- 博客(18)
- 收藏
- 关注
RSS订阅原创 大模型核心技术：微调、推理与优化详细指南，推荐收藏！
本文系统介绍了大语言模型（LLM）的关键技术。首先阐述了LLM的基本概念和Transformer架构原理，包括编码器-解码器结构和自注意力机制。接着详细讲解了语言建模的发展历程，从n-gram到神经语言模型的演进。在模型训练方面，重点分析了预训练的计算挑战、分布式训练方法（DDP和FSDP）以及微调技术，特别是参数高效微调（PEFT）方法如LoRA、QLoRA和适配器等。此外，还探讨了提示工程策略（如思维链提示）、模型优化技术（量化、知识蒸馏和剪枝）以及推理参数配置。最后比较了不同量化方法（GPTQ、NF4
2025-11-27 17:16:58
492
原创 【DeepSeek实战】高质量提示词的六大技巧
高质量提示词是解锁AI潜力的关键。本文介绍了六大提示词优化框架：1. STAR法则（情景-任务-行动-结果）使问题结构化；2. 5W2H分析法确保全面提问；3. CO-STAR框架（上下文-目标-风格-语气-受众-回复）精准控制输出；4. CRISPE框架激发跨学科创意；5. BROKE框架（背景-角色-目标-关键结果-优化）实现量化目标；6. 借助AI自身优化提示词。每个框架均配有具体应用场景示例，如会议效率提升、营销活动策划等，展示如何通过结构化提问获得专业级AI输出。
2025-11-26 17:27:18
629
原创 人工智能算法全景指南：从机器学习到大模型
本文系统介绍了人工智能的核心算法体系，涵盖机器学习、深度学习、强化学习和生成式AI等关键技术。机器学习分为监督学习、无监督学习和半监督学习，包括线性回归、决策树、K均值等经典算法。深度学习重点解析了CNN、RNN和Transformer架构的特点与应用。强化学习通过AlphaGo等案例展示了决策优化能力，生成式AI则介绍了GAN、扩散模型和大语言模型等创新技术。文章还探讨了多模态学习、集成学习等前沿方向，并提供了完整的大模型学习资源包获取方式，为AI学习者构建了系统的知识框架和技术路线图。
2025-11-25 15:13:17
923
原创 构建属于自己的创意/设计AI智能体？
本文探讨了从通用AI模型向专业领域AI模型的发展趋势，特别聚焦设计领域。文章分析了隐性知识在设计中的重要性及其特征（隐含性、情境特定性等），提出了通过定性研究和AI交互记录法提取隐性知识的方法。重点阐述了如何将设计师行为转化为知识向量，并构建能够理解设计意图、生成连贯行动序列的智能体。文章还讨论了模型训练策略（LoRA、RLHF等）及当前面临的挑战，如知识提取完整性和智能体泛化能力。最后指出，通过有效捕获和重用隐性知识，可以构建真正理解设计师需求的AI系统，实现人机协作的创新设计模式。
2025-11-21 17:12:38
1091
原创 普通LLM智能体与具身智能：从语言理解到自主行动
本文探讨了大语言模型(LLM)的演进及其两种主要应用形态：普通LLM智能体和具身智能(Agentic AI)。普通LLM智能体以被动响应方式运行，擅长语言处理和知识检索，如企业智能客服系统。而具身智能则具备主动规划、环境感知和自我学习能力，如小鹏汽车的智能驾驶系统。文章指出，具身智能的发展是迈向通用人工智能(AGI)的关键，它赋予了AI系统目标理解、自主决策和环境适应等更接近人类智能的特征。通过对比分析，揭示了AI技术从被动工具向主动智能体的发展路径。
2025-11-19 17:21:29
1278
原创 超级全面的人工智能入门资料
本文系统介绍了人工智能的定义、发展历程、核心目标、关键技术、应用领域及伦理问题。人工智能作为计算机科学的重要分支，旨在开发能执行人类智能任务的系统。文章详细阐述了人工智能在推理、知识表示、机器学习等方面的核心目标，以及搜索优化、神经网络等关键技术。同时，探讨了AI在医疗、金融、军事等领域的广泛应用，并分析了隐私、算法偏见等伦理挑战。最后，文章展望了人工智能的未来发展，包括超级智能的可能性。全文为AI学习者提供了全面而权威的知识框架。
2025-11-18 17:20:09
1115
原创 AI人工智能零基础学习路线
本文从一个从业多年的AI算法工程师的角度，为朋友们梳理出一套系统化、可执行的学习路径，涵盖从基础理论到项目实战，从算法原理到部署上线的完整流程。无论你是学生、转行者还是初级AI工程师，都能从中找到适合自己的学习路线。
2025-11-14 17:35:28
1153
原创 机器学习背景知识和基础概念
本文摘要：机器学习（ML）是一门通过经验提升性能的技术，广泛应用于天气预报、问答系统、图像识别和产品推荐等领域。其核心包括数据、模型、目标函数和优化算法四大部分。监督学习通过特征-标签对进行预测，适用于回归、分类和序列学习等问题；无监督学习则处理无标签数据，如聚类和主成分分析。深度学习通过多层神经网络实现复杂数据转换，并借助注意力机制、生成对抗网络等新技术不断突破性能瓶颈。文章还提供了大模型学习路线图、书籍、项目和教程等资源，帮助读者系统入门AI领域。
2025-11-12 15:36:36
1322
原创 一文看懂：大模型领域近期进展！
本文系统梳理了2023年以来大型语言模型（LLM）的技术演进路径。2023年GPT-4确立了"规模决定能力"的范式，通过扩大参数规模实现性能突破。2024年行业转向效率优化，涌现出混合专家（MoE）架构、多头潜在注意力（MLA）等创新技术，显著降低计算成本。2025年新范式聚焦推理能力，引入思考链;机制和强化学习训练方法，使模型具备复杂推理能力。同时，智能体工具使用成为新方向，OpenAI和Anthropic等机构推出支持自主工具调用的模型。文章还分析了开源与闭源阵
2025-11-10 11:24:16
825
原创 MCP是什么？MCP很好，但它不是万灵药
摘要：MCP是一种标准化协议，旨在解决AI工具调用中的接口碎片化和开发低效问题。它通过统一通信格式（JSON-RPC）使不同大模型能调用各种外部工具。MCP由Host、Client和Server三部分组成，其中Client负责协议转换，Server提供具体服务。虽然MCP市场发展迅速，但存在工具质量参差不齐、评价体系缺失等问题。值得注意的是，MCP并非替代FunctionCall，而是与之协同工作。当前MCP尚处早期阶段，需与Agent系统和大模型共同构建完整AI生态。
2025-11-07 16:22:04
1313
原创 一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG
本文介绍了当前主流的四种RAG技术。传统RAG通过索引构建、查询与生成三阶段处理文本和图片数据，适用于简单问答场景；多模态RAG扩展支持表格、图像、视频等多元数据；AgenticRAG引入智能体概念，支持自主决策和多轮检索；GraphRAG结合知识图谱，增强推理能力但实施成本较高。未来发展方向将趋向多模态、智能体和图谱技术的融合，同时需关注上下文工程技术。不同业务场景可选择单一或组合式RAG方案，以适应多样化需求。
2025-11-06 17:26:36
922
原创 如何解决大模型的胡说八道？（检索增强生成（RAG））
摘要：检索增强生成（RAG）是一种提升大语言模型准确性的技术，通过连接外部知识源动态检索信息来优化生成结果。与仅依赖预训练数据的传统模型相比，RAG能解决信息滞后和幻觉问题。其工作原理分为三阶段：数据准备（文档处理为向量）、检索（匹配查询）和生成（结合检索信息的输出）。RAG不同于提示工程、语义搜索等单一方法，它兼具动态知识更新和生成能力，适用于客服问答、报告撰写等需实时信息的场景。该技术通过开卷考试模式，显著提升了AI回答的时效性与准确性。
2025-11-05 15:23:41
762
原创 人工智能发展简要编年史
人工智能这场漫长的技术史，不只是一次次算法的迭代，更是一场人类关于“智能”的哲学实验。它从数学与逻辑出发，穿越了冷战、互联网与GPU时代，直到今天进入多模态与具身智能的边界。本文带你沿着时间线，重新梳理 AI 七十余年的进化之路。
2025-11-03 17:48:52
1317
原创 从Deep Research到AI科学家，大模型+科研无敌了
AI正在重塑科学研究范式，从辅助工具发展为自主研究者。本文系统梳理了AI赋能科研的三个演进阶段：DeepSearch实现精准知识检索，通过多轮搜索-阅读-推理循环提供精准答案；DeepResearch能够自动化生成结构化的长篇研究报告，实现知识重构；AI Scientist则更进一步，可自主提出假设、设计实验并发表论文，完成知识创造的全流程。关键突破在于大模型技术的进步，使得AI从"研究辅助"升级为"研究主体"。未来将形成人机共创的新科研生态，人类提供想象力，AI承担
2025-10-31 18:00:01
855
原创 一篇文章搞清楚MCP、Function Calling和A2A
摘要：文章探讨了从单纯大语言模型向AIAgent的进化，重点解析了三大关键技术：MCP协议实现工具发现与调用、FunctionCalling机制使模型学会使用工具、A2A协议支持多Agent协作。通过天气查询案例，展示了MCP协议的工作流程，并分析了600行系统提示词如何指导模型完成复杂任务。文章指出Agent本质是精心设计的上下文工程，通过控制上下文长度、结构化信息等方式克服传统自动化的局限，使AI系统具备感知环境、自主决策和执行任务的能力，从而将大模型从"思想巨人"转变为真正的&qu
2025-10-30 15:31:44
1059
原创 RAG 架构的演进之路
RAG（检索增强生成）技术通过结合检索与生成能力，解决了大语言模型的幻觉、知识更新等问题。NaiveRAG基础架构包含预处理（文本分块、向量嵌入）、检索（相似度匹配）和生成（提示词优化）三大模块。为提升精度，可采用查询重写/扩展、嵌入模型微调等高级技术。后续发展的CAG（缓存增强生成）和AgenticRAG（引入智能路由和答案检查）进一步优化了系统性能。尽管RAG技术持续演进，仍需权衡系统复杂度与运营成本，简单有效的方案往往更具实用性。
2025-10-28 16:29:44
815
原创 Agentic AI 与 AI Agent 的核心区别
企业AI应用的两大路径：AIAgent聚焦结构化任务执行，通过预设规则完成特定工作；AgenticAI则具备战略思维，能自主决策、持续学习并协调多系统协同。二者差异体现在自主性、决策逻辑等8个维度。企业应根据业务复杂度选择：结构化、短期ROI需求适合AIAgent；跨部门协作、战略决策等复杂场景则需AgenticAI。领先企业正采用"执行+统筹"的混合模式，实现从自动化到智能化的跨越。
2025-10-27 17:11:46
737
原创 Agentic AI！为什么Agentic AI工作流程这么强？
AgenticAI是一种通过分解任务步骤来提升AI性能的工作方法。它将复杂任务拆分为规划、研究、起草、修订等可管理环节，通过LLM与工具API的协同工作，产生比单一提示更优质的输出。典型应用包括研究代理、发票处理和客户服务等场景。系统自主性可分为低、中、高三个等级，采用反思、工具使用、规划和多代理协作等设计模式。相比传统LLM，AgenticAI具有性能提升显著、支持并行处理和模块化组件等优势，但也面临动态任务规划等挑战。开发者需通过任务分解和持续评估来优化工作流程。
2025-10-25 15:10:16
1123
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