开发者收藏参考。
2025-06-18 22:18:39
1216
原创 大模型新动向：LLM+合成数据、LLM+奖励模型、大模型推理、LLM-as-a Judge、安全对齐、长文本
大模型研究前沿：六大热门方向综述 大模型研究领域目前聚焦于六个关键技术方向： LLM+合成数据：通过生成式预训练模型（如GPT-FL框架）解决数据获取难题，在联邦学习中展现显著优势； LLM+奖励模型：REWARDAGENT等新型奖励系统整合人类偏好与可验证信号，有效提升模型安全性和可靠性； 大模型推理优化：VIDEOTREE等自适应表示方法改进长视频理解，层次化结构显著提升推理效率； 长文本处理：OmniKV等创新方法实现450K上下文扩展，突破传统GPU内存限制； LLM-as-a-Judge：大模型评
2025-06-17 11:59:01
840
原创 大模型RAG实战：全面讲解RAG技术原理、实战应用（附PDF书籍）
这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理，还通过丰富的案例与代码实现，引导读者从理论走向实践，轻松掌握RAG系统的构建与优化。
2025-06-16 22:40:05
669
原创 LLM不是所有！这几个模型你需要知道！
AI时代涌现出多种模型类型，每种模型都有独特优势和应用场景。大型语言模型（LLM）擅长文本生成但计算成本高；潜在一致性模型（LCM）可实现快速图像生成；语言行动模型（LAM）能连接语言理解和实际任务执行；专家混合模型（MoE）通过动态路由提升效率；视觉语言模型（VLM）处理多模态信息；小型语言模型（SLM）适合边缘设备部署；掩码语言模型（MLM）专注文本理解；分割一切模型（SAM）提供通用图像分割能力。开发者需要根据具体需求选择合适的模型或构建复合AI系统，同时持续学习新兴技术以保持竞争力。
2025-06-16 22:28:21
905
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人