仿生实验室：从0到1，制作人脸表情交互机器人，记录过程，软硬件全部开源，与君共襄盛举！

Persona Vectors给我们具体风险旋钮，Assistant Axis给我们模型整体身份的安全锚点；情感陪伴机器人需要同时监测“它有什么情绪和倾向”以及“它是否仍然处在有边界的助手角色中”。

马斯克公开的系统级prompt

SmartAssistant类是一个智能助手系统，核心功能包括多场景Prompt管理、意图识别与自动切换、以及持续对话支持。通过预置不同任务的系统级Prompt（如注册、查询、删除），助手能够根据用户输入自动识别意图并切换到相应场景。系统维护上下文记忆，支持多轮交互，用户可通过输入“exit”或“quit”结束对话。该设计实现了灵活的任务处理和高效的对话管理。

简历信息提取系统利用Pydantic模型和大语言模型（如GPT）从非结构化简历文本中提取结构化信息。系统首先通过Pydantic的Resume类定义简历字段和校验规则，确保数据的准确性和一致性。系统还具备自动统一日期格式的功能，如将“1990-05-15”转换为“05-15-1990”。通过Prompt工程，系统与AI交互，提取信息并返回标准JSON格式。核心代码展示了如何定义Pydantic模型、验证和转换日期格式，以及如何通过大语言模型生成结构化JSON响应。该系统能够高效、准确地处理简历信息，适用于招

ColBERT架构是一种为大规模文档检索设计的高效模型，它通过为文档和查询的每个token生成上下文相关嵌入，并在检索阶段进行细粒度交互和匹配，实现更精细的匹配。

RAG（Retrieval-Augmented Generation）是一种结合检索与生成的自然语言处理技术。其核心流程包括数据索引、问题检索和生成回答。RAG的优势在于能够通过检索外部知识库，提升生成回答的准确性和相关性。Langchain框架提供了丰富的工具，帮助开发者构建高效的RAG系统

文章探讨了AI从“过程导向”到“目标导向”的转变，强调了现代AI模型如GPT-O1的强大能力，它们能够通过简单的提示词自主完成任务，而无需复杂的指令。文章介绍了GPT-O1提示词的四大原则：简单直接、无需显式思维链、结构化表达和“展示”而非“指导”。通过实例展示了GPT-O1在五言诗创作和字符统计任务中的高效表现。此外，文章还描述了O1模型的工作流程，包括问题分析、任务分解、系统执行、方案优化、自我评估和自我纠正。

这份文档详细介绍了检索增强生成 (RAG) 流程中的各个关键模块，包括查询转换 (Query Translation)、路由 (Routing)、查询构建 (Query Construction)、索引 (Indexing)、检索 (Retrieval) 和生成 (Generation)。查询转换 (Query Translation)模块负责将用户原始问题改写、分解、抽象或转换为假设文档，以便更有效地从知识库中检索信息。

RAG-Fusion、Decomposition、HyDE和Routing是提升检索增强生成（RAG）系统性能的四种关键策略。RAG-Fusion通过生成多个语义相关的查询并融合检索结果，以覆盖更广泛的用户意图并提高结果的相关性。Decomposition策略将复杂问题拆分为多个子问题，分别检索后组合答案，以简化查询并提高答案的全面性。HyDE则通过生成假设性文档的嵌入向量进行检索，利用语言模型的生成能力弥补查询与文档之间的语义差距。Routing模块则根据查询的性质，将其导向最合适的知识库或处理流程。

帖子里用了一个非常形象的比喻：“reward扮演的是环境的角色，而critic属于llm这个智能体的一部分，就好比在考试中，你自己检查卷子和老师给你打分的区别。

【RAG】indexing 中的 Hierarchical Indexing（分层索引）和改进点

智驾和大模型的回顾与展望。开头的笔者自述也说了些心窝子话，边缘计算的监管刻不容缓！