<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CodingKitten的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CodingKitten</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CodingKitten]]></copyright><item><title><![CDATA[给AI拜年差点翻车后，我悟了：RAG和微调，到底谁更懂“人情世故”？]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158074904</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158074904</guid><author>CodingKitten</author><pubDate>Sat, 14 Feb 2026 23:46:26 +0800</pubDate><description><![CDATA[他面对你的需求时，是基于对“关系”和“场景”的深刻理解，进行“创作”，而非“拼凑”。模型在学习的过程中，会反复地看到：当用户的需求包含“王总”、“客户”、“印象深刻”、“商务得体”这些关键词时，一个优秀的“人类助手”会如何组织语言，如何在表达尊敬的同时拉近距离，如何巧妙地把“马术”这个共同话题融入到马年的祝福里。因为它不再是在“写”，而是在“表达”。微调后的模型，不仅记住了“科技风”，还把“算力”、“Attention”、“Loss归零”这些梗用得恰到好处，既有专业性又不失幽默，一看就是自己人。]]></description><category></category></item><item><title><![CDATA[别再群发拜年消息了！三步微调AI，让它学会你的“独家语气”]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158074720</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158074720</guid><author>CodingKitten</author><pubDate>Sat, 14 Feb 2026 22:54:10 +0800</pubDate><description><![CDATA[我们需要做的，是把我们脑子里那些关于“关系”和“分寸”的隐性知识，变成模型能够理解的数据结构，然后“喂”给它。通过这次小小的实践，我们不仅得到了一个更“懂人事”的AI助手，更重要的是，我们亲手体验了如何让一个通用模型向“个性化”迈出关键一步。，它就提供了一个非常友好的界面，你甚至不需要写代码，就可以按照它的引导，一步步地构建出自己的训练数据集。它会显得很“碎”，像是在拼凑你的聊天记录，而不是在创作。希望在这个马年，你也能借助技术的力量，让发出的每一句祝福，都让对方在心里感觉到：“这句话，是专门写给我的。]]></description><category></category></item><item><title><![CDATA[春节祝福“AI味”太重？我用30分钟微调了一个能记住你我故事的专属模型]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158074636</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158074636</guid><author>CodingKitten</author><pubDate>Sat, 14 Feb 2026 22:35:17 +0800</pubDate><description><![CDATA[特别是到了马年，满屏的“龙马精神”、“马到成功”，看多了，也就成了“正确的废话”。这其实是我们目前使用AI的一个缩影：通用大模型很聪明，上知天文下知地理，但用到具体的人和事上，它就像一个不太熟的朋友，客气、周到，但就是走不进心里。今天，我就把这份完整的手记分享出来，不仅带你走一遍流程，更重要的是，和你聊聊背后的原理——我们到底是怎么“调教”AI，让它学会说人话、懂人情世故的？在这个马年，希望我们发出的每一句祝福，都不再是礼貌的敷衍，而是能让对方心头一暖，觉得：“这句话，是专门写给我的。我们之间有什么故事？]]></description><category></category></item><item><title><![CDATA[别再用ChatGPT群发祝福了！手把手教你“喂”出一个懂人情的AI，连马术梗都能接住]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158039685</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158039685</guid><author>CodingKitten</author><pubDate>Fri, 13 Feb 2026 20:13:35 +0800</pubDate><description><![CDATA[很多人做AI应用容易犯一个错误：拿到模型就想微调，但连“好”的标准是什么都没定义清楚。坐下来，把人际关系掰开了揉碎了，拆成计算机能理解的维度。维度作用举个例子称呼决定了亲密程度“王总” vs “老王” vs “老爸”关系决定了行为边界客户不能调侃，恋人不能太官方交往细节让祝福“专属化”的关键“去年合作马术项目”场合微信 vs 当面说，语感完全不同微信可以带表情包，口头要顺溜风格整体情绪基调传统喜庆、轻松自然、LLM科技疯、商务得体篇幅控制信息密度50字以内别啰嗦，200字可以讲故事。]]></description><category></category></item><item><title><![CDATA[别再骂AI不懂人情世故了，是你没把它“喂”对]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158039444</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158039444</guid><author>CodingKitten</author><pubDate>Fri, 13 Feb 2026 14:26:23 +0800</pubDate><description><![CDATA[这需要创意，更需要记性——记得你们一起熬过的夜，记得他提过的爱好，记得你亏欠的那句“辛苦了”。通用大模型读了几万亿个tokens，它知道“春节”要接“快乐”，“客户”要接“财源广进”，但它不懂你和“王总”去年在北京饭局上聊过马术，也不懂你老爸虽然是个老码农，但你只想祝他bug少一点。发的人没走心，收的人当任务。这个区别，模型是猜不出来的，你得把它拆成公式，喂进它的脑子里。这是现在最主流的“以小博大”技巧：不是把整个模型翻新重练，而是给模型戴上一个特制的“插件模块”，只训练这个模块，成本极低，效果立竿见影。]]></description><category></category></item><item><title><![CDATA[为了不让拜年文案像“电子挽联”，我把Qwen3拉去做了30分钟特殊训练]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/158038873</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/158038873</guid><author>CodingKitten</author><pubDate>Fri, 13 Feb 2026 14:08:13 +0800</pubDate><description><![CDATA[比如用户填了“我们去年合作过马术项目”，Qwen3-32B会把“马”和“项目复盘”自然串起来，而不是生硬地堆叠“马到成功”。而且CoT经常把“思考过程”泄露进最终文案，出现类似“考虑到对方是领导，所以此处应使用敬语”这种画外音，非常出戏。最开始我们尝试让GPT-4批量生成，结果发现一个问题：GPT-4写的祝福语太“完美”了，完美到没有个性。但这篇文章我不想只讲“我们怎么训练了一个模型”，更想聊聊选型时踩的坑，以及为什么在小程序这个场景里，对，我们要它的中文基底，但不要它的“深度思考”]]></description><category></category></item><item><title><![CDATA[别再用ChatGPT群发祝福了！30分钟微调一个懂你关系的“人情味”拜年AI]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157980743</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157980743</guid><author>CodingKitten</author><pubDate>Wed, 11 Feb 2026 22:44:28 +0800</pubDate><description><![CDATA[我试过直接用Qwen3-32B、Llama-3这些开源模型，输入“给客户写马年祝福”，出来的东西长这样：“值此丙午新春之际，谨向您致以最诚挚的问候……”要素全对，但你会发吗？反正我不会。这根本不是“微信对话框里的拜年”，这是。所以在春节前我干了件事：用低门槛的微调工具，让大模型学会辨认“谁在跟谁说话”。今天这篇干货，就把整个技术链路拆开揉碎了讲给你听，。]]></description><category></category></item><item><title><![CDATA[32B大模型塞进消费级显卡？我用“人情味”做了场春节实验]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157980007</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157980007</guid><author>CodingKitten</author><pubDate>Wed, 11 Feb 2026 21:59:08 +0800</pubDate><description><![CDATA[这个春节项目做下来，我最大的感触其实和技术本身关系不大。我们总在追求更长的上下文、更低的困惑度、更高的榜单分数。你懂不懂我？通过LoRA和量化，我们把一个32B的庞然大物塞进了有限的显存；通过精心构造的数据集，我们让它学会了“人情世故”。未来专属模型的竞争力，不取决于你调用了多少张卡，而取决于你喂进去了什么样的生活。如果你也想在这个马年，让AI帮你记住那些重要的关系细节，不妨动手试试上面这套流程。哪怕只是让模型学会喊一声“王总”而不是“尊敬的用户”，这30分钟的时间投入，就已经值回票价了。]]></description><category></category></item><item><title><![CDATA[从群发文案到私人定制：手把手教你微调一个懂人情世故的拜年助手]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157979864</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157979864</guid><author>CodingKitten</author><pubDate>Wed, 11 Feb 2026 21:26:05 +0800</pubDate><description><![CDATA[有人问我：你花这么多时间，就为了教AI写几句祝福语，值得吗？值得。过去几年，我们谈论AI，谈的最多的是“效率”——一分钟写周报，两分钟做PPT，三分钟读一本20万字的书。这些都很酷，但它们解决的是“快不快”的问题。而祝福语这件事，解决的是“对不对”的问题。在这个“复制、粘贴、群发”成为默认选项的年代，愿意花时间为你写一句独一无二的话，本身就是一种稀缺的心意。如果AI能帮我们把这份心意更好地表达出来，而不是替代它、稀释它，那这就是技术的善意。今年春节，我用微调后的模型给几十位朋友、同事、家人发了祝福。]]></description><category></category></item><item><title><![CDATA[大模型微调内存优化全攻略：无需昂贵显卡，打造你的AI助手]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157946615</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157946615</guid><author>CodingKitten</author><pubDate>Tue, 10 Feb 2026 22:53:05 +0800</pubDate><description><![CDATA[你只需要上传你的数据，在网页上点选想要的微调方法（如QLoRA）、设置参数，就能直接开始训练，真正把自己的数据“喂”进模型，产出专属模型。但是，如果你想让这位“通才”成为你律所的“法律顾问”、你电商公司的“客服专员”，或者你团队的“代码评审专家”，直接上岗肯定力不从心。这个过程不会彻底改变它的“大脑结构”（基础能力），而是调整其内部的“神经连接”，让它对新任务的理解和生成能力产生“偏好”和“专长”。我们的优化策略是“组合拳”，从选择高效的微调方法开始，到调整关键参数，最后用上系统级优化工具。]]></description><category></category></item><item><title><![CDATA[给AI模型“加外挂”：LoRA技术详解，让小白也能定制自己的大模型]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157946501</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157946501</guid><author>CodingKitten</author><pubDate>Tue, 10 Feb 2026 22:31:16 +0800</pubDate><description><![CDATA[微调的本质，就是微妙地调整这些矩阵，让模型的“注意力”偏向我们的新任务。无论你是研究者、开发者还是充满好奇心的爱好者，现在都是动手尝试LoRA，创造属于你自己的AI“外挂”的最佳时机。它把下面提到的大部分步骤都做成了可视化的点击操作，你只需要准备好数据，就能真正“喂”给模型，生产出属于自己的专属模型，是理解LoRA实战的绝佳起点。从让语言模型学会写你公司的周报格式，到让文生图模型画出你独特的二次元角色，再到让语音模型模仿某个特定音色，LoRA的应用场景几乎覆盖了所有生成式AI领域。知其然，更要知其所以然。]]></description><category></category></item><item><title><![CDATA[从“通才”到“专才”：揭秘AI大模型预训练与微调的核心魔法]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157946312</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157946312</guid><author>CodingKitten</author><pubDate>Tue, 10 Feb 2026 22:08:57 +0800</pubDate><description><![CDATA[预训练做的就是这件事：它使用互联网级别的海量文本、图像数据，让模型学会人类世界的“基本规则”——语言的语法、词汇的关联、图像的构成、世界的常识。它是当今所有强大AI模型（无论是处理文字的GPT、DeepSeek，还是处理图像的Stable Diffusion）的“筑基”环节，是让模型从一张白纸变成“通才”的关键一步。启动训练，平台或你的代码会开始用你的数据“教”模型。本文将带你轻松理解预训练的核心原理，并重点探讨如何通过“微调”这一步，将通用的“通才”模型，变成解决你独特问题的“专属专家”。]]></description><category></category></item><item><title><![CDATA[让AI学会“选择性遗忘”：数据脱敏如何守护你的隐私与安全]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157910172</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157910172</guid><author>CodingKitten</author><pubDate>Mon, 09 Feb 2026 19:51:22 +0800</pubDate><description><![CDATA[数据脱敏是AI时代平衡创新与守护的必备技能。它不是一个单纯的“删除”动作，而是一门在数据隐私和可用性之间寻找最佳平衡点的艺术。当前核心：从简单的掩码、聚合，发展到更智能的基于统计分布的微调生成和差分隐私技术。未来趋势自动化与智能化：AI将用于自动识别敏感信息并推荐最优脱敏方案。与训练流程深度集成：脱敏不再是一个独立的前置步骤，而是与联邦学习、机密计算等技术结合，贯穿于数据使用的全生命周期。标准化与法规配套：随着各国数据法规细化，合规、可审计的脱敏技术和工具将成为AI产品的标配。]]></description><category></category></item><item><title><![CDATA[让大模型真正为你工作：一文读懂RAG与微调的选择逻辑]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157910108</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157910108</guid><author>CodingKitten</author><pubDate>Mon, 09 Feb 2026 19:16:09 +0800</pubDate><description><![CDATA[RAG与微调并非取代关系，而是互补的利器。选择哪条路，根本上是基于你的。]]></description><category></category></item><item><title><![CDATA[大模型微调后，如何判断它是不是“变聪明”了？这套评估方法论请收好。]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157847069</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157847069</guid><author>CodingKitten</author><pubDate>Mon, 09 Feb 2026 10:21:27 +0800</pubDate><description><![CDATA[于是，你找来大量的川菜资料和顾客反馈（你的数据），去调整菜谱的口味（微调）。它把数据清洗、微调训练、效果评测的复杂流程做了极大的简化，让你无需代码基础，就能快速完成“数据投喂-模型训练”的闭环，先跑通流程，在实践中再深入理解评估的意义。时，也能给出好答案。一个只在训练集上表现好，在新数据上就“拉胯”的模型，是典型的“过拟合”，没有实用价值。记住，一个经得起评估的模型，才是真正有生命力的模型。它不仅关系到项目成败，在AI技术面试中，能否系统阐述评估方法，也是区分“调参侠”和“工程落地专家”的关键标志。]]></description><category></category></item><item><title><![CDATA[告别“爆显存”：LoRA技术如何用1%的参数，解锁大模型微调自由？]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157849145</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157849145</guid><author>CodingKitten</author><pubDate>Sun, 08 Feb 2026 22:49:42 +0800</pubDate><description><![CDATA[当一个模型的参数达到70亿（比如Llama-3-8B），进行一次全量微调，光是计算梯度（模型需要更新的方向）就需要超过140GB的显存！有金融科技公司的真实案例显示，微调700亿参数的模型，全量方案需要恐怖的780GB显存，而使用我们今天要讲的。这类平台，关键是把你的数据“喂”给模型，亲眼看到损失曲线下降，并最终得到一个能回答你专业问题的“专属模型”。这就是LoRA带来的革命：它让普通开发者，用消费级的显卡（比如RTX 4090），也能高效地“调教”大模型，让它成为你的法律助手、医疗顾问或专属客服。]]></description><category></category></item><item><title><![CDATA[不会选数据，别说你会AI：一份给新手的极简数据集实战手册]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157847166</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157847166</guid><author>CodingKitten</author><pubDate>Sun, 08 Feb 2026 14:00:00 +0800</pubDate><description><![CDATA[任务类型：是分类（如图像识别）、回归（如房价预测），还是生成（如写诗）？数据规模预估：简单任务可能几千样本就够，复杂任务（如大语言模型）需要TB级数据。关键特征：哪些信息是模型做出判断所必需的？总结一下，数据集是AI项目的基石。它的核心价值不在于“大”，而在于“准”——准确反映现实世界，“净”——干净、一致、无噪声，“衡”——分布平衡、具有代表性。立即动手，完成一个端到端的小项目。从Kaggle下载一个经典数据集（如泰坦尼克号生存预测），完整走一遍“数据清洗→特征工程→模型训练→评估”的流程。]]></description><category></category></item><item><title><![CDATA[别让大模型“学废了”！从数据清洗到参数调优，一次讲透微调实战]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157848393</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157848393</guid><author>CodingKitten</author><pubDate>Sun, 08 Feb 2026 13:56:58 +0800</pubDate><description><![CDATA[常见错误：指令模糊，让模型猜你想要什么。json// ❌ 模糊指令（模型可能回答任何关于苹果的内容）"instruction": "介绍一下苹果","output": "苹果是一种常见的水果..."// ✅ 结构化指令（明确告诉模型格式和内容）"instruction": "请以JSON格式返回以下水果的营养成分，包含卡路里、维生素和适用人群","input": "苹果","calories": "52千卡/100克",]]></description><category></category></item><item><title><![CDATA[从入门到实践：不懂代码也能微调大模型，普通人AI进阶指南]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157814656</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157814656</guid><author>CodingKitten</author><pubDate>Sun, 08 Feb 2026 09:32:42 +0800</pubDate><description><![CDATA[微调大模型，已经从实验室和高昂的GPU集群，走向了每一个有想法的个人和团队。它的核心逻辑并不神秘，就是用定向数据做精准优化。技术门槛的降低，使得竞争的焦点从“谁能搞到算力”转向了“谁拥有高质量、有洞察的领域数据”。对于未来，我们能看到两个清晰趋势：一是微调工具会越来越“傻瓜化”，人机交互更加直观；二是围绕垂直领域的、高质量的数据集，其价值将日益凸显。无论你是想零成本体验用H800A-80G（等效H100）顶级算力微调模型，还是寻找一种长期灵活、高性价比的解决方案，都可以从这样的平台开始。]]></description><category></category></item><item><title><![CDATA[RAG灵魂第一步：掌握这5种文档切分技巧，轻松让AI“读懂”你的资料库]]></title><link>https://blog.youkuaiyun.com/CodingKitten/article/details/157814737</link><guid>https://blog.youkuaiyun.com/CodingKitten/article/details/157814737</guid><author>CodingKitten</author><pubDate>Sat, 07 Feb 2026 23:17:13 +0800</pubDate><description><![CDATA[文档切分是RAG系统中看似基础却至关重要的一环，它直接决定了上游信息质量。一个好的切分策略，是模型精准检索和高质量生成的“隐形的翅膀”。我们来回顾一下核心要点原理：目标是制造语义独立的块，在信息完整性和检索粒度间取得平衡。方法：从简单的按句、按长度切分，到更智能的递归切分和语义切分，选择取决于你的文档类型和精度要求。工具：手动编码有助于理解，但在生产中，强烈推荐使用LangChain等框架提供的高效、稳定的分割器。评估：永远通过实际检索和问答结果来验证你的切分策略是否有效。未来展望。]]></description><category></category></item></channel></rss>