- 博客(71)
- 收藏
- 关注
RSS订阅原创 # 深入 Claude Code Tool 体系：从命名、匹配到延迟加载的完整设计剖析
定义层buildTool+ fail-closed 默认值 + name/description/prompt/inputSchema 四要素匹配层（命名 + 查找 + 延迟加载）：精确字符串匹配 + ToolSearch 按需激活 + 名字即信号执行层驱动分组调度 + 大结果落盘 + 两阶段门控整套设计没有 LLM 参与工具匹配、没有启发式的模糊搜索、没有隐式的智能路由。每个环节都是确定性的字符串操作和规则判断——这让它可预测、可调试、不会"神奇地"匹配到不该匹配的工具。
2026-08-01 19:51:01
338
原创 大模型开发：我们到底在解决什么问题？
大模型开发不是在“训练一个神”，而是在**“驾驭一头巨兽”**。大模型负责“猜词”与“推理”，而开发工程师负责“约束”与“检索”。大模型开发本质上是**“概率论”与“确定性工程”的博弈**。我们通过工作流（LangGraph）约束逻辑路径，通过RAG注入事实基础，通过提示词（Prompt）校准注意力。如何让一个擅长“胡诌”的概率模型，在复杂的商业场景中表现出“严谨”与“可靠”。这才是大模型开发真正的价值所在。
2026-07-31 14:24:40
189
原创 LangChain 从入门到精通（上）：核心概念、提示模板、模型调用与数据检索
LangChain 由于2022 年 10 月创建，他目前担任 LangChain Inc. 的 CEO。核心理念是“可组合性（Composability）”——将模型、提示词、索引和工具抽象为标准组件，让开发者通过组合这些组件来快速构建应用。输入提示（Format）→ 调用模型（Predict）→ 输出解析（Parse）。这三块在 LangChain 中统称为Model I/O。PromptTemplate 是一个可插变量的模板字符串，帮用户自动将输入格式化为标准 Prompt。五大优势：清晰易懂。
2026-07-27 16:17:43
213
原创 一文搞懂 RAG（检索增强生成）：从原理到实战，手把手构建智能问答系统
数学中的向量有大小和方向。在 AI 领域，我们把文本映射成一组浮点数数组——每个维度对应一个语义特征，整个数组表示 n 维空间中的一个点，这就是文本向量，也叫 Embedding。语义相近的文本 → 向量空间中的距离也近。magnitude = np.linalg.norm(v) # 向量大小unit_vector = v / magnitude # 单位向量（方向）环节做什么关键技术文档处理把文档变"可检索"分块策略（递归切分）、Overlap向量化把文字变"可计算"
2026-07-26 13:51:38
172
原创 神经网络笔记 - 神经网络
显然W2 的数据更加平稳，这样的数据说明再计算的过程中，神经网络最大程度上使不同数据的信息，而不是单独通过某一条数据进行判断。在训练神经网络时，计算每个参数（权重）应该怎么调整，才能让模型的输出变得更好（比如分类更准）的一种算法。它是一层一层往回推，算出每个参数对最终误差（loss）的影响，然后用这些信息来更新参数。那么，我们如何知道分数有多对，或则这个分数的准确率有多少，这里需要用到损失函数。通过反向传播，它知道了：“啊，我哪一部分参数错了，应该怎么调整”。顺着上面的例子，我们的到了X* W的分数。
2025-04-27 22:08:39
1236
原创 神经网络笔记 - 感知机
主题关键词备注感知机基础权重、阈值、加权和决定输出0或1逻辑门实现单层感知机线性与非线性线性可分 vs 非线性可分XOR是非线性问题多层感知机层与层组合解决复杂问题。
2025-04-26 18:39:49
797
原创 大模型微调-高效微调
方法是否修改 Transformer 层参数训练内容注入位置❌ 不修改只训练输入层的可学习 soft prompt（embedding 向量）仅输入嵌入层❌ 不修改只训练 soft prompt（embedding 向量）仅输入嵌入层❌ 不修改训练可学习 prefix，注入每层 attention 的 KV（key/value）每层 Transformer 的注意力层❌ 不修改训练深度 prompt encoder（如 LSTM），输出注入每层 KV 中。
2025-04-26 01:41:43
1051
原创 大模型微调 - transformer架构
Transformer 架构是由 Vaswani 等人在 2017 年提出的一种深度学习模型架构，首次发表于论文《Attention is All You Need》中。
2025-04-25 17:14:04
443
原创 大模型微调 - 自注意力机制
注意力机制（Attention Mechanism）是一种能够根据输入的相关性动态分配权重的机制，广泛应用于自然语言处理、计算机视觉等领域。其核心思想是：“。
2025-04-25 16:33:29
408
原创 大模型Rag - 检索增强技术
给定一个用户问题，让大语言模型（LLM）直接生成对该问题的一个回答，将该回答作为**“伪文档”**，再与原始问题拼接后送入检索系统。利用 LLM 所生成的伪答案来填补原问题的语义空白，提升语义匹配程度，从而提高检索准确性。将问题与伪文档拼接后用于搜索，提升了检索命中文档的语义相关性。
2025-04-23 16:32:20
1059
原创 大模型（4） - LangChain
LangChain 通过组合模块和能力抽象来扩展大型语言模型（LLM）的应用开发者文档：https://python.langchain.com/docs/integrations/llms/代码实现：https://github.com/langchain-ai/langchain/tree/master/libs/langchain/langchain/llms。
2025-04-20 17:33:52
871
原创 大模型Rag - 如何评估Rag
RAG（Retrieval-Augmented Generation）是一种结合检索与生成的问答架构。用户提出问题 → 系统检索相关上下文 → 基于上下文由大语言模型生成答案。上下文相关性检索到的上下文是否紧密围绕用户问题展开？是否包含解答问题所需的关键信息？生成答案的忠实性（Faithfulness）答案是否与提供的上下文信息保持事实一致性？能否通过上下文信息进行推断？答案相关性（Relevance）是否直接、完整地回答了用户问题？有无遗漏或冗余无关内容？
2025-04-19 22:14:57
1102
原创 大模型Rag - 文本分块
在构建智能问答系统或知识库的过程中，文本分块（Text Splitting）是一项基础但极为关键的任务。它不仅决定了后续 embedding 生成的质量，也直接影响向量检索系统的准确率与效率。本文将系统性地介绍文本分块的原理、动因、策略及工具实践，帮助你构建更健壮的语义检索系统。
2025-04-19 16:36:22
511
原创 大模型Rag - 向量数据库索引
向量数据库 Chroma是一个简单易用的 AI 原生向量数据库，安装十分简单，使用 pip install chromadb 即可完成安装。服务启动后，可以在指定路径查看本地持久化存储的数据。
2025-04-19 12:11:28
404
原创 大模型Rag - 向量数据库
特性维度 Chroma Milvus上手难度 ⭐⭐⭐⭐☆（易上手） ⭐⭐☆☆☆（较复杂）部署方式 本地 / 服务端 本地 / 服务端 / 分布式可扩展性 中等 高检索能力 支持元数据 + 向量检索 支持更多相似度度量与索引算法权限与监控 暂不支持 支持角色权限、监控与日志功能适合项目规模 中小型 中大型。
2025-04-18 17:36:54
1119
原创 大模型Rag - embedding
Embedding模型是一种将各种形式的数据对象（如文本、音频、视频等）转换为的技术。这种转换过程可以形象地理解为将复杂数据"嵌入"到一个高维的数学空间中。以文本为例："机器学习"和"深度学习"这两个短语的embedding向量在空间中会比它们与"篮球比赛"的向量更接近。
2025-04-18 14:53:10
1154
原创 Open AI 使用篇
大模型中的 function calling 指的是在人工智能模型（如 GPT-4）中调用外部函数或API，以便模型能够执行更复杂的任务或获取外部数据。这种方式允许模型在生成回答时不仅仅依赖于内部的训练数据，还能够与外部系统进行交互，从而拓展其功能。
2025-04-15 21:04:11
597
原创 大模型（3）--提示学习
提示模型（Prompt Model）是指导大语言模型（LLM）生成特定输出的结构化输入方法，通常由自然语言指令、上下文和示例组成。
2025-04-15 02:37:11
521
原创 大模型（1） - 什么是GPT
全称 Generative Pre-trained Transformer 是一种基于架构的大规模预训练语言模型，由OpenAI研发，但GPT仅仅只是借鉴了Transformer 中Decoder的部分，并且做了升级。
2025-04-11 17:40:17
926
原创 eureka三级缓存源码级解析
服务端增量获取注册表eureka 的三级缓存可以说是设计的整个中间件非常大的亮点，这里以增量获取注册表信息为例，直接从服务端开始进行分析我们直接来到获取缓存的部分@VisibleForTesting Value getValue(final Key key, boolean useReadOnlyCache) { Value payload = null; ...... if (useReadOnlyCache) {
2021-02-22 15:54:37
1924
原创 springboot 启动流程
spring 启动 public static ConfigurableApplicationContext run(Class<?>[] primarySources, String[] args) { //从springboot return new SpringApplication(primarySources).run(args); }这里主要分为两步，一个是spring Application的构造方法另一步时执行 run()SpringApplication()
2021-02-06 13:37:37
173
原创 LinedBlockingQueue 源码解析
构造方法 public LinkedBlockingQueue() { this(Integer.MAX_VALUE); }空参构造方法，也就是说没有传入大小，队列的大小默认为Integer的最大值属性 private final int capacity;//容量 private final AtomicInteger count = new AtomicInteger();//存储的元素个数 transient Node<E> head
2021-01-04 15:22:54
182
1
原创 ScheduledThreadPoolExecutor 源码解析
概述ScheduledThreadPoolExecutor 常常用来作为延迟任务，或者是周期性执行某个任务延迟任务简单的使用示如下，如果需要周期性执行任务，使用 scheduleAtFixedRate() public static void main(String[] args) throws ClassNotFoundException, ExecutionException, InterruptedException { ScheduledThreadPoolExecutor s
2021-01-04 14:22:56
187
原创 Callable 源码解析
概述这里Callable 的使用以 FutureTask 举例，源码示例如下 public static void main(String[] args) throws ClassNotFoundException, ExecutionException, InterruptedException { FutureTask futureTask = new FutureTask(new Callable() { @Override pub
2021-01-04 13:03:16
343
原创 ArrayBlockingQueue 源码解析
ArrayBlockingQueue 属性首先来看看ArrayBlockingQueue 的属性public class ArrayBlockingQueue<E> extends AbstractQueue<E> implements BlockingQueue<E>, java.io.Serializable { private static final long serialVersionUID = -817911632652898426
2020-12-31 00:11:18
235
2
原创 线程池提交任务和执行任务源码解析（2）
概述因为篇幅太长所以分两篇博客进行说明，本文算是对《线程池提交任务和执行任务源码解析》的补充第一篇博客《线程池提交任务和执行任务源码解析》—》https://blog.youkuaiyun.com/kznsbs/article/details/111958345继续execute()方法的说明 public void execute(Runnable command) { ... int c = ctl.get(); if (workerCountOf(c)
2020-12-30 23:01:51
155
原创 线程池提交任务和执行任务源码解析
线程池提交我们就按照平时使用的方式，从execute（）这以execute这个方法为入口 public void execute(Runnable command) { ... int c = ctl.get(); if (workerCountOf(c) < corePoolSize) { if (addWorker(command, true)) return;
2020-12-30 14:23:10
323
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