<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Vlsualer</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Vlsualer]]></copyright><item><title><![CDATA[【AI】RAG实战：知识库召回与测试架构设计]]></title><link>https://blog.youkuaiyun.com/Vlsualer/article/details/152782855</link><guid>https://blog.youkuaiyun.com/Vlsualer/article/details/152782855</guid><author>Vlsualer</author><pubDate>Sat, 11 Oct 2025 18:08:33 +0800</pubDate><description><![CDATA[本文按照模型召回的概念对知识库召回设计了一套检验架构，其中的重点在于确定了知识库召回中的相关概念，并明确了与模型召回的差异区别。架构中把测试数据进行了自动化，因模型具有不确定性，此方法还需后续评估，预想的一种完善方式是通过模型二次判断来对测试数据进行进一步测试。文中使用模型为百炼通义千问qwen3-235b-a22b模型，百炼平台有限流，需注意并发数量设置。]]></description><category></category></item><item><title><![CDATA[基于DIFY+RAFLOW的LLM垂直领域强化策略]]></title><link>https://blog.youkuaiyun.com/Vlsualer/article/details/148170995</link><guid>https://blog.youkuaiyun.com/Vlsualer/article/details/148170995</guid><author>Vlsualer</author><pubDate>Fri, 23 May 2025 18:59:43 +0800</pubDate><description><![CDATA[在当今数字化时代，大型语言模型（LLM）已经成为自然语言处理（NLP）领域的核心技术之一。从智能客服到内容生成，从机器翻译到情感分析，LLM的应用场景无处不在。然而，当我们试图将这些通用的语言模型应用于特定的垂直领域（如医疗、金融、法律等）时，却面临着诸多挑战。垂直领域不仅有着独特的专业术语和复杂的业务逻辑，还对模型的准确性和可靠性提出了更高的要求。为了解决这些问题，研究人员一直在探索如何通过技术手段对LLM进行强化，使其更好地适应垂直领域的特殊需求。]]></description><category></category></item><item><title><![CDATA[Unity2017+Easytouch5双摇杆控制角色&&视角&&animation动画[新手向]]]></title><link>https://blog.youkuaiyun.com/Vlsualer/article/details/77075576</link><guid>https://blog.youkuaiyun.com/Vlsualer/article/details/77075576</guid><author>Vlsualer</author><pubDate>Fri, 11 Aug 2017 01:29:13 +0800</pubDate><description><![CDATA[【Easytouch5之双摇杆控制人物移动和视角及animation】新手向]]></description><category></category></item></channel></rss>