shengjk1的博客

本文深入剖析了多智能体系统（MAS）在实际应用中失败的底层逻辑，并提出了实用的诊断与优化方案。通过对7个主流MAS框架和200多个任务的分析，构建了MAS失败分类学（MAST），揭示了规格设计问题、智能体协作失调和任务验证缺陷三大类问题。研究指出，系统性缺陷是主要问题，而非LLM本身。基于MAST分类学，论文提出了详细的优化方案，包括架构级重构、效率优化和工具链集成等，旨在帮助开发者构建更可靠的多智能体系统

AI编程工具的普及正在深刻重构程序员的认知生态。研究表明，过度依赖AI可能导致算法思维退化、代码记忆丧失及技术深度理解弱化，催生出依赖提示词却疏于底层原理的“工具化开发者”。然而，技术进化并非零和博弈——通过“原始编程”训练、人机协同工作法的创新及认知防火墙的建立，程序员可在保留核心思维能力的同时，将AI转化为增强创造力的“外接大脑”。未来的关键在于平衡效率与深度，既善用AI突破生产力边界，又通过持续的基础认知训练守护技术主权，最终实现人类开发者与智能工具的共生进化。

我一直想要开发一些程序，来解决工作生活中的一些困点，但一直没有实施出来，主要是因为GUI不太熟悉，但也不想花费大量的时间来学习这个。其实之前也试图学过 pyQT但后来因为工作的原因，不了了之了。但最近 AI 编程被吹嘘的太厉害了，所以我也想借助AI 的力量来实现我想要的功能，于是乎一款对 word 和 pdf 内容搜索的工具就诞生了。

AI 编程被炒的火热，很多人都在鼓吹，甚至行业内的大厂，吹的最牛逼的就是某阿里 ，其他的公司就不一一列举了。在大模型领域，我不认为阿里会强过 Claude，所以我基于 Claude-3.5-Sonnet，完全沉浸式编码完成一个任务 我通过AI编程完成了第一个实用程序

我的工作会不会被AI替代？只有自己知道！试问一下，自己的工作，为什么AI不能做呢？

本文介绍了CPU和GPU的历史产生背景，以及它们之间的区别和应用。此外，文章还介绍了如何利用大模型的优势，其中推荐了一个多模型可供选择的工具葫芦AI。

你好，我是 shengjk1，多年大厂经验，努力构建 通俗易懂的、好玩的编程语言教程。 欢迎关注！你会有如下收益：1. 了解大厂经验1. 拥有和大厂相匹配的技术等希望看什么，评论或者私信告诉我！@[TOC](文章目录)# 一、背景目前在实现 NL2SQL 就是将人的自然语言通过 LLMs 的一系列处理，在这个过程中，会把文本向量化后存储到向量数据库中，然后通过向量搜索，这个过程中发现文本 embedding 后，通过向量化搜索效果很是惊人，就跟程序能读懂人的语言一样。于是对 emb

本文介绍了NL2SQL的实现方式，包括目前比较火的开源项目Vanna、DAIL-SQL以及其他实现方式，同时总结了当前NL2SQL实现方式的优化点。此外，本文还介绍了Text-to-SQL测试集WikiSQL、Spider和BIRD，以及评估模型性能的指标Spider Exact Match和Spider Exact Execution。

文章介绍了在工作中使用的电脑配置、安装组件及模型，并详细说明了安装步骤和运行方法。同时提及了模型量化的重要性和优缺点

有大模型以来一直想尝试通过本地安装大模型，主要的原因是GPT众所众知的原因没有办法通过 API 访问，而国内的所谓的开发平台一方面要么不兼容 openai 的 api 要么就是价格不够友好，要么两者兼有，另外的话，开发平台也有所谓的隐私问题。另外公司内部虽然有已经部署好的开源大模型，但相应的服务中的 Temperautre 或者 Top 都已经被固定了，用起来特别没意思。所以想自己搞一套，喜欢自己说了算。

文章详细说明了在不支持CUDA的Intel® Iris(R) Xe Graphics系统上安装ComfyUI的过程，包括安装Anaconda、选择合适的PyTorch版本、下载ComfyUI代码，进入ComfyUI目录，以及安装依赖。接着，介绍了如何通过特定的启动选项在CPU上启动服务，特别是禁用CUDA内存分配、使用分裂跨注意力机制，并强调在CPU上执行的可能性和原因。

文章介绍了如何解决使用 ComfyUI 安装过程中出现的 "AssertionError: Torch not compiled with CUDA enabled" 错误，重点讲解了 CUDA 和 Intel(R) Lris(R) Xe Graphics 的概念，以及解决该错误的具体步骤。

基于 Suno 任何人都可以创作美妙音乐。无论您是歌手还是艺术家抑或是对音乐一无所知的人，suno都会打破您与创作的歌曲之间的障碍。不需要任何工具，只需要想象力。界面操作也特别简单，这是 suno.ai 的界面。

人工智能增强谬误是这样的：“人工智能不会取代你的工作，但使用人工智能的人可能会。相反，我认为对于绝大多数工作来说，人工智能的影响将如下所示：“人工智能不会抢走你的工作，但它需要你的能力来收取溢价。换言之：“人工智能不会吃掉你的工作，但它会从你的薪水中抽出一大笔钱。问题不在于机器是否会取代人类。这个问题是我们这个时代最大的干扰之一。真正重要的问题是如果是这样，哪些技能可以保持这种溢价，哪些技能不会。

基于 Suno 任何人都可以创作美妙音乐。无论您是歌手还是艺术家抑或是对音乐一无所知的人，suno都会打破您与创作的歌曲之间的障碍。不需要任何工具，只需要想象力。界面操作也特别简单，这是 suno.ai 的界面。

本文介绍了一门课程的开发，内容涉及通过搜索引擎获取实时数据的相关技术与实现方式。作者探索了以 Perplexity AI 为代表的大型模型技术，并着重解析了这一技术背后的原理，展示了其对实时数据获取的可能应用。

主流的 AI 模型，目前都是收费制。如果同时使用多个模型，每月是一笔不小的费用，而且过程很麻烦。想要去使用，免费的不好的，要想用好用的，没有办法，只能付费。

本文介绍了大模型的 Function call 功能，包括其作用、GLM-4 如何进行函数调用、代码编写等。同时，文章还提到了如果没有 Function call，类似的问题也可以通过其他方式解决。总的来说，本文是一篇介绍大模型 Function call 功能的入门级文章。

总之，每一款模型都带来不同的用户体验。ChatGPT以其易用性和多功能性备受好评；Claude因在多项测试中的出色表现而受到青睐；而Gemini则得益于与Google产品的紧密整合，从而提升生产力。上述对比或许能帮助您做出抉择。若有其他疑问，我将竭诚解答。

语言模型（LLM）是通过预测下一个词的监督学习方式进行训练的。具体来说，首先准备一个包含数百亿甚至更多词的大规模文本数据集。然后，可以从这些文本中提取句子或句子片段作为模型输入。模型会根据当前输入 Context 预测下一个词的概率分布。通过不断比较模型预测和实际的下一个词，并更新模型参数最小化两者差异,语言模型逐步掌握了语言的规律，学会了预测下一个词。在训练过程中,研究人员会准备大量句子或句子片段作为训练样本,要求模型一次次预测下一个词，通过反复训练促使模型参数收敛，使其预测能力不断提高。

如何利用chatgpt 提高工作效率。

RAG是一种模型架构，结合了检索（retrieval）和生成（generation）的方法。它使用检索模块从大规模的知识库中检索相关信息，然后使用生成模块生成响应或回答。这种结合检索和生成的方法可以提高模型的语言理解和生成能力。RAG的主要应用场景是问答系统和对话系统。它可以用于构建智能问答机器人、聊天机器人和虚拟助手等，使其能够更好地理解用户的问题，并生成准确和有意义的回答。

首先，人工智能（Artificial Intelligence，AI）是一门研究如何使计算机具备智能的科学与工程领域。它涵盖了许多不同的技术和方法，旨在使计算机能够模拟和执行人类智能活动，如学习、推理、理解语言等。

GPT，全称为Generative Pre-Trained Transformer（生成式预训练Transformer模型），是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型。GPT的目标是生成自然语言文本，并能够通过机器学习算法进行自我改进。GPT可以通过学习大量文本数据来理解语言的语法、语义和上下文信息，并生成与输入相似的自然语言文本。GPT也可以被训练用于其他任务，如翻译、问答、摘要生成等。

OpenAI 的历史第一阶段：2015-2018 年第二阶段：2019-2022 年第三阶段：2023 年至今每个阶段分别发生了什么第一阶段：2015-2018 年第二阶段：2019-2022 年第三阶段：2023 年至今

这种训练过程的结果是一个预训练的语言模型，它通过接触不同的语言模式，为理解自然语言和生成上下文适当且连贯的文本奠定了基础。现代的LLM不仅是一个简单的神经网络，而是包含各种组件或块，通常由不同的神经网络组成，每个组件或块都设计用于执行特定任务并具有专门的体系结构。它在更大的数据集上进行了更长时间的预训练，并对训练过程进行了一些优化，因此在多项自然语言处理任务中取得了更好的性能。随着技术的不断成熟，LLM的应用范围将不断拓展，为人类提供更加智能化和个性化的服务，进一步改善人们的生活和生产方式。