<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Q2024107的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Q2024107</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Q2024107]]></copyright><item><title><![CDATA[白话大模型的技术原理]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155284133</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155284133</guid><author>Q2024107</author><pubDate>Wed, 26 Nov 2025 21:28:10 +0800</pubDate><description><![CDATA[本文系统介绍了大型语言模型（LLM）的技术演进与核心架构。从RNN到Transformer的技术突破，重点解析了Self-Attention机制、多头注意力等关键技术原理。文章阐述了LLM的三大要素：巨量参数、庞大训练数据和强大算力，分析了其理解语法、语义和常识的能力，同时指出了存在幻觉、非即时数据等局限性。最后提供了LLM学习路线和资源，包括商业化方案、视频教程和实战项目，帮助开发者系统掌握大模型应用开发技能。]]></description><category></category></item><item><title><![CDATA[一文搞懂 RAG]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155284025</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155284025</guid><author>Q2024107</author><pubDate>Wed, 26 Nov 2025 21:26:22 +0800</pubDate><description><![CDATA[本文系统介绍了RAG（检索增强生成）技术的发展与应用。传统RAG通过检索-增强-生成三步骤提升大模型输出的准确性和可靠性，而新兴的AgenticRAG则引入智能体决策机制，使系统能够动态调整检索策略。文章详细对比了两种技术的特点，并提供了Python代码示例展示实现过程。特别强调了2024年以来RAG技术的广泛应用，以及2025年与Agent结合带来的技术突破。]]></description><category></category></item><item><title><![CDATA[让AI“开窍”的艺术：机器学习]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155283973</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155283973</guid><author>Q2024107</author><pubDate>Wed, 26 Nov 2025 21:20:26 +0800</pubDate><description><![CDATA[机器学习是人工智能的重要领域，通过数据训练让计算机自主获取知识和技能。与传统编程不同，机器学习无需人工制定规则，而是从数据中自动总结规律。主要分为监督学习（带标签数据）、无监督学习（挖掘数据结构）和强化学习（试错优化）三种方式。完整的机器学习流程包括数据准备、模型选择、训练优化、评估测试和部署应用五个步骤，形成&quot;数据训练-反馈调整-实战验证&quot;的闭环系统。]]></description><category></category></item><item><title><![CDATA[最新！大模型架构图对比]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155283465</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155283465</guid><author>Q2024107</author><pubDate>Wed, 26 Nov 2025 20:51:33 +0800</pubDate><description><![CDATA[【摘要】Sebastian Raschka最新发布的LLM架构对比图显示，当前主流大模型主要采用全量注意力（如DeepSeekV3.1、MiniMaxM2）和混合注意力（如Qwen3-Next、KimiLinear）两种结构。其中KimiK2 Thinking将上下文长度扩展到256k，采用8专家混合结构；Qwen3Next创新性地使用3:1比例的GDN与GatedAttention混合模块；MiniMax-M2则采用分头处理QK正则化。随着AI大模型技术快速发展，掌握LLM相关技能成为程序员提升竞争力的关]]></description><category></category></item><item><title><![CDATA[让全网疯狂的AI神器！它到底有多神奇？]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155243361</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155243361</guid><author>Q2024107</author><pubDate>Tue, 25 Nov 2025 20:09:06 +0800</pubDate><description><![CDATA[AI大语言模型正引发广泛关注，其基于Transformer架构和深度学习技术，通过海量数据训练获得强大的语言理解和生成能力。目前GPT系列等模型已能完成内容创作、代码开发、知识问答等多种任务。使用技巧包括明确需求、提供上下文、多轮对话和结果验证。未来AI将向更强理解力、多模态融合等方向发展，但不会取代人类，而是成为效率工具。学习大模型需要系统路线，涵盖理论、实战和商业化应用等。]]></description><category></category></item><item><title><![CDATA[LLM大语言模型的7个致命缺陷！]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155243084</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155243084</guid><author>Q2024107</author><pubDate>Tue, 25 Nov 2025 19:53:08 +0800</pubDate><description><![CDATA[本文深刻剖析了大语言模型的结构性局限，指出其无法成为&quot;终极操作系统&quot;的七个关键缺陷：1）基于概率压缩的本质导致不可避免的&quot;幻觉&quot;；2）缺乏闭环反馈机制；3）对数字世界底层逻辑的理解不足；4）缺失物理世界的直接感知；5）难以把握社会关系中的主体动机；6）训练数据仅反映&quot;过滤后的现实&quot;；7）记忆系统存在根本性缺陷。作者强调，大模型更适合作为&quot;语言壳层&quot;而非通用智能，未来需要构建包含时空感知、闭环反馈等多层次的综合系统。认清这些边界，]]></description><category></category></item><item><title><![CDATA[面试官问：为什么 RAG 越用越慢？如何反向调优？]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155203372</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155203372</guid><author>Q2024107</author><pubDate>Mon, 24 Nov 2025 19:38:09 +0800</pubDate><description><![CDATA[摘要：本文探讨了真实业务场景中RAG系统长期运行后性能持续下降的核心原因及解决方案。随着系统运行，主要面临四大性能瓶颈：1）embedding计算量激增导致阻塞；2）向量库规模膨胀拖慢检索；3）重排序模型调用累积延迟；4）LLM生成效率下降。针对这些问题，文章提出系统级优化方案：实施embedding批处理与缓存、向量库分区与定期清理、答案分级缓存、Prompt稀疏化设计等工程手段。特别强调RAG优化本质是链路工程而非模型调优，真实的业务考验的是全链路调优能力，包括缓存体系、异步并发、索引参数等系统性设计。]]></description><category></category></item><item><title><![CDATA[告别LLM黑盒：PyTorch实战，从零构建并训练一个Transformer]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155203275</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155203275</guid><author>Q2024107</author><pubDate>Mon, 24 Nov 2025 19:34:21 +0800</pubDate><description><![CDATA[本文系统介绍了如何从零开始用PyTorch实现简化版GPT架构。首先阐述了语言模型的本质是预测下一个token的条件概率模型，然后详细解析了Transformer的核心组件：分词、位置编码、自注意力机制、多头注意力和前馈网络。文章提供了完整的代码实现，包括嵌入层、注意力计算、层归一化等关键模块，并讲解了训练过程的数据准备、损失计算和学习率调度。通过逐步构建完整的语言生成系统，帮助开发者深入理解Transformer的工作原理，而不仅仅将其视为黑盒工具。]]></description><category></category></item><item><title><![CDATA[一文彻底搞懂大语言模型、智能体与工作流]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155203238</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155203238</guid><author>Q2024107</author><pubDate>Mon, 24 Nov 2025 19:28:34 +0800</pubDate><description><![CDATA[本文探讨了人工智能发展中的三大核心支柱：大语言模型(LLM)、智能体(Agent)和工作流(Workflow)。LLM作为认知引擎，具备强大的语言理解和知识处理能力；智能体通过整合LLM实现自主决策和任务执行；工作流则负责组织和协调多个智能体完成复杂业务流程。三者构成递进协同的技术栈：LLM提供基础认知能力，智能体实现自主行动，工作流实现规模化应用。未来趋势包括智能体专业化协作、工作流动态优化以及三者的深度融合，最终推动&quot;超级自动化&quot;的实现。]]></description><category></category></item><item><title><![CDATA[主流LLM 大模型排行榜介绍]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155203184</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155203184</guid><author>Q2024107</author><pubDate>Mon, 24 Nov 2025 19:26:27 +0800</pubDate><description><![CDATA[《大模型评测榜单全解析：如何读懂不同排名的玄机？》摘要：当前主流大模型评测榜单各有侧重，LMArena通过用户盲测反映真实偏好，LiveBench每月更新题目避免数据污染，OpenRouter基于API调用量体现市场选择，ArtificialAnalysis综合质量、速度、价格等工程指标，而HuggingFace专注开源模型评估。2025年建议多维度交叉参考：LMArena看用户体验，LiveBench测真实智力，OpenRouter查市场份额，ArtificialAnalysis比性价比，SWE-Benc]]></description><category></category></item><item><title><![CDATA[深度揭密 AI 私人知识库之一：RAG回答前准备流程]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155135004</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155135004</guid><author>Q2024107</author><pubDate>Sat, 22 Nov 2025 15:55:04 +0800</pubDate><description><![CDATA[RAG技术突破大模型知识局限，通过检索增强生成实现精准问答。其核心流程包括：1）知识拆解，将文档分割为语义片段；2）向量化编码，使用Embedding模型转换文本；3）向量数据库存储，支持高效语义检索。该技术可应用于企业知识管理、智能客服等场景，解决传统知识检索响应慢、覆盖不全等问题。文中提供了Python实现代码，涵盖文本处理、向量化和检索全流程。RAG技术具有行业普适性，能有效解决企业&quot;知识孤岛&quot;问题，构建智能化的知识管理体系。]]></description><category></category></item><item><title><![CDATA[AI产品经理必备技术认知：AI Agent 深度解析]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155134932</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155134932</guid><author>Q2024107</author><pubDate>Sat, 22 Nov 2025 15:52:10 +0800</pubDate><description><![CDATA[《AIAgent：从工具到智能体的产业变革》 2023年被称为&quot;智能体元年&quot;，AIAgent（AI智能体）的兴起标志着人工智能产业的重大变革。AIAgent已超越传统聊天工具，成为具备自主思考、决策和执行能力的智能系统。其核心特征包括：高度自主性、环境适应力、持续学习能力和协作能力。 AIAgent通过感知、决策和执行三大机制工作：首先感知环境信息，然后综合分析做出决策，最后转化为具体行动并实时调整。按工作模式可分为单Agent、多Agent和混合Agent；按决策方式则分为反应型、目标]]></description><category></category></item><item><title><![CDATA[大语言模型（LLM）训练的三个阶段]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155134909</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155134909</guid><author>Q2024107</author><pubDate>Sat, 22 Nov 2025 15:48:45 +0800</pubDate><description><![CDATA[本文详细解析了大语言模型（LLM）从基础到成熟的三个阶段训练过程：预训练阶段通过海量文本学习语言规律和世界知识；监督微调阶段通过高质量对话数据学习助手行为模式；强化学习阶段通过自主探索优化问题解决策略。这三个阶段层层递进，共同塑造了现代AI助手的能力。文章还指出LLM存在的局限性，并提供了系统学习大模型的资源路径，包括学习路线、实战项目和面试题等。]]></description><category></category></item><item><title><![CDATA[一文了解：AI框架及其与大模型、数据、算法的关系]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155134855</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155134855</guid><author>Q2024107</author><pubDate>Sat, 22 Nov 2025 15:47:43 +0800</pubDate><description><![CDATA[人工智能框架是构建AI系统的核心基础设施，主要包括三大类：深度学习框架（如TensorFlow、PyTorch）用于神经网络开发，大数据处理框架（如Spark、Flink）处理海量数据，以及传统机器学习库（如scikit-learn）。这些框架与算法、数据和大模型形成紧密协同关系：框架为算法提供高效实现平台，为数据构建处理管道，并支撑大模型的训练与部署。其中，PyTorch因研究友好成为大模型研发首选，TensorFlow以工业部署见长。现代AI系统运作流程表现为：数据通过处理框架输入，算法在深度学习框架中]]></description><category></category></item><item><title><![CDATA[全面解析模型微调技术]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155074648</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155074648</guid><author>Q2024107</author><pubDate>Thu, 20 Nov 2025 19:44:47 +0800</pubDate><description><![CDATA[模型微调是连接通用大模型与垂直领域应用的关键技术，通过针对性参数优化使预训练模型适配专业场景需求。其核心应用场景包括医疗诊断、金融分析等高度专业化领域，以及小样本学习、输出规范定制等特殊需求。技术路径分为全参数微调和参数高效微调（PEFT）两类，其中LoRA、QLoRA等PEFT技术因低资源消耗成为主流选择。标准微调流程包含模型选择、数据准备、训练优化等步骤，需根据任务特点选择合适方法。当前技术仍面临灾难性遗忘、数据依赖等挑战，未来将向高效微调、多任务适配等方向发展，持续推动AI在行业场景的深度落地。]]></description><category></category></item><item><title><![CDATA[人人都能懂大语言模型-大语言模型怎么训练]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155074613</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155074613</guid><author>Q2024107</author><pubDate>Thu, 20 Nov 2025 19:42:15 +0800</pubDate><description><![CDATA[本文介绍了大语言模型训练的两个关键概念：Token和训练流程。Token是将文本转换为模型内部编码的基本单位，通过优化Token词表（如GPT-4使用100256个Token）提高编码效率。大语言模型训练分为三个阶段：预训练（Pretrain）使用海量数据学习语言模式，有监督微调（SFT）通过标注数据训练任务能力，强化学习（RL）利用奖励模型优化输出质量。文章还提供了大模型学习资源，包括路线图、教程和实战案例，帮助开发者掌握从基础到应用的完整技能。]]></description><category></category></item><item><title><![CDATA[一文了解大模型应用基本概念]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155074589</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155074589</guid><author>Q2024107</author><pubDate>Thu, 20 Nov 2025 19:40:46 +0800</pubDate><description><![CDATA[本文介绍了大型语言模型（LLM）及其相关技术。LLM是基于海量数据训练的人工智能模型，能够理解和生成人类语言。文章详细解析了LLM的命名规则（如DeepSeek-V3、通义千问2.5等）、核心概念（Token、参数、蒸馏技术、温度参数），并重点介绍了RAG（检索增强生成）技术，该技术通过检索外部知识库提升模型回答的准确性。此外还涵盖了LangChain开发框架、Function Calling功能调用、MCP协议、向量数据库等技术，展示了如何构建智能Agent平台，结合LLM、RAG和向量数据库解决实际问题]]></description><category></category></item><item><title><![CDATA[LLM工程技能：提示工程入门]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155036419</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155036419</guid><author>Q2024107</author><pubDate>Wed, 19 Nov 2025 19:59:20 +0800</pubDate><description><![CDATA[摘要：提示工程是通过优化指令引导基础模型执行特定任务的技术，避免了传统微调的需求。文章探讨了提示的定义、不同类型role提示的实现方式，以及如何通过最佳实践编写有效提示，包括明确指令、角色设定和任务分解等。同时分析了提示攻击的三种类型（提取、越狱、信息泄露）及相应防御措施，如模型强化、抗攻击提示设计和系统隔离机制。研究结合具体API实现和案例分析，为提升大语言模型应用安全性和有效性提供了实用指导。]]></description><category></category></item><item><title><![CDATA[大型语言模型完全指南学习笔记]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155036278</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155036278</guid><author>Q2024107</author><pubDate>Wed, 19 Nov 2025 19:57:16 +0800</pubDate><description><![CDATA[大型语言模型完全指南学习笔记]]></description><category></category></item><item><title><![CDATA[Spring AI实现rag流程(简易版)]]></title><link>https://blog.youkuaiyun.com/Q2024107/article/details/155036196</link><guid>https://blog.youkuaiyun.com/Q2024107/article/details/155036196</guid><author>Q2024107</author><pubDate>Wed, 19 Nov 2025 19:49:55 +0800</pubDate><description><![CDATA[本文介绍了使用SpringAI技术实现数据向量化存储与检索的方案，基于JDK17和Spring Boot 3.4.5环境。首先通过SpringAI和阿里巴巴AI的依赖管理配置项目，然后配置智谱AI的API密钥和模型参数。核心功能包括：1)数据导入模块，将文本转化为向量存入Redis向量库；2)检索模块，支持相似度查询并返回最相关结果。实现方案采用Redis作为向量数据库，通过RAG(Retrieval-Augmented Generation)技术完成语义搜索，适合构建智能问答等AI应用场景。]]></description><category></category></item></channel></rss>