动手学大模型应用开发-第三章 搭建知识库

最新推荐文章于 2025-07-30 21:04:37 发布
最新推荐文章于 2025-07-30 21:04:37 发布
阅读量111 收藏
点赞数 2
CC 4.0 BY-SA版权
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/doublewei1/article/details/140014789

动手学大模型应用开发-第三章 搭建知识库【动手学大模型应用开发-第三章 搭建知识库-哔哩哔哩】 https://b23.tv/POaJMJz

Datawhale 动手学大模型应用开发 第六章第七章笔记 迭代优化prompt / 大模型评估 / 项目结构 / Gradio&FastAPI
qq_46231296的博客
11-23 1471
Datawhale 动手学大模型应用开发 第六章第七章笔记 迭代优化prompt / 大模型评估 / 项目结构 / Gradio&FastAPI
【训练营】DateWhale——动手学大模型应用开发（更新中）
KLeinLAN的博客
04-17 1157
大模型时代从GPT爆发开始到现在已有一年多了，深度学习发展之快无法想象，一味感叹技术发展速度超越个人学习速度是没用的，倒不如花点时间参加一些活动，比如思考大模型时代下如何训练小模型呢？毫无例外，openai的GPT系列是我们值得了解的一个重要模型，不过很可惜其并未开源，现在我们常用的GPT是3.5-turbo，可以执行各种任务，包括代码编写、数学问题求解、写作建议等。其余模型见datawhale的开源学习文档。
datawhale动手学大模型应用开发-第三章-搭建知识库（未完）
fan_fan_feng的专栏
04-22 590
向量数据库是用于高效计算和管理大量向量数据的解决方案。向量数据库是一种专门用于存储和检索向量数据（embedding）的数据库系统。它与传统的基于关系模型的数据库不同，它主要关注的是向量数据的特性和相似性。在向量数据库中，数据被表示为向量形式，每个向量代表一个数据项。这些向量可以是数字、文本、图像或其他类型的数据。向量数据库使用高效的索引和查询算法来加速向量数据的存储和检索过程。
动手学大模型应用开发第三章: 搭建知识库
raulyy7777的博客
04-22 1429
本文内容来自 https://datawhalechina.github.io/llm-universe向量数据库是一种专门用于存储和检索向量数据（embedding）的数据库系统。它与传统的基于关系模型的数据库不同，它主要关注的是向量数据的特性和相似性。在向量数据库中，数据被表示为向量形式，每个向量代表一个数据项。这些向量可以是数字、文本、图像或其他类型的数据。向量数据库使用高效的索引和查询算法来加速向量数据的存储和检索过程。
动手学大模型应用开发-第三章 大模型开发流程及架构
wjher
11-19 3535
大语言模型应用开发：以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用。我们一般不会去大幅度改动模型，而是将大模型作为一个调用工具，通过 Prompt Engineering、数据工程、业务逻辑分解等手段来充分发挥大模型能力，适配应用任务，而不会将精力聚焦在优化模型本身上。因此大模型开发更多的是解决工程问题，如何更好的将大模型的能力、具体领域的数据以及具体业务结合起来。
动手学大模型应用开发第一章：大模型简介
raulyy7777的博客
04-17 1640
本文内容来自 https://datawhalechina.github.io/llm-universeLarge Language Model ， 简称 LLM，也称大语言模型，是一种旨在理解和生成人类语言的人工智能模型。LLM 通常指包含数百亿（或更多）参数的语言模型，它们在海量的文本数据上进行训练，从而获得对语言深层次的理解。目前，国外的知名 LLM 有 GPT-3.5、GPT-4、PaLM、Claude 和 LLaMA 等，国内的有文心一言、讯飞星火、通义千问、ChatGLM、百川等。
datawhale动手学大模型应用开发-第六章-LLM 应用精选案例
fan_fan_feng的专栏
04-28 611
为提高回答的准确性和可靠性，项目特别集成了RAG技术，该技术通过在生成回答前检索大量数据中的相关信息，有效提升了信息检索的精度并减少了误导性信息的产生。这一结合了检索和生成的方法确保了智能助手在信息提供上的准确性和权威性，使其成为用户处理海量数据时的有力工具。：利用检索到的文档作为上下文（Context），结合问题，生成一个prompt提交给大型语言模型（LLM），由其生成回答（Answer）。：将用户的查询向量化，并在知识库文档的向量索引中检索与查询最相似的top k个文档。
datawhale动手学大模型应用开发-第一章-大模型简介
fan_fan_feng的专栏
04-16 1064
这篇文章是关于大模型应用开发的入门指南，提供了对常见闭源和开源大模型的简介，包括它们的参数量、架构类型、词表上下文长度等技术细节。文章还介绍了检索增强生成（RAG）的基本原理和工作流程，这是一种结合信息检索和自然语言生成的方法，用于生成符合用户需求的文本结果。特别地，文章详细阐述了LangChain框架，这是一个用于构建由语言模型驱动的应用程序的工具，它提供了模块化的组件和特定用例链，以实现数据感知和主动性。此外，文章还概述了大模型开发流程的关键步骤，包括设计、搭建整体架构、Prompt Engineeri
Datawhale-动手学大模型应用开发-第三章心得
DeButAlacatraz的博客
04-23 999
“搭建知识库”涉及使用机器学习模型构建和管理知识库的过程。它展示了如何通过特定的程序和工具来整理和应用大量的数据和信息。这对于理解数据如何被转化为易于管理和应用的结构化知识来说，是一个很好的示例。该项目不仅包括代码实现，还包括对如何操作和维护知识库的说明，非常适合对构建专业知识库感兴趣的开发者和研究人员。
Datawhale-动手学大模型应用开发-第四章心得
DeButAlacatraz的博客
04-25 839
LLM 接入 LangChain。
动手学大模型应用开发笔记--用dash开发一个大模型知识库
2401_84204413的博客
07-27 1083
动手学，把自己学到的东西动手自己做出来并输出，是最好的学习方式。最近一直在关注和使用各种ai工具，也在学一些ai开发的知识，看到datawhale的开源学习教程，动手学大模型开发( [github.com/datawhalech…])这个教程比较全面，正好可以结合自己常用的数据平台开发工具dash来开发一个web界面，做个简单的demo用起来，可以本地调用各种大模型api来和自己的文本知识库来对话。本来准备报名进群一起学习的，看到的时候报名时间刚好过了半天，就自己来自学一下了。
动手学大语言模型LLM-01
sinat_41341777的博客
06-14 2057
LangChain 框架的核心库、核心组件，提供了基础抽象和 LangChain 表达式语言（LCEL），提供基础架构和工具，用于构建、运行和与 LLM 交互的应用程序，为 LangChain 应用程序的开发提供了坚实的基础。统计学习的方法，分析前面的词汇预测下一个词汇-------------> 假如神经网络模型，把模型更好的捕捉和理解语言的复杂关系---------------->Transformer架构的神经网络模型，通过学习大量文本理解语言规则和模式—>大语言模型的实现。
动手学大模型应用全栈开发#Datahale AI夏令营
2301_79499190的博客
08-09 1853
datawhaleAI夏令营第四期#动手学大模型应用全栈开发baseline运行及解读
Datawhale AI夏令营第四期：动手学大模型应用全栈开发
2401_82587829的博客
08-08 473
本篇主要记录自己跟着Datawhale参考教程跑baseline的过程，也是参加Datawhale AI夏令营第四期：动手学大模型应用全栈开发的学习记录。
力扣30 天 Pandas 挑战（3）---数据操作
qq_66660756的博客
07-29 988
本文介绍了6道力扣Pandas简单题的解题思路：1) 177.第N高的薪水 - 通过去重排序获取第N高工资；2) 176.第二高薪水 - 类似177题的简化版；3) 184.部门最高薪员工 - 使用分组和合并查询部门最高薪；4) 178.分数排名 - 使用dense_rank()实现连续排名；5) 196.删除重复邮箱 - 通过排序和去重保留最小id记录；6) 1795.产品价格重构 - 使用melt()将宽表转为长表。这些题目涵盖了Pandas数据处理的基本操作，适合初学者练习数据清洗、转换和分析。
Redis 键值对操作详解：Python 实现指南
AI浩
07-29 915
场景推荐操作替代方案添加小数据SETHSET（对象）添加大数据HSET/MSET分批次添加添加临时数据SETEX删除小数据DELETEUNLINK删除大数据UNLINK无批量操作管道 + MSET/UNLINK单独命令添加操作使用set()添加单个键值对使用mset()批量添加多个键值对使用setex()添加带过期时间的键值对删除操作优先使用unlink()进行删除（尤其大型数据）仅在需要立即释放内存时使用delete()批量删除时结合管道提高效率。
Python游戏开发：Pygame全面指南与实战
LiuYiCheng123456的博客
07-29 869
Pygame是一个基于Python的开源游戏开发库，提供多媒体应用开发所需的图形、声音和输入功能。文章首先介绍了Pygame的特点、与其他游戏引擎的对比以及安装方法。然后详细讲解了创建游戏窗口的基础知识，包括初始化、主循环结构和基本绘图功能，并提供了简单绘图板的完整示例代码。最后介绍了图像处理与动画技术，涵盖图像加载、变换和动画实现原理，附有角色动画的实践示例。全文循序渐进地展示了使用Pygame开发2D游戏的核心技术要点。
Python快速入门(2025版)：常量、变量
iotzgq的博客
07-28 677
本文介绍了Python编程中常量和变量的核心概念。常量是固定不变的值（如数字100、圆周率3.14），用于组成运算表达式；变量则是可变的存储空间（如num1=100），用于临时保存数据以便后续处理。文章通过生活化类比（如购物篮）和编程示例，清晰区分了两者的用途与差异，并强调这是Python编程的重要基础。适合初学者快速理解基本概念，为后续学习打下基础。
Python Day19 时间模块 和 json模块 及例题分析
最新发布
ihghhfffv的博客
07-30 638
本文介绍了Python中常用的时间日期处理模块和JSON序列化操作。主要内容包括：1）uuid模块生成唯一标识符的不同方法（uuid1/3/4/5）；2）time模块的时间戳转换、时间元组操作及格式化；3）datetime模块的日期时间计算、时间差处理和格式化输出；4）copy模块的浅拷贝与深拷贝区别；5）json模块的数据序列化与反序列化，包括自定义类型处理。同时提供了常用日期计算示例（如获取最近7天、计算时间差、生成周日列表等）和JSON格式转换的实现方法，以及一个简单的日历显示函数。
跟风舞烟学大数据可视化-echarts从入门到上手实战
02-01
大数据可视化是当前信息化领域的热门技术之一，echarts作为一种优秀的可视化工具，受到了广泛的关注和应用。要学习echarts，首先需要了解大数据可视化的基本概念和原理。然后，可以通过跟随一些优秀的教程和视频学习echarts的基本用法和常见图表的绘制方法。 在学习过程中，要注重实战操作，通过自己动手编写代码来实现各种不同类型的图表，比如折线图、柱状图、饼图等。同时需要不断尝试调整参数，熟悉echarts的各种配置选项，以满足不同的可视化需求。 除了基本的图表绘制，学习者还可以尝试使用echarts来展示真实的大数据集，以此来更好地理解echarts在大数据可视化方面的应用。另外，可以学习如何将echarts与其他前端框架（比如Vue、React等）结合起来，以实现更加丰富和复杂的可视化效果。 在学习过程中，要注重积累经验，多思考如何将echarts应用到实际的项目中，比如企业的数据分析、市场报告、数据展示等方面。通过不断地练习和实践，才能真正掌握echarts的用法，并能够独立完成复杂的大数据可视化任务。 总之，要想学好echarts，需要坚持不懈地学习和实践，同时保持对新技术的敏锐度和学习的热情。只有这样，才能够从入门到上手，真正掌握echarts技术。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

doublewei1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值