jakelihua

摘要：文档分割技巧优化RAG系统 文档分割是提升RAG系统性能的关键环节，主要影响检索效率、精度和生成质量。核心技巧包括：1）固定长度分割法，适用于标准化文档，需优化chunk_size和重叠参数；2）结构化分割法，利用标题等标记保持语义完整；3）递归分割法，分层处理混合内容。实施时需考虑文档特性、语义单元完整性、LLM上下文限制和检索效率平衡，并通过实验确定最佳参数。合理分割可提升生成答案准确性40-60%，需避免切断关键信息或产生冗余。（149字）

本文通过"算命大师"案例演示了RAG(检索增强生成)技术的应用。RAG结合信息检索与文本生成，首先检索知识库相关内容，再结合用户查询生成回答。案例展示了一个完整实现：使用FAISS向量数据库存储命理知识文档，通过Prompt工程设定AI为"算命大师"角色，最终生成具有神棍风格的个性化解读。代码展示了文档处理、向量化存储和问答交互的全流程，证明RAG能有效扩展大模型能力边界，实现可追溯、个性化的智能应用。

Prompt工程是优化大语言模型输入指令的技术，旨在提高输出准确性、减少歧义。核心技巧包括：1）明确需求，用动词驱动任务并限定范围；2）角色扮演，指定AI专业身份；3）结构化输出；4）提供示例；5）分步引导。通过精准Prompt设计（如限定字数、指定领域），可避免模型自由发挥，生成更符合预期的结果。例如，模糊Prompt"介绍机器学习"会得到泛泛回答，而优化后的Prompt能输出结构化的专业内容。

⚠️陷：双Prompt架构虽区分了“身份”与“任务”，互，如同给囚徒递纸条——信息无法突破牢笼。：模型如同，只能复述书本知识，无法感知现实世界动态。---案例：某客服系统依赖200+精细Prompt，模型升级后30%指令失效，修复耗时相当于重开发。此阶段局限本质上源于，直接催生了Agent与工具调用技术的诞生。：通过三组件，赋予大模型动态执行复杂任务的能力，实现“认知-决策-执行”闭环。✅：AI Agent使大模型从“被动应答者”升级为“主动执行者”，首次实现端到端任务闭环。

猫狗分类器是一个深度学习项目，旨在识别图像中的猫和狗。通过训练神经网络模型，该项目可以从输入的图像中准确地识别出是猫还是狗。这个项目可以应用于许多实际场景，如图像分类、动物识别等。

简介：如何使用PyTorch实现基于MNIST数据集的手写数字识别。手写数字识别是计算机视觉领域的经典问题之一，旨在将手写数字图像转换为对应的数字标签。MNIST数据集是一个经典的手写数字数据集，包含了60000张训练图像和10000张测试图像。每张图像的大小为28x28像素，图像内容为0到9的手写数字。我们将使用这个数据集来训练和测试我们的模型。

简介：非线性回归是指因变量（目标输出）与自变量（特征输入）之间的关系不是线性的情况。与线性回归不同，非线性回归中因变量与自变量之间的关系可能是曲线状的，可以是多项式关系、指数关系、对数关系等。在非线性回归中，模型的拟合函数通常不是线性的，因此需要使用其他方法来拟合数据。下面是PyTorch 实现非线性回归，并解释代码中的关键部分。

简介：线性回归是一种基本的机器学习模型，用于建立输入特征与连续输出之间的关系。它假设输入特征与输出之间的关系是线性的，并且尝试找到最佳的线性拟合，以最小化预测值与真实值之间的差距。

简介：自动求导是 PyTorch 中的一个核心概念，它使得神经网络的训练过程变得更加高效和简单。在传统的深度学习框架中，如 TensorFlow，开发者需要手动编写神经网络的反向传播算法，来计算损失函数对每个参数的梯度。这种方式繁琐且容易出错。而 PyTorch 的自动求导机制使得这一过程变得更加简单和直观。当你对这些张量进行操作时，PyTorch 将会构建一个计算图来跟踪计算过程。方法来自动计算所有张量的梯度。然后，通过对这些张量进行数学运算，创建了一个新的张量。，这意味着希望追踪这些张量的梯度信息。

在PyTorch中，数据索引是指在处理张量（Tensor）时访问或操作特定元素的过程。索引在数据处理和深度学习中是非常常见且重要的操作，它允许我们以各种方式访问数据集中的元素，执行数据的切片、提取、过滤等操作。

简介：PyTorch 是一个强大的深度学习框架，它提供了丰富的张量操作，是构建神经网络模型的核心组件之一。本文将会详细讲解 PyTorch 中的 Tensor 属性、数据生成方法以及常用的基本操作运算，帮助读者更好地理解和使用 PyTorch。

简介：本文讲解pytorch安装教程。复制下面的命令到命令窗口。

简介：本文讲解如何快速创建一个Django项目。打开powershell，进行下载。创建Django项目。

二维矩阵在计算机科学中具有重要的地位，它们广泛用于图形处理、数据处理以及算法设计等领域。在处理二维矩阵时，经常需要计算子矩阵的和。例如，给定一个 n * n 的矩阵，我们可能需要计算其中所有i * i子矩阵的和。

LangChain是一个编程框架，主要用于在应用程序中集成大型语言模型（LLM）。LangChain提供了记忆组件，用于解决大语言模型无状态的问题，使得模型能够保存上次交互的内容，从而能够更好地进行连续的对话或任务处理。此外，LangChain还提供了多种类型的Chain类，用于处理不同的任务。其中，通用Chain类用于控制Chain的调用顺序和是否调用，它们可以用来合并构造其他的Chain。

使用波士顿房价数据集，该数据集包含了一些影响波士顿地区房价的重要特征，如犯罪率、房屋年龄、学生-老师比例等。

使用Scikit-Learn库中的波士顿房价数据集，该数据集包含了房屋的各种特征以及相应的房价。

简介：本文讲解，线性回归-最小二乘法入门。首先需要在jupyter中安装对应的环境。

当训练数据量不足时，模型可能会过度拟合已有的数据，而无法很好地泛化到新的数据上。线性模型无法很好地捕捉数据中的复杂关系，因为它只能拟合直线，无法描述数据中的曲线关系。欠拟合指的是模型无法在训练集上学习数据的趋势，表现为模型过于简单，无法捕获数据的复杂性。在这个案例中，我们尝试使用一个过于简单的线性模型来拟合非线性关系的数据，这导致了欠拟合的问题。可以增加多项式的次数，使用更高阶的多项式特征来拟合数据的非线性关系。可以添加更多的特征，例如原始特征的多项式特征、交叉特征等，以提供更多的信息来拟合数据。

接着，我们存储了用户ID为1的观看历史数据，包括电影ID和评分。在推荐系统中，用户的个人信息、观看历史和电影数据可能是多层嵌套的结构，使用MongoDB可以方便地存储和查询这些数据。在推荐系统中，用户数量和数据量可能会随着时间的推移而增长，MongoDB的可扩展性和高可用性可以保证系统的稳定性和性能。通过具体的案例和代码示例，我们可以看到MongoDB在存储和查询推荐系统数据方面的便利性和效果。在推荐系统中，MongoDB是一个常用的数据库选择，它提供了许多特性和功能，使其成为推荐系统的理想选择。

Apriori算法是一种经典的关联规则挖掘算法，用于发现数据集中的频繁项集和关联规则。在本文中，我们将结合一个具体的案例和代码详细讲解Apriori算法的原理和实现。

Pi AI作为一个主打高情商的模型，使用体验感上面，确实甩GPT几条街，而且还支持，语音输出，这个声音是可以选择的，这个声音非常的真实不像是机器发出来的，结合浏览器自带的语音识别，可以模拟英语对话。

CodeGeeX是一款免费的国产AI编写代码辅助工具。

stable-diffusion-webui教程（AI绘画真人教程）