<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kznsbs的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/kznsbs</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kznsbs]]></copyright><item><title><![CDATA[# 深入 Claude Code Tool 体系：从命名、匹配到延迟加载的完整设计剖析]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/163397417</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/163397417</guid><author>kznsbs</author><pubDate>Sat, 01 Aug 2026 19:51:01 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型开发：我们到底在解决什么问题？]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/163367130</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/163367130</guid><author>kznsbs</author><pubDate>Fri, 31 Jul 2026 14:24:40 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/163246162</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/163246162</guid><author>kznsbs</author><pubDate>Mon, 27 Jul 2026 16:17:43 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[硬核笔记：手撕5层网络反向传播——从前向传播到参数更新的全流程数值推导]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/163240352</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/163240352</guid><author>kznsbs</author><pubDate>Mon, 27 Jul 2026 13:06:42 +0800</pubDate><description><![CDATA[收到，去掉所有花哨图标，保留纯文本和清晰的结构，直接复制即可发布。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/163215768</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/163215768</guid><author>kznsbs</author><pubDate>Sun, 26 Jul 2026 13:51:38 +0800</pubDate><description><![CDATA[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"]]></description><category></category></item><item><title><![CDATA[神经网络笔记 - 神经网络]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147562710</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147562710</guid><author>kznsbs</author><pubDate>Sun, 27 Apr 2025 22:08:39 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[神经网络笔记 - 感知机]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147540418</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147540418</guid><author>kznsbs</author><pubDate>Sat, 26 Apr 2025 18:39:49 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型微调-高效微调]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147475853</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147475853</guid><author>kznsbs</author><pubDate>Sat, 26 Apr 2025 01:41:43 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型微调 - transformer架构]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147516359</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147516359</guid><author>kznsbs</author><pubDate>Fri, 25 Apr 2025 17:14:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型微调 - 自注意力机制]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147515438</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147515438</guid><author>kznsbs</author><pubDate>Fri, 25 Apr 2025 16:33:29 +0800</pubDate><description><![CDATA[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：“。]]></description><category></category></item><item><title><![CDATA[大模型Rag - 检索增强技术]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147357309</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147357309</guid><author>kznsbs</author><pubDate>Wed, 23 Apr 2025 16:32:20 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型（4） - LangChain]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147260661</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147260661</guid><author>kznsbs</author><pubDate>Sun, 20 Apr 2025 17:33:52 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型Rag - 两大检索技术]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147356822</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147356822</guid><author>kznsbs</author><pubDate>Sat, 19 Apr 2025 22:47:49 +0800</pubDate><description><![CDATA[稀疏检索是一种基于关键词统计的传统检索方法。]]></description><category></category></item><item><title><![CDATA[大模型Rag - 如何评估Rag]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147352508</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147352508</guid><author>kznsbs</author><pubDate>Sat, 19 Apr 2025 22:14:57 +0800</pubDate><description><![CDATA[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？]]></description><category></category></item><item><title><![CDATA[大模型Rag - 文本分块]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147351338</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147351338</guid><author>kznsbs</author><pubDate>Sat, 19 Apr 2025 16:36:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型Rag - 向量数据库索引]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147347723</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147347723</guid><author>kznsbs</author><pubDate>Sat, 19 Apr 2025 12:11:28 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型Rag - 向量数据库]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147334037</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147334037</guid><author>kznsbs</author><pubDate>Fri, 18 Apr 2025 17:36:54 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型Rag - embedding]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147316767</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147316767</guid><author>kznsbs</author><pubDate>Fri, 18 Apr 2025 14:53:10 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Open AI 使用篇]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147249841</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147249841</guid><author>kznsbs</author><pubDate>Tue, 15 Apr 2025 21:04:11 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型（3）--提示学习]]></title><link>https://blog.youkuaiyun.com/kznsbs/article/details/147236530</link><guid>https://blog.youkuaiyun.com/kznsbs/article/details/147236530</guid><author>kznsbs</author><pubDate>Tue, 15 Apr 2025 02:37:11 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>