- 博客(1452)
- 收藏
- 关注
RSS订阅原创 【必收藏】全新RAG框架LinearRAG：无需关系抽取，高效又精准！超越GraphRAG和LightRAG！
LinearRAG是一种无需关系抽取的新型RAG框架，通过构建Tri-Graph三层结构（实体、句子、段落节点）和两阶段检索方法（局部语义桥接和全局重要性聚合），避免了传统GraphRAG的复杂性和错误问题。相比GraphRAG，LinearRAG构建速度提升77%以上，资源消耗更低，同时保持高准确性和多跳推理能力，实现了高效、精准和线性可扩展，为大模型应用提供了新的解决方案。
2025-11-24 19:59:14
443
原创 【收藏必看】智能体平台：大模型落地的完整解决方案，看到就是赚到，建议收藏！！
文章介绍了一个功能强大的智能体平台，它不仅是一个聊天框，更是一个能听、会看、懂业务、能执行任务的AI工场。平台具有四大核心亮点：支持多种大模型底座、可视化智能体开发中心、丰富的业务工具箱和基于RAG技术的知识中心。已在政务服务、公共安全、社会治理和企业办公等领域实现落地应用，帮助用户将大模型嵌入现有业务，提升工作效率，让每个组织都能拥有自己的"超级数字员工"。
2025-11-24 19:50:52
439
原创 程序员必备技能：LangChain v1.0模块化拆分指南，值得反复阅读收藏
LangChain v1.0将原单一包拆分为五个独立模块：langchain-core(核心抽象)、langchain(主包)、langchain-community(社区集成)、langchain-[partner](厂商集成)和langchain-classic(旧版兼容)。新项目推荐安装langchain和厂商包，生产环境优先使用官方厂商包以保证稳定性。这种模块化重构使框架更轻量、更专注、更易维护，为开发者提供清晰的技术路径。
2025-11-24 19:41:02
703
原创 大模型Function Call不稳定？系统设计才是关键，附解决方案，建议收藏
文章指出大模型Function Call不稳定不是模型本身问题，而是系统设计缺陷。影响稳定性的四大核心因素包括：Schema不规范导致函数参数歧义、Prompt上下文不严谨引发模型误解、采样策略不合理增加随机性、以及缺少运行时防御机制。解决方法包括规范Schema设计、优化Prompt结构、调整采样参数、增加校验与重试机制。通过系统性解决这些问题，才能实现稳定可靠的Function Call，支撑AI Agent项目落地。
2025-11-24 19:32:54
453
原创 【珍藏指南】RAG与微调：大模型性能提升全解析，从入门到精通必备
本文深入对比了提升大语言模型性能的两种主流技术：检索增强生成(RAG)与微调。RAG通过动态访问外部知识库实现信息更新，适应性强但计算开销大；微调则针对特定任务优化模型，性能专一且推理快速。RAG适合需要最新信息的开放域任务，微调更适合结构清晰的专业领域应用。实际应用中，两者可结合使用，取长补短，构建更高效的AI系统。
2025-11-24 18:54:17
362
原创 收藏必看！AI产品经理全解析：从NLP到垂直领域，找到你的AI生态坐标与跃迁路径
本文从技术方向、业务场景和业务阶段三个维度，系统解析了AI产品经理的多种细分类型：技术深耕型(NLP/CV/推荐算法)、垂直领域型(金融/医疗/制造等行业解决方案)和全生命周期型(0-1孵化/规模化落地/平台建设)。文章指出，无论哪种类型，AI产品经理的核心能力在于技术理解、业务转化和跨团队协作，帮助从业者明确自身定位并规划职业发展路径。
2025-11-24 18:33:36
356
原创 收藏！零经验转行AI产品经理指南：36k高薪不是梦，500万人才缺口等你来，0经验、不懂技术也可以转！
AI领域人才缺口达500万，AI产品经理需求旺盛，薪资中位数达36k/月。市场需要三类AI产品经理：专业型、应用型和工具型，无技术背景者可从应用型入手。成为AI产品经理需掌握商业变现、需求把控、技术与业务结合等能力。
2025-11-24 11:25:10
564
原创 AI大模型架构设计面试宝典：10道精选题目详解，建议收藏学习
本文详细剖析了10个AI大模型应用架构设计面试问题及解决方案，涵盖RAG评估优化、模型微调、检索系统设计、领域特定应用、系统调试、性能优化、持续改进流水线及多模态评估等方面。内容聚焦真实场景下的深度思考与经得起推敲的解决方案，帮助AI大模型工程师/架构师应对面试挑战，提升实战能力。
2025-11-22 20:01:54
741
原创 【2025必学】医学图像处理中的Transformer技术：五大创新方向全解析
本文详细介绍了Transformer在医学图像处理领域的五大创新方向：轻量化混合架构设计、可解释性增强、多模态/多空间特征融合、专用模块创新以及自监督与弱监督学习。这些创新针对医学图像处理中的效率、透明度、质量提升、特定问题解决和数据稀缺等挑战，通过结合CNN优势、设计专用模块和减少标注依赖，不断提升医学图像处理性能，为临床诊断提供更可靠的技术支持
2025-11-22 19:43:14
787
原创 AI大模型面试真题：“衡量大模型能力的常用NLP指标有哪些？看完这一篇你就知道怎么答了！！
本文详细介绍了衡量大模型能力的五种关键NLP指标：Perplexity（困惑度）、BLEU（机器翻译评估）、ROUGE（文本摘要评估）、METEOR（加强版翻译评估）和BERTScore（基于BERT的深度语义匹配）。这些指标从简单的n-gram匹配到深度语义相似度计算，各有优缺点和适用场景，是评估大模型性能的重要工具，对AI从业者学习与面试都具有重要价值。
2025-11-22 15:27:51
652
原创 收藏必看！AI Agent开发核心技术：提示词工程+工作流+RAG知识库实践指南
本文系统阐述了构建可靠高效AI Agent应用的核心技术，指出随着LLM和工具调用标准化，开发竞争力已转向提示词工程、工作流设计和知识库构建三大领域。文章详细介绍了Agent的核心架构、提示词设计方法、使用DSL描述工作流、RAG与向量数据库的应用以及关系型数据库优势。同时讨论了AI安全问题及项目可行性确定方法，强调AI项目应采用"Ready, Fire, Aim"的快速迭代模式。
2025-11-22 14:56:16
633
原创 【收藏必看】BLIP：图文多模态领域的里程碑，统一理解、检索与生成三大能力
BLIP是图文多模态领域的里程碑模型，通过统一encoder-only和encoder-decoder架构，结合Filter和Captioner组件，解决了跨模态模型能力不统一和数据质量不可靠的问题。其创新的自我提升数据集构建策略，利用带噪音数据进行预训练，通过Captioner生成高质量描述和Filter过滤，最终构建出高质量图文对，使BLIP在视觉理解、图文检索与图文生成三大任务上实现了统一能力。
2025-11-22 14:10:44
543
原创 大模型进阶必备：一文搞懂图RAG，知识图谱+向量数据库构建智能问答系统（建议收藏）
文章介绍图RAG技术如何结合知识图谱与向量数据库提升大模型回答质量。通过电商推荐案例对比三种方法：向量检索部署简单但存在"上下文污染"；知识图谱结果可解释但构建复杂；混合方法兼具两者优势，既保证检索速度又提高推荐精度，使AI从"关键词匹配"进化为"智能顾问"。
2025-11-22 13:44:33
752
原创 【收藏必备】AI Agent完全指南：从第一性原理到多Agent协作，程序员入门必学大模型基础
本文深入探讨AI Agent的第一性原理及其五阶段发展轨迹，从个人手艺人到现代企业组织。详细分析了Agent的能力构成（算力、知识记忆、预测功能、动作执行）及未来发展方向（专业化、多模态、少指令输入）。文章指出不同阶段各有应用价值，未来技术可能向网状结构、自我进化方向发展。
2025-11-22 11:43:57
770
原创 一文读懂什么是“智能体“，AI界的“全能打工人”，从零开始打造你的专属AI助手
智能体是比普通AI更"自觉"的AI助手，能自主规划任务并执行，无需一步步指令。它由三部分组成：大模型充当"大脑"负责规划，感知系统作为"眼和记忆"收集信息，工具系统作为"手脚"执行操作。当前已有豆包、扣子等平台帮助用户打造专属智能体，未来可形成"智能体军团"实现全方位减负，让AI真正成为生活和工作的高效助手。
2025-11-21 20:04:46
477
原创 收藏必学！大模型RAG技术20种实现方式与应用场景全解析，零基础小白收藏这一篇就够了！！
文章系统介绍20种RAG技术类型，包括基础检索与生成集成、智能体RAG、图RAG等，分析各类技术的特征、优势和应用场景。RAG已转型为"智能体基础设施"，未来竞争焦点是多智能体协同效率、跨模态证据融合与低成本边缘部署，需抓住"Agentic+图谱+轻量化"三条主线。
2025-11-21 19:50:24
645
原创 AI大模型检索优化秘籍：多表征向量索引技术详解，看完就收藏！
文章详细介绍了多表征/向量索引技术在大模型检索中的应用，包括三种方法：文档分块检索父文档、LLM生成摘要、生成假设性问题。通过为同一文档块创建多个向量表征，显著提高检索准确率。展示了摘要生成和假设性问题生成两种策略的流程，并通过实际案例验证了多向量检索的有效性。
2025-11-21 19:30:42
518
原创 程序员必学：NLP大模型底层原理详解，从基础到Transformer，建议收藏
文章介绍了自然语言处理(NLP)的发展与核心技术，包括NLP的四种类型和预处理流程。详细阐述了文本表示方法，从离散式到分布式向量表示。重点讲解了Seq2Seq模型的Encoder-Decoder架构及RNN基础，分析了Attention机制如何解决长距离信息弱化问题。最后深入解析了Transformer模型及其self-attention结构，展示了Multi-Head attention机制，为理解现代大语言模型提供技术基础。
2025-11-21 14:37:02
612
原创 收藏必备：DeepSeek大模型深度解析：企业智能化转型实战指南
DeepSeek大模型通过低成本训练、高性能推理、高准确度及强大数据处理能力，为企业智能化转型提供支持。文章详细介绍了DeepSeek在企业AI应用中的五大典型场景：智能知识库、文档翻译、企业AI智能体、ChatBI数据库查询和Office AI助手，并强调了私有化部署在数据安全、灵活性和业务创新方面的优势，帮助企业实现智能化升级。
2025-11-21 11:55:58
650
原创 【AI大模型】LangChain从零到实战：7步构建大模型AI应用，看到就是赚到，建议收藏！！
这篇文章详细介绍了LangChain框架如何解决大模型的三大局限性（知识过期、无记忆能力、缺乏工具使用能力），并通过五个实战案例（基础对话、记忆功能、RAG检索、Agent工具使用、Streamlit网页界面）帮助读者掌握构建大模型应用的核心技术。文章还介绍了LangGraph进阶知识，为读者提供了从零开始学习大模型应用开发的完整路径。
2025-11-21 11:28:06
561
原创 超越提示工程：上下文工程（Context Engineering）全面解析，程序员进阶必备，建议收藏！
Context Engineering是随着大型语言模型从简单指令系统演进为复杂推理引擎而出现的新范式。它超越传统提示工程，采用整体方法构建能维持状态、动态获取信息的智能系统。核心包括系统级设计、动态信息管理和多模态上下文优化，涵盖指令设计、工具集成、记忆管理等。相比提示工程，其范围更广、定位更高，是构建复杂AI系统的必要方法，已在企业OA系统、智能Agent等场景落地，并通过LangChain等工具实现。
2025-11-21 11:11:08
608
原创 【必学收藏】RAG技术完全指南：让AI助手掌握最新知识的革命性方法
RAG（检索增强生成）是一种创新AI架构，结合大语言模型的生成能力与外部知识库检索功能，解决传统大模型知识滞后和事实虚构问题。其流程包括知识预处理（向量化存储）、检索优化和增强生成三大阶段。RAG技术在数字政府、智能客服、公文写作等领域广泛应用，即使非技术人员也能通过集成RAG的AI工具或浏览器插件享受其便利。"先检索，再生成"的RAG思维模式可应用于研究与写作、专业咨询等场景，提升AI回答的准确性和时效性。
2025-11-20 20:00:59
931
原创 【必藏】一文读懂RAG 2.0：从技术演进到关键挑战，小白也能掌握的大模型检索增强技术
RAG技术已进入2.0时代，面临多模态支持不足、检索质量问题、生成幻觉、计算效率和安全隐私等挑战。技术范式从基础检索生成发展到具备反思能力的模块化系统。关键技术包括混合搜索、DPR稠密检索、重排序模型、多模态RAG、强化学习、图神经网络和Agentic RAG等。未来发展方向是统一多模态大模型和安全防护技术，以提升RAG系统的性能和可靠性。
2025-11-20 19:49:06
972
原创 AI交互圣经：23招提示语(Prompt)技巧，让大模型秒懂你的指令(必学收藏)
文章总结了23种与大模型交互的提示语技巧，即使AI模型越来越智能，掌握提示语仍至关重要。这些技巧包括精简指令、角色扮演、心理学策略、结构化表达、思维引导和高级话术等。通过精准表达需求，用户可获取更高质量的AI回答。在AI快速发展的今天，清晰表达需求已成为数字时代的基础素养，掌握提示语艺术能帮助人们在智能时代建立认知优势。
2025-11-20 19:19:48
533
原创 【必收藏】大模型核心技术全面解析：从架构到Attention机制，一篇掌握LLM底层原理
文章深入解析大语言模型的三大主流开源体系(Prefix Decoder、Causal Decoder、Encoder-Decoder)及其特点，详解Attention机制、训练目标、涌现能力原因、Decoder-only结构优势、Layer normalization类型、激活函数选择及Attention优化技术等核心内容，为理解LLM底层原理提供全面指导。
2025-11-20 14:33:13
645
原创 【必收藏】从RAG到Agentic RAG：大模型企业落地的终极解决方案
本文探讨传统RAG技术在企业应用中的局限性，提出Agentic RAG解决方案，通过融合RAG检索、Agent规划、工具执行和记忆能力，使大模型从"回答问题"升级为"完成任务"。文章详细对比了两种架构差异，并提供了企业实施Agentic RAG的具体步骤，指出这是大模型工程化的必然路线。
2025-11-20 11:57:05
557
原创 一文讲清从图像到音频，多模态数据如何适配LLM架构的离散Token化技术，零基础小白收藏这篇就够了！！
本文首次系统梳理了多模态大模型的离散tokenization技术，核心是向量量化(VQ)。详细分类8种VQ方法，分析其在单模态和多模态应用中的效果，指出码本坍缩等核心挑战，并提出动态量化、统一token框架等未来方向。为研究人员提供全面技术参考，配有持续更新的GitHub资源。
2025-11-20 11:17:15
446
原创 【收藏级干货】LLM应用开发五层架构图，助你快速成为高薪AI应用架构师！
本文详解了Shalini Goyal绘制的LLM应用五层架构图，从基础设施层到前端用户界面层，系统拆解了AI应用开发的全技术栈。文章介绍了各层的关键技术和工具，包括OpenAI等模型、LangChain等逻辑框架、Pinecone等向量数据库，以及Vercel等部署工具。无论想打造内部效率工具还是面向C端产品，此架构图都能帮助开发者清晰规划LLM应用开发路径，是成为LLM应用架构师的必备指南。
2025-11-20 10:26:08
522
原创 LLM Agent开发实战：从模型选择到系统实现，强烈推荐收藏！！
本文详细介绍了构建LLM Agent的七大步骤：选择合适模型、定义控制逻辑、设置核心指令、优化工具、处理内存、解析输出和编排下一步。文章强调单agent适合快速原型设计，多agent可避免信息过载。通过这些步骤，开发者能创建处理多样化用例的智能agent系统，从数据分析到自动化工作流。
2025-11-19 16:39:09
786
原创 【必学收藏】大模型情感分析实战：从零样本Prompt到LoRA微调全流程
本文详细介绍两种大模型情感分析方法：1)零样本Prompt调用，无需训练直接使用大模型，适合快速验证和少数据场景；2)LLaMA Factory轻量微调，通过LoRA技术提升特定任务效果，适合有数据和算力的场景。提供完整代码示例、参数配置和实战建议，帮助开发者根据需求选择合适方案。
2025-11-19 16:23:25
886
原创 收藏必备！大模型Agent本质与四象限法则：小白也能轻松掌握
Agent的本质由Workflow（工作流）和Context（上下文）两个核心变量决定，形成四象限法则：高确定性（类似RPA）、流程固定但输入多变（需语义理解）、输入清晰但路径多样（需自主规划）以及双重不确定（通用Agent）。真正的Agent是在目标导向下自主决策并行动的智能体系统，公式为Agent = Workflow × Context × 自主性。理解这一框架有助于把握不同场景下Agent的能力边界，促进实际落地应用。
2025-11-19 15:38:55
706
原创 检索增强生成(RAG)实战教程：让AI回答更专业，程序员必学收藏指南
本文详细介绍了三种增强大模型能力的技术：检索增强生成(RAG)、微调和提示工程，重点讲解了RAG技术。RAG通过检索相关外部知识并融入提示词，使大模型能回答超出训练数据范围的问题。文章提供了使用FAISS构建向量库、实现文档嵌入和相似度检索的具体代码示例，并通过Streamlit构建动漫知识库应用，展示了RAG从理论到实践的完整过程。
2025-11-19 14:57:41
944
原创 Vision Transformer(ViT)入门指南：从图像块嵌入到大模型视觉理解(收藏价值满满)
本文详细介绍了Vision Transformer(ViT)的核心原理与实现方法，包括图像块嵌入的两种生成方式(常规方法和卷积层实现)、位置嵌入的重要性、CLS标记的作用，以及图像块大小对模型性能的影响。文章还分析了ViT与CNN在归纳偏置方面的区别，指出ViT缺乏CNN的局部性归纳偏置，但具有更强的全局处理能力，适合处理多种类型数据，但需要更多训练数据。
2025-11-19 12:00:28
767
原创 揭秘企业级AI智能系统架构：从理论到实践【珍藏指南】
本文探讨了企业级AI智能系统的关键架构设计。强调构建智能生态系统比单个智能体更具挑战性，提出了三层参考架构：基础层（数据和平台）、编排层（多智能体工作流）和自主层（自适应智能）。阐述了核心架构原则如目标导向、可组合性、可解释性等，这些原则将独立智能体转化为治理良好、自适应且与人类对齐的智能系统，为企业AI从实验走向生产提供框架。
2025-11-19 11:46:11
551
原创 收藏必看！从“实习生“到“CEO“：AI Agent如何重塑大模型未来
文章对比了AI Agent("CEO")与传统LLM("实习生")的区别，指出AI Agent实现了从命令式到声明式的范式转变。它由规划(ReAct框架)、记忆(短期和长期)和工具使用三大核心要素构成，并经历了L1到L4的进化过程。文章分析了AI Agent的工程挑战和解决方案，强调当前最成功的Agent不是最自主的，而是基于可控工作流构建的，并指出AI Agent的未来是人机协作，增强而非取代人类。
2025-11-19 10:40:08
587
原创 必学收藏！大模型工程师必看：上下文工程2.0，从Prompt到AI Agent的完整指南
文章系统介绍上下文工程2.0理论框架，指出其是伴随机器智能演进的学科，已发展二十余年。提出四阶段演进模型(1.0-4.0)及三大支柱(收集存储、管理、使用)，揭示从"人适应机器"到"人机协作"的演进路径。当前处于2.0时代，以LLM为代表，通过Prompt、RAG等技术实践，未来将向更智能协作发展。
2025-11-18 15:25:03
312
原创 2025大模型部署必备：vLLM与轻量版Nano-vLLM实战教程【建议收藏】
文章介绍了GitHub 2025年度趋势中的热门AI基础设施项目，特别是vLLM及其轻量版Nano-vLLM。Nano-vLLM具有快速推理、代码简洁（约1200行）等特点，测试显示在小模型场景下吞吐量略高于vLLM且资源占用更少。文章提供了详细的安装和使用方法，适合开发者本地部署大模型参考。
2025-11-18 15:13:16
429
原创 【必收藏】小白也能学会！用LangChain实现RAG：让AI读取你的文档精准回答问题
文章详细介绍了如何使用LangChain构建RAG应用，实现基于真实文档的智能问答。内容包括：从多种格式加载文档、用BeautifulSoup精准提取正文、文本分块处理、将文本转换为向量、以及组装提示词、检索和生成答案的完整流程。通过这一过程，AI能够基于最新文档而非预训练知识回答问题，无需复杂微调，为企业知识管理提供高效解决方案。
2025-11-18 15:05:07
253
原创 【必学收藏】Transformer架构全解析：大语言模型开发者的必备指南
本文深入解析了Transformer架构，这是现代大语言模型的核心技术。文章从NLP基础概念开始，介绍了词嵌入、RNN、LSTM等传统技术，并重点讲解了Transformer的关键组件：多头自注意力机制、位置编码、残差连接和层归一化等。特别强调了编码器-解码器结构中掩码多头自注意力机制如何实现并行训练，显著提升训练效率。通过本文，读者可以全面理解Transformer的工作原理，为学习大语言模型奠定坚实基础。
2025-11-18 14:43:17
666
原创 【技术收藏】LLM优化决策指南：微调vs提示词，选错真的会让企业百万打水漂！
本文深入对比LLM优化的微调与提示词工程两大策略，从技术本质、数据需求、成本效益、适用场景和风险五大维度分析差异，提供可落地的决策框架。文章指出2025年最佳实践是构建"微调做基础能力，提示词处理场景变化"的混合架构，并强调需建立动态评估机制，帮助企业在精度、成本与效率间找到最优解。
2025-11-18 11:56:32
403
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