人工智能
关注
分享
扫一扫
文章平均质量分 73
无极低码智能问数
多行业解决方案架构师，全栈开发
无极低码作者、智能问数作者
寻求商务合作
可提供商业软件研发，大模型智能体开发，企业培训，解决方案咨询，需求，方案，设计，编码，验收等项目的周期全过程，设计包括数据库设计，架构设计，原型设计，数据安全等，前端原生APP编码开发，web版移动端开发，微信开发，pc端管理系统开发，涉及技术点包括，数据采集爬取，缓存应用，语音识别与语音合成，Gis开发，大数据可视化，地图导航类，移动办公，电力巡航，天气服务等多个领域，涉及交通，应急，地震，政务，旅游，教育、政务多个行业，可以为企业提供完整的技术输出与技术方案
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
milvus导入本地镜像，配置账号密码
Milvus环境重置操作指南 本文档详细介绍了如何彻底重置Milvus环境的完整流程，包括准备工作、操作步骤和验证方法。核心步骤包括： 环境清理：停止容器、清除日志和残留数据 本地镜像导入：导入Milvus、MinIO和Etcd镜像 配置文件修改：统一密钥并设置本地镜像策略 服务启动：启动容器并等待初始化完成 连接验证：通过Python脚本测试Milvus连接 操作重点在于确保MinIO密钥一致、使用本地镜像以及彻底清理旧数据。最终通过日志检查和连接测试验证重置成功。整个过程无需外网连接，适合离线环境部署。原创 2026-01-07 11:30:05 · 23 阅读 · 0 评论 -
离线部署milvus，直接上传image镜像，无需访问外网，100%落地Milvus独立版部署
摘要：在国产麒麟操作系统上部署Milvus时遇到Python、MySQL等兼容性问题，尤其是Milvus受限于网络无法在线安装。解决方案是通过离线方式加载三个Docker镜像包（minio、milvus、etcd），修改docker-compose.yml强制使用本地镜像并添加pull_policy:never避免外网访问。关键步骤包括上传镜像包、加载镜像、配置标签匹配和启动容器，最终实现Milvus独立版的离线部署，解决了国产化适配中的网络限制问题。原创 2026-01-07 09:31:31 · 35 阅读 · 0 评论 -
麒麟高级服务器操作系统 V10（Kylin Linux Advanced Server V10，简称银河麒麟V10）部署Java、Python、MySQL、Tomcat、Redis、Milvus
本文详细介绍了在麒麟V10操作系统上部署完整开发环境的步骤。首先通过命令检查系统架构和已有环境，然后依次安装核心依赖工具、OpenJDK 11、Python 3.9（编译安装）、MySQL 8.0、Tomcat 9.0、Redis 6.2（编译安装）以及Milvus 2.4（Docker Compose部署）。每个组件均包含详细的安装命令、配置说明和验证方法，并特别针对麒麟V10系统进行了适配优化，包括软件源配置、防火墙设置和开机自启等操作。该方案适用于x86_64和aarch64架构，为基于麒麟V10系统原创 2026-01-05 11:26:29 · 364 阅读 · 0 评论 -
智能问数部署环境
本文详细介绍了在阿里云CentOS服务器上部署完整开发环境的步骤。首先通过系统命令查询服务器核心信息（发行版、架构、内核版本等），然后依次安装OpenJDK 11、Python 3.9、MySQL 8.0、Tomcat 9.0和Redis 6.2等关键组件。每个安装步骤都包含详细的命令操作、配置说明和验证方法，特别针对阿里云ECS环境进行了优化适配，确保各软件版本兼容性。文中还提供了防火墙设置、环境变量配置等关键操作指南，形成了一套完整的服务器环境部署方案。原创 2026-01-05 11:24:54 · 38 阅读 · 0 评论 -
智能语义搜索核心算法：全链路技术解析与工程实践，将rag向量检索准确率提升到98%以上……
智能语义搜索算法全链路解析 本文系统性地介绍了一套面向数据查询的智能语义搜索算法，从数据准备到检索执行完整链路。该算法采用"数据准备为基础、智能语义搜索为核心、动态学习为迭代动力"的设计理念，包含数据准备层和检索执行层两大核心架构。 数据准备层通过构建向量库、领域词典、数据特征和关联关系，为检索提供高质量输入。检索执行层采用四步核心流程：1）查询扩展，通过同义词扩展提升召回率；2）向量生成与搜索，将文本意图转化为高维向量进行高效召回；3）智能重排序，基于多维度相关性得分提升精准率；4）动原创 2025-10-18 11:54:33 · 213 阅读 · 0 评论 -
知识库检索过程中，rag主要存在的问题，核心解决方法见文末图
本文系统分析了RAG向量库检索全链路中的核心问题：1）数据与向量表示层存在源数据质量差、语义理解不足和多模态支持弱等问题；2）检索算法层面临相似性计算偏差、召回与精度平衡困难及数据更新滞后等挑战；3）场景适配层问题包括长文本拆分不合理、上下文窗口限制及领域适配不足；4）工程实施层存在大规模检索效率低、资源消耗高等落地障碍。文章最后提出可提供详细的RAG问题排查清单，帮助用户针对性优化各环节。原创 2025-10-18 11:19:14 · 115 阅读 · 0 评论 -
如何将数据库快速接入大模型实现智能问数,实现chatbi、dataagent,只需短短几步,不需要配置工作流！
智能问数系统提供全流程数据决策解决方案，通过三步完成初始化：1）创建管理员账号；2）配置AI模型参数；3）确认系统初始化。该系统实现自然语言交互分析，支持多层级用户需求，具备六大核心功能：智能语义理解、任务编排、NL2SQL转换、高速查询、可视化呈现和智能总结。典型应用成效包括：将分析时间从数小时缩短至分钟级，降低90%技术门槛，支持20+图表类型输出。系统支持灵活部署方案，可无缝对接现有业务系统，显著提升企业数据决策效率。原创 2025-08-16 13:04:49 · 609 阅读 · 0 评论 -
如何设计表结构以提高向量检索召回率
本文提出了向量库表结构设计方案，旨在提升检索召回率。核心包含文档内容表、向量数据表和可选文本分块表，支持存储原文、向量及分块信息。建议添加哈希索引、时间索引和IVFFlat/HNSW向量索引优化查询性能。扩展方案包括查询日志和模型版本表。实施建议强调分块处理、维度适配、索引选择、同步更新和内容去重机制。该设计为构建高效向量检索系统提供了完整的技术框架。原创 2025-05-27 09:20:49 · 493 阅读 · 0 评论 -
MCP调用示例说明，以百度地图为例
MCP服务服务端是由服务商提供好的调用代码，比如百度地图路线规划，原来是百度提供了接口，由开发人员自己写代码调用，现在通过本地部署百度提供的mcp服务，只需关系输入参数即可，服务调用由mcp服务端自己调用直接返回结果给mcp客户端。通过 MCP 协议，服务商可以提供预配置的 MCP 服务端，使得开发者可以更方便地调用其服务。原创 2025-04-18 11:34:35 · 947 阅读 · 0 评论 -
要不要使用mcp服务
比如我要做一个agent，可能会用到文件解析，长文本分词，向量化处理，语义化检索，数据库查询语句生成，图表生成，结果分析等。原创 2025-04-18 11:18:39 · 494 阅读 · 0 评论 -
大模型的核心配置参数解释
这些文件共同协作，确保模型能够正确加载、初始化并应用于实际任务中。原创 2025-04-16 09:15:20 · 924 阅读 · 0 评论 -
从0创建一个模型的主要步骤
从零创建一个BERT模型需要深入理解Transformer架构和预训练任务的设计。通过以上步骤，可以构建一个基本的BERT模型，并在特定任务上进行训练和微调。原创 2025-04-16 09:13:40 · 582 阅读 · 0 评论 -
如何自己编写一个模型，基于模型微调
开发和训练一个自己的模型是一个复杂但非常有意义的过程。以下是详细的步骤，涵盖了从环境搭建到模型微调的全流程。以下场景中文自然语言处理（NLP）任务为例，比如意图识别或文本分类。使用 Hugging Face 提供的预训练模型（如。为例，假设你要构建一个能够识别用户意图的模型。在开始之前，明确你的任务目标非常重要。收集与任务相关的数据。原创 2025-04-16 09:05:20 · 700 阅读 · 0 评论 -
如何实现一个意图识别模型
在对话过程中识别用户需求是构建智能对话系统（如聊天机器人、虚拟助手等）的核心任务之一。为了实现这一目标，意图识别（Intent Recognition）和槽位填充（Slot Filling）通常是两个关键步骤。对话管理模块负责维护对话状态，并根据用户意图和历史对话记录决定下一步的动作。意图识别和槽位填充可以看作是相关的任务，因此可以通过多任务学习的方式同时优化这两个任务。要实现高质量的意图识别，需要准备高质量的训练数据。意图识别的目的是理解用户的意图或目的。两者结合可以更好地理解用户的需求。原创 2025-04-16 09:00:07 · 2078 阅读 · 0 评论 -
向量库特点和使用场景
向量数据库的特点和使用场景原创 2025-03-22 23:19:26 · 1062 阅读 · 0 评论 -
基于deepseek的智能语音客服【第一讲】整体技术架构
全程无尿点，只讲重点，代码实现。不讲ollama、anythingllm、dify、coze【完整代码实战教程】通过 Java，Python，HTML 实现文本向量化、向量数据库操作、知识库建立、DeepSeek 模型调用及前端展示-最终实现智能问答。原创 2025-03-19 21:08:41 · 304 阅读 · 0 评论 -
FLASK和GPU依赖安装
【代码】FLASK和GPU依赖安装。原创 2025-03-15 11:10:11 · 507 阅读 · 0 评论 -
【完整代码实战教程RAG增强+embedding=deeps】通过 Java，Python，HTML 实现文本向量化、向量数据库操作、知识库建立、DeepSeek 模型调用及前端展示-最终实现智能问答
【完整代码实战教程】通过 Java，Python，HTML 实现文本向量化、向量数据库操作、知识库建立、DeepSeek 模型调用及前端展示-最终实现智能问答。文本向量化： 使用 all-MiniLM-L6-v2 模型将文本转换为向量。DeepSeek 模型调用： 调用 DeepSeek API 进行文本生成。前端展示： 使用 HTML 和 JavaScript 实现交互式前端界面。完整代码实现： 从文本向量化到前端展示的完整代码实战。技术深度解析： 详细讲解每个技术点的原理和实现细节。原创 2025-03-08 11:18:27 · 280 阅读 · 0 评论 -
Milvus安装linux操作步骤
文件，添加以下内容，以指定数据持久化路径为。这将停止并删除 Milvus 容器及其相关卷。通过以上步骤，您可以将 Milvus 安装在。如果您希望将 Milvus 安装在。目录下，并确保数据存储在指定路径。原创 2025-03-04 10:11:26 · 1002 阅读 · 0 评论 -
安装 Milvus 的详细步骤
通过以上步骤，你可以成功重新安装 Milvus。如果在安装过程中遇到任何问题，请告诉我具体的错误信息，我会进一步协助你。原创 2025-02-28 15:47:35 · 1784 阅读 · 0 评论 -
推理模型和非推理模型的特点和优势
非推理大模型： 适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。推理大模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。优势领域：这类模型经过专门训练，能够处理复杂的逻辑推理任务，例如数学问题、代码生成和复杂问题的拆解。劣势领域：在需要严格逻辑链的任务上表现较弱，例如数学证明或复杂的逻辑推理。原创 2025-02-09 11:02:25 · 3322 阅读 · 0 评论 -
Deepseek可以做什么？
提供实时信息（需联网时）或基于知识库的深度解析。翻译多语言内容，调整文本风格（正式/口语化）。调试错误、优化代码逻辑，提供算法思路。生成流程图、思维导图，辅助项目管理。辅助数据清洗、统计分析或简单建模。设计学习计划，生成练习题及解析。原创 2025-02-09 10:50:43 · 2576 阅读 · 0 评论 -
什么是deepseek?
其中智能分析引擎采用了先进的机器学习算法和深度学习模型，能够自动识别数据中的模式和趋势，进行复杂的关联分析和预测建模。这种开源策略降低了中小企业和个人开发者的使用成本，推动了 AI 技术的普及和应用。•混合专家模型（MoE）：通过训练多个专家模型，并根据输入数据特征动态选择最合适的专家模型进行处理，实现对复杂任务的高效处理。•深度学习与自然语言处理：通过大量数据训练，能够理解和处理复杂问题，提供个性化建议。•多头潜在注意力机制（MLA）：显著降低了模型推理成本，提高了模型的运行效率。原创 2025-02-09 10:21:39 · 835 阅读 · 0 评论 -
comfyui老照片修复工作流，直接复制到comfyui中即可使用
comfyui老照片修复工作流，直接复制到comfyui中即可使用原创 2024-08-04 13:50:34 · 2917 阅读 · 0 评论 -
文生图图生图工具comfyui基础模型及其解释
t5-base: Text-to-Text Transfer Transformer 的基础版本，一种用于文本生成的模型。DynamiCrafter: 一种动态图像生成模型，可能用于生成具有动态效果的图像或视频。inswapper: 一种用于面部交换的技术，能够将一个人的面部替换为另一个人的面部。MotionCtrl: 一种控制运动的模型，可能用于生成具有特定运动模式的图像或视频。Hunyuan-DiT: 一种模型，可能是用于图像生成或者特定任务的深度学习模型。原创 2024-07-30 17:30:00 · 1140 阅读 · 0 评论 -
comfyUI涉及的模型分类说明
CLIP: Contrastive Language-Image Pre-training，一种预训练模型，用于理解和生成文本和图像之间的关联。T2I-Style: Text-to-Image Style Transfer，一种用于将文本描述转化为图像风格的技术。T2I-Adapter: Text-to-Image Adapter，一种用于指导文本到图像生成的模型。lora: Low-Rank Adaptation，一种轻量级的微调方法，用于适应新的任务或数据集。原创 2024-07-30 10:15:40 · 3844 阅读 · 0 评论 -
气象数据分析实用程序线性相关,谱分析,小波分析,合成分析,主分量分析,异值分解,插值,滤波分析,站点图的画法,动态标准化季节变率
数值微分 Numerical Differentiation等间距数据上的m阶导数的(n+1)点格式 The m-th numerical derivative of equally spaced data by use of an (n+1)-point formulasubroutine Ediffer(nn,n,m,h,f,df) 已知函数f在等间距（间距为h）格点上的函数值，计算它在各格点上的导数 df。转载 2024-07-14 17:43:44 · 394 阅读 · 0 评论 -
无极低码：程序员的加油站，这么多高效工具帮助提升工作效率
这个网站是一个关于技术框架、工具与解决方案的汇总网站，它提供了多个分类的链接和资源，涵盖了从技术框架、站长工具到自媒体、原型设计、摄影网站等多个领域的信息。原创 2024-04-06 17:18:24 · 734 阅读 · 2 评论 -
深入了解Kimi：月之暗面科技有限公司的创新智能助手
更多人工智能工具请访问无极低码：在这个快速发展的数字时代，人工智能技术正逐渐渗透到我们生活的方方面面。月之暗面科技有限公司（Moonshot AI）开发的Kimi，作为一款先进的人工智能助手，正引领着智能助手领域的新潮流。Kimi不仅仅是一个简单的工具，它是一个全方位的智能伙伴，旨在提高我们的工作效率，丰富我们的日常生活，并帮助我们更好地理解和利用信息。原创 2024-03-21 12:39:23 · 4207 阅读 · 0 评论 -
零代码解决方案的使用场景和目标
使用场景：目标：使用场景：目标：原创 2023-04-14 23:56:26 · 11194 阅读 · 0 评论 -
我们该如何看待AI的崛起
使用这些AI智能工具和数据分析库，我可以更好地完成各种机器学习和数据分析任务，提高我的工作效率。然而，AI工具同时也存在一些缺点和风险。原创 2023-04-13 22:11:52 · 7750 阅读 · 0 评论 -
让chatgpt给我做个项目预算，感觉这样的项目预算才有的赚
chatgpt原创 2023-04-11 20:26:23 · 7997 阅读 · 0 评论 -
最近火爆的chatgpt到底能干啥
Chatgpt是一个基于云的自然语言处理（NLP）平台，旨在帮助企业自动完成客户服务任务。它使用机器学习（ML）和深度学习（DL）等人工智能技术来理解客户的询问并提供自动回复。Chatgpt可以与客户服务系统（如CRM和票务系统）整合，帮助企业简化客户服务流程。Chatgpt允许企业创建智能聊天机器人，可以实时回应客户的询问。聊天机器人可以进行定制，为客户提供个性化的回应，使他们感到更受重视。此外，Chatgpt还提供先进的分析和报告功能，使企业能够监测客户互动并改善其服务。原创 2023-02-10 21:13:43 · 4674 阅读 · 0 评论