<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Study996的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Study996</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Study996]]></copyright><item><title><![CDATA[一文读懂2026年大模型背后的关键技术]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/157904686</link><guid>https://blog.youkuaiyun.com/Study996/article/details/157904686</guid><author>Study996</author><pubDate>Mon, 09 Feb 2026 14:30:33 +0800</pubDate><description><![CDATA[本文通过天才学生的比喻生动阐释了大模型训练的四个关键阶段：1）预训练阶段（博览群书）通过Transformer等架构让模型掌握基础知识和逻辑；2）后训练与对齐阶段（规矩养成）利用SFT、RLHF等技术培养模型的对话能力和价值观；3）推理增强阶段（思维深度）采用CoT、ToT等方法提升模型解决复杂问题的能力；4）智能体阶段（实习干活）通过工具调用、RAG等技术赋予模型执行实际任务的能力。这种分阶段训练方式使大模型从知识储备逐步发展为具备逻辑思维和执行能力的智能体，展现了人工智能技术的复]]></description><category></category></item><item><title><![CDATA[Manus 到底是个什么东西？]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/157217750</link><guid>https://blog.youkuaiyun.com/Study996/article/details/157217750</guid><author>Study996</author><pubDate>Wed, 21 Jan 2026 16:30:31 +0800</pubDate><description><![CDATA[摘要： Manus是一款开源行动型AI助手，能自主拆解任务、调用工具并执行完整流程，实现从顾问到数字员工的升级。与ChatGPT不同，Manus能主动完成多步骤任务（如市场调研、文档整理、网页操作等），并具备试错修正能力。其核心价值在于将AI角色从辅助思考转变为替代执行，释放用户精力专注于决策判断。实际应用中，Manus擅长处理重复性工作（资料整理、初稿生成等），但方向选择、价值判断仍需人类主导。]]></description><category></category></item><item><title><![CDATA[RAG（检索增强生成）架构与原理：告别LLM“幻觉”的秘密武器]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156946371</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156946371</guid><author>Study996</author><pubDate>Wed, 14 Jan 2026 15:38:20 +0800</pubDate><description><![CDATA[RAG（检索增强生成）是一种优化大语言模型输出的技术，通过从外部知识库检索相关信息作为上下文输入，显著提高回答的准确性、可靠性和时效性。其工作流程分为检索（数据准备、嵌入、向量存储）和生成（上下文整合、LLM生成）两个阶段，能有效缓解LLM的幻觉问题。RAG具有提高准确性、增强可靠性、降低成本等优势，但也面临检索质量、分块策略等挑战。目前主流开源实现方案包括LangChain、LlamaIndex等框架，提供模块化组件简化开发流程。]]></description><category></category></item><item><title><![CDATA[大语言模型的详解与训练]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156864668</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156864668</guid><author>Study996</author><pubDate>Mon, 12 Jan 2026 16:15:10 +0800</pubDate><description><![CDATA[本文系统介绍了大语言模型（LLM）的定义、特点、能力及训练方法。LLM与传统预训练模型的核心差异在于其庞大的参数量（十亿至千亿级）和海量训练数据，使其具备涌现能力、上下文学习、指令遵循和逐步推理等独特优势。文章详细阐述了LLM的三阶段训练流程：预训练（Pretrain）构建基础能力，监督微调（SFT）培养指令遵循能力，以及人类反馈强化学习（RLHF）实现价值观对齐。同时分析了训练过程中的关键技术挑战，包括分布式训练框架选择、数据质量把控等。最后提供了大模型学习资源指引，为初学者系统了解LLM技术提供了参考。]]></description><category></category></item><item><title><![CDATA[AI Agent到底是啥？一文速通]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156650699</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156650699</guid><author>Study996</author><pubDate>Tue, 06 Jan 2026 15:47:42 +0800</pubDate><description><![CDATA[AI Agent作为新一代智能实体，凭借感知、规划、行动和记忆四大核心能力，正在从辅助工具进化为能独立完成复杂任务的数字员工。不同于传统AI系统，AI Agent通过整合大模型与外部工具，实现从思维到行动的闭环，在商业调研、电力运维、医疗诊断等领域展现出显著价值。尽管面临大模型不确定性、多Agent协作机制不成熟等挑战，但其在金融、制造等垂直行业的深度应用已初见成效。]]></description><category></category></item><item><title><![CDATA[10大顶级开源的 RAG 框架]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156608022</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156608022</guid><author>Study996</author><pubDate>Mon, 05 Jan 2026 16:12:57 +0800</pubDate><description><![CDATA[摘要：本文介绍了10个GitHub上热门的开源检索增强生成(RAG)框架，包括Haystack、RAGFlow、txtai等，分析了它们的特点和应用场景。RAG技术通过整合外部知识源增强大语言模型能力，能提供更准确及时的响应。文章对比了RAG与LangChain的区别，强调RAG在定制化、准确性方面的优势，并详细梳理了各框架的核心功能、适用场景和优缺点，为开发者选择合适框架提供参考。]]></description><category></category></item><item><title><![CDATA[不会用提示词的人，正在被AI时代淘汰：万字长文揭秘与机器对话的终极法则]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156569123</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156569123</guid><author>Study996</author><pubDate>Sun, 04 Jan 2026 16:18:16 +0800</pubDate><description><![CDATA[摘要：本文探讨了AI时代下提示词（Prompt）的重要性与应用技巧。通过广告新人被AI取代的案例，揭示掌握提示词已成为职场新技能。文章提出五维构建法：
1）角色定位，为AI设定专业身份；
2）场景搭建，提供详细背景信息；
3）任务分解，结构化表达需求；
4）限制条件，设定内容边界；
5）反馈迭代，持续优化输出。
通过电商命名、旅游规划等实例，展示了精准提示词如何提升AI输出质量。最后指出，当前AI仍处于超级模仿生阶段，未来可能实现更自然的交互，但现阶段掌握提示词技巧至关重要。]]></description><category></category></item><item><title><![CDATA[零基础秒懂—如何从0到1训练大语言模型]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/156060194</link><guid>https://blog.youkuaiyun.com/Study996/article/details/156060194</guid><author>Study996</author><pubDate>Fri, 19 Dec 2025 15:00:05 +0800</pubDate><description><![CDATA[要把44TB的内容记得大差不差，需要上万张善于并行计算的高端算力卡（以英伟达生产的产品为代表）连续不断地训练几十天，直到最后葵花宝典练成，得到了一个几千亿参数的神经网络，称为基础模型（基模型，base model）。同样的，大模型可以把人类从重复的脑力劳动中解放出来，去做更具备创造性的工作，从而推动人类社会的加速进步。当我们询问大模型具体的问题，相当于把问题逐字（更确切的说是逐token，token是一种大模型可以理解的技术字符）的输入这个几千亿参数的神经网络进行计算，从而得出结果，也就是大模型的回复。]]></description><category></category></item><item><title><![CDATA[一文搞懂AI大语言模型工作原理，初中生都能看懂]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155985829</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155985829</guid><author>Study996</author><pubDate>Tue, 16 Dec 2025 17:25:01 +0800</pubDate><description><![CDATA[本文系统介绍了神经网络与Transformer的工作原理及其训练过程。首先解释了神经元的基本概念和人工神经网络的结构，通过买肉案例形象说明神经元计算过程。然后详细阐述了神经网络的训练机制、循环神经网络(RNN)的特点及其局限性。重点解析了Transformer的核心模块——多头自注意力机制，通过圆桌会议的比喻生动说明了其工作原理。文章还完整介绍了大语言模型训练的四个关键阶段：预训练、监督微调、奖励模型构建和强化学习，揭示了AI如何通过数学计算涌现]]></description><category></category></item><item><title><![CDATA[科普专栏｜大语言模型：理解与生成语言的人工智能]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155781103</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155781103</guid><author>Study996</author><pubDate>Wed, 10 Dec 2025 17:11:40 +0800</pubDate><description><![CDATA[大语言模型(LLM)正成为AI领域的核心技术，通过海量数据训练掌握语言模式。其训练采用;预训练+微调;方法，结合强化学习优化回答质量。LLM已广泛应用于智能客服、文本生成、机器翻译等领域，但仍面临理解能力有限、数据偏差等挑战。随着技术进步，LLM将向更智能、多模态方向发展，成为人类创新的智能伙伴。]]></description><category></category></item><item><title><![CDATA[【电子书】大语言模型综述（391页）]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155490729</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155490729</guid><author>Study996</author><pubDate>Tue, 02 Dec 2025 16:18:02 +0800</pubDate><description><![CDATA[2022 年底，ChatGPT震撼上线，大语言模型技术迅速“席卷”了整个社会，人工智能技术因此迎来了一次重要进展。面对大语言模型的强大性能，我们不禁要问：支撑这些模型的背后技术究竟是什么？这一问题无疑成为了众多科研人员的思考焦点。必须指出的是，大模型技术并不是一蹴而就，其发展历程中先后经历了统计语言模型、神经网络语言模型、预训练语言模型等多个发展阶段，每一步的发展都凝结了众多科研工作者的心血与成果。]]></description><category></category></item><item><title><![CDATA[大模型核心技术：微调、推理与优化详细指南，推荐收藏！]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155312607</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155312607</guid><author>Study996</author><pubDate>Thu, 27 Nov 2025 17:16:58 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[【DeepSeek实战】高质量提示词的六大技巧]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155276615</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155276615</guid><author>Study996</author><pubDate>Wed, 26 Nov 2025 17:27:18 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[人工智能算法全景指南：从机器学习到大模型]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155235517</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155235517</guid><author>Study996</author><pubDate>Tue, 25 Nov 2025 15:13:17 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[构建属于自己的创意/设计AI智能体？]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155105174</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155105174</guid><author>Study996</author><pubDate>Fri, 21 Nov 2025 17:12:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[普通LLM智能体与具身智能：从语言理解到自主行动]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/155018514</link><guid>https://blog.youkuaiyun.com/Study996/article/details/155018514</guid><author>Study996</author><pubDate>Wed, 19 Nov 2025 17:21:29 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[超级全面的人工智能入门资料]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/154984326</link><guid>https://blog.youkuaiyun.com/Study996/article/details/154984326</guid><author>Study996</author><pubDate>Tue, 18 Nov 2025 17:20:09 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[AI人工智能零基础学习路线]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/154788859</link><guid>https://blog.youkuaiyun.com/Study996/article/details/154788859</guid><author>Study996</author><pubDate>Fri, 14 Nov 2025 17:35:28 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[机器学习背景知识和基础概念]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/154737210</link><guid>https://blog.youkuaiyun.com/Study996/article/details/154737210</guid><author>Study996</author><pubDate>Wed, 12 Nov 2025 15:36:36 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[一文看懂：大模型领域近期进展！]]></title><link>https://blog.youkuaiyun.com/Study996/article/details/154608552</link><guid>https://blog.youkuaiyun.com/Study996/article/details/154608552</guid><author>Study996</author><pubDate>Mon, 10 Nov 2025 11:24:16 +0800</pubDate><description><![CDATA[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&quot;规模决定能力&quot;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]]></description><category></category></item></channel></rss>