<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_71095808的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_71095808</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_71095808]]></copyright><item><title><![CDATA[AI-Agent大模型——提示词工程篇]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/160418564</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/160418564</guid><author>m0_71095808</author><pubDate>Wed, 22 Apr 2026 21:30:30 +0800</pubDate><description><![CDATA[提示词（Prompt）是用户提供给AI模型的输入指令，用于指导其生成特定输出。提示词工程则是设计、优化这些指令的过程，旨在提升输出的准确性、相关性和可用性。]]></description><category></category></item><item><title><![CDATA[AI-Agent大模型——基础篇]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/160385018</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/160385018</guid><author>m0_71095808</author><pubDate>Wed, 22 Apr 2026 01:01:28 +0800</pubDate><description><![CDATA[大模型学习指南：从概念到实践 本文系统介绍了大模型的核心知识与应用方法。首先解析大模型(Large Language Model)的基本概念，指出其基于Transformer架构，具备文本生成、问答等复杂任务处理能力。其次对比国内外主流大模型选型策略：国外推荐GPT-5.4/Claude4.6或Gemini，国内建议DeepSeek/通义等方案。重点演示了API调用方法，包括OpenAI标准接口和LangChain框架两种实现方式，涵盖环境配置、普通调用和流式调用等关键技术细节。最后介绍了temperatu]]></description><category></category></item><item><title><![CDATA[NLP自然语言处理-文本表示篇]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/160184226</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/160184226</guid><author>m0_71095808</author><pubDate>Wed, 15 Apr 2026 16:47:52 +0800</pubDate><description><![CDATA[本文系统介绍了文本表示技术在自然语言处理中的核心地位和发展历程。首先阐述了分词的基础作用，详细对比了英文和中文在词级、字符级、子词级分词方法上的差异及代表性工具。其次，深入解析了词表示方法从One-hot编码到语义化词向量（如Word2Vec）的演进，包括Skip-gram和CBOW两种经典模型架构及其训练原理。最后，探讨了上下文相关词表示（如ELMo）对静态词向量的突破性改进。文章通过理论阐述与代码示例相结合的方式，完整呈现了从原始文本到数值化表示的完整处理流程，为NLP任务提供了基础技术支撑。]]></description><category></category></item><item><title><![CDATA[NLP自然语言处理-Bert篇]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/160090226</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/160090226</guid><author>m0_71095808</author><pubDate>Sun, 12 Apr 2026 23:06:42 +0800</pubDate><description><![CDATA[基于2017年发布的transform,基于编码器的架构设计BERT（Bidirectional Encoder Representations from Transformers）是由Google于2018年10月提出的一种基于Transformer的预训练语言模型。它在NLP任务中取得了突破性的成果，极大地提升了模型在问答、文本分类等任务上的表现。BERT在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩: 全部两个衡量指标上全面超越人类, 并且在11种不同NLP测试中创出SOTA表现。]]></description><category></category></item><item><title><![CDATA[NLP自然语言处理-Fasttext篇]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/129863253</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/129863253</guid><author>m0_71095808</author><pubDate>Sat, 11 Apr 2026 14:58:58 +0800</pubDate><description><![CDATA[FastText 基于词向量平均的方式，无法捕捉长距离依赖与语序信息，在长文本上语义信息会被稀释，因此不适合长文本分类，更适合短文本场景。FastText 很强，性价比之王标题、Query、评论、短句意图识别能用，但效果开始不如 TextCNN / RNN长文本（>200 字）：FastText 基本不考虑直接上：TextCNN、RNN、LSTM、Transformer、BERT。]]></description><category></category></item><item><title><![CDATA[[Spring 彩蛋] 启动页面的设置]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/129214047</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/129214047</guid><author>m0_71095808</author><pubDate>Sat, 25 Feb 2023 12:13:45 +0800</pubDate><description><![CDATA[Spring启动页面的设置]]></description><category></category></item><item><title><![CDATA[[Typora Mac系列之一] 主题样式设置]]></title><link>https://blog.youkuaiyun.com/m0_71095808/article/details/129211404</link><guid>https://blog.youkuaiyun.com/m0_71095808/article/details/129211404</guid><author>m0_71095808</author><pubDate>Sat, 25 Feb 2023 08:46:33 +0800</pubDate><description><![CDATA[Typora mac 主题设置]]></description><category></category></item></channel></rss>